传统电力系统的不确定性主要体现为设备故障、负荷预测偏差等。随着风电、光伏等可再生能源的大规模并网,以及电动汽车等分布式负荷的快速建设和发展,电力系统的不确定性体现出大范围、间歇性、波动性、随机性等新特征。概率预测能考虑不确定性带来的影响,常被用于对风电、光伏和负荷功率的预测,从而提高新能源和分布式负荷接入后电网的安全性和经济性。同一地区的风电出力之间、光伏出力之间、负荷功率之间具有非线性相关性,风电出力、光伏出力和负荷功率之间也具有非线性相关性,对风光荷三者之间相关性的刻画有利于提高概率预测的准确度。因此,本文针对计及相关性的风光荷功率概率预测展开研究,取得的主要研究成果如下:提出了基于R藤Copula-动态贝叶斯网络（dynamic Bayesian network,DBN）时空相关性建模的风光荷功率概率预测方法。在假设空间相关性不随时间变化的前提下,根据R藤Copula的藤结构刻画多维变量的空间相关性,并利用DBN的时序延拓结构刻画多维变量的时间自相关性。仿真结果表明,R藤Copula-DBN时空相关性建模比传统相关性建模有着更高的计算效率和精度,提高了概率预测的精度。提出了基于改进动态自组织映射-隐马尔科夫模型（dynamic self-organizing maps-hidden Markov model,DSOM-HMM）时空动态相关性建模的风光荷功率概率预测方法。通过改进动态自组织映射（dynamic self-organizing maps,DSOM）刻画空间相关性的动态特征,并将其作为隐状态变量引入隐马尔科夫模型（hidden Markov model,HMM）,建立改进DSOM-HMM模型。仿真结果表明,改进DSOM模型训练结果不受训练集大小和预设生长阈值的影响,具有较高的普适性。相比传统HMM模型,改进DSOM-HMM无需预设隐状态变量数,能更好地刻画空间相关性的动态特征。提出了基于双层改进DSOM-HMM预测误差时空动态相关性建模的风光荷功率概率预测方法。通过双层改进DSOM-HMM挖掘更多隐藏的相关信息,综合考虑风光荷功率预测值与预测值之间、预测值和预测误差之间、预测误差和预测误差之间空间相关性的动态特征。仿真结果表明,计及预测误差时空动态相关性有利于进一步提高概率预测的精度。与单层改进DSOM-HMM相比,双层改进DSOM-HMM可刻画更多相关信息,提高了预测效果。