摘要
准确的长期风电预测受益于概率情景生成，这些情景既能反映风况的时间依赖性，又能反映与分布参数相关的 uncertainty。本研究开发了一个统计–随机–机器学习混合框架，用于提前一个月生成风电功率情景。月风速观测数据使用威布尔分布进行表征，其形状参数和尺度参数从历史数据中估计，并通过定义在原始参数尺度上的双变量向量自回归过程进行建模。异方差卡尔曼滤波器提供下一个月威布尔参数的预测分布，然后通过三种正随机微分方程（SDE）形式将参数不确定性传递到随机风速轨迹中。联合参数样本通过基于Cholesky的高斯采样从卡尔曼预测分布中抽取，并附加一个简单的可行性约束，从而保留了预测参数之间的协方差结构。随后，模拟的风速轨迹通过基于XGBoost的功率曲线映射为电功率。该框架使用来自多个风电场、风机类型和运营周期的观测数据进行评估，包括Kelmarsh、Penmanshiel和Dundalk。此外，还进行了消融实验和基准比较，对比对象包括按时段气候态、基于持续性的情景、自回归风速模型、独立威布尔采样器和分位数梯度提升。结果表明，所提出的方法能够生成合理且具有时间结构的概率预测。三种SDE形式产生大致相似的概率评分，其中扩散优先形式在计算成本方面提供了显著降低。总体而言，研究发现表明，该方法可应用于不同的场址和风机配置，而更广泛的跨多场址、跨多季节评估将有助于进一步评估其通用性。
