准确的负荷预测是维持电能实时供需平衡、保证电力系统运行可靠性和经济性的前提。随着电力系统逐渐智能化和清洁化,大量主动性负荷和分布式可再生能源接入电力系统,使负荷的不确定性增加,传统的点预测方法已难以满足电力系统发展需求。概率预测能对负荷完整概率分布进行预测,获得更全面的负荷不确定性信息,是解决上述问题的关键手段之一。深度学习具有强大的特征提取能力,被广泛应用于负荷预测中。本文分别对小规模住宅用户负荷和安装大量分布式光伏的表后系统净负荷两种高不确定性场景进行基于深度学习的短期负荷概率预测。针对小规模住宅用户短期电力负荷概率预测,本文提出了一种结合变分模态分解（Variational Mode Decomposition,VMD）、时间卷积网络（Temporal Convolutional Networks,TCN）和分位数回归（Quantile Regression,QR）的概率预测模型。该模型首先使用VMD将负荷分解为多个模态分量,降低其复杂性;考虑到TCN强大的时序处理能力及其并行计算、梯度稳定等特点,使用TCN作为深度学习负荷预测模型;使用QR直接生成负荷的分位数预测结果,最后使用核密度估计生成概率密度分布。通过与两种基于点预测残差的概率生成方法进行实验对比,验证了QR直接生成负荷分位数的高精度和高效率;通过与长短期记忆网络和多层感知机的实验对比中验证了TCN在负荷预测任务中更优秀的预测性能。表后系统分布式光伏安装在仪表后,其出力是不可见的,为净负荷预测带来挑战。针对安装大量分布式光伏的表后系统净负荷概率预测,本文提出了基于光伏分解技术的表后系统净负荷间接预测方法。该方法首先使用光伏分解技术对净负荷中的光伏发电数据进行解耦,获得估计的光伏发电数据,降低净负荷的复杂性。然后搭建光伏点预测模型对光伏发电数据进行预测,再使用上述结合VMD、TCN和QR模型作为预测模型搭建用户负荷概率预测模型,对用户负荷和光伏点预测残差的不确定性进行建模。通过光伏点预测模型和用户负荷概率预测模型预测结果的整合间接获得净负荷概率预测结果。算例分析中验证了所提间接预测方法在精度上要优于直接预测方法。