现阶段,我国正处于电力体制改革的关键时期,电价改革是电力体制改革的重要内容,是实现市场化的核心。在市场化的电力市场中,电价不仅是调节供需关系的信号载体,还是关系到市场各方参与者经济利益的重要因子。精准的电价预测将有利于市场各方参与者在激烈的市场竞争中处于优势地位。然而,电价的影响因素众多,除了电力需求以外,电价还受到很多其他外部因素的严重影响,所以电价具有较强的不确定性,预测难度大。因此,电价预测已成为电力系统中的研究热点。现有的电价预测方法主要还是集中在点预测即确定性预测上,针对电价的概率预测方法研究还很稀少。点预测仅能提供未来电价的可能值,无法量化电价序列中的不确定性。因此本文提出了一种基于端到端学习的短期电价概率预测算法,实现了对未来某一时刻的电价概率密度分布的预测。该算法区别于以往的概率预测算法,它利用卷积神经网络和标签分布学习森林来建模,实现了以端到端的方式联合训练概率预测模型。本研究中,首先将电价及其影响因子序列转化成二维的形式输入到卷积神经网络中,利用卷积神经网络抽取电价序列的抽象特征传递给标签分布学习森林。最终,由标签分布学习森林产生最终的预测结果。由于本文提出的短期电价概率密度预测模型的训练过程属于监督学习范畴,而在现实中,电价的真实概率密度分布很难直接获取,所以在上述研究的基础上,本文进一步开展了对于电价的真实概率密度分布的研究。通过在多个公开数据集上的实验表明,我们所提出的短期电价概率密度预测方法具有良好泛化性能。本文的主要创新点如下:(1)本文利用卷积神经网络和标签分布学习森林构建了端到端的概率预测模型,将特征提取与概率预测建模融合到一个网络模型中,在模型训练过程中实现了树的学习和表示学习的联合优化;(2)现有的概率预测方法绝大部分都是使用浅层模型,本文充分利用卷积神经网络提取特征的优势,来抽取电价序列中的抽象特征。相较于手动抽取的特征,抽象特征所包含的电价数据信息更复杂同时也更全面,更有利于预测结果的表达;(3)本文基于近邻的思想,并利用核密度估计技术构建了最符合电价数据特性的电价概率密度分布,以此作为数据标签参与到模型训练中。