电力负荷预测对电力系统的调度,规划和生产计划起到了重要的作用。准确的负荷预测为电力系统的平稳运行保驾护航。在实际生活中,电力负荷通常会受到多种外界因素的影响,比如社会,经济,环境以及包含水电,风电及太阳能的可再生能源的影响。这些潜在外界影响因子及随机因素的干扰往往使得电力负荷预测变得越来越复杂。尤其是在智能电网中,基于大数据环境下,如何从复杂的外界因素中高效提取出有价值的信息成为了电力负荷预测的关键。为了解决电力负荷预测中的高维数据问题,降低预测过程中的不确定性,本文提出了基于LASSO分位数回归(LASSO-QR)的概率密度预测方法和基于LASSO神经网络分位数回归(LASSO-QRNN)的概率密度预测方法。首先,利用LASSO回归算法从电力负荷预测潜在的影响因子中筛选出重要的解释变量,建立LASSO-QR模型和LASSO-QRNN模型。接着结合核密度估计方法,进行电力负荷概率密度预测。预测结果不仅可以得到未来负荷完整的概率密度曲线,而且也得到了未来负荷较准确的预测值和波动范围。为验证本文提出方法的有效性,从统计学的角度出发,本文对概率密度曲线的概率均值、中位数和众数上得到的点预测结果进行评估,同时运用相关预测区间评价准则对预测区间进行评价。本文主要提出基于LASSO-QR的概率密度预测方法进行短期和中期电力负荷预测,提出基于LASSO-QRNN的概率密度预测方法进行电力消费预测。在预测过程中,均充分考虑外界影响因素挑选出重要的影响因子来构建合适的数学模型。本文采用五个案例进行仿真实验,包含:加拿大安大略省冬季和夏季短期电力负荷预测,中国东部某副省级市的中期电力负荷预测、中国广东省电力消费预测及美国加利福尼亚州电力消费预测。通过与其他先进方法的对比实验,进一步表明本文提出的概率密度预测方法可以显著降低预测过程中的不确定性,提高电力负荷预测的准确性。在科学性的基础上,本文提出的方法不仅能满足电力系统决策人员的要求,避免重大的经济损失,而且也为解决大数据环境下负荷预测问题寻找到一个有效途径,具有重要的实际意义。