張忠偉1，2，王維慶1，2王海云1，2，姚秀萍，常喜強(qiáng)

(1.新疆大學(xué)電氣工程學(xué)院， 新疆 烏魯木齊 830047；2.教育部可再生能源發(fā)電與并網(wǎng)控制工程技術(shù)研究中心，新疆 烏魯木齊 830047，3.新疆電力調(diào)度控制中心，新疆 烏魯木齊 830001)

?

基于WindPro數(shù)據(jù)修正及風(fēng)電場(chǎng)風(fēng)速預(yù)測(cè)研究

張忠偉1，2，王維慶1，2王海云1，2，姚秀萍3，常喜強(qiáng)3

(1.新疆大學(xué)電氣工程學(xué)院， 新疆 烏魯木齊 830047；2.教育部可再生能源發(fā)電與并網(wǎng)控制工程技術(shù)研究中心，新疆 烏魯木齊 830047，3.新疆電力調(diào)度控制中心，新疆 烏魯木齊 830001)

根據(jù)某風(fēng)場(chǎng)數(shù)據(jù)，先對(duì)風(fēng)場(chǎng)數(shù)據(jù)進(jìn)行修正，剔除錯(cuò)誤數(shù)據(jù)，以避免累計(jì)誤差的出現(xiàn)，提高預(yù)測(cè)精度。在神經(jīng)網(wǎng)絡(luò)的輸入變量中不僅考慮了風(fēng)速風(fēng)向，還加入了跟大氣運(yùn)動(dòng)形成風(fēng)能的溫度、重力常數(shù)和海拔。通過對(duì)神經(jīng)網(wǎng)絡(luò)法的粒子群優(yōu)化算法(PSO)優(yōu)化和慣性權(quán)重的調(diào)整來預(yù)測(cè)風(fēng)速，通過神經(jīng)網(wǎng)絡(luò)訓(xùn)練該方法能夠提高預(yù)測(cè)的準(zhǔn)確性，能夠改善風(fēng)電并網(wǎng)的穩(wěn)定運(yùn)行和電網(wǎng)調(diào)度的調(diào)整。

數(shù)據(jù)修正；神經(jīng)網(wǎng)絡(luò)；粒子群優(yōu)化算法(PSO)；慣性權(quán)重

0 引 言

隨著國家對(duì)風(fēng)力發(fā)電的投資日益加大，風(fēng)電產(chǎn)業(yè)的快速發(fā)展，對(duì)風(fēng)力發(fā)電的技術(shù)和研究也提出了更高的要求[1-3]。其風(fēng)速和風(fēng)電預(yù)測(cè)對(duì)風(fēng)電并網(wǎng)穩(wěn)定運(yùn)行和電力部門根據(jù)預(yù)測(cè)風(fēng)速做出調(diào)整有很大影響[5]。國外對(duì)風(fēng)電場(chǎng)風(fēng)速及風(fēng)電短期預(yù)測(cè)已經(jīng)做了大量深入的研究，當(dāng)前中國在短期和超短期風(fēng)速預(yù)測(cè)的研究還沒有成型理論，特別是24～72 h預(yù)測(cè)較少[4]。準(zhǔn)確風(fēng)速預(yù)測(cè)使電網(wǎng)調(diào)度能夠有效調(diào)整電網(wǎng)計(jì)劃，并且能夠降低電力設(shè)備運(yùn)轉(zhuǎn)成本[6]。由于風(fēng)能不是連續(xù)存在且受到大氣運(yùn)動(dòng)強(qiáng)弱影響，造成風(fēng)速隨機(jī)產(chǎn)生[7-8]。因此對(duì)風(fēng)電場(chǎng)風(fēng)速的預(yù)測(cè)就更加困難[9-13]。當(dāng)前在運(yùn)用源數(shù)據(jù)時(shí)并沒有對(duì)其進(jìn)行篩選，誤差累積效應(yīng)可能導(dǎo)致預(yù)測(cè)準(zhǔn)確性降低并在預(yù)測(cè)過程中沒有很好的權(quán)重設(shè)定。

通過某風(fēng)場(chǎng)1年的測(cè)風(fēng)數(shù)據(jù)，在數(shù)據(jù)源頭對(duì)數(shù)據(jù)進(jìn)行修正，剔除錯(cuò)誤數(shù)據(jù)。并用神經(jīng)網(wǎng)絡(luò)對(duì)修正后數(shù)據(jù)訓(xùn)練，用粒子群優(yōu)化算法(particle swarm optimization，PSO)對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，通過迭代次數(shù)對(duì)慣性權(quán)重進(jìn)行調(diào)整。根據(jù)氣象預(yù)報(bào)來預(yù)測(cè)最近48 h風(fēng)速，通過和神經(jīng)網(wǎng)絡(luò)算法比較優(yōu)化后，神經(jīng)網(wǎng)絡(luò)算法預(yù)測(cè)準(zhǔn)確性較好。

1 WindPro軟件對(duì)測(cè)風(fēng)數(shù)據(jù)分析

由于測(cè)風(fēng)數(shù)據(jù)的獲取要經(jīng)過很多環(huán)節(jié)，每個(gè)環(huán)節(jié)都有可能產(chǎn)生誤差。而采用存在錯(cuò)誤的數(shù)據(jù)進(jìn)行仿真預(yù)測(cè)，無疑會(huì)增加預(yù)測(cè)的不準(zhǔn)確性。如果不減少每個(gè)環(huán)節(jié)的誤差，就可能產(chǎn)生誤差的積累嚴(yán)重影響對(duì)風(fēng)速的預(yù)測(cè)。因此必須提高數(shù)據(jù)的質(zhì)量，剔除錯(cuò)誤和無效數(shù)據(jù)。根據(jù)GB/T 18710-2002 標(biāo)準(zhǔn)規(guī)定[14]，合理性檢驗(yàn)的小時(shí)平均風(fēng)速在0～40 m/s，平均風(fēng)向在0～360°。趨勢(shì)性檢驗(yàn)的平均溫度變化小于5 ℃，平均風(fēng)速小時(shí)變化小于6 m·s-1，平均氣壓小時(shí)變化小于1 kPa。

2 對(duì)測(cè)風(fēng)數(shù)據(jù)進(jìn)行修正

取用數(shù)據(jù)來源于某風(fēng)場(chǎng)測(cè)風(fēng)塔70 m高度1年的測(cè)風(fēng)數(shù)據(jù)，風(fēng)速和風(fēng)向的觀測(cè)梯度是70、60、40、25、10 m。在10 m和40 m高度配有溫度觀測(cè)器，同時(shí)在10 m高度處還配有氣壓觀測(cè)器。所有使用的傳感器均通過國內(nèi)氣象部門檢測(cè)機(jī)構(gòu)的認(rèn)證。記錄每隔10 min的風(fēng)數(shù)據(jù)，由于風(fēng)數(shù)據(jù)的獲取要經(jīng)過很多環(huán)節(jié)，每個(gè)環(huán)節(jié)都可能出現(xiàn)偏差或錯(cuò)誤，出現(xiàn)的偏差可能會(huì)對(duì)風(fēng)速的預(yù)測(cè)產(chǎn)生較大誤差甚至?xí)绊戨娏Σ块T不能及時(shí)采取措施來減輕對(duì)電網(wǎng)的影響。因此測(cè)風(fēng)數(shù)據(jù)的質(zhì)量檢查、修正和剔除錯(cuò)誤數(shù)據(jù)可以有效降低最終的預(yù)測(cè)結(jié)果。WindPro軟件具有測(cè)風(fēng)數(shù)據(jù)質(zhì)量檢查和剔除數(shù)據(jù)錯(cuò)誤數(shù)據(jù)的功能，可以有效避免錯(cuò)誤數(shù)據(jù)對(duì)風(fēng)速預(yù)測(cè)產(chǎn)生的誤差影響，如圖1所示。

圖1 剔除錯(cuò)誤數(shù)據(jù)后的風(fēng)速曲線

從圖1圓圈可以看出將不滿足條件的風(fēng)速剔除，對(duì)后續(xù)的風(fēng)電場(chǎng)風(fēng)速預(yù)測(cè)精度提供了有效保障。

表1是將1天中每隔10 min記錄的144個(gè)數(shù)據(jù)進(jìn)行質(zhì)量檢測(cè)后統(tǒng)計(jì)的有效數(shù)據(jù)個(gè)數(shù)，可以發(fā)現(xiàn)在2015年2月7日只有49個(gè)有效值，在2015年8月3日有137個(gè)有效值，與圖1的風(fēng)速圖形相吻合。通過數(shù)據(jù)質(zhì)量檢測(cè)能夠保證數(shù)據(jù)選擇的完整性并初步減少誤差避免造成預(yù)測(cè)不準(zhǔn)確性。

通過WindPro軟件對(duì)原始測(cè)風(fēng)數(shù)據(jù)的質(zhì)量檢測(cè)剔除錯(cuò)誤的數(shù)據(jù)，能夠提高原始數(shù)據(jù)的可信度，在后續(xù)的模型建立和神經(jīng)網(wǎng)絡(luò)訓(xùn)練中可以有效降低誤差并提高測(cè)測(cè)風(fēng)速的可信度。

3 神經(jīng)網(wǎng)絡(luò)模型

3.1 神經(jīng)網(wǎng)絡(luò)法基本原理

表1 2015年有效風(fēng)速表

神經(jīng)網(wǎng)絡(luò)法主要模擬人腦各部分的結(jié)構(gòu)和其功能，并且由大量協(xié)同簡(jiǎn)單元件相互作用形成的復(fù)雜網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)可以學(xué)習(xí)和儲(chǔ)存大量的輸入-輸出映射關(guān)系，并且不需要提前揭示描述輸入-輸出映射關(guān)系的數(shù)學(xué)方程。和數(shù)字計(jì)算機(jī)相比較，神經(jīng)網(wǎng)絡(luò)在形成原理和效用特點(diǎn)等方面更加類似于人腦，它不像數(shù)字計(jì)算機(jī)一步一步地執(zhí)行運(yùn)算，而是能夠自身適應(yīng)周圍環(huán)境，總結(jié)規(guī)律，完成某種運(yùn)算?；谌四X處理復(fù)雜信息的能力，應(yīng)用多層前饋神經(jīng)網(wǎng)絡(luò)(back propagation artificial neural network，BP-ANN)法的風(fēng)速和風(fēng)功率預(yù)測(cè)能夠被有效解決。

3.2 神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)絡(luò)

這里應(yīng)用多層前饋神經(jīng)網(wǎng)絡(luò)(BP神經(jīng)網(wǎng)絡(luò))，應(yīng)用廣泛的3層網(wǎng)絡(luò)結(jié)構(gòu)包含1個(gè)輸入層、1個(gè)隱層和1個(gè)輸出層。神經(jīng)元間采用 Sigmoid 函數(shù)作為傳遞函數(shù)，然而傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)算法存在如下缺點(diǎn)：1)由于固定的學(xué)習(xí)效率，因此網(wǎng)絡(luò)的收斂速度較慢，訓(xùn)練的時(shí)間相應(yīng)延長(zhǎng)；2)由于BP算法可以使權(quán)值收斂到某個(gè)特定值，但并不能保證某個(gè)特定值為誤差平面的最小值，即陷入局部最小?？刹捎靡韵路椒▉硖岣連P算法的性能：1)在學(xué)習(xí)過程中采用L-M算法；2)對(duì)學(xué)習(xí)效率進(jìn)行自我調(diào)治；3)引入自適應(yīng)粒子群優(yōu)化算法來提高收斂速度。

3.3 預(yù)測(cè)模型

神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示，結(jié)構(gòu)中采用1個(gè)隱含層。由于以往采取的輸入層變量較為單一，只考慮風(fēng)速風(fēng)向，因此在一定程度上降低了預(yù)測(cè)準(zhǔn)確性。為提高預(yù)測(cè)準(zhǔn)確性，所討論的預(yù)測(cè)模型中的輸入層變量考慮了風(fēng)速、風(fēng)向、空氣密度。風(fēng)電機(jī)組的輸出功率取決于風(fēng)速及空氣密度，其計(jì)算如式(1)所示：

(1)

式中：Pt為風(fēng)力機(jī)實(shí)際轉(zhuǎn)換的風(fēng)功率；Cp為風(fēng)力機(jī)功率系數(shù)；AT為風(fēng)輪掃風(fēng)面積；V為風(fēng)速；ρa(bǔ)為空氣密度，而空氣密度由氣壓、溫度、重力常數(shù)、溫度傳感器的海拔決定；其計(jì)算如式(2)所示：

(2)式中：P0為用Pa表示的標(biāo)準(zhǔn)海平面氣壓(101 325Pa)；T為溫度(K)，T(K)=T(℃)+273.15;g為重力常數(shù)(9.807 m·s-2)；z為溫度傳感器的海拔，m；R為干燥空氣的比氣體常數(shù)287.04J·(kg·K)-1。將P0、R和g的值代入，則密度如式(3)所示：

(3)

將由式(3)得出的空氣密度當(dāng)作神經(jīng)網(wǎng)絡(luò)輸入層的一個(gè)輸入變量，它能夠間接反映氣壓、海拔和溫度的影響，使神經(jīng)網(wǎng)絡(luò)的輸入更加簡(jiǎn)便。分別對(duì)風(fēng)速、風(fēng)向、空氣密度進(jìn)行歸一化處理。

1)風(fēng)速歸一化，選取1年統(tǒng)計(jì)中的最大風(fēng)速對(duì)風(fēng)速歸一化，如式(4)所示：

(4)

式中：Vn為歸一化后的風(fēng)速；Vt為測(cè)風(fēng)塔觀測(cè)的風(fēng)速值；Vmax為測(cè)風(fēng)塔觀測(cè)的最大風(fēng)速。

2)風(fēng)向歸一化，認(rèn)為是水平方向的風(fēng)，把各個(gè)風(fēng)向分成不同的扇區(qū)即把風(fēng)速的水平面看成圓，分為12個(gè)扇區(qū)，規(guī)定正北方向是0°。為了區(qū)分風(fēng)向，引入正弦和余弦值作為輸入。

3)溫度、氣壓、海拔通過式(3)的整合看作為空氣密度的歸一化，與風(fēng)風(fēng)速的歸一化方法類似，取最大空氣密度對(duì)空氣密度歸一化。神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型如圖2所示。

圖2 3層BP網(wǎng)絡(luò)結(jié)構(gòu)圖

這里隱層函數(shù)選擇logsig函數(shù)，輸出層選擇purelin函數(shù)，這樣可以保證較高的預(yù)測(cè)精度。在學(xué)習(xí)過程中采用L-M算法使其具有較高的收斂速度。

3.4 粒子群算法(PSO)及優(yōu)化

粒子群算法簡(jiǎn)單可靠，訓(xùn)練時(shí)間相對(duì)較短，收斂速度比較快，設(shè)置參數(shù)少，已成為現(xiàn)代優(yōu)化算法領(lǐng)域研究的熱點(diǎn)，故通過其方法來尋求最優(yōu)風(fēng)速解。PSO基于信息的社會(huì)共享，通過初始化產(chǎn)生一群隨機(jī)粒子，通過每一次迭代來找到最優(yōu)解。它假設(shè)每個(gè)粒子都有記憶所搜尋的最佳位置的信息，并且每個(gè)粒子都具有速度來決定飛行的距離和方向，速度能夠根據(jù)自身的經(jīng)驗(yàn)進(jìn)行調(diào)整。其數(shù)學(xué)思想為：設(shè)D維空間中，有N個(gè)粒子，第i個(gè)粒子的位置為Xi=(Xi1，Xi2…Xid)；第i個(gè)粒子速度Vi=(Vi1，Vi2…Vid)；其中粒子i經(jīng)歷過的最好位置為pbestj=(pi1，pi2…pid)，種群經(jīng)歷過的最好位置為gbesti=(gi1，gi2…gid)；粒子i的第D維速度和位置更新公式分別為式(5)和式(6)。

(5)

(6)

算法過程如下：

1)設(shè)定粒子群的群體數(shù)目，多數(shù)情況下10個(gè)粒子已經(jīng)能夠取得較好的結(jié)果，因此這里選取10個(gè)種群粒子數(shù)，并對(duì)粒子隨機(jī)定義位置和速度。

2)評(píng)價(jià)每個(gè)粒子的自適應(yīng)度，c1=c2=2，ωmax=0.9，ωmin=0.3。

3)較大的ω有較好的全局收斂能力；較小的ω則有較強(qiáng)的局部收斂能力：因此，隨著迭代次數(shù)的增加，慣性權(quán)重應(yīng)不斷減少，從而使得粒子群算法在初期具有較強(qiáng)的全局收斂能力，而晚期具有較強(qiáng)的局部收斂能力?？捎墒?7)不斷地調(diào)整慣性權(quán)重。

(7)

式中：ωmax為最大慣性權(quán)重；ωmin為最小慣性權(quán)重；run為當(dāng)前迭代次數(shù)；runmax為算法迭代總次數(shù)。

4)對(duì)每個(gè)粒子，對(duì)比當(dāng)前適應(yīng)值與個(gè)體歷史最佳位置適應(yīng)值(pbest)，更新適應(yīng)值較高的作為歷史最佳位置(pbest)。再對(duì)比當(dāng)前適應(yīng)值與全局最佳位置(gbest)適應(yīng)值，更新適應(yīng)值較高的作為全局最佳位置(gbest)。

5)根據(jù)公式更新每個(gè)粒子的速度與位置。當(dāng)沒有達(dá)到粒子群迭代次數(shù)或達(dá)到可以接受的滿意則返回步驟2)，直到算法停止。

3.5 仿真結(jié)果及分析

通過對(duì)實(shí)測(cè)值修正、神經(jīng)網(wǎng)絡(luò)法優(yōu)化和慣性權(quán)重的調(diào)整來提高預(yù)測(cè)精度。對(duì)神經(jīng)網(wǎng)絡(luò)法和優(yōu)化后神經(jīng)網(wǎng)絡(luò)法進(jìn)行對(duì)比研究。仿真結(jié)果如圖3可見，整體BP模型預(yù)測(cè)值和實(shí)際值存在較大誤差，并在4m/s風(fēng)速時(shí)誤差較為明顯，最高時(shí)誤差達(dá)到17%，而經(jīng)過PSO算法優(yōu)化后的模型具有較好的預(yù)測(cè)準(zhǔn)確度，在4m/s和8m/s風(fēng)速時(shí)和實(shí)際值誤差較小，誤差穩(wěn)定性好，具有很好的參考性。

圖3 預(yù)測(cè)誤差比較

選擇預(yù)測(cè)風(fēng)速的絕對(duì)平均誤差EMAE和預(yù)測(cè)風(fēng)速的均方根誤差ERMSE，通過式(8)和式(9)來評(píng)估風(fēng)速預(yù)測(cè)的效果。

(8)

(9)

表2 風(fēng)速預(yù)測(cè)誤差效果

從表2中可以看出，與BP神經(jīng)網(wǎng)絡(luò)算法相比，經(jīng)過優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)準(zhǔn)精度明顯更高，這是由于BP神經(jīng)網(wǎng)絡(luò)容易陷入局部最小造成的，而經(jīng)過優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)模型通過迭代次數(shù)不斷調(diào)整慣性權(quán)重ω，有效避免了局部最小并且提高了收斂效率。

4 結(jié) 語

提出通過修正測(cè)風(fēng)數(shù)據(jù)來減少累計(jì)誤差，并在網(wǎng)絡(luò)的輸入變量中考慮形成風(fēng)能的溫度、海拔和重力常數(shù)。使用粒子群優(yōu)化算法(PSO)優(yōu)化神經(jīng)網(wǎng)絡(luò)，并在網(wǎng)絡(luò)訓(xùn)練中通過迭代次數(shù)對(duì)慣性權(quán)重進(jìn)行調(diào)整來提高收斂速度，避免陷入局部最小。由于只采用了1年的風(fēng)數(shù)據(jù)資源，在數(shù)據(jù)集上對(duì)網(wǎng)絡(luò)訓(xùn)練可能還不完善，造成預(yù)測(cè)上可能還是存在些許偏差。

[1] 羅文,王莉娜. 風(fēng)場(chǎng)短期風(fēng)速預(yù)測(cè)研究[J].電工技術(shù)學(xué)報(bào),2011(7):68-74.

[2] 楊秀媛,肖洋,陳樹勇. 風(fēng)電場(chǎng)風(fēng)速和發(fā)電功率預(yù)測(cè)研究[J].中國電機(jī)工程學(xué)報(bào),2005,25(11)：1-5.

[3] 楊錫運(yùn),孫寶君,張新房,等. 基于相似數(shù)據(jù)的支持向量機(jī)短期風(fēng)速預(yù)測(cè)仿真研究[J].中國電機(jī)工程學(xué)報(bào),2012,32(4):35-41.

[4] Costa A, Crespo A, Navarro J, et al. A Review on the Young History of the Wind Power Short-term Prediction[J].Renewable and Sustainable Energy Reviews, 2008, 12(6):1725-1744.

[5] 戴浪,黃守道,黃科元,等. 風(fēng)電場(chǎng)風(fēng)速的神經(jīng)網(wǎng)絡(luò)組合預(yù)測(cè)模型[J].電力系統(tǒng)及其自動(dòng)化學(xué)報(bào),2011(4)：27-31.

[6] 范高鋒,王偉勝,劉純,等. 基于人工神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測(cè)[J].中國電機(jī)工程學(xué)報(bào),2008，28(34)：118-123.

[7] 李莉,劉永前,楊勇平,等. 基于CFD流場(chǎng)預(yù)計(jì)算的短期風(fēng)速預(yù)測(cè)方法[J].中國電機(jī)工程學(xué)報(bào),2013，33(7):27-32.

[8] 孫國強(qiáng),衛(wèi)志農(nóng),翟瑋星. 基于RVM與ARMA誤差校正的短期風(fēng)速預(yù)測(cè)[J].電工技術(shù)學(xué)報(bào),2012(8):187-193.

[9] Joaquin Quinonero-Candela, Lars Kai Hansen. Time Series Prediction Based on the Relevance Vector Machine with Adaptive Kernels[C].IEEE International Conference on Acoustics, Speech, and Signal Processing, Hong Kong, China, 2002: 985-988.

[10] 王有祿,李淑華,宋飛. 風(fēng)電場(chǎng)測(cè)風(fēng)數(shù)據(jù)的驗(yàn)證和處理方法[J].電力勘測(cè)設(shè)計(jì),2009(1):60-66.

[11] 張國強(qiáng),張伯明. 基于組合預(yù)測(cè)的風(fēng)電場(chǎng)風(fēng)速及風(fēng)電機(jī)功率預(yù)測(cè)[J].電力系統(tǒng)自動(dòng)化,2009，33(18):92-95.

[12] 卿湘運(yùn),楊富文,王行愚. 采用貝葉斯-克里金-卡爾曼模型的多風(fēng)電場(chǎng)風(fēng)速短期預(yù)測(cè)[J].中國電機(jī)工程學(xué)報(bào),2012，32(35):107-114.

[13] 杜穎,盧繼平,李青,等. 基于最小二乘支持向量機(jī)的風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)[J].電網(wǎng)技術(shù),2008,32(15):62-66.

[14] 邵璠,孫育河,梁嵐珍. 基于ARMA模型的風(fēng)電場(chǎng)風(fēng)速短期預(yù)測(cè)[J].電網(wǎng)與清潔能源,2008(7):52-55.

According to the data of a wind field, the wind field data is corrected firstly, and then the wrong data is eliminated in order to avoid the emergence of the accumulated error and to improve the prediction precision. In the input variables of neural network, it not only considers the wind speed and direction, but also the wind temperature, gravitational constant and elevation formed with atmospheric movement. Through optimizing the particle swarm optimization (PSO) of neural network method and adjusting the inertia weight, it can forecast the wind speed, and through the neural network training method it can improve the prediction accuracy, which can improve the stable operation with wind power integration and the adjustment of power grid scheduling.

data correction; neural network; particle swarm optimization (PSO); inertia weight

教育部創(chuàng)新團(tuán)隊(duì)(IRT1285)；自治區(qū)重點(diǎn)實(shí)驗(yàn)室(2016D03021)；國家自然科學(xué)基金(2013211A006)

TK81 <文獻(xiàn)標(biāo)志碼：a class="emphasis_bold"> 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1003-6954(2016)06-0018-05文獻(xiàn)標(biāo)志碼：a

1003-6954(2016)06-0018-05

A 文章編號(hào)：1003-6954(2016)06-0018-05

2016-08-20)