当前,我国的发电模式始终都以传统的火力发电为主。自21世纪以来,我国的生活、工业和国防等用电总量正在逐步增加,这给火力发电带来了巨大的压力和挑战。同时,面对环境保护的压力也越来越大,这就迫使我们需要尽快寻求更加清洁并且高效的能源,以用来解决传统发电方式带来的诸多弊端。风力发电是目前被人们广泛研究和运用的新能源之一,但是由于风能的不确定和间歇性等特点使得风力发电较难稳定地并入电网。近年来,太阳能光伏发电迅猛发展,各个国家和地区都投入了巨大的人力、物力与财力,通过大规模的优势和相关产业的自动化与智能化设备,光伏发电技术得到了迅速发展,并且其市场普及程度也越来越高。水力发电仅对环境有较小的冲击,发电成本低并且启动速度快,容易进行调节与控制,得到了广泛的应用。为了有效度量风电、光伏与径流的不确定性和稳定性,进一步提高新能源发电功率的预测结果精度,本文根据风、光、水的时间序列特性,将支持向量机(SVM)、分位数回归(QR)方法与模糊信息粒化(FIG)相结合,构建了基于模糊信息粒化与支持向量分位数回归(FIG-SVQR)的模型。并且结合了核密度估计进行风电、光电与径流的概率密度预测,得到了较为精确的风电、光电与径流的波动曲线和概率密度曲线。并将FIG-SVQR预测模型与传统的神经网络模型(Elman、BP、RBF)、SVQR模型做对比,并且以相应的评价指标进行分析。为了验证本文提出的方法的高效性和稳定性,选取了概率密度曲线的众数和中位数作为点预测结果进行分析,同时运用了预测区间评价准则对预测区间进行评价。本文采用风、光、水三种不同的数据集进行案例分析,结果表明:提出的基于模糊信息粒化与支持向量分位数回归概率密度预测方法可以获取完整的风、光、水概率密度曲线和预测区间,较好地解决了新能源的波动性和不确定性问题,为电力系统稳定运行提供了相关的技术支持和理论依据。