随着电力工业的发展,对于日最大负荷的预测工作显得愈发重要,准确预测电力负荷会直接影响电力系统的生产计划和调度安排,进而关系到电网的寿命与可靠性。由于日最大电力负荷的预测容易受到各方面因素的影响,有诸多不稳定性,导致其预测难度较大。大部分对于日最大负荷的预测都是点估计预测,即建模预测日最大负荷的均值,然而,电网的现代化升级进一步为动荡的市场带来了不确定和波动性,所以,预测未来平均用电量的方法很容易导致某些时刻的预测值远远小于或者大于真实值,从而对于电网的安全与稳定运行产生不利影响,而本文在预测得到均值的基础上,对于模型残差利用极值分位数估计量进行预测,得到一个预测区间,有效地避免了供电过量或不足等问题。现有的用电负荷区间预测研究往往采用完全参数模型来构造区间,然而,在现实的预测中,对于日最大电力负荷数据建模的残差往往不能用同一个分布来刻画。本文根据电力数据的特征,考虑到温度对于用电负荷的重要影响,对于日最大负荷和日平均温度数据拟合多元时间序列模型,得到预测均值;然后,对于多元时间序列模型拟合后的残差使用分位数GARCH模型的极值理论方法,再与之前预测的日最大负荷均值相加得到最终的预测高分位数与低分位数,以期望获得精度更高的区间预测结果。本文收集了我国南方某城市2014年1月1日至2019年3月31日这五年多的日最大电力负荷数据作为训练集进行实证分析,将2019年4月1日至2019年6月30日共91天的日最大电力负荷数据作为测试集进行模型效果评估,除了上一段中提到的重点方法,本文也利用其他方法进行预测效果的比较,比如:一元时间序列模型预测置信限、多元时间序列模型预测置信限、不使用极值理论的GARCH分位数自回归方法。不仅如此,本文也将目前市电力部门使用的预测方法与电网企业广泛使用的Holt-Winters模型应用于训练集,并在测试集上进行与本文其他方法的预测精度对比。实证分析结果表明,从给定的评估指标上来看,对于多元时间序列VAR模型拟合后的残差使用分位数GARCH模型的极值理论方法要显著优于其他方法,若是以该方法得到的估计结果作为日最大供电负荷的参考,会极大地提升预测准确性,也在很大程度上节约电能,相较于电力部门目前使用的方法,更具有应用价值。综上所述,在VAR模型预测得到均值的基础上,对于模型残差应用分位数GARCH模型的极值理论方法可以有效地滚动预测次日该市电力系统的日最大供电负荷,为电力部门工作人员的供电决策提供更可靠的参考意见。