場景預測的流程主要包括2個部分：訓練過程和預測過程。
訓練過程
1）利用訓練集對各風電場的每個前瞻時段訓練1個SVM模型，得到K個SVM模型。
2）利用SVM模型對測試集進行單點值預測，得到單點值預測結果和預測誤差樣本。
3）利用測試集的預測誤差樣本和對應的數值天氣預報（NWP）數據訓練得到K個SBL模型，并利用誤差樣本及SBL預測結果，形成動態條件相關回歸模型。
訓練過程的輸出結果為K個SVM模型（用于點預測）、K個SBL模型（用于誤差分布預測）和1個基于Copula的DCCMR模型（用于描述誤差的時空關系）。
預測過程
預測過程主要分為3個模塊：基于SVM模型的點預測模塊、基于SBL模型的概率密度函數預測模塊和場景抽樣模塊。具體步驟如下：
1）利用SVM模型對每座風電場的輸出功率進行單點值預測。
2）對預測誤差建立SBL模型進行誤差的概率密度預測，得到單一風電場輸出功率的邊際概率密度函數預測結果。
3）綜合單一風電場輸出功率邊際概率密度預測結果和相關系數矩陣得到多風電場輸出功率的聯合概率密度函數，并借助多元隨機變量抽樣技術形成包含動態時空關聯特性的多維場景。
預測過程的輸出結果為每個風電場輸出功率的預測軌跡、預測誤差的聯合累積分布函數（JCDF）和相應的多維場景。
4、多風電場輸出功率場景預測有何特點？
本文在分析實際風電場預測誤差統計規律的基礎上，提出了一種多風電場短期輸出功率的聯合概率密度預測方法，其特點如下：
1）方法在預測結果中包含風電功率預測誤差的時空關聯信息，使預測結果更加符合實際。
2）利用基于Copula函數的SBL方法，可獲得較為準確的誤差概率分布預測結果，同時，利用誤差修正技術，使單點值預測精度大幅提高。
3）所得預測模型可以很好地描述誤差的相關信息，無需對誤差的分布作任何假設。
5、多風電場輸出功率場景預測的效果如何？
根據單次聯合概率密度預測結果形成的場景集合如圖2所示。圖中，帶圈紅色粗線為風電場輸出功率真實值。從圖中可以看出，由于包含了風電功率的時空關聯特性，所形成場景集合能夠包含絕大部分的真實值且趨勢相似。
圖2場景預測結果
手機瀏覽網
