1、为何要对多风电场的输出功率进行预测？
截止到2013年年底，我国大陆累积风电装机总容量达91,424MW。风电场多集中分布在黑龙江、甘肃等风能较丰富的地区，其中一些地区已实现大规模风电并网。例如，黑龙江电网包含45个并网风电场，并网容量达3,153MW，占该地区总装机容量的14.8%。由于风电发展速度极为迅速而输电网络的扩建相对较为缓慢，电网中输电阻塞频繁发生。为了提高大规模风电并网系统运行的安全性和经济性，在电网调度中考虑输电约束，预测单个乃至整个地区的风场输出功率是必要的。此外，还需要对多个风电场的输出功率之间的相关性进行估计，以充分利用电网的可调节容量。
2、为何要进行风电场输出功率的场景预测？
虽然很多学者们已在提高输出功率预测的准确性方面付出了很大努力，但目前仍然很难实现风力发电的精确预测。因此，在预测中包含不确定性信息对电力系统的运行至关重要。为实现这一目标，一些专家提出了一些参数或者非参数方法，如分位点回归方法、区间估计方法及概率密度预测方法。这些方法可以以多种形式为用户提供风电功率预测的不确定性信息。
风电场输出功率的时空关联信息对于电力系统运行决策有重要价值。现有的风电功率不确定预测方法多针对单个风场，或者通过对风电场短期输出功率时域相关信息进行效用分析以对单个风电场输出功率的概率密度函数进行预测，或者形成单一风电场包含预测时段间相关信息的短期风电功率统计场景。然而，这些方法均忽略了风电的空间相关结构信息。
本文所提出的多风电场输出功率的多维场景预测，目的即是在预测结果中包含多个风场输出功率在时间上、空间上的相关性信息，为电网运行决策提供重要参考。
3、如何实现多风电场输出功率的场景预测？
以某地区3座实际风电场为研究对象进行预测模型构建，将数据样本分为训练集、测试集和验证集，其中训练集用于训练支持向量机（SVM）模型；测试集可获得单点值预测结果和预测误差样本，用于训练稀疏贝叶斯学习（SBL）模型和估计基于核函数（Copula函数）的动态条件相关矩阵回归（DCCMR）模型参数；验证集用于评估预测模型的性能。每个风电场在每个时段的输出功率被当作一个随机变量，预测结果为风电场输出功率的可能轨迹，即多维场景。假设有L个风电场和预测前瞻T小时,多维场景的维度是K=LT。场景预测的流程如图1所示。
图1场景预测流程
场景预测的流程主要包括2个部分：训练过程和预测过程。
训练过程
1）利用训练集对各风电场的每个前瞻时段训练1个SVM模型，得到K个SVM模型。
2）利用SVM模型对测试集进行单点值预测，得到单点值预测结果和预测误差样本。
3）利用测试集的预测误差样本和对应的数值天气预报（NWP）数据训练得到K个SBL模型，并利用误差样本及SBL预测结果，形成动态条件相关回归模型。
训练过程的输出结果为K个SVM模型（用于点预测）、K个SBL模型（用于误差分布预测）和1个基于Copula的DCCMR模型（用于描述误差的时空关系）。
预测过程
预测过程主要分为3个模块：基于SVM模型的点预测模块、基于SBL模型的概率密度函数预测模块和场景抽样模块。具体步骤如下：
1）利用SVM模型对每座风电场的输出功率进行单点值预测。
2）对预测误差建立SBL模型进行误差的概率密度预测，得到单一风电场输出功率的边际概率密度函数预测结果。
3）综合单一风电场输出功率边际概率密度预测结果和相关系数矩阵得到多风电场输出功率的联合概率密度函数，并借助多元随机变量抽样技术形成包含动态时空关联特性的多维场景。
预测过程的输出结果为每个风电场输出功率的预测轨迹、预测误差的联合累积分布函数（JCDF）和相应的多维场景。
4、多风电场输出功率场景预测有何特点？
本文在分析实际风电场预测误差统计规律的基础上，提出了一种多风电场短期输出功率的联合概率密度预测方法，其特点如下：
1）方法在预测结果中包含风电功率预测误差的时空关联信息，使预测结果更加符合实际。
2）利用基于Copula函数的SBL方法，可获得较为准确的误差概率分布预测结果，同时，利用误差修正技术，使单点值预测精度大幅提高。
3）所得预测模型可以很好地描述误差的相关信息，无需对误差的分布作任何假设。
5、多风电场输出功率场景预测的效果如何？
根据单次联合概率密度预测结果形成的场景集合如图2所示。图中，带圈红色粗线为风电场输出功率真实值。从图中可以看出，由于包含了风电功率的时空关联特性，所形成场景集合能够包含绝大部分的真实值且趋势相似。
图2场景预测结果
原标题：杨明, 韩学山, 等：多风电场输出功率的多维场景预测
