0 引言

“工业4.0 (industry 4.0)”是德国政府2011年提出的新概念，其技术基础包含信息物理融合系统(cyber-physical system，CPS)、物联网(internet of things，IoT)及云计算(cloud computing，CC)等。一般认为工业4.0是继蒸汽机、规模化生产和电子信息技术之后的第4次工业革命，具有高度数字化、网络化、机器自组织等特征。工业4.0在能源领域的一种具体构想是“全球能源互联网(Global Energy Interconnection)”。“智能电网(smart grid，SG)”可看做“电网2.0”，“能源互联网(energy internet，EI)”则是“电网3.0”。能源互联网在智能电网自愈、安全可靠、经济高效、兼容、与用户友好互动等基础上，进一步增加了可再生能源的优先接入，具有更精确可靠的预测技术与储能、负荷平移技术；可提高电能质量综合治理能力，有效治理谐波污染、无功不足及电压闪变等；同时，还具有高性能的继电保护和调度策略，能源的供给与需求之间的紧密直接联系，冷、热、气、电等多种能源协同、供给与消费协同，以及高性能的信息技术。能源互联网具有先进的能源发电技术、大容量远距离智能输电技术、先进的电力电子技术、先进的储能技术、智能能量管理技术、先进的信息技术、可靠安全的通信技术、系统规划分析技术和标准化技术等关键技术[1-11]。按照2017年赵俊华等观点[4]，未来的大能源系统将是一个以多能源互补协调、“信息-物理-社会”系统深度融合的复杂网络系统。

预测技术，普遍认为是有效提高能源互联网安全性、经济性的核心技术之一[1,3]。其中实时用户负荷预测、新能源发电、分布式的能源功率等预测是基础性的预测内容。以绿色可再生能源风电预测为例[1,3, 12-31]，2016年我国公布的《能源发展“十三五”规划》、《风电发展“十三五”规划》及《可再生能源发展“十三五”规划》等都指出未来的任务包括：风电的发展逐步由“三北”地区为主转向中东部地区和南方地区为主，积极开发海上风电；稳步推进“三北”地区风电基地建设；切实提高风电消纳能力，提高风电功率预测精度并加大考核力度；加强京津冀及周边地区可再生能源协同发展；并推进大型超大型海上风电重大示范工程建设。我国主要能源消费区基本处在季风区，准确可靠的风电功率预测是当前智能电网以及未来能源互联网中风电消纳的关键基础技术[14]。

限制风电功率预测效果的因素有多种，其中具有共性的2个核心因素是：1)未来风速、风向、气温等天气变化的预测；2)将风速、风向等转换为风电功率[13-14]。由于误差的形成机制不同，分开处理这2个核心因素有利于取得更好的预测效果[13]。与欧美相比，我国提高风电预测的效果有特殊的困难[14]：首先，我国天气预报的难度较大，这主要由地势地形复杂、大气压分布复杂等引起；其次，风速-功率转换关系的分散性明显超过欧美，这使在相同的风速、风向预报情况下，我国的风电功率预测效果明显低于欧美。后一难题与风机的机械惯性等有关：在比欧美更复杂的风速、风向情况下，这种机械惯性使风机转子叶片的转速(通常对应风机的有功功率)与轮毂处的风速有更明显的差异。

根据全面图解法：九襄汉源地区堆积体总体偏度位于-0.0067～0.800；除X306以外，其余点偏度全部大于0，呈正偏分布。S大于零意味着沉积物主要为粗颗粒，搬运作用较强。

但是，我国东部，特别是东南沿海处在冬季风和夏季风的主要路径上，这些区域的上下游风速之间具有明显的空间相关性；此外，我国北部冬季处在蒙古高压的控制之下。利用这些区域的风速空间相关性，可望进一步提高风速预报的效果。再采用力学中的刚体定轴转动定律等进行风速-功率曲线的精确求解，有望明显提高我国东南沿海和北部区域的超短期、短期风电功率预测效果。

1 季风区、胡焕庸线与中国地形

1.1 我国主要能源消费区、胡焕庸线与地势

我国的自然条件决定了西部能源多、东部人口和能源需求多的基本格局。胡焕庸线是其大致的分界线。胡焕庸线西北侧的能源，难以像欧洲一样就近消纳;胡焕庸线东南侧基本上属于季风区。

中国科学院国情小组对我国2000年资料统计分析表明：胡焕庸线东南侧占我国国土面积的43.18%，人口占93.77%，GDP占95.70%。胡焕庸线产生的主要原因是气候和地貌，它与我国年降雨量400 mm的等值线基本重合。胡焕庸线东南侧的降水、日照、土壤等自然条件，适合农耕文明。其西北侧是干旱半干旱区，在人类改造自然能力有限的长期历史中，难以养活众多的人口，从而形成地广人稀的局面。多数研究认为，胡焕庸线的稳定性将长期存在。

社交联谊的形式包括舞会、聚餐、篮球赛等。由市、镇政府组织的联谊活动向从该市、镇走出去的海外菲侨发出邀请。如果是学校举办，则邀请从该校走出去的海外校友参加。这类活动参加者均为海外侨民。在海外迁移活动中，投奔亲友和同乡的传统一直扮演着重要角色，是许多菲律宾人面对陌生环境时的首要策略。这类社交场合旨在为海外侨民提供专门的交往机会，希望他们在国外能够互相帮助，同时也为想要出国工作或移民的人提供组织便利。

我国目前的主要能源消费区，南端比胡焕庸线略微向东偏移。实际上，这是我国季风和地貌形成的气温、风速、降雨、空气密度等的大范围同步现象。季风区的雨水和耕地，养活了众多的人口，进而形成了电力消费的需求。从2013年我国《能源发展“十二五”规划》提供的“国家综合能源基地示意图”看，主要能源消费区与我国东南部的平坦地势基本重合，如图1所示。可见，我国能源互联网、智能电网的建设，离不开我国的自然和社会等条件。

1.2 我国的季风区与冬季风、夏季风

《中国大百科全书》(大气科学·海洋科学·水文科学卷)对季风的定义是：大范围盛行的、风向有明显季节变化的风系。《大英百科全书》气象学里季风的描述与《中国大百科全书》的意思基本一致。

旧时史书和方志的这种编纂方式，自有它存在的合理性，今人也不用过多苛责，但这一体例有与生俱来的重大缺陷，也就是人物形象的类型化，语言表述的格套化，对此，在方志学素有心得的章学诚也清醒地意识到这个问题：“行皆曾、史，学皆程、朱，文皆马、班，品皆夷、惠，鱼鱼鹿鹿，何以辨真伪哉？”［1］《修志十议》，844“称许之间，漫无区别，学皆伏、郑，才尽班、扬，吏必龚、黄，行惟曾、史。且其文字之体，尤不可通，或如应酬肤语，或如案牍文移，泛填排偶之辞，间杂帖括之句，循名按实，开卷茫然。”［1］《永清县志阙访列传序例》，776

由图2所示全球经典季风区和我国季风区可见，典型的季风发生在亚洲(东亚、南亚地区)、西非几内亚和澳大利亚的北部沿海地带等地区。通常认为存在印度季风区、东亚季风区、西非季风区3个季风区。中美洲太平洋沿岸、美国墨西哥湾沿岸地区及欧洲中部有季风的倾向。季风活动大约影响全球面积的1/4及全世界1/2以上人口的生活。欧洲、北美、南美都没有典型的季风现象，因此研究季风对能源互联网的影响是我国等季风区的特殊性问题。

妊高症是产妇特有疾病,妊娠20周后的发生率是5%,有些妊高症患者还会合并水肿和蛋白尿,病情严重的患者还会有视力模糊,腹部疼痛症状,不进行治疗,则会全身痉挛和昏迷。妊高症是宫缩乏力性产后出血的高发群体,需要科学的进行产后止血。护理人员要有责任意识,能落实好护理措施,此次我院就妊高症合并宫缩乏力性产后出血的护理进行研究报道。

许多研究表明，季风是一种长期存在的自然现象。有研究表明，我国在1240年左右(南宋)出现过一次气候突变，从此形成了胡焕庸线与今天的气候格局。研究1850—2005年和1901—2014年历史天气观测资料发现[35-36]：季风现象在未来将继续存在，且在2100年之前没有太大的变化。

2 我国冬季风、夏季风及其主要特征

分析美国国家海洋和大气管理局NOAA给出的1948年以来的全球地表逐月矢量风速等近70 a的历史气象观测资料可见：我国冬季风、夏季风的路径，近70 a来没有太大的变化;特别是冬季风的路径，更是具有相当强的稳定性。图3、4是典型冬季风(1月)和典型夏季风(7月)时期的大气压(折算成位势高度)和地表矢量风速分布图。图3(a)左上侧的红色区域显示了蒙古高压。

4.I give milk.I have a horn.I’m not a cow.Who am I?

空间相关性预测的基本含义，是利用本地的周边地区的风速、风向等气象信息，来预测本地未来一段时间的风速、风向等；或者直接预测本地风场的风电功率[13,18-28]。可以利用的周边地区的气象信息，可以是周边各地NWP预报的结果，也可是各地的风速、风向等实际观测值。实践表明，风向是影响本地未来风速等预报的首要因素。

此外可见：我国“十三五”风电发展的重点，要么在季风区，要么在蒙古高压的直接控制之下。

2.1 冬季风

“蒙古高压”(或“蒙古—西伯利亚高压”，或“西伯利亚高压”)是横亘欧亚大陆的半永久性冷高气压。大约在每年9月份，中心位于蒙古大陆强大的冷高气压(蒙古高压)开始形成。次年1月份达到强盛，4月份逐渐减弱直到夏季消亡。势力强大的蒙古高压约有半年以上的时间控制着欧亚大陆的气候变化，此寒冷干燥的空气引发我国的冬季风。冬季风从蒙古开始出现，很快到达江淮流域及其以南地区，最终吹出大陆到300 km以外的太平洋海域，强盛时可吹到澳大利亚北部。我国台湾、海南岛，以及日本和朝鲜半岛等，都在冬季风的控制范围。我国季风区有大约5个月时间为典型的冬季风。

地表风系主要由位势高度(geopotential height，由大气压折算出)的分布、地球自转形成的科里奥利力(Coriolis force)和地形起伏(下垫面，underlying surface)3种原因形成。由于蒙古高压的稳定性，以及大陆地表(下垫面)的相对稳定性，使得冬季风在数千公里的地理空间里具有相对稳定的变化规律性。

蒙古高压是我国冬季风的主要成因,我国北部的风能资源丰富区都明显处在它的控制之下，因此我国冬季的风(季风区及西北的非季风区)都具有明显的规律性。尽管蒙古高压没有在欧洲引起冬季风，但仍然迫使欧洲大陆冬季的风具有类似我国冬季风的变化规律性。如文献[15]里给出的“图3 德国北部某地风速与欧洲各地风速之间的相关性”，其冬季空间相关性明显高于夏季，但仍然无法与我国冬季风的空间相关性相比。

我国冬季风最强盛时期在1月份，往往每隔7～10 d冷空气爆发南下，形成寒潮天气。强寒潮直接造成中国东部大面积的剧烈降温、雨雪和大风等天气。寒潮可引起华南地区24 h降温12～16 ℃，有时伴有中到大雨；海南岛亦可降温8 ℃以上。强大寒潮引起的剧烈降温、雨雪和大风，往往造成我国大面积的冷冻灾害。我国冬季风活动高度可达地表3 000 m以上。冬季风常在第2年4—5月份结束。

于是，我的日常就是一边发现新锦鲤，赶紧转发；一边看结果公示默默删除，感叹又做了一次分母。时不时，也能看到同学转了一条鱼，“转发锦鲤，提案求过”“今天是个重要的日子，日常迷信一下”。

从风电功率预测的角度看，冬季风路径在我国大陆超过2 500 km，风速相关性的延迟时间可超出38 h。我国冬季风的时空相关性明显超过欧美普通风系100 km、4 h以内的典型范围。如文献[30]分析表明：冬季风时期，福建长江澳对广东湛江风速的优化延迟时间约为20 h。这就使得“空间相关性”预测在我国具有欧美不可比拟的优势。利用季风(特别是冬季风)的天然优势提高风电预测的准确性和可靠性，是一个非常重要的研究课题。

2.2 夏季风

一般认为，我国夏季风主要由3支季风组成：第1支为西南季风，它起自南印度洋，经印度半岛到达我国西南及华南地区；第2支为东南信风，起自澳大利亚北部，穿过赤道经过印度尼西亚或马来半岛，到达孟加拉湾，和第1支一起影响我国西南及华南地区；第3支为副热带季风(东南季风和南季风)，主要影响我国东部，它起自北太平洋，最终深入到我国东北地区的西北部和内蒙古的北部，这是我国夏季风的北界。我国夏季风的行进平均时间如图5所示(来自大英百科全书网络版)。来自大海的夏季风为湿润空气，是降雨的直接基础；这种季风推进和降雨的分布，也出现在澳大利亚北部。

夏季风活动40 d(范围在30～60 d)的准周期最明显，其次是20和7 d准周期；此外，还具有准2 a和3～6 a的年代际周期振荡。

我国夏季风每年大约在4—5月份出现，夏季风最强盛时期在7—8月份。6月份在江淮流域造成梅雨；7月份到达华北与东北，引起北方地区的雨季；8月中下旬为鼎盛时期，到达大兴安岭、阴山、贺兰山脉后止步。前后有4个月在我国大陆活动。夏季风常在9月中旬前后结束。经过大约1个月左右，快速转换为冬季风。

C矿区位于滇西南，地层主要为侏罗系、二叠系、石炭系，岩性主要为灰岩、砂岩、玄武岩、铅锌矿，测量结果见表3：

调查问卷采用国家流动人口健康调查问卷。调查对象完成一对一的问卷调查。问卷内容包括一般人口学特征、艾滋病的知识和态度、相关行为学特征和干预检测服务利用情况等。能正确回答8道关于艾滋病知识问题中的6道及以上者判定为知晓艾滋病。

总之，我国主要能源消费区处在季风区，其风速、气温、降水等具有空间大范围的一致波动性。这就造成电力需求的大范围的一致波动及风电出力的一致波动性。西北风能资源丰富区为西风带内陆干旱气候，其风能变化特性和东部主要能源消费区的天气负荷性质分属不同类型。

我国东部南部陆地、近海基本上处在季风区，每年大多数时间的风速属于季风性质。对照图1、4等发现，不仅我国冬季风、夏季风路径相对稳定，且地表(下垫面、地势)大体平坦，从而可形成数千公里的具有明显相关性的风速变化规律，其相关性延迟时间可超过30～40 h。因此，利用我国得天独厚的季风优势，可提高风电预测的准确性和可靠性。

特别地，福建、浙江沿海地区的地形，以及台湾岛形成的台湾海峡，形成了一个长度超过400 km、接近平行的海面，使得台湾海峡的风速空间相关性明显提高。因此，台湾海峡不仅风能资源丰富，还特别适合空间相关性预测，特别是在超短期预测的时间尺度。

1.2.1 一般治疗 予严格单间隔离、心电监护、持续鼻导管吸氧、物理降温及营养支持，乌司他丁减轻炎症反应，丙种球蛋白增加抵抗力，喜炎平注射液及连花清瘟胶囊清热解毒;并加用莫西沙星抗细菌治疗，疗程6 d;因1，3-β-D葡聚糖检测试验(G试验)阳性，加用伏立康唑抗真菌治疗，疗程9 d。

3 利用季风提高风速的空间相关性预测

从全球地表矢量风速的分布等历史观测资料看，我国的天气预报难度总体超过欧美，特别是我国中部和西部非季风区。但是，冬季蒙古高压控制的区域(如内蒙古)，风速风向的预测效果与欧洲大体相当；冬季风、夏季风的主要路径(如我国东南沿海)，在季风时期也可望获得较好的预报效果。

季风、蒙古高压，对提高我国风速风向预测的效果具有重要的潜在意义。它们不仅是进一步提高我国北部、东南沿海地区超短期、短期、中期、长期预报效果的客观自然条件，而且是保证风电场风能资源评估里测量-关联-预测法(measure-correlate-predict，MCP)效果的客观条件。由于季风的年代际变化，中期、长期预报宜由气象部门具体实现。电力系统领域的研究应该集中在短期、超短期风电功率预测上，这也是本文的研究重点。

3.1 风电功率预测未来可行的发展方向

目前短期风电功率预测输入的气象数据，首先是数值天气预报(numerical weather prediction，NWP)对未来预报出的风速、风向、气压、温度等，其次是被预测地点(以下简称“本地”)及其周边地区的历史气象数据。由于NWP更新周期长等原因，超短期风电功率预测目前倾向于不使用。

当前提高短期、超短期风电功率预测效果的可行途径，除了文献[12-14]等列出的方向之外，还主要包括：1)利用空间相关性；2)提高风力发电机风速-功率转换曲线的准确性；3)缩短采样周期；4)可信的组合预测；5)使用时间序列的集合预报(ensemble)；6)引入大气运动方程；7)引入流体力学基本方程。

进一步提高NWP效果，概率化预测也是有一定的积极意义，主要原因有：

HDFS作为识别系统的文件存储模块,存储着关节点数据、数据预处理的特征数据以及最终的行为分类结果,方便PC端调用的同时为上层Spark计算框架提供数据支撑。

1) 全球模式NWP对未来的预报效果，大约从2011年开始进入相对饱和期/停滞期。如天气预报领域里全球中期预报世界公认的领头羊——欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts， ECMWF)的预报效果，大约从2011年开始进入饱和期。其位势高度、降水量等预报效果，已经徘徊不前。ECMWF对欧洲和北非地区未来60、72 h的风速预报平均误差徘徊在0.25 m/s，标准差在2.0～2.5 m/s的水平；风向预报平均误差2°，标准差在45°～50°的水平；气温预报平均误差0.2 ℃，标准差在2.0～2.5 ℃的水平。又如，采用美国WRF对我国东部地区未来60、72 h的风速预报，当前的标准差在2.5～4.5 m/s的水平。受制于ECMWF为代表的这些全球模式NWP预报的结果作为侧边界条件，风场使用的区域NWP无法实质性地单独提高对未来风速、风向等预报的准确率。单纯提高区域NWP的时空信息分辨率，提高风场的风速、风向等观测精度等改进，受制于侧边界条件预报误差的限制，以及天气变化混沌特性的限制，难以成为今后几年有效提高区域NWP预报效果的主要手段。

有关气象学家认为，全球模式NWP误差的主要来源是气象要素的实际观测误差，而不是来自大气运动方程。我国风场风电功率预测的误差分析，也支持这个观点。这意味着全球模式NWP预报需要成几何级数地增加气象观测站点，成几何级数地增加计算机能力等。在目前世界经济等形势下，这些都是难以实现的。

我国季风区与非季风区分界线处在“大兴安岭—阴山山脉—贺兰山—乌鞘岭—巴颜喀拉山—唐古拉山—冈底斯山”连线。亦即我国西部为非季风区，东南部及近海为季风区。我国典型冬季风时期为11—次年3月份，共计5个月；夏季风的典型时期为6—8月份，共计3个月。冬季风、夏季风之间的过渡时间大约为3个多月。每年季风的起止时间并不固定，大概会有1个月的差异。季风普遍存在40 d的准周期(30～60 d)和20 d的准周期(10～20 d)。我国冬季风7 d的准周期最明显，夏季风40 d的准周期最明显。

从《气象与大数据》有关内容可见NWP的现状[37]：数值预报产品5 d以上的中期天气预报结果，明显不及3 d以内的短期预报结果可靠。某些短期要素的客观预报水平已经接近甚至超过预报员的主观预报水平，但由于受到大气探测技术的应用和对某些天气现象机制认识的限制，不少天气要素如降水、风等的预报结果与实况有一定差距。在实际应用中，需要根据天气学原理，在数值预报产品的基础上，进行人工订正，从而对天气形势作出诊断和预报，进而作出具体的天气预报。

2) 仅使用本地的历史气象资料的统计学方法，一般难以对未来12 h以后的风电功率等进行有效的预测。这是因为风的主要成因是大气压。与电力负荷不同，风的记忆性很差，“本地资料的回归”难以提高未来预测的时间长度。

3) 近10 a没出现综合性能较好的新颖的智能预测模型[38];且新的回归/预测模型，往往需要较多的训练数据，计算速度相对较慢。如深度学习，目前还难以直接引入到短期、超短期风电功率预测。

这里的“大范围盛行”指行星尺度，即水平尺度在3 000 km以上、生命期3～10 d或更长。“风向有明显季节变化”指冬季(1月为代表)和夏季(7月为代表)风向明显不同。我国冬季风和夏季风的风向大体为反向。冬季风和夏季风的起源地不同，不同的气团性质使得天气现象呈现明显不同的季节性，如雨季和旱季、冬季和夏季对比明显等。目前认为季风由大气环流、海陆分布、大地形等引起，还受到南北半球海陆面积比例、海洋与大陆冰雪覆盖、大陆地表类型差异以及植被、水文等影响[30-36]。

情况 3.3 若f3(v)=2,由于G不含4-圈,故两个3-面不可能相邻,它们只能有一个公共点v点,此时最坏的情况是v关联两个3-面,3个6-面且3-面的邻面均为6-面。由R1和R3.5得

实际上，从2014年以来，空间相关性方法被不少文献提高到和物理方法、统计方法并列的高度[13,18-28]。

3.2 利用季风改进风速的空间相关性预测

可见：我国风速、风向与大气压变化的混乱性明显超过了欧美地区。这使得我国天气预报困难重重。更加混乱变化的风速、风向和空气密度等，在风机机械惯性的作用下，会使转子叶片的转速(较直接对应风机输出的有功功率)与大自然的风速等出现更明显的差异，从而形成我国风速-功率转换曲线具有比欧美更明显的分散性。

为避免NWP预报误差对本地未来风速等预测的不良影响，在我国季风区采用季风特性且只利用风速上游的历史气象观测值改进空间相关性预测，是最可行地提高短期、超短期风速和风电功率预测效果的手段。

在电力系统领域，采用空间相关性进行风电功率预测的早期代表性文献是1999年Alexiadis等人的“Wind Speed and Power Forecasting Based on Spatial Correlation Models”。其后有关的进展请参考综述文献[13,18-19,21]。近年国内外在空间相关性预测方面的研究，主要集中在各种先进预测模型的使用上。由于近年新颖的预测模型出现得较少，大多数研究多为对现有智能等模型的改进或综合使用。

冬季风活动7 d的准周期最明显，其次是14和40 d准周期；此外，还具有11 a的年代际周期振荡。由于研究条件限制，目前对冬季风的研究明显滞后于对夏季风的研究。对照我国北部风能丰富地区和蒙古高压等压线，不难发现蒙古高压不仅是冬季风的主要成因，还是我国北部风能的主要来源。

目前，基于空间相关性的风电功率预测尚未形成一套完整的理论体系[13，18]，正是发展空间相关性预测的有利时期。因此，空间相关性预测受到国际社会广泛的重视[13,18-28]。

冬季风和夏季风，使得我国的风速空间相关性预测具有明显超过欧美的潜在优势。表1是冬季风主要路径上一些地点之间的风速延迟时间，表中“福长”是福建省霞浦县长春镇的缩写。可见，利用季风，可以改进从超短期到短期时间尺度的风电功率预测，而不仅仅是用于中长期预测和风电资源评估等方面。

二人置身绝壁，乍闻此声，只惊得魂飞魄散，扭头一望，但见一团硕大的阴影，正从云端飞速接近。它冲开云雾，两只黄色的眸，像雾中的探灯，凝射着金电般的厉芒！

冬季风时期，以北京的风速、气压和气温，以及福建澳仔的气压和气温为输入，采用偏最小二乘回归对澳仔风速进行提前27 h预测，风速预测的平均误差约为-0.16 m/s，均方根误差约为1.34 m/s。因此，利用季风形成的空间相关性，完全可研发独立于NWP的超短期、短期风电功率预测系统，其对某些爬坡的预测也具有较高的可靠性。

由图6所示交叉小波图可见，北京风速与澳仔风速之间的相关性，低于北京与澳仔之间气压差值对澳仔风速之间的相关性。从大气运动的基本方程可知，当时间尺度不长时，气压梯度力(北京与澳仔之间气压差值)是风速的主要成因。因此，准确的风速与风电功率预测，需要气压、气温、风速、风向等天气因素。

3.3 相关性和回归技术

空间相关性预测的两大基本内容是相关性和回归的定量计算，需要研究的内容包括：

1) 周边地区风速与本地风速延时相关性量化计算指标的优选，特别是适合时间窗口上小样本的相关性计算。如相关系数有利于反映未来风速的变化，而欧氏距离则不具有这种能力。

2) 实际预测中对最优延迟时间的偏离，及其对空间相关性预测结果不利影响的分析。

3) 上游、被预测地点风速、风向等长期历史观测资料的优化使用。

4) 被预测地点未来风速预测采用迭代式(iterated multistep)、直接式(direct)模式的优选[39-41]，特别是季风区和非季风区的风速、风向变化规律差异的使用。

5) 采用特定的相关性计算指标，得到周边优化的风速训练集合之后，进行空间相关性预测的回归模型(线性回归、偏最小二乘回归、支持向量机、常见的人工神经网络，其他各种新模型)的优选[38]。

6) 回归采用的历史数据样本容量的自动优化，一直未见报道。一些文献表明，只能采用人工方法进行反复试探[42]。

4 我国风速功率转换曲线的更精确模型

从整体上看，我国大多数区域的风速、风向变化更复杂。风机轮毂附近复杂多变的风速、风向、气压等，在风机机械惯性作用下，直接造成风速-功率转换曲线具有分散性。即使有风速、风向、气压等的100%准确率的预测，也不能保证风电功率的准确预测。

以水平轴风力发电机为例，其机械-电气的运动行为类似日常生活中的摇头电扇，只是整个能量过程正好相反：

1) 轮毂处风向的变化，会引起风机转子叶片水平面上的方向调整；转子叶片与风向的角度差，需要通过一定方式进行控制跟踪，这会引起风力发电机有功功率发生变化。

根据该工程施工现场的特点，结合各种钢板桩的特点以及施工工艺，本工程采用拉伸U型钢板桩进行施工。钢板桩施打前必须进行选材，对有变形的钢板桩须进行矫正，或替换成合格的钢板桩，以免影响钢板桩作业的顺利开展，切实确保航道防冲工程的质量和效果。

2)轮毂处风速的变化，会引起转子叶片机械转速的变化。风速与转子叶片转速的等效风速的差值，会引起风力发电机出力发生变化。

转子叶片水平面上的机械转动惯量及转子叶片围绕其轴心的机械转动惯量都会造成风速-功率转换曲线具有分散性；此外，气压、气温等变化会引起空气密度的变化，也会在一定程度上造成风速-功率转换曲线具有分散性。依据相应的力学原理(如刚体定轴转动定律)，结合具体的风机类型和参数，建立更精确的风速-功率转换模型，是我国提高风电功率预测效果的又一关键核心工作。

5 结论

能源互联网、智能电网的建设离不开风电，风电预测离不开风速、风向、气压等的预测。因此，为提高风电功率预测的效果，结合我国季风、大气压分布的特殊性，一些针对性的建议为：

1) 充分研究和把握冬季风、夏季风的变化规律，特别是蒙古高压的活动规律。这对于风电预测有基础性的支撑作用。

2) 我国季风有数千公里、数十小时延迟的风速相关性，明显超过欧美常见的100 km、4 h的范围，这是我国风电预测得天独厚的优势。空间相关性预测不仅可用于超短期，还可用于短期预测。

3) 我国海域都处在季风区，因此研究季风对我国海上风电发展有重要意义。

4) 台湾海峡不仅风能资源丰富，还具有很强的风速空间相关性；东南沿海基本上是冬季风、夏季风的主要途径。这也是我国未来风电重点发展的区域。

5) 相关性指标、回归预测的模型、回归的“迭代式”或“直接式”预测模式等优选，是未来重要的研究内容。

6) 季风区天气变化有数千公里的波动一致性，对于准确的电力负荷与能源需求的预测有重要意义。

7) 从NOAA的1948年以来的逐月天气资料看，我国NWP预报效果有低于欧美的倾向性。这主要与我国地形/地势的复杂性有关。因此，不依赖NWP的超短期、短期风电功率预报，在我国有更迫切的需求。

8) 采用相关力学原理，对我国风速-功率转换曲线进行更精确的研究。

参考文献

[1] 周孝信， 曾嵘， 高峰， 等． 能源互联网的发展现状与展望[J]． 中国科学： 信息科学， 2017， 47(2): 149-170．

ZHOU Xiaoxin， ZENG Rong， GAO Feng， et al． Development and prospect of energy internet[J]． Scientia Sinica Informationis，2017，47(2): 149-170．

[2] 余贻鑫， 秦超． 智能电网基本理念阐释[J]． 中国科学: 信息科学， 2014， 44(6): 694-701．

YU Yixin， QIN Chao． Expatiation on the basic ideas of smart grid[J]． Scientia Sinica Informationis， 2014， 44(6): 694-701．

[3] 查亚兵， 张涛， 黄卓， 等． 能源互联网关键技术分析[J]． 中国科学: 信息科学， 2014， 44(6): 702-713．

ZHA Yabing， ZHANG Tao， HUANG Zhuo， et al． Analysis of energy internet key technologies[J]． Scientia Sinica Informationis， 2014， 44(6): 702-713．

[4] 赵俊华， 董朝阳， 文福拴， 等． 面向能源系统的数据科学: 理论、 技术与展望[J]． 电力系统自动化， 2017， 41(4): 1-11， 19．

ZHAO Junhua， DONG Zhaoyang， WEN Fushuan， et al． Data science for energy systems: theory， techniques and prospect [J]． Automation of Electric Power Systems， 2017， 41(4): 1-11， 19．

[5] 张小平， 李佳宁， 付灏． 全球能源互联网对话工业4.0[J]． 电网技术， 2016， 40(6): 1607-1611．

ZHANG Xiaoping， LI Jianing， FU Hao． Global energy interconnection dialogue industry 4.0[J]． Power System Tech-nology， 2016， 40(6): 1607-1611．

[6] 张国荣， 陈夏冉． 能源互联网未来发展综述[J]． 电力自动化设备， 2017， 37(1): 7-13．

ZHANG Guorong， CHEN Xiaran． Future development of energy internet[J]． Electric Power Automation Equipment， 2017， 37(1): 7-13．

[7] SU W C， HUANG A Q． 美国的能源互联网与电力市场[J]． 科学通报， 2016， 61(11): 1210-1221．

SU W C， HUANG A Q． The energy internet and electricity market in the United States[J]． Chinese Science Bulletin， 2016， 61(11): 1210-1221．

[8] MONESS M， MOUSTAFA A M． A survey of cyber-physical advances and challenges of wind energy conversion systems: prospects for internet of energy[J]． IEEE Internet of Things Journal， 2016， 3(2): 134-145．

[9] KALYANARAMAN S． Back to the future lessons for Internet of energy networks[J]． IEEE Internet Computing， 2016， 20(1): 60-65．

[10] BUI N， CASTELLANI A， ASTELLANI A P， et al． The internet of energy: a web-enabled smart grid system[J]． IEEE Network， 2012， 26(4): 39-45．

[11] 包铭磊， 丁一， 邵常政． 国际能源系统转型对我国能源互联网建设的借鉴[J]． 分布式能源， 2017， 2(2): 11-19．

BAO Minglei， DING Yi， SHAO Changzheng． Reference of international energy system transformation to energy internet construction in China[J]． Distributed Energy， 2017， 2(2): 11-19．

[12] 薛禹胜， 郁琛， 赵俊华， 等． 关于短期及超短期风电功率预测的评述[J]． 电力系统自动化， 2015， 39(6)： 141-151．

XUE Yusheng， YU Chen， ZHAO Junhua， et al． A review on short-term and ultra-short-term wind power prediction[J]． Automation of Electric Power Systems， 2015， 39(6)： 141-151．

[13] 薛禹胜， 陈宁， 王树民， 等． 关于利用空间相关性预测风速的评述[J]． 电力系统自动化， 2017， 41(10): 161-169．

XUE Yusheng, CHEN Ning, WANG Shumin, et al. Review on wind speed prediction based on spatial correlation[J]. Automation of Electric Power Systems， 2017， 41(10): 161-169．

[14] 乔颖， 鲁宗相， 闵勇， 等． 提高风电功率预测精度的方法[J]． 电网技术， 2017， 41(10): 3161-3169．

QIAO Ying, LU Zongxiang, MIN Yong, et al．Research & application of raising wind power prediction accuracy[J]. Power System Technology， 2017， 41(10): 3161-3169．

[15] HAGSPIEL S， PAPAEMANNOUIL A， SCHMID M， et al． Copula-based modeling of stochastic wind power in Europe and implications for the Swiss power grid[J]． Applied Energy， 2012， 96： 33-44．

[16] 薛禹胜， 郁琛， 赵俊华， 等． 关于短期及超短期风电功率预测的评述[J]． 电力系统自动化， 2015， 39(6)： 141-151．

XUE Yusheng， YU Chen， ZHAO Junhua， et al． A review on short-term and ultra-short-term wind power prediction[J]． Automation of Electric Power Systems， 2015， 39(6): 141-151．

[17] 丁华杰， 宋永华， 胡泽春， 等． 基于风电场功率特性的日前风电预测误差概率分布研究[J]． 中国电机工程学报， 2013， 33(34)： 136-144．

DING Huajie， SONG Yonghua， HU Zechun， et al． Probability density function of day-ahead wind power forecast errors based on power curves of wind farms[J]． Proceedings of the CSEE， 2013， 33(34): 136-144．

[18] 叶林， 赵永宁． 基于空间相关性的风电功率预测研究综述[J]． 电力系统自动化， 2014， 38(14)：126-135．

YE Lin， ZHAO Yongning． A review on wind power prediction based on spatial correlation approach[J]． Automation of Electric Power Systems， 2014， 38(14): 126-135．

[19] JUNG J， BROADWATER R P． Current status and future advances for wind speed and power forecasting[J]． Renewable and Sustainable Energy Reviews， 2014(31): 762-777．

[20] WANG J， WANG Y， JIANG P． The study and application of a novel hybrid forecasting model: a case study of wind speed forecasting in China[J]． Applied Energy， 2015， 143: 472-488．

[21] 钱政， 裴岩， 曹利宵， 等． 风电功率预测方法综述[J]． 高电压技术， 2016， 42(4)： 1047-1060．

QIAN Zheng， PEI Yan， CAO Lixiao， et al． Review of wind power forecasting method[J]． High Voltage Engineering， 2016， 42(4): 1047-1060．

[22] OKUMUS I， DINLER A． Current status of wind energy forecasting and a hybrid method for hourly predictions[J]． Energy Conversion and Management， 2016， 123: 362-371．

[23] DONG Q， SUN Y， LI P． A novel forecasting model based on a hybrid processing strategy and an optimized local linear fuzzy neural network to make wind power forecasting: a case study of wind farms in China[J]． Renewable Energy， 2017， 102: 241-257．

[24] GALLEGO-CASTILLO C， CUERVA-TEJERO A， LOPEZ-GARCIA O． A review on the recent history of wind power ramp forecasting[J]． Renewable and Sustainable Energy Reviews， 2015， 52: 1148-1157．

[25] YE L， ZHAO Y， ZENG C， et al． Short-term wind power prediction based on spatial model[J]． Renewable Energy， 2017， 101: 1067-1074．

[26] HERBERT G M， JOSELIN S， AMUTHA D． A review of technical issues on the development of wind farms[J]． Renewable & Sustainable Energy Reviews， 2014， 32: 619-641．

[27] JHA S K， BILALOVIC J， JHA A， et al． Renewable energy: present research and future scope of artificial intelligence[J]． Renewable & Sustainable Energy Reviews， 2017， 77: 297-317．

[28] 杨正瓴， 刘阳， 张泽， 等． 采用最近历史观测值和PLSR进行空间相关性超短期风速预测[J]． 电网技术， 2017， 41(6): 1815-1822．

YANG Zhengling, LIU Yang, ZHANG Ze, et al. Ultra-short-term wind speed prediction with spatial correlation using recent historical observations[J]. Power System Technology， 2017， 41(6): 1815-1822．

[29] 时彤， 姜卓， 肖白． 基于风电场输出功率波动特性分析的本征时间尺度的确定[J]． 分布式能源， 2017，2(4): 53-58．

SHI Tong， JIANG Zhuo， XIAO Bai． Intrinsic time scale determination based on analyzing wind power output fluctuation features[J]． Distributed Energy， 2017， 2(4): 53-58．

[30] 杨正瓴， 杨钊， 张玺， 等． 基于季风提高空间相关性预测的优化延迟时间[J]． 电力系统保护与控制， 2016， 44(15): 33-38．

YANG Zhengling, YANG Zhao, ZHANG Xi, et al. Improving optimal lag time of spatial correlation prediction by characteristics of monsoon[J]． Power System Protection and Control， 2016，

44(15): 33-38．

[31] 杨正瓴， 冯勇， 熊定方， 等． 基于季风特性改进风电功率预测的研究展望[J]． 智能电网， 2015， 3(1)： 1-7．

YANG Zhengling， FENG Yong， XIONG Dingfang， et al． Research prospects of improvement in wind power forecasting based on characteristics of monsoons[J]． Smart Grid， 2015， 3(1): 1-7．

[32] 陈隆勋， 朱乾根， 罗会邦， 等． 东亚季风[M]． 北京： 气象出版社， 1991．

[33] WANG B． The Asian monsoon[M]． New York： Springer-Verlag， 2006．

[34] LAING A， EVANS J-L． Introduction to tropical meteorology， 2nd edition[EB/OL]． (2011-10)[2014-07-08]． http://www.goes-r.gov/users/comet/tropical/textbook_2nd_edition/navmenu.php_tab_4_page_5.0.0.htm.

[35] PREETHI B， MUJUMDAR M， KRIPALANI R H， et al． Recent trends and tele-connections among South and East Asian summer monsoons in a warming environment[J]． Climate Dynamics， 2017， 48(7-8): 2489-2505．

[36] LEE J-YI， WANG B． Future change of global monsoon in the CMIP5[J]． Climate Dynamics， 2014， 42(1-2): 101-119．

[37] 黄瑞芳， 周园春， 鞠永茂， 等． 气象与大数据[M]． 北京： 科学出版社， 2017．

[38] EFRON B， HASTIE T． Computer age statistical inference: algorithms， evidence， and data science[M]． Cambridge: Cambridge University Press， 2016．

[39] PROIETTI T． Direct and iterated multistep AR methods for difference stationary processes[J]． International Journal of Forecasting， 2011， 27(2): 266-280．

[40] MCELROY T． When are direct multi-step and iterative forecasts identical?[J]． Journal of Forecasting， 2015， 34(4): 315-336．

[41] CHEVILLON G． Multistep forecasting in the presence of location shifts[J]． International Journal of Forecasting， 2016， 32(1): 121-137．

[42] KHALID M， SAVKIN A V． Closure to discussion on “a method for short-term wind power prediction with multiple observation points”[J]． IEEE Transactions on Power Systems， 2013， 28(2): 1898-1899．