电力负荷预测和能源消费预测是能源预测领域中重要的两个方面，对能源部门的规划和系统调度具有重要意义。通过合理的需求预测能够保证系统的经济安全和稳定运行。但是，近年来大量的分布式电源和可再生能源渗入电网，一方面减少了传统能源的消费，保护了环境，另一方面增加了能源系统的不确定性和复杂性。针对这些问题，迫切地需要研究新的方法量化不确定性并提高能源预测的精度。　　电力负荷概率密度预测方法是根据被预测负荷数据建立概率密度函数，可以得出未来一天的任意时刻点或未来一个月任意天峰值负荷的概率分布。通过概率密度预测结果，分析预测偏差和任意置信水平的预测区间波动范围，能为电力系统部门提供更多的决策指导信息，避免造成重大的经济损失等。然而，中长期负荷预测和年度能源消费预测由于时间跨度大，电力负荷和能源消费总量呈复杂的非线性增长趋势，同时其负荷预测和能源消耗预测影响因素不仅仅局限于历史负荷，历史能源消费量，实际上还受到社会经济等多种复杂因素的影响，目前尚未发现研究考虑多因子的中长期电力负荷和年度能源消费的概率密度预测方法。　　针对电力负荷及能源消费预测潜在影响因素的复杂性，本文采用逐步回归思想对潜在的影响因子进行筛选，最终保留重要的影响因子，作为预测模型的输入变量。为了提高考虑多因子的中长期电力负荷预测和年度能源消费预测的精度，更好地反映电力负荷和能源消费的不确定性，本文提出了基于Box-Cox变换分位数回归的概率密度预测。Box-Cox变换分位数回归属于LMS分位数回归方法的一种，该方法将原始数据转化为标准正态分布的适当分位数获得所需的分位数。同时，将获得的条件分位数与核密度估计相结合进行中长期电力负荷预测和能源消费预测，所获得的概率密度曲线更加连续和平滑，从而提高了预测精度。　　本文在运用Box-Cox变换分位数回归方法进行中长期电力负荷预测的过程中，发现Yeo-Johnson变换分位数回归也是LMS分位数回归方法的一种，该方法能将数据转换正态分布的同时，有效避免了分位数交叉的现象。由此提出了基于Yeo-Johnson变换分位数回归和高斯核函数的短期电力负荷概率密度预测方法。　　本文运用四个案例进行仿真实验，包括:安徽省中长期电力负荷预测、安徽省能源消费预测、渥太华冬季短期电力负荷预测和渥太华夏季电力负荷预测。结果表明:本文提出的混合方法能够较好地解决能源消费预测和电力负荷预测中的不确定性问题，提高预测精度。通过概率密度曲线图、预测结果误差图以及预测结果对比表，可以更清晰地看出模型的优越性。