系统的爬坡需求由确定性爬坡需求和不确定性爬坡需求共同组成，本文着重对不确定性爬坡需求进行研究。首先应用旋转门算法对净负荷的爬坡特征进行了提取，并通过相关性分析确定了净负荷预测误差与净负荷的爬坡速率、爬坡持续时间以及净负荷历史预测误差、净负荷预测值和波动值、预测日的季节类型和日类型均显著相关；然后构建了贝叶斯深度学习-长短时记忆神经网络（BD-LSTM）的不确定性爬坡需求预测模型，通过变分推理逐步推断最佳网络参数的后验分布，以刻画净负荷预测误差的不确定性，从而得到给定置信区间的不确定性爬坡需求；最后基于西北某电网实测数据进行仿真计算，仿真结果验证了所建立的BD-LSTM模型能较好地适应净负荷预测误差的不确定，能显著提高算法的预测精度；在同等区间覆盖率下具有较小的区间带宽，能更合理地反映系统的爬坡需求，适用于爬坡需求预测。