针对电力系统短期负荷预测问题，在现有的组合预测和概率性区间预测的基础上，提出了基于RBF 神经网络分位数回归的概率密度预测方法，得出未来一天中任意时期负 荷的概率密度函数，可以得到比点预测和区间预测更多的有用信息,实现了对未来负荷完整概率分布的预测。

基于神经网络分位数回归及核密度估计的概率密度预测方法，闻才喜，何耀耀，本文引入神经网络分位数回归和核密度估计方法，把神经网络强大的非线性自适应能力及分位数回归能更加细致刻画解释变量的优点结合

针对风电功率预测问题，在现有预测方法和概率性区间预测的基础上，提出基于深度学习分位数回归的风电功率概率预测方法。该方法采用Adam随机梯度下降法在不同分位数条件下对长短期记忆神经网络(LSTM)的输入、遗忘、记忆、输出参数进行估计，得出未来200 h内各个时刻风电功率的概率密度函数。根据美国PJM网上的风电功率实际数据的仿真结果表明，所提方法不仅能得出较为精确的点预测结果，而且能够获得风电功率完整的概率密度函数预测结果。与神经网络分位数回归相比，其精度更高，且在同等置信度下的预测区间范围更小。