場景預(yù)測的流程主要包括2個(gè)部分：訓(xùn)練過程和預(yù)測過程。
　　訓(xùn)練過程
　　1）利用訓(xùn)練集對各風(fēng)電場的每個(gè)前瞻時(shí)段訓(xùn)練1個(gè)SVM模型，得到K個(gè)SVM模型。
　　2）利用SVM模型對測試集進(jìn)行單點(diǎn)值預(yù)測，得到單點(diǎn)值預(yù)測結(jié)果和預(yù)測誤差樣本。
　　3）利用測試集的預(yù)測誤差樣本和對應(yīng)的數(shù)值天氣預(yù)報(bào)（NWP）數(shù)據(jù)訓(xùn)練得到K個(gè)SBL模型，并利用誤差樣本及SBL預(yù)測結(jié)果，形成動(dòng)態(tài)條件相關(guān)回歸模型。
　　訓(xùn)練過程的輸出結(jié)果為K個(gè)SVM模型（用于點(diǎn)預(yù)測）、K個(gè)SBL模型（用于誤差分布預(yù)測）和1個(gè)基于Copula的DCCMR模型（用于描述誤差的時(shí)空關(guān)系）。
　　預(yù)測過程
　　預(yù)測過程主要分為3個(gè)模塊：基于SVM模型的點(diǎn)預(yù)測模塊、基于SBL模型的概率密度函數(shù)預(yù)測模塊和場景抽樣模塊。具體步驟如下：
　　1）利用SVM模型對每座風(fēng)電場的輸出功率進(jìn)行單點(diǎn)值預(yù)測。
　　2）對預(yù)測誤差建立SBL模型進(jìn)行誤差的概率密度預(yù)測，得到單一風(fēng)電場輸出功率的邊際概率密度函數(shù)預(yù)測結(jié)果。
　　3）綜合單一風(fēng)電場輸出功率邊際概率密度預(yù)測結(jié)果和相關(guān)系數(shù)矩陣得到多風(fēng)電場輸出功率的聯(lián)合概率密度函數(shù)，并借助多元隨機(jī)變量抽樣技術(shù)形成包含動(dòng)態(tài)時(shí)空關(guān)聯(lián)特性的多維場景。
　　預(yù)測過程的輸出結(jié)果為每個(gè)風(fēng)電場輸出功率的預(yù)測軌跡、預(yù)測誤差的聯(lián)合累積分布函數(shù)（JCDF）和相應(yīng)的多維場景。
　　4、多風(fēng)電場輸出功率場景預(yù)測有何特點(diǎn)？
　　本文在分析實(shí)際風(fēng)電場預(yù)測誤差統(tǒng)計(jì)規(guī)律的基礎(chǔ)上，提出了一種多風(fēng)電場短期輸出功率的聯(lián)合概率密度預(yù)測方法，其特點(diǎn)如下：
　　1）方法在預(yù)測結(jié)果中包含風(fēng)電功率預(yù)測誤差的時(shí)空關(guān)聯(lián)信息，使預(yù)測結(jié)果更加符合實(shí)際。
　　2）利用基于Copula函數(shù)的SBL方法，可獲得較為準(zhǔn)確的誤差概率分布預(yù)測結(jié)果，同時(shí)，利用誤差修正技術(shù)，使單點(diǎn)值預(yù)測精度大幅提高。
　　3）所得預(yù)測模型可以很好地描述誤差的相關(guān)信息，無需對誤差的分布作任何假設(shè)。
　　5、多風(fēng)電場輸出功率場景預(yù)測的效果如何？
　　根據(jù)單次聯(lián)合概率密度預(yù)測結(jié)果形成的場景集合如圖2所示。圖中，帶圈紅色粗線為風(fēng)電場輸出功率真實(shí)值。從圖中可以看出，由于包含了風(fēng)電功率的時(shí)空關(guān)聯(lián)特性，所形成場景集合能夠包含絕大部分的真實(shí)值且趨勢相似。