一直以来,电力系统的负荷预测是十分重要的电网调控和规划的依据,学者们对其的研究也从未停止。本文所展开的研究是对不同地区的电力负荷需求进行分层预测,这项研究与我们的智能电网调控,电力资源分配等密切相关,精准的预测结果能为我们提供更好的电网服务,还能节省资源和合理配置资源。本文主要追求模型的精准与综合性能,不仅限于对于电力负荷的点预测,还将模型与分位数结合,进行区间预测和概率密度预测,获得更多更完整的预测信息,同时,考虑地域的层次结构关系,提出了更实用更有效地分层预测模型。本文研究基于2017年全球能源学术竞赛初赛的数据集,包括10个区域的小时电力负荷需求。首先通过对数据集进行预处理,利用特征重要性选择方法XGBoost(极端梯度提升算法)对影响电力负荷需求的影响因素变量筛选,最后保存了8个变量作为后续建模的解释变量。本文选用QRNN(分位数回归神经网络模型)对于2017全球能源竞赛初赛数据集建模并进行电力负荷需求的预测,从点预测到区间预测,最后到概率密度预测,QRNN模型的预测效果均表现较好。在点预测时,对于不同的地区,MAPE指标平均值1.02%,预测效果均稳定在较高水平,而在区间预测中,本文提出了评价区间预测效果的新的综合性指标CPIA(修正预测区间精度),能更好的对区间预测给出整体评价,QRNN模型同样在不同地区表现良好,最后在概率密度预测过程中,我们利用QRNN模型结果,作出了代表性地区的概率密度预测图,显示QRNN模型在不同时间点均呈现出较好的预测效果,并计算了在不同地区的APL指标值,整体预测效果较好。因此,QRNN模型是十分稳健的神经网络模型,能够较好的处理复杂的非线性关系的数据,并且能进行区间预测和概率密度预测,生成更完整更有效的预测结果。然后本文将QRNN模型与其他的神经网络模型ANN(人工神经网络模型)和RBF(径向基函数神经网络模型),以及简单的QR(分位数回归模型)对案例数据建模,对比发现QRNN模型在不同地区的预测效果均优于其他模型,而考虑到带有分位数的模型可以进一步做区间和概率密度预测,因此本文提出了两类分别基于QRNN和QR的分层时间序列预测模型QRNN-hts和QR-hts。这两类模型是以独立的基准预测模型QRNN和QR模型分别与7种分层预测法结合而成,最后得到的模型不仅优于传统的ARIMA-hts(自回归移动平均分层时间序列预测模型)和ETS-hts(指数平滑分层时间序列预测模型),同时新模型也优于其基准预测模型,新模型的最优分层预测方法也主要体现在组合调节法。此外,传统的分层时间序列预测模型仅能考虑目标预测变量本身的时间序列数据,而不能考虑带有复杂影响因素的变量,无法将其它影响因素变量的时间序列数据也放入模型,提升模型的准确度,本文所提出的QRNN-hts模型正好解决了这一难题,并且获得了比独立模型QRNN更好的预测结果。最后本文采用QRNN-hts模型进一步进行了电力负荷需求的概率密度预测,并获得了较好的预测效果。