به دست آوردن پیش بینی دقیق توان باد به دلیل ماهیت آشفته سیستم های آب و هوایی دشوار است. فواصل پیش بینی به ابزاری کارآمد برای کمی کردن عدم قطعیت موجود در پیش بینی توان باد تبدیل می شوند. فواصل پیش بینی مرکزی سنتی به طور گسترده ای توسط پیش بینی کننده ها تولید می شوند، با این حال، که ممکن است با توجه به عرض فواصل محافظه کارانه باشد و به خوبی با شرایط عملی سازگار نباشد. این مقاله یک مدل جدید برنامه نویسی دو سطحی تطبیقی (ABP)، با رگرسیون کوانتیل مبتنی بر ماشین یادگیری شدید به عنوان مساله پیرو و تنظیم هایپرپارامترهای نسبت های کوانتیل به عنوان مساله پیشرو را توسعه می دهد. هدف مدل پیشنهادی ABP به حداقل رساندن میانگین عرض فاصله در معرض کالیبراسیون چاه است. به منظور غلبه بر مشکلات در از بین بردن ساختار تودرتوی غیرقابل حل برنامه نویسی دو سطحی، مدل ABP به طور معادل به یک مساله برنامه نویسی غیرخطی تک سطحی با عبارات دو خطی تبدیل می شود. یک الگوریتم شاخه و کران فضایی بهبود یافته (ISBB)برای حل موثر مساله برنامه نویسی دوخطی اصلاح شده پیشنهاد شده است. در الگوریتم ISBB، یک روش مبتنی بر سفت کردن کران برای سفت کردن آرام سازی محدب محدودیت دو خطی و افزایش هم گرایی توسعه داده شده است. مطالعات تجربی مبتنی بر مزرعه بادی واقعی ایالات متحده آمریکا تحت چهار فصل، اثربخشی قابل توجه و استحکام بالای مدل توسعه یافته ABP، و همچنین عملکرد عالی دستیابی بهینه جهانی و هم گرایی الگوریتم ISBB پیشنهادی را نشان می دهد. علاوه بر این، امتیازات بازه ای سنتی که به طور گسترده مورد استفاده قرار می گیرند، برای اولین بار در ارزیابی پیش بینی توان باد احتمالاتی پیش بینی می شوند.(مطلب ترجمه ماشینی است)