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
