能源互联网、智能电网是当前和未来电能利用的主要形式。建立一个以电力系统为核心,以新能源为主要一次能源,融合气、冷、热等其他能源形式的新型能源系统已成为能源行业发展的趋势。风能是一种可再生的、清洁的无碳能源。风力发电已经成为智能电网的重要组成部分。然而风电所具有的不确定性与难预测性,是风电消纳困难的主要原因之一。从“机理+辨识”预测策略进行空间相关性风速预测,利用我国特有的冬季风与夏季风,能够提高风电功率预测的准确性与可靠性。为了分析相关性指标对空间相关性风速预测的影响。本文做了如下工作:(1)对现有的一些较为常用的相关性指标筛选分类。并以此为基础确定哪些指标能够作为空间相关性风速预测的相关性指标。(2)对Pearson相关系数、夹角余弦、谷本指数分别进行置信区间理论推导,通过高斯白噪声模拟风速进行数值仿真,分析不同参数对置信区间的影响。(3)将k近邻预测算法拓展到空间相关性风速预测领域,同时采用线性回归、广义神经网络等进行风速预测对照,对选取不同相关性指标下各种回归模型进行误差分析。本文得出的主要结论有:(1)Pearson相关系数、夹角余弦、谷本指数等相关性指标能够反映风速时间序列未来变化趋势,比欧式距离等距离性指标更加适合应用于空间相关性风速预测。(2)Pearson相关系数、夹角余弦、谷本指数的置信区间均随着样本容量的增加而减小;Pearson相关系数与夹角余弦的置信区间随着向量相关系数的绝对值的增加而减小;夹角余弦与谷本指数的置信区间随着样本均值绝对值的增加而减小,Pearson相关系数置信区间与样本均值无关,谷本指数在相关系数为0.8左右时,置信区间最大;一般情况下,谷本指数的有效性高于夹角余弦,夹角余弦的有效性高于Pearson相关系数。(3)线性回归、广义神经网络等回归模型中;k近邻空间相关性风速预测的相关性指标优先度为:谷本指数,夹角余弦,Pearson相关系数,且该预测结果较为准确可靠。