相关分析（correlation analysis）是研究现象之间是否存在某种依存关系，并对具体有依存关系的现象探讨其相关方向以及相关程度，是研究随机变量之间的相关关系的一种统计方法。
相关性的元素之间需要存在一定的联系或者概率才可以进行相关性分析。相关性不等于因果性，也不是简单的个性化，相关性所涵盖的范围和领域几乎覆盖了我们所见到的方方面面，相关性在不同的学科里面的定义也有很大的差异。相关性分析分为其中线性相关分析、偏相关分析、距离分析等，在这里，小编介绍下在风资源评估中对测风数据进行插补及订正过程时应用尤其广泛的线性相关分析方法。
图中相关性方程表示的是根据统计的两组数据元素拟合出直线的方程，根据方程显示的关系来对测风数据进行插补、订正，其中r2是判定一个线性回归直线的拟合优度好坏的判定指标，r的大小用以评定相关性的好坏程度。通常r的使用标准大致如下所示：
˙|r|>0.95 存在显着性相关；
˙|r|≥0.8 高度相关；
˙0.5≤|r|<0.8 中度相关；
˙0.3≤|r|<0.5 低度相关；
˙|r|<0.3 关系极弱，认为不相关
然而这个标准并不唯一，在风资源评估中相关性好与不好没有一个明确的界限来区分。尤其在日前山地复杂地形风电场开发如火如荼的趋势下，测风塔与长期测站的测风同期数据相关系数r的数值通常很难处于大于0.8的水平，小编认为可适当降低相关系数的使用水平，从而可以最大程度的使用长期测站的资料。当然，测风塔与长期测站的测风同期数据相关系数r的数值经常会出现很低的情况，如下图相关关系图所示。
出现上图所示的情况时，相关系数r数值处于0.3以下的水平，因此不能用相关方程进行插补，可采用其他方法进行缺测数据的插补，例如风切变插补、比值法插补等等。
对于线性相关分析的应用，需要根据具体实测数据与长期测站同期数据进行细致分析，因势利导，方法不是目的，解决问题才是王道！
