测风塔与再分析数据融合：MCP 长期订正实战
风电项目的资源评估有一个绕不开的矛盾：金融机构想要的是电场未来 20 年的"长期代表"风况，而场站现场往往只有装测风塔后采集的几个月到一两年实测数据。短期实测精准但不具长期代表性，单纯拿它推算年发电量（AEP），很可能踩在一个偏大风或偏小风的年份上，给出系统性偏高或偏低的结论。把短期实测"锚定"到一条长序列参考数据上、订正成多年代表水平，正是 MCP（Measure-Correlate-Predict，测量-相关-预测） 方法要解决的问题——而今天的参考源，越来越多地从邻近气象站换成了 ERA5 这类长序列再分析。
关键要点
- MCP 解决"短期测风→长期代表"问题：用目标测风塔几个月到一两年的实测，与长序列参考源建立统计关系，把场站风况订正到多年代表水平，压低年际波动带来的评估风险。
- 三步走 Measure-Correlate-Predict：架塔测量、与参考站同期重叠数据建相关、再把关系套到参考站全长期序列上反推目标站长期风况与 AEP。
- 方法选择关键在"保方差"：普通最小二乘会压缩方差、低估高风速频次与 AEP；方差比 / 总体最小二乘 / 矩阵法能更好还原长期分布，且都应分风向扇区做。
- 参考源正从气象站转向 ERA5 再分析：ERA5 提供 1940 年至今、逐小时、约 31km 网格的连续序列，无迁站缺测断档，适合提供长期节律。
- 再分析不替代现场实测：约 31km 格点平均无法刻画塔点微地形，长期节律用 ERA5、绝对量级靠塔上实测锚定，二者互补。
背景与定位
这套方法学的权威综述，是 Carta、Velázquez、Cabrera 三位作者发表在 Renewable and Sustainable Energy Reviews（《可再生与可持续能源评论》）2013 年第 27 卷的 A review of measure-correlate-predict (MCP) methods used to estimate long-term wind characteristics at a target site。这篇综述系统梳理了 MCP 家族的各类方法，被风资源评估领域广泛引用，几乎是工程实践中讨论"短期测风如何外推长期"的标准参考。
之所以值得专门讲它，是因为 MCP 不是某一个算法，而是一整套思路：用目标站（测风塔）短期实测、与同期参考站长期数据之间建立的统计关系，把参考站的长期信息"借"给目标站。综述指出，各类 MCP 方法的核心差异，就在于这层"目标站 ↔ 参考站"关系是如何建立的。
方法 / 它做了什么
MCP 的三步顾名思义：
- Measure（测量）：在目标站架测风塔，采集几个月到一两年的高频风速、风向（通常含轮毂高度附近的 70m / 100m 层）。
- Correlate（相关）：取目标站与参考站同期重叠的数据，建立两者的统计关系。参考站要有足够长（一般 10 年以上）、且与目标站同期可比的序列。
- Predict（预测）：把这层关系套用到参考站的全部长期序列上，反推出目标站的长期风况——长期平均风速、威布尔分布参数、分扇区风频，进而是长期 AEP。
综述把方法按"关系类型"分类，工程上最常见的几类：
- 线性回归类：按风向扇区分别拟合目标—参考风速的线性关系。简单稳健，但有个著名陷阱——普通最小二乘会压缩方差，使外推出的长期风速分布偏窄，低估极值与高风速段的发电贡献。
- 方差比 / 总体最小二乘类：在斜率中显式保留目标站与参考站的方差比，修正上面的方差压缩问题，对威布尔形状参数的还原更准。
- 矩阵法 / 联合分布法：不拟合单一直线，而是直接估计目标—参考的联合概率分布（风速×风向的转移矩阵），能刻画非线性与扇区差异，代价是对样本量要求更高。
参考源的演进是这几年最大的变化。传统 MCP 用邻近气象站，但气象站常存在距离远、迁站、仪器变更、缺测等问题；而 ERA5 这类再分析提供 1940 年至今、逐小时、全球一致的网格序列，没有迁站和缺测断档，作为 MCP 的长期参考源越来越主流。需要注意的是，再分析是约 31km 网格值，代表的是格点平均而非塔点微地形，因此它更适合提供"长期变化的节律"，而局地绝对量级仍要靠塔上实测来锚定。
关键结论
- MCP 的价值是"长期代表性"而非"提高瞬时精度"：它把几个月的短期实测，订正到能代表多年平均的水平，从而压低年际波动带来的评估风险。
- 方法选择的关键是"保方差"：普通线性回归会低估风速方差与高风速频次，进而低估 AEP；方差比、总体最小二乘或矩阵法能更好地还原长期分布。
- 必须分风向扇区做：风速—参考关系随来向显著变化，整体单一回归会抹平扇区差异，复杂地形尤甚。
- 结果质量取决于相关性：目标站与参考站同期相关系数越高、重叠期越长，外推越可信；相关性差时，MCP 反而会引入偏差，这是它的边界。
- 再分析适合做"长期节律"参考、不替代现场实测：ERA5 提供稳定连续的长序列与年际信息，但格点平均无法刻画塔点微地形，二者是互补关系。
对新能源 / 运梦平台的意义
把这套方法落到风电项目流程上，意义很直接：
第一，把短期测风变成可融资的长期结论。 一座只测了 8–12 个月的塔，配合 ERA5 长序列做 MCP 订正，就能给出多年代表的平均风速与威布尔参数，进而推 P50 / P90 的长期 AEP——这正是银行与投资方做尽调时要看的口径，可结合 风光资源 P50/P90 评估 一起看。
第二，降低资源评估的年际风险。 风资源年际变率不小，单看一两年实测容易踩在偏年。用长序列再分析做长期锚定，能把"运气成分"显式订正掉，让发电量预测更稳健。
第三，认清边界、别拿再分析当塔用。 ERA5 是格点平均，复杂地形、近海、林区等微地形下与塔点会有系统性偏差。务实做法是：长期节律与年际信息用 ERA5，绝对量级用塔上实测锚定，必要时再叠加动力降尺度。落到风电产品侧可参考 风电功率预测。
在运梦气象 API 上手
MCP 的长期参考序列，用运梦气象 API 的 downloadSync 接口拉 ERA5 即可（历史长序列用 dataSourceId=era5）。下面取目标点多年的 100m 风分量与派生风速、风向，作为 MCP 的参考序列：
{
"dataSourceId": "era5",
"lat": 41.2,
"lon": 111.8,
"stime": "2014-01-01 00:00",
"etime": "2023-12-31 23:00",
"timezone": "8",
"fields": ["u100", "v100", "ws", "wd"]
}
字段说明：dataSourceId=era5 取长序列历史再分析（做长期参考源）；lat/lon 为目标站经纬度；stime/etime 取足够长的重叠 + 长期窗口（示例为 10 年）；fields 取 100m 纬向 / 经向风分量与派生的风速、风向，正对应轮毂高度的 MCP 输入。拿到 data.timeList 与各字段数组后，把它与塔上同期实测对齐，按风向扇区做方差比或矩阵法订正即可。完整字段见 数据要素说明，接口与鉴权见 API 参考文档。若还要做未来短期功率预测，把 dataSourceId 换成 ger（德国气象局）走预报源。
常见问题
MCP 测风塔订正是什么？为什么风资源评估要用它？
MCP（测量-相关-预测）用目标测风塔短期实测与长序列参考源建立统计关系，把场站几个月的测风订正为多年代表水平。它解决的是"长期代表性"问题，避免只看一两年实测踩在偏大风或偏小风年份、导致 AEP 系统性偏高或偏低。
测风塔需要测多久才能做 MCP？
本文示例为只测了 8–12 个月的塔，配合 ERA5 长序列做 MCP 订正即可给出多年代表的平均风速与威布尔参数。关键不只是测多久，而是目标站与参考站同期相关系数要高、重叠期要足够长，相关性差时 MCP 反而会引入偏差。
ERA5 再分析能直接当测风塔用吗？
不能。ERA5 是约 31km 网格的格点平均，代表格点而非塔点微地形，复杂地形、近海、林区下与塔点会有系统性偏差。务实做法是长期节律与年际信息用 ERA5、绝对量级用塔上实测锚定，二者是互补关系。
MCP 该选哪种方法？线性回归可以吗？
普通最小二乘线性回归会压缩方差、低估高风速段频次进而低估 AEP。更稳的做法是用方差比 / 总体最小二乘或矩阵法还原长期分布，并且无论哪种都应分风向扇区分别拟合，否则会抹平扇区差异，复杂地形尤甚。
在运梦气象 API 上怎么取 MCP 的长期参考序列？
用 downloadSync 接口、dataSourceId=era5 拉目标点的长序列历史再分析，取 100m 风分量与派生风速、风向作为参考序列，再与塔上同期实测对齐做扇区订正。若还要做未来短期功率预测，把 dataSourceId 换成 ger（德国气象局）走预报源。
引用与原文
Carta, J. A., Velázquez, S., & Cabrera, P. (2013). A review of measure-correlate-predict (MCP) methods used to estimate long-term wind characteristics at a target site. Renewable and Sustainable Energy Reviews, 27, 362–400.