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(shù)值天氣預報（NWP）數(shù)據(jù)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(tài)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(shù)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(shù)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(shù)矩陣得到多風電場輸出功率的聯(lián)合概率密度函數(shù)，并借助多元隨機變量抽樣技術形成包含動態(tài)時空關聯(lián)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(lián)合累積分布函數(shù)（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(tǒng)計規(guī)律的基礎上，提出了一種多風電場短期輸出功率的聯(lián)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(lián)信息，使預測結果更加符合實際。
　　2）利用基于Copula函數(shù)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(jù)單次聯(lián)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(lián)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。