La previsión de la carga eléctrica juega un papel fundamental en la planificación de la capacidad, la programación y la operación de los sistemas de energía. Por lo tanto, una planificación y predicción fiables y precisas de la carga eléctrica son vitales. En este estudio, se propone un enfoque novedoso para prever la demanda eléctrica mensual mediante la transformada wavelet y un sistema neuro-difuso. En primer lugar, se seleccionan las entradas más apropiadas y se construye un conjunto de datos. Luego, se utiliza la transformada wavelet de Haar para descomponer los datos de carga y eliminar el ruido. En el modelo, se sugiere un sistema de inferencia neuro-difuso adaptativo jerárquico (HANFIS) para resolver el problema de la maldición de la dimensionalidad. Se utilizan varios algoritmos heurísticos, incluidos el Algoritmo de Búsqueda Gravitacional (GSA), el Algoritmo de Optimización de Cucos (COA) y la Búsqueda de Cucos (CS), para optimizar los parámetros de agrupamiento que ayudan a formar la base de reglas, y el sistema de inferencia neuro-difuso adaptativo (ANFIS) optimiza los parámetros en las partes antecedente y consecuente de cada submodelo. El enfoque propuesto se aplicó para prever la carga eléctrica de Hanoi, Vietnam. Los modelos construidos han mostrado un alto rendimiento en la previsión basado en los índices de rendimiento calculados. Los resultados demuestran la validez del enfoque. Los resultados obtenidos también se compararon con los de varios otros métodos bien conocidos, incluidos el promedio móvil integrado autorregresivo (ARIMA) y la regresión lineal múltiple (MLR). En nuestro estudio, el modelo wavelet CS-HANFIS superó a los demás y proporcionó una previsión más precisa.