چکیده: چکیده بهره‌برداری سیستم قدرت به طور قابل توجه‌ای تحت تأثیر پیش‌بینی بار الکتریکی کوتاه‌مدت است. در حالی‌که پیش‌بینی کوتاه‌مدت الگوی زمانی بار الکتریکی به دلیل تغییر شرایط آب‌وهوا و رفتار مصرف‌کنندگان با خطا همراه است، روش‌های پیش‌بینی قطعی موجود به دلیل نادیده گرفتن عدم‌قطعیت‌ها و عوامل تصادفی، محدود هستند. به همین دلیل، توسعه روش‌هایی که علاوه بر ارائه یک پیش‌بینی قطعی، پیش‌بینی احتمالی مقادیر بار را نیز ارائه دهند، از اهمیت بالایی برخوردار است. در این پایان‌نامه، یک روش یادگیری عمیق برای پیش‌بینی احتمالی بار الکتریکی کوتاه‌مدت پیشنهاد می‌شود. در مرحله اول، یک شبکه LSTM با دو ورودی بار الکتریکی شهری و دمای محیط برای تولید پیش‌بینی قطعی مورد استفاده قرار می‌گیرد. سپس، با هدف بهبود دقت پیش‌بینی و لحاظ کردن عدم‌قطعیت‌ها، وابستگی‌های زمانی بار الکتریکی به صورت یک سری زمانی مدل‌سازی می‌شود. در ادامه، برای پیش‌بینی احتمالی بار، یک روش ترکیبی جدید با استفاده از مدل SARIMA پیشنهاد می‌شود. ترکیب شبکه LSTM با مدل SARIMA باعث می‌شود که روش پیشنهادی علاوه بر داشتن دقت بالاتر در پیش‌بینی قطعی، امکان پیش‌بینی احتمالی مقادیر بار را نیز فراهم کند. روش پیشنهادی با استفاده از مجموعه اطلاعات بار الکتریکی شهری و دمای محیط در شهر شاهرود، ایران اعتبارسنجی می‌شود. نتایج عددی نشان می‌دهد که مقدار شاخص MAPE کمتر از ۲ درصد است که نشان‌دهنده دقت مناسب روش ترکیبی پیشنهادی است. این نتایج، پتانسیل بالای استفاده از یادگیری عمیق در کنار مدل‌سازی آماری را برای پیش‌بینی بار الکتریکی کوتاه‌مدت تأیید می‌کند.