一种风速预测方法的探讨
台风的风力等级和风速测量方法
台风的风力等级和风速测量方法台风，作为一种常见的自然灾害，给人类社会带来了巨大的威胁和损害。
了解台风的风力等级和风速测量方法对于科学研究、防灾减灾和应对台风具有重要意义。
本文将介绍台风的风力等级分类和风速测量方法，并对其中的科学原理进行探讨。
一、台风的风力等级分类台风的风力等级是描述台风强度大小的一种系统分类方法。
世界上各个国家和地区采用的风力等级分类标准不尽相同，下面是国际上常见的一种等级分类：1. 热带低压（Tropical Depression）：风速小于17.5米/秒；2. 热带风暴（Tropical Storm）：风速介于17.5米/秒至24.4米/秒之间；3. 强热带风暴（Severe Tropical Storm）：风速介于24.5米/秒至32.6米/秒之间；4. 台风（Typhoon）：风速介于32.7米/秒至41.4米/秒之间；5. 强台风（Severe Typhoon）：风速介于41.5米/秒至50.9米/秒之间；6. 超强台风（Super Typhoon）：风速大于51.0米/秒。
风力等级的分类依据主要是根据风力对建筑物、植被、船只等物体的破坏能力以及风暴潮等灾害性影响程度而划分的。
准确判断台风风力等级，可以有助于及时采取相应的防灾减灾措施，保护生命和财产安全。
二、台风风速的测量方法台风风速的准确测量对于科学研究和预测台风路径至关重要。
目前常用的台风风速测量方法主要有以下几种：1. 航空器飞掠法：利用飞机、无人机等飞行器从空中穿越台风中心，并利用飞行器上的气象仪器测量风速。
这是一种直接且准确的方法，可以提供详细的台风风速信息。
但由于需要大量航空器和人力资源投入，成本较高。
2. GPS资料解算法：利用卫星导航系统（GPS）接收器测量大气中水蒸气的时延，进而估算台风风速。
该方法具有实时性和经济性，但对GPS接收器的性能要求较高，并且对大气水汽分布的变化敏感。
3. 海面平静法：当台风路径越过一片海面时，可以利用周围海面上自动航标测量的风速来推算台风的风速。
《2024年多时空尺度的风力发电预测方法综述》范文
《多时空尺度的风力发电预测方法综述》篇一摘要：随着能源结构转型和清洁能源需求不断增长，风力发电作为可再生能源的重要组成部分，其预测技术成为了研究的热点。
本文综述了多时空尺度的风力发电预测方法，包括不同时间尺度的预测模型、主要影响因素、存在的问题及挑战，并探讨了未来可能的研究方向。
一、引言风力发电作为一种清洁、可再生的能源形式，在全球范围内得到了广泛的应用。
然而，风力的不稳定性和间歇性给电网的稳定运行带来了挑战。
因此，准确预测风力发电的出力对于电力系统的优化调度、电网平衡以及风力发电场的经济运行至关重要。
多时空尺度的风力发电预测方法正是在这样的背景下提出的，其目的在于适应不同时间尺度的预测需求，为电力系统提供更加准确和全面的风力发电预测信息。
二、多时空尺度风力发电预测概述多时空尺度的风力发电预测方法主要涉及不同时间尺度的预测模型。
这些模型通常包括短期预测（如分钟级、小时级）、中期预测（日级、周级）和长期预测（月级、季度级）。
每种时间尺度的预测都有其特定的应用场景和需求。
三、主要预测方法与技术1. 短期风力发电预测：基于数值天气预报模型和风场实测数据，结合机器学习算法进行短期风速和功率的预测。
主要技术包括支持向量机、神经网络等。
2. 中期风力发电预测：主要利用历史数据和统计方法进行预测，如时间序列分析、灰色预测等。
这些方法能够捕捉到风速和功率的长期变化趋势。
3. 长期风力发电预测：通常基于气候模型和大气环流模型进行预测，能够提供关于未来一段时间内风力发电趋势的预测信息。
四、影响因素及挑战1. 影响因素：风速的时空分布特性、气象因素（如温度、湿度、气压等）、地形地貌等都是影响风力发电预测的重要因素。
此外，电力系统的运行状态和需求也会对预测结果产生影响。
2. 挑战：多时空尺度的风力发电预测面临的主要挑战包括数据的不确定性、模型的复杂性以及计算资源的限制等。
此外，如何将不同时间尺度的预测结果进行有效融合，提高预测的准确性和可靠性也是一个重要的研究方向。
《2024年风电场风电功率预测方法研究》范文
《风电场风电功率预测方法研究》篇一一、引言随着全球对可再生能源的日益重视和清洁能源需求的增加，风电作为一种绿色、可再生的能源，正逐渐成为能源结构中的重要组成部分。
然而，由于风能的间歇性和不确定性，风电场的风电功率预测成为了提高风电利用率和并网安全的关键问题。
本文旨在探讨风电场风电功率预测的方法及其应用。
二、风电功率预测的意义与重要性1. 优化电网调度：通过准确的预测风电功率，电力公司可以更有效地调度其他电源，减少备用容量的浪费，实现电力系统的优化运行。
2. 提高风电利用率：准确的预测有助于提高风电场的运行效率，减少因风力波动导致的弃风现象，从而最大化利用风能资源。
3. 降低运维成本：预测有助于提前发现并处理潜在的设备问题，降低因设备故障带来的损失。
三、风电功率预测的主要方法1. 物理模型法：基于风速、风向、大气压力等物理因素构建数学模型进行预测。
该方法考虑了风能的物理特性，但受限于气象数据的准确性和实时性。
2. 统计学习法：利用历史数据和统计方法进行预测。
包括时间序列分析、机器学习算法等。
该方法对历史数据要求较高，但在数据处理和模式识别方面有显著优势。
3. 混合预测法：结合物理模型法和统计学习法的优点，同时考虑风能的物理特性和历史数据信息，以提高预测的准确度。
四、具体应用方法及实例分析1. 时间序列分析法：该方法利用历史风电功率数据建立时间序列模型，通过分析时间序列的规律性来预测未来的风电功率。
例如，基于ARIMA模型的短期风电功率预测。
2. 机器学习算法：利用神经网络、支持向量机等机器学习算法进行预测。
如深度学习模型在风电功率预测中的应用，通过对大量历史数据进行训练，建立复杂的非线性关系模型，提高预测精度。
3. 混合模型应用：结合物理模型法和统计学习法的混合模型在风电功率预测中的应用。
例如，结合风速物理模型和神经网络算法的混合模型，既能考虑风能的物理特性，又能充分利用历史数据的规律性。
五、挑战与未来展望尽管现有的风电功率预测方法取得了一定的成果，但仍面临一些挑战：1. 数据质量问题：气象数据的准确性和实时性对预测结果有重要影响。
滑动平均取值法风速订正方法-概述说明以及解释
滑动平均取值法风速订正方法-概述说明以及解释1.引言1.1 概述概述风速是气象学中一个重要的气象要素，对气象预测、气候研究、能源利用等领域具有重要意义。
然而，由于各种外部因素的影响，风速数据往往存在一定程度的误差和缺失。
因此，对风速数据进行订正是必不可少的。
滑动平均取值法是一种常用的数据处理方法，通过利用历史数据的加权平均值，可以减小数据的随机波动，更好地反映数据的趋势和真实值。
本文将探讨滑动平均取值法在风速订正中的应用，对于改善风速数据的精度和准确性具有重要意义。
通过深入研究滑动平均取值法的原理和风速数据订正的必要性，本文旨在为相关领域的研究人员提供一种有效的数据处理方法，并展望其在气象科学和能源利用等领域的应用前景。
1.2 文章结构本文主要分为引言、正文和结论三部分。
引言部分将介绍本文的主题和研究背景，包括概述研究的重要性和目的。
引言部分还将介绍滑动平均取值法风速订正方法的基本概念和原理。
正文部分将详细讨论滑动平均取值法的原理和风速数据订正的必要性。
另外，还将深入探讨滑动平均取值法在风速订正中的应用，以及其优势和局限性。
结论部分将对全文进行总结，展望该方法未来的应用前景，并提出结论和建议。
最后，还将探讨可能进行的进一步研究方向。
1.3 目的本文旨在探讨滑动平均取值法在风速订正中的应用，通过研究滑动平均取值法的原理和风速数据订正的必要性，探讨该方法在提高风速数据准确性和可靠性方面的作用。
通过本文的研究，我们希望能够深入了解滑动平均取值法在气象领域的应用价值，为气象数据处理和分析提供更加有效的方法和工具，推动气象领域的科学研究和应用技术的发展。
2.正文2.1 滑动平均取值法的原理滑动平均取值法是一种常用的数据处理方法，它通过计算一系列连续数据点的平均值来平滑原始数据，从而减少随机波动的影响，更好地反映数据的整体趋势。
其原理可以简单概括如下：首先，选取一个固定大小的窗口大小（通常为奇数），然后将窗口内的数据进行求和，再除以窗口大小即可得到该窗口下的平均值。
气象学中的飓风预测技术
气象学中的飓风预测技术近年来，随着全球气候的变化，飓风的频率和强度不断攀升，给人们的生命和财产安全带来了极大的威胁。
为了预防和减轻飓风灾害所造成的损失，我国和全球各国越来越重视飓风预测技术。
本文将从飓风预测的意义、气象学中的预测方法和技术以及我国飓风预测的现状等方面展开探讨。
一、飓风预测的意义飓风是一种极端的气象现象，它具有极强的破坏性和威胁性，可能会造成大面积的灾害。
如果能够提前预测飓风的路径和强度，我们就可以采取相应的防护措施，最大限度地减轻飓风灾害所造成的损失。
因此，飓风预测对于国家和人民的生命安全和财产安全具有非常重要的意义。
二、气象学中的预测方法和技术1. 气象卫星技术：卫星技术是现代气象学中最为重要的技术之一，它可以通过卫星上的红外线相机、多光谱成像仪等设备获取大量的气象信息，其中包括飓风的位置、大小、转向等重要参数。
而通过制图软件和图像处理技术，气象人员可以将卫星图像转化为便于分析和预测的图表和图像。
2. 气象探空技术：探空技术是一种利用探空仪器获取大气层温度、湿度、压力、风向和风速等气象参数的方法。
通过探空技术，气象人员可以掌握不同气层状态和特征，为飓风预测提供数据支持。
3. 数值预报技术：数值预报技术是建立在大量观测、数值模型和计算机处理技术的基础上的一种预报手段。
气象人员通过将大气环流等气象参数建立数学模型，利用计算机对数据进行处理和模拟，得出未来几天的天气变化趋势和可能出现的飓风路径和强度等信息。
数值预报技术已经成为现代气象学中最为重要的预报方法之一。
三、我国飓风预测的现状我国位于飓风带上，每年都会受到多次飓风的影响。
为了提高飓风预测的准确性和及时性，我国不断加强对飓风的监测和预测工作，并且在技术领域也有了不少突破。
1. 气象卫星技术的应用我国近年来成功地发射了一系列高分辨率气象卫星，同时建设了遥感影像处理系统和国家气象中心信息处理平台，可以实现对海洋和陆地的全方位、多层次观测和实时信息处理和传输，提高了飓风预测的准确性和及时性。
基于机器学习的风力预测算法研究
基于机器学习的风力预测算法研究随着清洁能源的重要性日益凸显，风力发电也逐渐成为了备受关注的发电形式之一。
但是，风电的缺点之一就是不稳定，难以预测。
为了解决这个难题，科学家们提出了许多方法，其中基于机器学习的风力预测算法是一种尤为有效的方法。
本篇文章将深入探讨这种方法。
一、机器学习简介在深入讨论基于机器学习的风力预测算法之前，我们需要先了解一下机器学习的基础知识。
机器学习是人工智能的分支之一，通过让计算机从历史数据中学习和发现规律，来辅助完成某些任务或预测未来结果的科学和技术。
其过程可以简单概括为：输入——>学习——>输出。
其中，输入是历史数据，学习是机器根据历史数据自主学习和发现规律，输出则是对未来结果的预测。
二、基于机器学习的风力预测算法简介基于机器学习的风力预测算法，是指通过机器学习的方法，对历史气象数据进行分析和处理，从而预测未来的风力情况。
目前，这种算法的应用非常广泛，主要包括以下几个方面：1.风电场风速预测：通过预测风速，预测出未来的风电发电量。
2.风场气象预报：预测未来的大气环境变化，辅助进行航空、海洋、环保等工作。
3.风力风向预测：通过预测风力和风向，为长途行驶的汽车、船只等提供参考。
三、基于机器学习的风力预测算法的具体实现在具体实现中，基于机器学习的风力预测算法主要包括以下几个步骤：1.数据采集和处理：首先需要收集历史气象数据，并对数据进行初步处理，如去掉异常值和缺失值等。
2.特征提取：在数据集中，有些气象参数对风速的影响可能比其他参数更大，因此需要选取与预测任务相关的特征量进行训练。
选择好的特征可以提高模型的表现。
3.选择模型：在机器学习任务中，模型是一个非常重要的因素。
根据不同的预测任务，选取对应的模型。
在风力预测任务中，最常用的模型是线性回归、决策树和神经网络。
4.训练模型：选取好模型之后，需要使用历史数据对其进行训练。
训练的目的是使模型根据历史数据发现一些内在规律和特征，从而能够正确地预测未来风力情况。
风电场风电功率预测方法研究
风电场风电功率预测方法研究风电场风电功率预测方法研究一、引言随着全球能源需求的不断增长和环境问题的日益凸显，可再生能源成为解决这些问题的重要手段之一。
风能作为一种广泛分布、可再生的能源资源，受到了越来越多的关注。
风电场作为利用风能发电的重要设施，如何准确预测风电功率对于风电场的运营和管理具有重要意义。
二、风电功率预测的重要性风电场的风电功率预测是指根据过去的风速、风向、气象条件等数据，利用数学模型和算法，预测未来一段时间内风电场的发电功率。
准确的风电功率预测可以有效指导风电场的运营和管理，优化发电计划，提高发电效率，降低能源成本。
同时，风电功率预测也对电力系统的调度、储能设备的优化配置和稳定运行等方面有着重要作用。
三、现有的风电功率预测方法目前，风电功率预测方法主要包括物理模型法、统计模型法和混合模型法。
1. 物理模型法物理模型法是基于对风电场发电过程的物理原理进行建模和计算的方法。
常用的物理模型包括功率曲线模型、时间序列模型等。
物理模型法通常需要较多的测量数据和复杂的计算方法，依赖于对发电过程的深入了解，适用于风电场具有相对稳定的运行环境和较长时间的预测。
2. 统计模型法统计模型法通过对历史数据进行统计分析，建立数学模型进行预测。
常用的统计模型包括回归模型、时间序列模型等。
统计模型法不需要对物理过程进行深入研究，建模过程相对简单，适用于风电场具有周期性和规律性的运行环境和中短期预测。
3. 混合模型法混合模型法是将物理模型和统计模型相结合的方法，旨在综合利用两者的优势。
混合模型法通过对不同模型结果的加权综合或者模型融合等方式，提高风电功率预测的准确性和稳定性。
四、风电功率预测方法的研究进展随着风电场规模的不断扩大和数据采集技术的进步，风电功率预测方法也在不断创新和改进。
目前，一些先进的方法和技术已经被应用于风电场的风电功率预测中。
比如，基于神经网络的方法可以通过对大量历史数据的训练，实现更精确的预测结果；基于机器学习算法的方法可以挖掘出隐藏在数据中的规律和趋势，提高预测的准确性；基于气象模型的方法可以通过对气象条件的模拟，优化风电功率的预测。
针对风电场的风力发电预测与气象影响分析
针对风电场的风力发电预测与气象影响分析风电场作为一种可再生能源的发电方式，其发电效率与风力的变化密切相关。
因此，对于风电场进行风力发电的预测与气象影响的分析具有重要意义。
本文将对风力发电预测与气象影响进行探讨，以期提供可行的解决方案。
一、风力发电的预测风力发电的预测侧重于对风速的准确测量和预测。
具体而言，可以采用以下几种方法进行风力的预测。
1. 历史数据分析法：通过收集和分析历史气象数据，可以推测出未来一段时间内的风力情况。
该方法基于过去的观测数据，利用统计学方法来预测风力的变化趋势。
然而，该方法并不能考虑到气象因素的突然变化和不确定性，因此准确度有所局限。
2. 数学模型法：数学模型是一种准确度相对较高的风力发电预测方法。
通过收集多种气象数据，如风速、温度、湿度等，并建立数学模型来预测未来风力的变化趋势。
该方法可以考虑到多种气象因素的影响，提高了预测的准确度。
然而，该方法需要大量的数据和复杂的计算，运算量较大。
3. 人工神经网络法：人工神经网络是一种模仿人脑神经元工作原理的计算模型，具有较强的自学习和自适应能力。
通过建立神经网络模型，可以将多种气象数据输入模型，训练网络，并预测未来风力的变化趋势。
该方法可以进一步提高风力发电的预测准确度。
以上三种方法各有优缺点，可以根据实际情况选择合适的方法进行风力发电的预测。
但无论使用何种方法，都需要足够的样本数据和准确的气象观测数据，以提高预测的准确度。
二、气象影响分析气象因素对于风力发电的影响非常显著，因此进行气象影响分析对于风电场的运营和管理具有重要意义。
下面将对几种常见的气象因素进行分析。
1. 风速变化：风力发电直接依赖于风速，因此风速的变化对于风电场的发电效率产生很大影响。
通过分析历史风速数据和预测风速变化趋势，可以合理安排风电发电机组的运行和维护，以提高发电效率。
2. 温度和湿度：气温和湿度的变化会影响空气密度，进而影响风力的传输和利用效率。
高温和高湿度会降低空气密度，导致风力发电效率的下降；反之，低温和低湿度则会提高发电效率。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
风能具 有洁净 、 可再 生 、 用方 法简 单等 利 １ ２ｘ ’ ） ０（） ／ （ （ ＋Ｘ ）３） ２ 优 点， 常规 能源理 想 的替代 物 ， 是 近年 来受 到 了广泛重视 和大力 发展 。 电场 的选址 、 风 电能 １ ２ ’Ⅳ １ ＋ 。 ．） ／ （ （ ） ‘（ ） Ｊ Ⅳ １ 输 配送和 电网稳定运 行等 都与 风速 有重要 关 确定辨 识参数 ： 系 。对 风 电场 风速 进行 准确 的预测 ，还 可降 低 电网所需 的储备 电能 ，对 高 效利用 能 源有 ｃ Ｂ 曰 ｙ＝ ， 重要意义 。 由于风速受 许多 因素影 响 ， 具有 很 大 的波 动性 ，因此风 速被认 为是 最难 准确 预 确定模 型 ， 白化 微分方 程 测 的气 象参数 之一 ，目前关 于风 速 的预测 的 “ ｄ ‘ ／ ＋ａ ‘ ＝ Ⅱ ｘ ｄｔ 主要方 法有 ： 持续性 法 『１ 】、 － 时间 序列 法［ 支持 ２ ３ １ 、 ２ １． （） ９ ｌ ３ 求 出灰色模 型 的时间 响应 函数 向量机 法 人 工神 经 网络法 等 ， 些 方法 、 这 只需风 电场的风 速时 间序列 即可 建立模 型进 行 预测 ． 但这 些方 法对 风 速预 测 的结果 并不 理 想 ，误差 较大 。 进行 一次 累减运算 即得 风速 的预测值 ： ２风速 预测 的 Ｇ １ １ 型 Ｍ（，） 模 Ｘ （ ＋１一ｑｋ＋１一ｑ ） （ ） （） ｒ１ １１ ２１灰 色预测 ． 灰色 预测是指 对本 征性灰 色 系统 ，根据 ３ 预测结果 及分析 过去及 现在 已知 的或 未确 知 的信息 建立 一个 为 了验 证 本 文所 提 出的 风速 预 测 方法 ， ６个 从过 去延 伸到将 来 的 Ｇ 模型 ，从 而确定 系 利用某 风 电场前 ７天 的 １ ８ 实测风 速值 作 Ｍ Ｏ ｌ ， 统在 未来发展 变化 的趋 势 。灰 色预 测不追 求 为原 始数 据 Ｉ 数 据采 样 间 隔 为 １ ｈ 建 立 风 对第 ８ 的 ２ 个 风速 值 天 ４ 个别 因素 的作 用效 果 ，力 图通 过对原 始数 据 速 的灰 色预测模 型 ， 的处理 削弱随 机因素 的影 响来 寻找其 内在 规 做提 前 ｌ ｈ的预测 。 ７ 的 １ ８ 前 天 ６ 个实 际风速 律。 由原始序列 经 累加 处理生 成序列 后 ， 用 分布 如 图 １ 可 所示 ，图 中横 坐标 表示 测风 速 的 指数关 系 式拟 合 ，通 过构 造数 据矩 阵 建立 ｎ 时刻 ， 纵坐标 表示该 时刻 的风速 。 阶微分方程模 型． 阶线性 动态模 型 Ｇ 一 Ｍ （，） 的微分 方程如式 （ 所示 １１ 对应 １ ） 。
摘 要： 风速预 测对提 高 电网的稳 定性及 降低运 行成本 具有 重要意 义， 但风速 具 有较 大的波 动性， 预测精 度 不 高． 对这种情 况， 导致 针
利 用灰 色系统理论 ＧＭ（，１ 型的基 本原理 ， 据 某风 电场 实测数 据， １１模 依 建立 了风速预 测的物 理模 型， 对该 风 电场 的风速 进行 了提 前一
４ ５ ６
７
１ ．４ ０ ．２ １ ．２
０９ ．
１ Ｏ２ ２ ． ８ ０．１ ２ ４９ ０． ５ ９２ ４
０． ０９ ９ ３
０． ５ ２６ ６ ０ ．２５ ４０ ０ ．２２ ８８
－０ ．０１ ０３
１ ＋ （ ｜ 卜ｊ 等 【 １ ｑ ｑ １ Ｈ Ｊ ｌ ， ０ ｕ ）
１ ８ １ ９ ２ Ｏ ２１
２２ ２３
３３ ． ３７ ． １６ ． ２２ ．
３ ．４ ０ ．９
３． ７９ ９ ２ ４． ４４ ９ ３ １ １１ １ ． ２ ２． ５３ ８ ３
小时预 测． 表 明． 测平均 绝对 百分比误 差为 １％， 明基 于灰 色理论 的风速 预测模 型是 有效 的。 实验 其预 ３ 这说
关 键 词 ： 速 预 测 ； 色模 型 ； 电 场 风 灰 风 １ 前 言
１ ２ ｘ １＋Ｘ ２） ／ （ （ ） ‘（ ）
表 ｌ预 测 风速与 实 际风速 相对误 差
：
序 号 实 际 值 （
１
２ ３
ｍ ） （ ／Ｓ ｍ ｓ ／）
预 测值 相 对 误差
％
０ ３ ．０ ４７
—０ １ ４ ３
０． ６５ ９ ３
３． ９０ ７ ４ ３ ｌ９ ．１ ｌ
ｆ ｃ ｓ 】 ．
ｌ ３
１ ４ １ ５ １ ６ １ ７
３． ８
３ ．２ ２ ．１ ２ ．１ ４３ ．
３． ２２ ６ ８
３． ７４ ３ ６ ２ ９ｌ ．３ ９ ２． ６ ４２ ９ ４． ０ ５８ ８
０． ６６ ０４
—０ ５ ．Ｏ ４６ —０ ３ ．１ ９０ —０ ５５ ．１ ７ －０ ６５ ．０ ３
８ ９
２６ ． １９ ．
２． ６８ ４ ９ １４ ８ ． ９６
０ ．０５ ０４ ０ ．２１ ２ ２
１ Ｏ
１１ １ ２
２
２． ５ ２． ８
１８ ６ ． ７６
３． ０１ ６ ８ ３ ３８ ．２
０ ６１ ．０ ７
—０ ４ ．０ ０７ —０ ５ ．１ ６４
Ｚ Ｕ Ｕ Ｊ
ｌ Ｕ
１ ｕ
Ｃ ｉａ Ｎ ｗ Ｔ ｃ ｎ ｌ ｉｓａ ｄ Ｐｏ ｕ ｔ ｈ ｎ ｅ ｅ ｈ ｏｏ ｅ ｎ ｒｄ ｃｓ ｇ
高新技 爿
一
种风速预 测 方法 的探讨
洪 丽 华 阎 军 显
ｆ、 口市 中等 专 业 学校 ， 宁 营 口 １５０ ２ 营 口市 民委 ， 宁 营 口 １５０ ） １营 辽 １０ ０ 、 辽 １０ ０