Los datos de series temporales para problemas de decisión como la predicción de la demanda de energía a menudo se derivan de evaluaciones inciertas y no cumplen con ninguna suposición estadística. El número gris de intervalo se convierte en una representación adecuada para una observación incierta e imprecisa. Con el fin de obtener números grises de intervalo no lineales con una mejor precisión de pronóstico, este estudio propone un modelo combinado fusionando números grises de intervalo estimados por redes neuronales (NN) y los modelos de predicción gris. El modelo propuesto primero utiliza análisis de regresión de intervalo utilizando NN para estimar números grises de intervalo para una secuencia de valores reales; y luego se construye un modelo de modificación de residuos grises utilizando las secuencias de envoltura superior e inferior obtenidas por NN. Resulta que se pueden estimar dos tipos diferentes de números grises de intervalo mediante análisis de regresión de intervalo no lineal. La precisión de pronóstico en secuencias de datos reales fue luego examinada por los mejores valores de rendimiento no difuso del modelo combinado. El modelo combinado propuesto funcionó bien en comparación con los otros modelos de predicción gris de intervalo considerados.