风电功率预测方法研究
《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关注日益增长，风电作为清洁、可持续的能源来源，在能源结构中的比重逐渐增加。
然而，风力资源的间歇性和不确定性给电网的稳定运行带来了挑战。
因此，准确预测风电场的风电功率成为了一个重要的研究方向。
本文旨在研究风电场风电功率预测方法，以提高风电功率预测的准确性和可靠性。
二、风电功率预测的重要性风电功率预测对于电力系统的稳定运行具有重要意义。
首先，准确的预测可以帮助电力调度部门合理安排发电和输电计划，减少因风电功率波动引起的电网压力。
其次，风电功率预测有助于提高风电的并网能力，促进风电的规模化发展。
最后，通过风电功率预测，可以提前发现潜在的运行风险，为电力系统的安全运行提供保障。
三、风电功率预测方法目前，风电功率预测方法主要包括物理方法、统计方法和组合方法。
1. 物理方法：基于大气物理和气象学原理，通过数值天气预报（NWP）模型获取风力资源的相关参数，进而预测风电场的输出功率。
该方法考虑了风速、风向、温度等自然因素对风电机组的影响，预测精度较高。
然而，其计算复杂度高，对数据要求较高。
2. 统计方法：利用历史数据和统计模型进行风电功率预测。
该方法通过分析历史数据中的风速、风向、温度等与风电功率之间的关系，建立统计模型，然后利用模型对未来风电功率进行预测。
统计方法计算简单，但对历史数据的依赖性较强，对于复杂多变的风电场环境适应性较差。
3. 组合方法：结合物理方法和统计方法的优点，通过将两者进行融合，提高预测精度。
组合方法可以充分利用物理方法和统计方法的优势，既考虑了风电机组的物理特性，又利用了历史数据的统计规律。
四、本文研究内容本文针对风电场风电功率预测方法进行研究，主要内容包括：1. 收集某风电场的历史数据，包括风速、风向、温度等气象数据以及风电场的输出功率数据。
2. 分析历史数据中的风速、风向、温度等与风电功率之间的关系，建立统计模型。
3. 利用数值天气预报模型获取未来风速、风向、温度等参数，结合统计模型对未来风电功率进行预测。
电力系统中的风电功率预测与出力优化研究
电力系统中的风电功率预测与出力优化研究随着可再生能源的快速发展和应用，风力发电作为一种绿色、可再生的能源形式在电力系统中的重要地位日益突出。
然而，风电的不稳定性和随机性给电力系统的运行和调度带来了一系列挑战。
为了更好地利用风电资源，电力系统中的风电功率预测和出力优化研究成为了当下的热点和挑战。
一、风电功率预测风电功率预测是指通过对风速、风向、温度等气象因素的监测和分析，利用数学模型和算法来预测未来一段时间内风电的发电功率。
准确的风电功率预测对电力系统的运行和调度具有重要意义。
针对风电功率预测的研究，目前主要采用的方法有物理模型法、统计模型法和混合模型法。
1. 物理模型法：物理模型法是基于风机工作原理和轴流理论建立的模型，通过对风场和风机的物理过程进行建模和仿真，来预测风机的出力。
该方法需要大量的气象数据和风机的具体参数，预测效果较好，但对数据要求较高，且计算复杂度较高。
2. 统计模型法：统计模型法是基于历史数据对风电功率进行预测，通过对历史风速和风电数据的分析和建模，来预测未来一段时间内的风电出力。
常用的统计模型包括回归模型、ARIMA模型和时间序列模型等。
该方法计算简单、易于实施，但对历史数据的可靠性和准确性要求较高。
3. 混合模型法：混合模型法是综合利用物理模型法和统计模型法来进行风电功率预测的方法。
该方法通过将两种模型的优势相结合，可以改善预测的准确性和稳定性。
混合模型法要求对多种模型进行有效的组合和集成，涉及到模型的参数调整和优化。
二、风电出力优化风电出力优化是指通过电力系统的调度和运行方式，最大限度地提高风电场的出力利用率，并能够平稳地将风电功率注入电网。
通过对电力系统的运行状态、负荷需求和风电场的特性进行分析和建模，可以制定出合理的出力优化策略。
风电出力优化的研究主要包括风电场布置优化、风电与传统电源的协调调度、风电与储能设备的协同调度等方面。
1. 风电场布置优化：风电场的布置优化是指通过合理的选择和配置风机的位置，来最大限度地提高整个风电场的发电效率。
风电功率短期预测方法研究
风电功率短期预测方法研究风电功率短期预测方法研究一、引言风能是一种可再生、清洁且广泛分布的能源资源，风电作为一种重要的风能利用方式，在全球范围内得到了迅速发展。
然而，由于风速的随机性、变化性和不确定性，导致风电发电具有较大的波动，给电网的稳定运行带来了一定的挑战。
为了保证风电的可靠供应，风电功率的短期预测成为了研究的焦点之一。
二、风电功率短期预测的重要性风电功率的短期预测可以提前预知电力系统的风电注入量和输出变化，有助于电网调度员进行合理的功率调度，从而提高系统的运行效率和稳定性。
此外，风电功率预测还对电力市场的运行和计划、风电机组控制和运维以及电力交易等方面具有重要意义。
三、风电功率短期预测方法的分类根据数据来源和建模方法的不同，风电功率短期预测方法可以分为物理建模方法和统计建模方法两大类。
1.物理建模方法物理建模方法利用风力发电机组的物理特性和风速的变化规律建立数学模型，通过求解模型方程来预测风电功率。
物理建模方法的优点是能够考虑多个影响风电功率的因素，如风速、风向、气温等，但缺点是需要大量的实时数据和复杂的模型计算。
2.统计建模方法统计建模方法则通过历史观测数据和统计分析手段来建立预测模型，然后利用模型来进行功率预测。
统计建模方法的优点是简单高效且不依赖于具体的物理机理，适用于不同风电场和不同季节的预测，但缺点是不能很好地考虑诸如湍流等物理现象对风电功率的影响。
四、常用的风电功率短期预测方法及其优缺点1.基于物理建模的方法基于物理建模方法中的常用方法有CFD数值模拟法、玻尔兹曼方程方法等。
这些方法通过模拟风力发电机组的运行过程以及风场的变化，从而得到风电功率的预测结果。
这种方法的优点是可以很好地考虑物理机理，但缺点是计算复杂度高，数据需求量大，适用性较窄。
2.基于统计建模的方法基于统计建模方法中的常用方法有回归分析法、时间序列分析法、神经网络法等。
这些方法通过对历史观测数据进行统计分析和建模，然后利用模型来进行风电功率的短期预测。
风电功率短期预测方法研究
风电功率短期预测方法研究一、本文概述随着全球能源结构的转型和可持续发展理念的深入人心，风电作为一种清洁、可再生的能源形式，正受到越来越多的关注和重视。
风电功率的准确预测对于电力系统的稳定运行、能源的有效利用以及风电场的经济运营具有至关重要的意义。
因此，风电功率短期预测方法的研究成为了当前能源领域的一个热点课题。
本文旨在探讨风电功率短期预测方法的研究现状与发展趋势，分析不同预测方法的优缺点，并提出一种基于机器学习算法的风电功率短期预测模型。
该模型能够充分考虑风电场运行过程中的多种影响因素，如风速、风向、气温、气压等，以及风电场的实际运行数据，从而实现对风电功率的精准预测。
本文首先介绍了风电功率预测的背景和意义，阐述了短期预测的重要性和实际应用价值。
然后，对现有的风电功率短期预测方法进行了综述，包括物理方法、统计方法和人工智能方法等。
接着，详细分析了各种方法的原理、适用条件及优缺点，指出了当前研究存在的主要问题和发展方向。
在此基础上，本文提出了一种基于机器学习算法的风电功率短期预测模型。
该模型采用了一种集成学习的方法，将多个单一预测模型的预测结果进行融合，以提高预测精度和稳定性。
本文还引入了一种特征选择算法，用于筛选出对预测结果影响较大的特征，从而进一步提高预测效率。
本文对所提出的预测模型进行了实验验证和性能评估。
通过与多种现有方法的比较，证明了该模型在风电功率短期预测方面具有更高的准确性和可靠性。
本文还讨论了该模型在实际应用中的潜力和局限性，为未来的研究提供了有益的参考。
二、风电功率短期预测基础理论风电功率短期预测是指对未来几小时到几天内的风电场输出功率进行预测。
这种预测对于电力系统的稳定运行、经济调度和能源管理具有重要意义。
风电功率短期预测主要基于气象学、空气动力学、统计学和等多个学科的理论基础。
气象学基础：风电功率的产生直接受风速、风向、空气密度和湍流强度等气象条件的影响。
因此，气象学是风电功率预测的基础。
《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。
风力发电场风电功率预测方法研究
风力发电场风电功率预测方法研究一、概述风力发电场是以自然风力为能源，在国家能源战略中处于重要地位。
提高风电的可靠性和稳定性是风电发展中亟需解决的问题之一。
风电功率预测是提高风电可靠性和稳定性的重要手段之一。
本文旨在探讨风力发电场风电功率预测方法，为提高风电可靠性和稳定性提供参考。
二、常见的风电功率预测方法1.统计学方法统计学方法是利用历史风电功率及天气数据进行预测的方法。
其基本思想是通过对历史风电功率及其与天气数据的关系进行分析，建立统计模型，以此来预测未来的风电功率。
常见的统计学方法包括回归分析，时间序列分析等。
2.人工神经网络人工神经网络是一种模拟大脑神经元工作方式的数学模型。
其基本思想是通过对历史风电功率及其与天气数据的关系进行学习，建立神经网络模型，以此来预测未来的风电功率。
3.物理模型物理模型是基于流体力学原理和风机性能曲线等建立的模型。
其基本思想是利用风力机的气动和机械特性，根据气象数据和场地特性等来预测风电功率。
物理模型分为理论模型和实验模型两种。
三、风力发电场风电功率预测的误差分析风电功率预测误差是指预测值与实际值之间的差异。
误差分析是评估风电功率预测精度的一个重要手段。
风电功率预测误差由多个因素导致，包括气象数据误差、风机性能曲线误差、场地环境误差等。
对这些误差进行分析可以有效地评估风电功率预测的精度，并提出相应的改进措施。
四、改进风力发电场风电功率预测的方法1.气象数据的改进气象数据是风电功率预测的重要输入参数。
对气象数据进行优化可以提高预测精度。
常见的气象数据优化方法包括气象数据清洗、气象数据修正、气象数据插值和气象数据协同等。
2.风机性能曲线的改进风机性能曲线是风电功率预测的重要输入参数。
对风机性能曲线进行优化可以提高预测精度。
常见的风机性能曲线优化方法包括实测分析、模拟计算、数据拟合和参数修正等。
3.场地环境的改进场地环境是影响风电功率预测精度的重要因素之一。
对场地环境进行优化可以提高预测精度。
电力系统中的风电功率预测算法及性能分析
电力系统中的风电功率预测算法及性能分析随着可再生能源的快速发展，风能作为一种清洁、可持续的能源形式越来越受到关注和应用。
然而，由于风能的不稳定性和不可控性，风电预测成为实现可靠电力系统运行的关键技术之一。
本文将探讨电力系统中的风电功率预测算法，并进行性能分析。
一、风电功率预测算法1. 天气预测模型天气状况对风力发电的影响非常显著。
天气预测模型通过分析气象数据、风速、风向、温度等参数，预测未来一段时间内的风力状况。
根据预测结果，可以对未来风电功率进行估计。
2. 基于统计学的方法统计学方法通过对历史风速数据进行分析，建立概率模型来预测未来的风速和风电功率。
这些方法通常采用回归分析、时间序列分析等技术，其中常见的算法有ARIMA、GARCH等。
3. 人工智能算法人工智能算法，特别是机器学习方法，在风电功率预测中得到广泛应用。
这些算法通过对大量历史数据的学习和训练，建立模型来预测未来风电功率。
常用的机器学习算法包括支持向量机（SVM）、神经网络、随机森林等。
二、风电功率预测算法性能分析1. 精度评估预测模型的精度是评估算法性能的重要指标。
常用的评估指标包括均方根误差（RMSE）、平均绝对误差（MAE）等。
通过与实际风电功率数据进行比较，可以评估预测算法的精度。
2. 实时性分析风电功率预测需要在实时性要求下进行，因此实时性分析也是一个重要的指标。
实时性分析要考虑算法的计算速度和处理能力，以确保预测模型可以在规定的时间内完成预测任务。
3. 鲁棒性测试风力发电场的环境和运行条件存在一定的不确定性，因此预测模型的鲁棒性也是需要考虑的因素。
通过引入不同的干扰和扰动，可以测试算法在不同条件下的预测能力。
4. 长期性能评估风力发电的长期性能评估是衡量风电功率预测算法可靠性的重要标准。
通过对预测结果的长期跟踪和分析，可以评估算法在实际运行中的稳定性和准确性。
根据以上算法和性能分析，可以看出不同的风电功率预测算法在精度、实时性、鲁棒性和长期性能等方面存在差异。
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。
- 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)。
过物理 一统计或统计之 间的组合方法来克服单一方 法存在 的缺 陷， 是 今后 风 电功率预测方法的主要发展 方向。
关键 词 ： 风 电 功 率预 测 ； 数值天气预报 ； 物理 方法 ； 统计方 法； 组合 方 法 文章编号 ： １ ０ ０ ８— ０ ８ ３ Ｘ（ ２ ０ １ ６ ） １ ０— ０ ０ １ ２— ０ ９ 中 图分 类 号 ： Ｔ Ｍ６ １ ４ 文献标志码 ： Ｂ
１ 风 电功率预测方法
根据文献［ ７ ］ ， 风 电功率预测的含义是指“ 以风
电场 的历 史功 率 、 历 史风 速 、 地形 地 貌 、 数 值 天 气 预 报、 风 电机 组运 行状 态 等 数 据 建 立 风 电场 输 出功 率
・写天气Βιβλιοθήκη 变过程的流体力学和热力学方程组 ， 预测
未来 一定 时段 的大气 运 动 状 态 和 天气 现象 的方 法 。 其 实质 就是求 解 一个 具 有 初 值 问题 的 基本 方 程 组 ， 核 心是 用 当前 的大气状 态 来模拟 大气 演变 状况 。
力具 有很 大 的随机 性 和 波 动性 ， 大容 量 风 电场 接 入
但 在文 献 ［ ７ ］ 中， 并 没有 对 于 风 电 功率 预测 方
法提出明确 的要求 ， 它指出“ 应根 据风电场所 处地 理位置的气候特 征和风 电场 历史数据 情况 ， 采 用
适 当 的预 测 方 法 构 建 特 定 的 预 测 模 型 进 行 风 电 场 的功 率 预测 。根 据 预测 时 间 尺 度 的不 同 和实 际 应 用 的具体 需 求 ， 宜 采 用 多种 方 法 及 模 型 ， 形 成 最 优
模及 预测 两个 环节 。
具有 储量 丰 富、 无 污染 等 特点 ， 使 其 发 展 最 为 迅 速 ｌ ２ ｊ 。截 止 ２ ０ １ ５年 ， 全 球 风 电 装 机 容 量 超 过 １ Ｇ Ｗ 的 国家有 ２ ６个 ， 中国以 １ ４ ５ ３ ６ ２ Ｍ Ｗ 装 机容 量 位列 全球第 一 ＿ ２ 。随着 风 电装 机 容 量 越 来越 大 ， 受 风速 变化 、 紊流 及风 机塔 影效应 等影 响 ， 风 电机组 出
随着工 业革 命 以来 数 百 年 的大 规模 开发 利 用 ， 以及全 球经 济 的迅速 发展 ， 能源 需求 不断 增长 ， 正面 临资 源枯竭 、 污染 排放 严重 等现 实 问题 。而水 能 、 风 能、 太 阳能 等 清 洁 能 源 不 仅 总 量 丰 富 ， 而 且 低 碳 环
２ ０ １ ６年 １ ０月 第 １ ９卷 第 １ ０期
贵州电力技术
ＧＵＩ ＺＨＯＵ ＥＬ ＥＣＴ ＲＩ Ｃ Ｐ ＯＷ Ｅ Ｒ ＴＥＣＨＮＯＬＯＧＹ
清洁能源
Ｃｌ ｅ ａ ｎ Ｅｎ ｅ ｒ ｇ ｙ
风 电功 率预 测 方 法研 究
范 强 ， 文贤馗 ， 林呈辉 ， 张建侠 ， 陈和 龙
１ ２・
第 １ ０期
范
强 等： 风电功率预测方法研究
，
Ｎ ＷＰ过 程 主要 包 括 以下 四 个 步 骤 ： 资 料 收集 、 资 料 同化 、 模式计算 、 结 果 分 发 。 它 可 以 提 供 不
预测策略” 。
系统 将对 电 网的运 行 和 电能 质量 产 生 不 利 的影 响 ， 对 电网调 度和 电力 市 场 的管 理 带 来 巨 大 的压 力 Ｊ 。 因此 ， 准 确预测 风 电场 出力 将 大 大有 利 于 电力 调度 及 时调整 计划 ， 有效 减轻 风 电对 电 网的不 利 影响 ， 减 少系 统 的运行 成本 和 旋 转 备用 容 量 ， 还 能 提 高 风 电 场 的安全 管理 和风 电机组 的发 电效 率 ， 有 利 于 风 电
（ １ ．贵 州电网有 限责任公 司电力科 学研 究院 ， 贵９ ＇ １ ， １ 贵阳 ５ ５ ０ ０ ０ ２ ； ２ ．贵 州创星 电力科 学研 究院有 限责任公 司， 贵州 贵阳 摘 ５ ５ ０ ０ ０ ２ ）
要： 分析 了基 于数值天 气预报的物理 方法、 统计方法和组合方法的主要原理和研 究现状 。 目前越 来越倾 向于通
分析 了基 于数 值 天气 预 报 的物理 方 法 、 统 计方
法和 组合 方法 的 主要 原 理 、 研 究 现状 及 主要 优 缺 点
２ 数值天气预报（ Ｎ ｕ ｍ ｅ ｒ ｉ ｃ ａ ｌ Ｗｅ ａ ｔ ｈ ｅ ｒ Ｐ ｒ ｅ ｄ ｉ ｃ ｔ ｉ ｏ ｎ ，
Ｎ ＷＰ ）
无 论使 用 哪种方 法 ， 精 确 的风 电功 率 预测 都 是
建 立在 准确 的 Ｎ ＷＰ基 础 上 的 ， 因此 Ｎ ＷＰ的误 差 是
和使 用范 围。详细 分析 了包含 物理 一统 计方 法 和统
计方法之间的组合方法。组合方法能够克服单一方
法存 在 的缺陷 ， 是今 后 风 电功 率 预测 方 法 的主 要 发
展方 向 。
影 响预测 模 型精度 的主要来 源 。 Ｎ ＷＰ 是 指根 据大 气实 际情 况 ， 在 一定 的初 值 和边 值 条件下 ， 通 过大 型计算 机 作数值 计算 ， 求 解描
产业 的 良性发 展 Ｊ 。
风 电功率 预 测 的建 模 和 预测 两 个 环 节 中 ， 建 模 环节 决定 了预 测 模 型 的 预 测 精 度 ， ｍ ｊ 。那 么 ， 根 据 预测 模 型 的不 同 ， 风 电功 率 预测 方 法 常 被 分 为物 理
方法 、 统 计方 法 和组 合 方 法 三 大类 。下 面 针对 这 三 种 方法 的原理 及研 究现 状 等方 面进行 研究 。
保、 可 以再 生 ， 正在加 快开 发和 利用 。其 中风 电 由于
的预测模型 ， 以风速 、 功率或数值天气预报数据作为
模型的输入 ， 结合风电场机组 的设备状态及运行工
况， 预测 风 电场 未 来 的有 功 功 率 ” 。短 期 风 电 功 率 预测 流程 由风 电功率 预 测 原 理 所决 定 ， 主要 包 括 建