در کنار دو روش یاد شده، روش های محاسباتی نوینی با دو هدف افزایش سرعت محاسبات و کاهش حجم محاسبات نیز ارائه شده است. این روش ها با عنوان روش هاییادگیری سریع معرفی می شوند. روش های سریع خود به دو گروه روش های مبتنی بر تکنیک های انتزاعی و یا مبتنی بر تکنیک های بهینه سازی عددی تقسیم می شوند. در روش های مبتنی بر تکنیک های انتزاعی، ضریب یادگیری در طی مراحل آموزش متغیر است، این ضریب، در طی گام های آموزش کوچک و کوچکتر می شود تا حداقل گرادیان خطا در زمان کمتری به دست آید. در روش های مبتنی بر تکنیک های بهینه سازی عددی، با بهره گیری از شیوه های محاسباتی همچون Quasi Newton , Conjugate Gradientو یا روش نوین Levenberg-Marquardtسرعت محاسبات رسیدن به حداقل گرادیان خطا افزایش و در عین حال حجم محاسبات و حافظه مورد نیاز در محاسبات کاهش مییابد.
ضمناً برخی روش های محاسباتی آموزش انتشار وارون نیز با هدف رسیدن به حداکثر میزان یادگیری با توجه ویژه به تعمیم پذیری شبکه در مواجه با نمونه های جدید ارائه شده است که روش های بهبود یافته تعمیم پذیری شبکه نامیده می شوند. در این روش ها از آنجا که هدف دستیابی به حداکثر قدرت بسط و تعمیم حوزه یادگیری شبکه در برخورد با نمونه های جدید است، شبکه عصبی مجموعه آموزشی را به دو زیر مجموعه آموزش و تست آموزش تفکیک می کند. شبکه در پایان هر گام آموزش، بلافاصله عملکرد شبکه در مورد زیر مجموعه تست آموزش را اندازه گیری کرده و آموزش تا رسیدن به یک عملکرد مناسب در مورد نمونه های تست ادامه مییابد.
البته پیش بینی بار به کمک شبکه های عصبی به تنهایی نمی تواند عملکرد خوبی را برای روزهای تعطیل و روزهای با تغییرات شدید آب و هوائی داشته باشد. زیرا منحنی های بار چنین روزهایی کاملا با روزهای عادی متفاوت است. بنابراین برای پیش بینی بار روزهایی با شرایط مذکور، سیستم فازی پیشنهاد می شود.

۲-۵) پیش بینی بارکوتاه مدت استان مازندران با بهره گرفتن از روش رگرسیون
تحلیل رگرسیونی یکی از روش های آماری است که برای تحلیل داده ها مورد استفاده قرار می گیرد. در این مدل روابط بین متغیرها به سادگی و با مفهوم بیان می شود.
برای پیش بینی بار پارامترهای مختلفی همچون دما، زمان، روزهفته و…تاثیرگذار می باشند، بنابراین
می بایست از مدل رگرسیون خطی چندگانه، جهت مدل سازی بار استفاده نمود.
در رگرسیون چندگانه یک متغیره ما تعدادی متغیر مستقل در دسترس داریم که می خواهیم با بهره گرفتن از آنها میزان اثر متغیرهای مستقل را بر یک متغیر وابسته (متغیر پاسخ) بررسی کنیم. در این حالت مدل رگرسیونی به صورت زیر است:

که Yمتغیر وابسته (Actual load) و   متغیر مستقل (Weakdays) و   متغیر (Time)   متغیر(Temperature) و   متغیر (Yesterday actual load) تعریف نموده ایم. برای بدست آوردن ضرایب   تا   ونیز برازش، اطلاعات ۱۰ روز مختلف از ماه های سال را به عنوان ورودی استفاده می نماییم.
جدول۲-۱: اطلاعات ۱۰ روز مختلف سال