یکی از مسائل مهم در مواجهه با انواع معاملات در بازارهای برق پیش بینی دقیق قیمت آینده است. آنچه که انجام یک پیش بینی دقیق را دچار مشکل می کند خواص ویژه و غیر خطی سیگنال قیمت از جمله فرکانس بالا، عدم ثبات، آن است. لزوم استفاده از داده های تاریخی قیمت جهت پیش بینی، نیاز به روشی برای دسته بندی داده ها با توجه به همبستگی آنها را ایجاب می کند. اخیراً روشهای هوشمند بدلیل سادگی، عدم نیاز به مدل ریاضی دقیق و محاسبات کم جایگزین خوبی برای سایر روشها به شمار می آیند. از آنجا که این روشها نیاز به آموزش دارند و داده های آموزش تأثیر بسزایی بر عملکرد سیستم آموزش دارد، دسته بندی دقیق داده ها می تواند دقت پیش بینی را به شدت افزایش دهد. از سوی دیگر ارتباط بین داده های تاریخی قیمت دارای دو جمله خطی و غیر خطی است لذا بهتر است در پیش بینی هر دو جمله لحاظ شود. بدین منظور در این پایان نامه از یادگیری تأملی استفاده شده که علاوه بر قابلیت شبیه سازی سیگنالهای غیر خطی با فرکانس بالا، ارتباط خطی بین داده های ورودی و خروجی شبکه نیز در آن لحاظ شده است. برای افزایش دقت پیش بینی و افزایش سرعت آموزش نیاز به روشی برای دسته بندی داده های آموزش وجود دارد که به این منظور از روش همبستگی پیرسون جهت انتخاب داده های آموزش استفاده شده است. یکی از مسائلی که پیش بینی سیگنال قیمت را با مشکل مواجه می کند وجود داده های پرت است. به منظور افزایش دقت پیش بینی لازم است داده های پرت در زمان آموزش و پیش بینی حذف گردند. در این پایان نامه از نرم کننده گوسی به منظور حذف داده های پرت استفاده شده است. کلید واژه ها: پیش بینی قیمت برق(epf) - یادگیری تأملی ( lazy learning)- شبکه های عصبی) (neural networks – خطای جذر میانگین مربعات) rmse (