自時間序列產生以來，一直存在２種觀察和分析時間序列的方法。一種是直接分析數據隨時間變化的結構特征，即時域分析法；另一種是把時間序列看成不同諧波的疊加，研究時間序列頻域特征，通常稱為譜分析法。時域分析方法通過自相關函數、差分方程等工具分析時間序列，方法比較成熟，廣泛應用于各個領域，也是用于電力系統分析的、時間序列建模的主要方法。其中回歸分析是主要的時域分析方法，但是回歸分析建模需要被描述序列具備正態(tài)性，而風速時間序列一般不具備正態(tài)性，一般適合用分布描述。如果直接對風速時間序列應用回歸分析建模，就會出現圖１中描述的問題。由于采用的模型不同，風電場間風速相關性考慮方法也不相同，文獻基于ARMA模型考查風電風速的相關性，通過設置適當的隨機數種子使風速序列間達到合適的相關性水平，但是尋找合適的隨機種子較為困難。文獻基于ARMA模型，利用時移技術模擬風速序列相關性，較為適合處理處于相同風況的風電場風速相關性。利用隨機微分方程模擬風速，用布朗運行的相關性刻畫隨機微分方程變量（即風速的相關性），由于不同風速序列邊緣分布參數不同，描述各個序列的自相關指數參數也會不同，導致模擬得到風速相關性與樣本序列相關性存在固有誤差。文獻基于向量自回歸建模方法，描述了英國風電場間的空間相關性，把系統中每一個內生變量作為系統中所有內生變量滯后值的函數來構造模型，模型能夠較好地描述變量間的動態(tài)。