吳立增

(中國華電集團(tuán)公司，北京　100031)

?

基于相鄰風(fēng)機(jī)相關(guān)性模型的風(fēng)速計(jì)監(jiān)測(cè)方法

吳立增

(中國華電集團(tuán)公司，北京100031)

摘要:風(fēng)電機(jī)組風(fēng)速計(jì)出現(xiàn)故障的概率較高，對(duì)其進(jìn)行實(shí)時(shí)監(jiān)測(cè)并及時(shí)發(fā)現(xiàn)其故障有重要意義。由于相鄰多臺(tái)風(fēng)電機(jī)組的運(yùn)行工況和風(fēng)速計(jì)測(cè)量值的相關(guān)性很強(qiáng)，提出了基于相鄰風(fēng)機(jī)相關(guān)性模型的風(fēng)速計(jì)監(jiān)測(cè)方法。采用粒子群神經(jīng)網(wǎng)絡(luò)算法對(duì)相鄰的多臺(tái)風(fēng)電機(jī)組風(fēng)速計(jì)正常測(cè)量數(shù)據(jù)進(jìn)行處理，建立相關(guān)性模型，將風(fēng)速計(jì)實(shí)時(shí)測(cè)量風(fēng)速作為模型的輸入，當(dāng)某臺(tái)機(jī)組的風(fēng)速計(jì)出現(xiàn)測(cè)量異常時(shí)，其與其他相鄰機(jī)組風(fēng)速計(jì)之間原有的相關(guān)性被破壞，相關(guān)性模型對(duì)該機(jī)組風(fēng)速的預(yù)測(cè)殘差將會(huì)顯著增大，預(yù)示該風(fēng)速計(jì)出現(xiàn)故障，據(jù)此能夠?qū)崿F(xiàn)風(fēng)電機(jī)組風(fēng)速計(jì)狀態(tài)的實(shí)時(shí)監(jiān)測(cè)。某風(fēng)電場(chǎng)的實(shí)際運(yùn)行數(shù)據(jù)驗(yàn)證了該方法的有效性。

關(guān)鍵詞:風(fēng)電機(jī)組;風(fēng)速計(jì);相關(guān)性模型;狀態(tài)監(jiān)測(cè);粒子群優(yōu)化(PSO)算法;反向傳播(BP)神經(jīng)網(wǎng)絡(luò);殘差

0　引言

風(fēng)速計(jì)是風(fēng)電機(jī)組傳感器系統(tǒng)的重要組成部分，可實(shí)時(shí)采集風(fēng)速信息提供給風(fēng)電機(jī)組控制系統(tǒng)，保證機(jī)組安全、高效運(yùn)行，實(shí)時(shí)監(jiān)測(cè)風(fēng)電機(jī)組風(fēng)速計(jì)的運(yùn)行狀態(tài)并及時(shí)發(fā)現(xiàn)其故障具有重要的實(shí)用意義。由于風(fēng)速隨機(jī)變化，采用查看風(fēng)速計(jì)測(cè)量值是否在其上、下限閾值之間的方法來判斷其工作是否正常存在一定問題。如果風(fēng)速計(jì)工作異常，但其測(cè)量值在上、下閾值之間，則上述閾值判定方法無法發(fā)現(xiàn)此類異常。

在風(fēng)電機(jī)組傳感器監(jiān)測(cè)領(lǐng)域，為檢測(cè)風(fēng)電機(jī)組葉片根部載荷傳感器的故障，文獻(xiàn)［1］建立了葉片動(dòng)態(tài)特性模型并設(shè)計(jì)了卡爾曼濾波器，通過分析濾波器預(yù)測(cè)值與傳感器實(shí)測(cè)值之間的殘差來診斷傳感器故障。文獻(xiàn)［2］建立了風(fēng)電機(jī)組雙饋發(fā)電機(jī)的定、轉(zhuǎn)子電流和定子電壓的觀測(cè)器模型并設(shè)計(jì)了擾動(dòng)過濾單元，通過觀測(cè)器與傳感器輸出比較的殘差來監(jiān)測(cè)傳感器狀態(tài)。由于風(fēng)電機(jī)組運(yùn)行工況時(shí)變，將會(huì)直接影響觀測(cè)器或卡爾曼濾波器［3－4］的精度，進(jìn)而降低傳感器故障診斷的準(zhǔn)確性;同時(shí)，由于風(fēng)速受自然環(huán)境影響，不可控且與風(fēng)電機(jī)組其他運(yùn)行變量無關(guān)，采用建立觀測(cè)器模型進(jìn)行風(fēng)速計(jì)監(jiān)測(cè)的方法并不可行。本文提出基于粒子群優(yōu)化(PSO)算法的反向傳播(BP)神經(jīng)網(wǎng)絡(luò)風(fēng)速計(jì)監(jiān)測(cè)方法，將多臺(tái)風(fēng)資源相似的相鄰風(fēng)電機(jī)組風(fēng)速計(jì)的輸出值自動(dòng)進(jìn)行橫向比對(duì)分析，以監(jiān)測(cè)風(fēng)速計(jì)的工作狀態(tài)。通過分析多臺(tái)風(fēng)電機(jī)組的實(shí)際風(fēng)速測(cè)量數(shù)據(jù)，驗(yàn)證該方法的有效性。

1　基于相關(guān)模型分析的風(fēng)電機(jī)組風(fēng)速計(jì)監(jiān)測(cè)原理

風(fēng)電機(jī)組感受到的風(fēng)速隨機(jī)變化，當(dāng)風(fēng)速計(jì)輸出超出正常工作上、下閾值時(shí)，可以直接判斷風(fēng)速計(jì)工作異常，但當(dāng)其輸出在上、下閾值之間時(shí)，僅分析風(fēng)速計(jì)的輸出無法判別其工作是否正常。風(fēng)速計(jì)測(cè)量異常隱藏在隨機(jī)變化的數(shù)據(jù)中，很難區(qū)分哪些數(shù)據(jù)是正常測(cè)量數(shù)據(jù)，哪些測(cè)量數(shù)據(jù)出現(xiàn)異常。

風(fēng)電場(chǎng)一般有多臺(tái)相同型號(hào)的機(jī)組，分布在風(fēng)場(chǎng)不同的位置，如平坦地帶、山脊、山頂?shù)?，這些機(jī)組的傳感器、控制系統(tǒng)及運(yùn)行方式一般也是相同的。地理位置相似且相近的多臺(tái)機(jī)組，其風(fēng)資源具有很強(qiáng)的相關(guān)性(風(fēng)資源包括風(fēng)速、風(fēng)向、湍流等因素)，機(jī)組風(fēng)速計(jì)的測(cè)量輸出也具有很大的相似性，但同時(shí)也存在一定的差異。

如果多臺(tái)相鄰風(fēng)機(jī)運(yùn)行正常、穩(wěn)定，它們的風(fēng)資源和運(yùn)行狀態(tài)的相關(guān)關(guān)系也是持續(xù)、穩(wěn)定存在的，因此，在多臺(tái)相鄰機(jī)組相同型號(hào)風(fēng)速計(jì)之間進(jìn)行橫向比較，其輸出是相似的。如前所述，僅孤立分析單臺(tái)風(fēng)電機(jī)組風(fēng)速計(jì)的輸出，很難發(fā)現(xiàn)測(cè)量異常，但如果將其放到多臺(tái)相鄰風(fēng)電機(jī)組多個(gè)風(fēng)速計(jì)相關(guān)關(guān)系的參照系中，當(dāng)相鄰機(jī)組中的某臺(tái)機(jī)組風(fēng)速計(jì)出現(xiàn)測(cè)量異常時(shí)，其與其他風(fēng)速計(jì)輸出之間的相關(guān)關(guān)系會(huì)被破壞，從而發(fā)現(xiàn)某臺(tái)機(jī)組風(fēng)速計(jì)的測(cè)量異常。

相鄰機(jī)組風(fēng)速計(jì)輸出之間的相關(guān)關(guān)系可以用相關(guān)性模型來反映，該模型的建模數(shù)據(jù)為多臺(tái)相鄰機(jī)組風(fēng)速計(jì)正常工作時(shí)的測(cè)量數(shù)據(jù)。該模型的輸入為相鄰機(jī)組風(fēng)速計(jì)的實(shí)際測(cè)量值，輸出為各機(jī)組風(fēng)速計(jì)的輸出預(yù)測(cè)值。模型建立完畢后，相鄰機(jī)組正常工作時(shí)風(fēng)速計(jì)之間的關(guān)系蘊(yùn)含在相關(guān)性模型中。開始監(jiān)測(cè)后，模型對(duì)相鄰機(jī)組風(fēng)速計(jì)的輸出進(jìn)行預(yù)測(cè)，如果風(fēng)速計(jì)工作正常，相關(guān)性模型對(duì)其輸出的預(yù)測(cè)值與該風(fēng)速計(jì)的實(shí)測(cè)值相近，兩者之間的殘差很小;相反，當(dāng)某個(gè)機(jī)組的風(fēng)速計(jì)出現(xiàn)異常時(shí)，其測(cè)量值與其他相鄰機(jī)組風(fēng)速計(jì)輸出之間原有的相關(guān)關(guān)系發(fā)生改變，即與相關(guān)性模型記憶的相似關(guān)系發(fā)生明顯改變，該模型對(duì)測(cè)量異常風(fēng)速計(jì)的預(yù)測(cè)輸出將會(huì)顯著偏離實(shí)測(cè)值，預(yù)測(cè)殘差增大，預(yù)示該機(jī)組風(fēng)速計(jì)測(cè)量出現(xiàn)異常。本文選取基于PSO算法的神經(jīng)網(wǎng)絡(luò)作為相鄰機(jī)組風(fēng)速計(jì)相關(guān)性模型的建模方法，以內(nèi)蒙古某風(fēng)電場(chǎng)風(fēng)速計(jì)監(jiān)測(cè)為實(shí)例，開展風(fēng)電機(jī)組風(fēng)速計(jì)監(jiān)測(cè)研究。

2　PSO神經(jīng)網(wǎng)絡(luò)算法

PSO神經(jīng)網(wǎng)絡(luò)算法是基于群智能的一種全局優(yōu)化技術(shù)，它通過粒子間的相互作用，對(duì)解空間進(jìn)行智能搜索，從而找到最優(yōu)解。PSO神經(jīng)網(wǎng)絡(luò)算法的基本思想是通過群體中個(gè)體之間的協(xié)作和信息共享來尋找最優(yōu)解。采用傳統(tǒng)的反向傳播權(quán)值修正算法的BP神經(jīng)網(wǎng)絡(luò)存在訓(xùn)練速度慢、易陷入局部極小點(diǎn)的缺陷，采用粒子群優(yōu)化算法來替代反向傳播算法進(jìn)行BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，能有效克服以上缺點(diǎn)，這種神經(jīng)網(wǎng)絡(luò)稱為PSO－BP神經(jīng)網(wǎng)絡(luò)［5－7］。

PSO－BP網(wǎng)絡(luò)通常采用3層前向結(jié)構(gòu)，即輸入層、隱層和輸出層。網(wǎng)絡(luò)各層的權(quán)值和閾值共同構(gòu)成一個(gè)權(quán)值向量，記為Wi(i = 1，2，…，n)，并將其作為粒子群算法解空間的一個(gè)解，即一個(gè)粒子。PSO－BP神經(jīng)網(wǎng)絡(luò)通過粒子群進(jìn)化方法找到其解空間的一個(gè)最佳權(quán)值向量，達(dá)到最佳的訓(xùn)練和泛化結(jié)果。進(jìn)化過程如下所述［8］。

對(duì)BP網(wǎng)絡(luò)進(jìn)行n次隨機(jī)初始化，得到n個(gè)權(quán)值向量W1，W2，…，Wn，將其作為粒子群的初始n個(gè)粒子。每個(gè)粒子的優(yōu)劣程度可以用其適應(yīng)度函數(shù)表示。在PSO－BP神經(jīng)網(wǎng)絡(luò)中，每個(gè)粒子的適應(yīng)度函數(shù)定義如下:將粒子即權(quán)值向量Wi作用于前向BP網(wǎng)絡(luò)，對(duì)n個(gè)網(wǎng)絡(luò)訓(xùn)練樣本進(jìn)行前向運(yùn)算，得到n個(gè)網(wǎng)絡(luò)輸出。在該粒子作為網(wǎng)絡(luò)權(quán)值時(shí)，n個(gè)訓(xùn)練樣本的訓(xùn)練誤差為

式中: tp，dp分別為第p個(gè)樣本的目標(biāo)值和網(wǎng)絡(luò)輸出。

該粒子對(duì)應(yīng)的適應(yīng)度函數(shù)為該粒子的適應(yīng)度越大，網(wǎng)絡(luò)訓(xùn)練的結(jié)果越好。

當(dāng)粒子群的初始n個(gè)粒子給出后，解空間的每個(gè)粒子會(huì)根據(jù)自己的進(jìn)化經(jīng)驗(yàn)和同伴的進(jìn)化經(jīng)驗(yàn)來不斷調(diào)整自己的當(dāng)前值。每個(gè)粒子在進(jìn)化中適應(yīng)度最大的值，就是該粒子本身找到的最優(yōu)解，稱為個(gè)體極值，記作Wpbest(i)，即第i個(gè)粒子的極值。整個(gè)群體目前的最優(yōu)解稱為全局極值，記為Wgbest。每個(gè)粒子通過上述兩個(gè)極值不斷進(jìn)化更新自己，從而產(chǎn)生新一代群體。

對(duì)于第i個(gè)粒子，其一次更新的增量和更新后的值分別為

式中: c1，c2為學(xué)習(xí)因子，通常c1= c2= 2; rand()為［0 1］上的隨機(jī)數(shù); k為慣性系數(shù)。

式(3)等式右邊的第1項(xiàng)與粒子上一次修正的增量有關(guān)，可以起到平衡全局搜索和局部搜索的作用; 第2項(xiàng)是粒子向自身最優(yōu)值學(xué)習(xí)的部分，稱為自學(xué)習(xí)部分，其能夠保持粒子有較強(qiáng)的全局搜索能力，避免陷入局部極小點(diǎn);第3項(xiàng)為粒子向全局最優(yōu)值學(xué)習(xí)的部分，稱為互學(xué)習(xí)的部分，其能夠加快搜索速度。

3　模型的構(gòu)建與驗(yàn)證

某風(fēng)電場(chǎng)共32臺(tái)1.5 MW雙饋風(fēng)電機(jī)組，所有機(jī)組型號(hào)相同，風(fēng)電場(chǎng)地勢(shì)平坦。由于該地區(qū)風(fēng)沙大、晝夜溫差大、冬季溫度低，位于機(jī)艙外部的風(fēng)杯式風(fēng)速計(jì)容易出現(xiàn)故障。風(fēng)速計(jì)測(cè)量的風(fēng)速是風(fēng)電機(jī)組啟停、傳動(dòng)鏈安全保護(hù)、性能分析的重要信號(hào)，需要對(duì)其運(yùn)行狀態(tài)進(jìn)行實(shí)時(shí)監(jiān)測(cè)。該風(fēng)電場(chǎng)每5臺(tái)機(jī)組采用一條輸電線路，同一輸電線路上的5臺(tái)機(jī)組地理位置相近。編號(hào)E16，E17，E18，E19，E20的5臺(tái)風(fēng)機(jī)由于地理位置相近、地形相似，將其劃分為相鄰機(jī)組。分析采用數(shù)據(jù)采集與監(jiān)視控制(SCADA)系統(tǒng)記錄的10 min采樣數(shù)據(jù)。5臺(tái)機(jī)組的風(fēng)速計(jì)型號(hào)相同，測(cè)量的風(fēng)速分別記為v1，v2，v3，v4，v5。圖1為2014年5月1日全天5臺(tái)相鄰機(jī)組的風(fēng)速計(jì)測(cè)量輸出。

由圖1可以看出，5臺(tái)相鄰機(jī)組的風(fēng)速大小及變化趨勢(shì)都有很大的相似性。

本文采用PSO－BP神經(jīng)網(wǎng)絡(luò)算法來建立相鄰風(fēng)速計(jì)模型，反映5個(gè)風(fēng)速計(jì)測(cè)量輸出之間的相關(guān)關(guān)系。相鄰機(jī)組風(fēng)速計(jì)模型的輸入為5個(gè)風(fēng)速計(jì)的實(shí)際測(cè)量值，該模型的輸出為風(fēng)速計(jì)輸出的預(yù)測(cè)值。

該5臺(tái)風(fēng)電機(jī)組風(fēng)速計(jì)2014年4月至5月運(yùn)行正常，選取該事件段的2000條風(fēng)速測(cè)量值作為建模驗(yàn)證數(shù)據(jù)，其中1500條記錄作為訓(xùn)練集，構(gòu)建E16～E20風(fēng)機(jī)風(fēng)速計(jì)相關(guān)性模型。經(jīng)反復(fù)測(cè)試，設(shè)置3層網(wǎng)絡(luò)結(jié)構(gòu): 1個(gè)包含5個(gè)神經(jīng)元節(jié)點(diǎn)的輸入層，代表5臺(tái)風(fēng)機(jī)的風(fēng)速; 1個(gè)包含40個(gè)神經(jīng)元節(jié)點(diǎn)的隱含層; 1個(gè)包含5個(gè)神經(jīng)元節(jié)點(diǎn)的輸出層，對(duì)應(yīng)5臺(tái)機(jī)組風(fēng)速計(jì)輸出預(yù)測(cè)值。運(yùn)用PSO－BP神經(jīng)網(wǎng)絡(luò)算法直到收斂，使之達(dá)到較高精度，達(dá)到對(duì)神經(jīng)網(wǎng)絡(luò)良好的訓(xùn)練效果。

圖1　5臺(tái)風(fēng)機(jī)風(fēng)速比較

以風(fēng)速計(jì)相關(guān)性模型對(duì)E16機(jī)組的預(yù)測(cè)輸出為例，對(duì)該模型進(jìn)行驗(yàn)證，選取4月另500條記錄作為驗(yàn)證集。由圖2可以看出，E16機(jī)組風(fēng)速計(jì)實(shí)測(cè)風(fēng)速與模型預(yù)測(cè)輸出之間的預(yù)測(cè)殘差均在5％以下。驗(yàn)證結(jié)果表明，基于PSO－BP神經(jīng)網(wǎng)絡(luò)算法的相鄰風(fēng)速計(jì)相關(guān)性模型具有很高的建模精度。

圖2　E16風(fēng)速計(jì)正常時(shí)相關(guān)性模型驗(yàn)證結(jié)果(風(fēng)速已歸一化)

4　相鄰風(fēng)機(jī)相關(guān)性模型異常監(jiān)測(cè)

通過查看5臺(tái)機(jī)組風(fēng)速計(jì)記錄的風(fēng)速測(cè)量數(shù)據(jù)，E16風(fēng)速計(jì)在2014年6月2日至8月12日期間出現(xiàn)故障，如圖3所示。在此期間，E16風(fēng)速計(jì)記錄的風(fēng)速均在3 m/s以上，與其他機(jī)組相比，測(cè)量明顯異常。

圖3　E16和E17風(fēng)速對(duì)比

現(xiàn)取E16風(fēng)速計(jì)6月2日故障開始時(shí)刻前、后共150個(gè)測(cè)量數(shù)據(jù)作為已建立的風(fēng)速計(jì)相關(guān)性模型的輸入。圖4為該時(shí)段5臺(tái)相鄰機(jī)組風(fēng)速的對(duì)比。E16風(fēng)速計(jì)故障在第101點(diǎn)發(fā)生，該點(diǎn)以后的風(fēng)速明顯高于其他4臺(tái)機(jī)組。圖5為采用相鄰風(fēng)速計(jì)相關(guān)性模型對(duì)E16風(fēng)速計(jì)的監(jiān)測(cè)結(jié)果。

圖4　E16風(fēng)速計(jì)故障前、后與其他風(fēng)速計(jì)對(duì)比

由圖4和圖5可見，在故障點(diǎn)之前，E16風(fēng)速計(jì)工作正常，相鄰風(fēng)速計(jì)相關(guān)性模型對(duì)其風(fēng)速預(yù)測(cè)具有很高精度;而在第101點(diǎn)故障開始后，由于E16風(fēng)速計(jì)記錄的風(fēng)速明顯偏離其他相鄰機(jī)組風(fēng)速計(jì)，該模型對(duì)E16的預(yù)測(cè)精度顯著降低，殘差顯著增大且持續(xù)存在。通過對(duì)殘差設(shè)定合理的閾值［9－10］，本文所述方法能夠自動(dòng)及時(shí)地發(fā)現(xiàn)風(fēng)速計(jì)的異常。

圖5　E16風(fēng)速計(jì)故障監(jiān)測(cè)結(jié)果(風(fēng)速已歸一化)

5　結(jié)論

由于風(fēng)速隨機(jī)變化，給風(fēng)速計(jì)監(jiān)測(cè)和故障診斷造成很大困難。根據(jù)風(fēng)電機(jī)組的運(yùn)行原理，風(fēng)資源相似的多臺(tái)相同型號(hào)機(jī)組運(yùn)行狀態(tài)和測(cè)量參數(shù)也相似。為實(shí)時(shí)監(jiān)測(cè)風(fēng)電機(jī)組風(fēng)速計(jì)狀態(tài)，本文將多臺(tái)相鄰機(jī)組的風(fēng)速計(jì)測(cè)量值進(jìn)行橫向?qū)Ρ确治?，采用PSO神經(jīng)網(wǎng)絡(luò)建立了反映其相似關(guān)系的相鄰風(fēng)速計(jì)相關(guān)性模型。當(dāng)某臺(tái)機(jī)組風(fēng)速計(jì)出現(xiàn)測(cè)量異常時(shí)，其與其他相鄰機(jī)組風(fēng)速計(jì)之間的相似關(guān)系被破壞，相鄰風(fēng)速計(jì)相關(guān)性模型對(duì)其輸出的預(yù)測(cè)殘差增大，表明該風(fēng)速計(jì)測(cè)量出現(xiàn)異常。本文以風(fēng)電場(chǎng)的實(shí)際運(yùn)行數(shù)據(jù)驗(yàn)證了其有效性，該方法也可推廣到風(fēng)電機(jī)組其他傳感器和運(yùn)行參數(shù)的監(jiān)測(cè)中。

參考文獻(xiàn):

［1］WEI X K，VERHAEGEN M，ENGELEN T.Sensor fault detection and isolation for wind turbines based on subspace identification and Kalman filter techniques［J］.International journal of adaptive control and signal processing，2010(24) : 687－707.

［2］李輝，趙猛，趙斌，等.雙饋風(fēng)電機(jī)組關(guān)鍵傳感器的故障診斷方法［J］.中國電機(jī)工程學(xué)報(bào)，2011，31(6) : 73－78.

［3］RAJU S，MANIMOZHI M.Simulation of sensor fault diagnosis for wind turbine generators DFIG and PMSM using Kalman filter［J］.Energy procedia，2014(54) : 494－505.

［4］周永杰，王雨萌，張江濱.基于卡爾曼濾波器的控制系統(tǒng)傳感器故障診斷［J］.電網(wǎng)與清潔能源，2011，27(7) : 50－53.

［5］行鴻彥，皺水平，徐偉，等.基于PSO－BP神經(jīng)網(wǎng)絡(luò)的濕度傳感器溫度補(bǔ)償［J］.傳感技術(shù)學(xué)報(bào)，2015，28(6) : 864－869.

［6］李強(qiáng)，周軻新.基于PSO－BP算法的壓力傳感器溫度補(bǔ)償研究［J］.電子學(xué)報(bào)，2015，43(2) : 412－416.

［7］劉希玉，劉弘.人工神經(jīng)網(wǎng)絡(luò)與微粒群優(yōu)化［M］.北京:北京郵電大學(xué)出版社，2008: 284－286.

［8］郭鵬，李淋淋，馬登昌.基于IPSO－BP的風(fēng)電機(jī)組齒輪箱狀態(tài)監(jiān)測(cè)研究［J］.太陽能學(xué)報(bào)，2012，33(3) : 439－445.

［9］GUO P，INFIELD D，YANG X Y.Wind turbine generator condition monitoring using temperature trend analysis［J］.IEEE transactions on sustainable energy，2012，3(1) : 124－133.

［10］WANG Y，INFIELD D G.SCADA data based nonlinear state estimation technique for wind turbine gearbox condition monitoring［C］//Proceedings of European Wind Energy Association Conference.Copenhagen: European Wind Energy Association，2012.

(本文責(zé)編:劉芳)

吳立增(1971—)，男，河北遷安人，高級(jí)工程師，從事發(fā)電生產(chǎn)管理方面的工作(E-mail: lizeng－wu@ chd.com.cn)。

作者簡介:

收稿日期:2015－11－12;修回日期:2015－12－12

中圖分類號(hào):TM 614

文獻(xiàn)標(biāo)志碼:A

文章編號(hào):1674－1951(2016)01－0072－04