近年来,分布式光伏在配电网的渗透率不断提高。具有随机性的光伏出力与实际负荷耦合,形成不确定性更大的广义负荷,给配电网的安全稳定运行带来严峻挑战。准确的分布式光伏出力和负荷预测是保障配电网运行安全性和经济性的基础。然而,目前大多数分布式光伏安装在电表之后而缺乏专有计量装置,使得光伏出力对配电网运行人员而言具有不可见性,极大影响了光伏出力预测。此外,配电网负荷具有自下而上的多层结构,而现有负荷预测方法难以满足多层负荷的聚合一致性要求,加重了配电网运行决策负担。在此背景下,本研究针对含分布式光伏的配电网,应用生成对抗网络、长短期记忆神经网络等深度学习技术,实现光伏出力的准确估计与多层负荷的协同预测,具体工作如下:（1）针对分布式光伏出力的间歇性和随机性,提出一种将场景生成和区间预测相结合的短期分布式光伏出力区间预测方法。首先使用长短期记忆神经网络在日前进行光伏出力点预测;在此基础上,使用条件生成对抗网络生成光伏出力日前场景;进一步利用场景集,通过置信区间拓展法得到不同置信水平下短期光伏出力预测区间的上、下界。算例结果表明,与传统Bootstrap法相比,所提方法构建的预测区间在保证较高覆盖率的同时,区间宽度更窄,能为配电网调度运行决策提供更为可靠的边界参数。（2）针对部分分布式光伏出力的不可见性,利用夜间无光伏出力的特性,提出一种基于缺失数据重建技术的分布式光伏出力两阶段辨识方法。考虑到光伏出力在数值上等于实际负荷减去净负荷,故首先使用改进生成对抗网络填充实际负荷在白天时段的缺失数据,进而实现光伏出力粗略辨识;在此基础上,充分考虑光伏基准站的实测出力数据和装机容量信息,实现目标光伏电站出力与装机容量的精细化辨识。算例结果表明,所提方法能通过半监督学习的方式准确辨识不可见分布式光伏的出力,具有较强的实际应用价值。（3）针对配电网多层负荷预测的聚合一致性要求,提出一种基于分布式优化思想的多层负荷协同预测方法。首先采用基于交替方向乘子法的分布式优化理念,构建适配配电网层级化特征的多层负荷协同预测模型框架;在此基础上,提出结合长短期记忆神经网络和联邦学习的预测算法,通过将负荷预测结果自下而上逐级聚合,实现多层负荷的一体化精准预测。算例结果表明,所提方法既能满足负荷预测结果的聚合一致性要求,又能联合提升各层级负荷的短期预测准确度。