錢肖，馬翔，呂磊炎，張文杰，王寧，支月媚

（國網(wǎng)浙江省電力有限公司金華供電公司，浙江 金華 321000）

電網(wǎng)調(diào)度告警原理是將現(xiàn)代先進(jìn)的智能信息融合技術(shù)與特征提取方法結(jié)合[1]，構(gòu)建電網(wǎng)調(diào)度告警系統(tǒng)模型，實(shí)現(xiàn)對電網(wǎng)系統(tǒng)故障的實(shí)時(shí)故障檢測和有效故障告警。通過構(gòu)建告警模型可有效提高電網(wǎng)調(diào)度的告警能力，因此，電網(wǎng)調(diào)度告警模型的設(shè)計(jì)方法受到了相關(guān)領(lǐng)域?qū)＜液蛯W(xué)者的極大關(guān)注[2]。傳統(tǒng)的電網(wǎng)調(diào)度告警模型，無論是在電網(wǎng)系統(tǒng)正常運(yùn)轉(zhuǎn)的狀態(tài)下或是故障情況下，都需要調(diào)度員對告警信息進(jìn)行手動(dòng)操作，某些繁雜的告警信號容易被忽略，并且通過人工處理海量的告警信息難度較大，不能及時(shí)做出有效分析，無法對故障位置進(jìn)行有效控制，造成不必要的損失。因此，對電網(wǎng)調(diào)度告警關(guān)聯(lián)規(guī)則與決策樹算法進(jìn)行設(shè)計(jì)，通過關(guān)聯(lián)法則和決策樹算法對電網(wǎng)系統(tǒng)進(jìn)行故障信息采樣與分析，從而提高電網(wǎng)系統(tǒng)運(yùn)行穩(wěn)定性和效率。文獻(xiàn)[3]提出基于告警信號文本挖掘的電力調(diào)度故障診斷方法。該方法基于隱馬爾可夫模型對告警信號文本進(jìn)行分詞并去除其中的停用詞以構(gòu)建本體詞典；采用向量空間模型使文本向量化；使用滑動(dòng)時(shí)間窗讀取實(shí)時(shí)告警信號；采用支持向量機(jī)對滑窗內(nèi)的告警信號進(jìn)行分類，利用k-均值聚類法提取較高可能性的故障供調(diào)度員參考。該方法由于調(diào)度過程復(fù)雜，告警調(diào)度效率較低；文獻(xiàn)[4]提出調(diào)度命令智能生成模型，提出5種調(diào)度命令修正策略并分別對5種易錯(cuò)信息進(jìn)行修正，引入調(diào)度命令，將預(yù)警文本信息作為模型的輸入進(jìn)行訓(xùn)練，有效提升了調(diào)度命令生成質(zhì)量，但調(diào)度命令運(yùn)行較慢；文獻(xiàn)[5]針對當(dāng)前人為處理海量監(jiān)控告警信息效率低的問題，提出一種融合知識(shí)庫和深度學(xué)習(xí)的電網(wǎng)監(jiān)控告警事件自主識(shí)別方法，實(shí)現(xiàn)電網(wǎng)監(jiān)控告警事件的智能感知和識(shí)別，然而該方法的告警誤報(bào)率較高。

根據(jù)上述研究結(jié)果的不足，為了進(jìn)一步提高告警指令運(yùn)行效率，降低告警誤報(bào)率，本文提出基于知識(shí)圖譜的電網(wǎng)調(diào)度告警關(guān)聯(lián)規(guī)則與決策樹算法。在知識(shí)圖譜數(shù)據(jù)層約束下，設(shè)計(jì)基于知識(shí)圖譜的電網(wǎng)數(shù)據(jù)關(guān)聯(lián)規(guī)則生成算法，對不符合規(guī)則的數(shù)據(jù)進(jìn)行篩選；計(jì)算出電網(wǎng)系統(tǒng)的額定輸電標(biāo)準(zhǔn)，確定電網(wǎng)調(diào)度信息特征量；依據(jù)電網(wǎng)調(diào)度告警指令特征，提取電網(wǎng)調(diào)度告警事務(wù)；利用決策樹算法對基于知識(shí)圖譜的電網(wǎng)數(shù)據(jù)關(guān)聯(lián)規(guī)則生成算法進(jìn)行優(yōu)化，建立電網(wǎng)調(diào)度告警模型，實(shí)現(xiàn)電網(wǎng)調(diào)度告警。實(shí)驗(yàn)結(jié)果表明，該方法顯著提高了電網(wǎng)調(diào)度告警性能，保證了電網(wǎng)調(diào)度的安全性。

1 電網(wǎng)調(diào)度告警關(guān)聯(lián)規(guī)則與決策樹算法設(shè)計(jì)

1.1 基于知識(shí)圖譜的電網(wǎng)數(shù)據(jù)關(guān)聯(lián)規(guī)則生成算法

電網(wǎng)數(shù)據(jù)經(jīng)過相關(guān)領(lǐng)域?qū)＜艺J(rèn)證后存入到知識(shí)圖譜數(shù)據(jù)層[6]。為了提高知識(shí)圖譜存儲(chǔ)的效率和正確率，利用關(guān)聯(lián)規(guī)則算法對傳統(tǒng)的知識(shí)圖譜數(shù)據(jù)層進(jìn)行結(jié)構(gòu)優(yōu)化，在構(gòu)建數(shù)據(jù)層的過程中不斷對不符合規(guī)則的數(shù)據(jù)進(jìn)行篩選，形成補(bǔ)充規(guī)則并存入到知識(shí)圖譜的數(shù)據(jù)層內(nèi)[7]。

電網(wǎng)數(shù)據(jù)關(guān)聯(lián)規(guī)則生成算法是通過決策樹中某一條規(guī)則R中的約束條件Condi，計(jì)算得到規(guī)則集，根據(jù)數(shù)據(jù)挖掘算法，對規(guī)則集內(nèi)的數(shù)據(jù)進(jìn)行分析，得到分類錯(cuò)誤率。具體步驟如下：

步驟1：將知識(shí)圖譜層存儲(chǔ)的電網(wǎng)數(shù)據(jù)集T經(jīng)過關(guān)聯(lián)規(guī)則計(jì)算，生成規(guī)則集，規(guī)則R是樣本數(shù)據(jù)集T中某個(gè)數(shù)據(jù)節(jié)點(diǎn)到知識(shí)圖譜的一條存取規(guī)則路徑。

步驟2：利用規(guī)則R對知識(shí)圖譜層存儲(chǔ)的電網(wǎng)數(shù)據(jù)集T進(jìn)行數(shù)據(jù)挖掘分析，構(gòu)建知識(shí)圖譜數(shù)據(jù)層關(guān)聯(lián)屬性矩陣Q=[qVS]n×n（n為數(shù)據(jù)挖掘的行列數(shù)值；qVS為屬性值）。

步驟3：沿著規(guī)則路徑篩選出所有符合規(guī)則關(guān)聯(lián)的數(shù)據(jù)集，整理為T′，同時(shí)獲得關(guān)聯(lián)規(guī)則分類錯(cuò)誤率。用規(guī)則集對T′數(shù)據(jù)繼續(xù)進(jìn)行挖掘，獲得新的關(guān)聯(lián)規(guī)則集作為補(bǔ)充規(guī)則集R′，導(dǎo)出關(guān)聯(lián)屬性，構(gòu)建具有關(guān)聯(lián)屬性的新數(shù)據(jù)集T″一起存儲(chǔ)在數(shù)據(jù)層[8-9]。

步驟4：按照補(bǔ)充規(guī)則集R′中的每一條規(guī)則r′繼續(xù)對T″進(jìn)行挖掘處理，直到知識(shí)圖譜數(shù)據(jù)層的屬性關(guān)系概率小于分類錯(cuò)誤率，輸出該規(guī)則集R″作為知識(shí)圖譜層存儲(chǔ)規(guī)則路徑，由此重建知識(shí)圖譜電網(wǎng)數(shù)據(jù)層的整體結(jié)構(gòu)。

經(jīng)過優(yōu)化重建后的知識(shí)圖譜電網(wǎng)數(shù)據(jù)層存取數(shù)據(jù)路徑為關(guān)聯(lián)規(guī)則路徑，完成基于知識(shí)圖譜的電網(wǎng)數(shù)據(jù)關(guān)聯(lián)規(guī)則生成算法的設(shè)計(jì)。

1.2 確定電網(wǎng)調(diào)度信息特征量

在1.1節(jié)優(yōu)化后的知識(shí)圖譜電網(wǎng)數(shù)據(jù)層中提取電網(wǎng)調(diào)度信息，需要確定電網(wǎng)調(diào)度信息特征，而保證電網(wǎng)系統(tǒng)的額定輸電標(biāo)準(zhǔn)是電網(wǎng)調(diào)度信息特征量確定的基礎(chǔ)。對調(diào)節(jié)匝進(jìn)行電阻值增減調(diào)節(jié)[10]，獲取電網(wǎng)系統(tǒng)周期內(nèi)的電壓值，最終得到一個(gè)不會(huì)讓電壓產(chǎn)生明顯波動(dòng)狀態(tài)的接入阻值，計(jì)算出電網(wǎng)系統(tǒng)的額定輸電標(biāo)準(zhǔn)：

式中：Wα為電網(wǎng)系統(tǒng)的額定輸電標(biāo)準(zhǔn)；α為電網(wǎng)的額定電壓系數(shù)；U′為波動(dòng)的電壓幅值；I′為波動(dòng)的電流值；Rk為調(diào)節(jié)匝間電阻的接入阻值；ω為電網(wǎng)系統(tǒng)中供電設(shè)備的轉(zhuǎn)速；ik為電流額定值。

可將電網(wǎng)調(diào)度信息特征量表示為

式中：β為電網(wǎng)調(diào)度信息特征量；μ為電網(wǎng)調(diào)度信息的運(yùn)行參數(shù)；θ為額定的電壓值、額定的電流值的交角；-θp為θ的補(bǔ)角；p為電流值與電壓值的相交條件調(diào)節(jié)系數(shù)；sin(θ+-θp)為理想的電網(wǎng)調(diào)度交角的正弦值。

1.3 提取電網(wǎng)調(diào)度告警事務(wù)

電網(wǎng)調(diào)度告警事務(wù)提取過程中，電網(wǎng)系統(tǒng)中的部分元件無法承受高壓的電流而出現(xiàn)異常行為[11]，導(dǎo)致電網(wǎng)系統(tǒng)中偏導(dǎo)電壓受阻而形成電力數(shù)據(jù)的堆積，電網(wǎng)調(diào)度告警指令特征表達(dá)式為

式中：ep(k)為電網(wǎng)調(diào)度告警信息值；yp(k)為電網(wǎng)調(diào)度告警特征向量；d為電網(wǎng)調(diào)度的告警事件的權(quán)值。

電網(wǎng)調(diào)度告警是指電網(wǎng)系統(tǒng)運(yùn)行過程電力數(shù)據(jù)的堆積傳輸，根據(jù)電流數(shù)值波動(dòng)變化，電網(wǎng)系統(tǒng)中的電壓會(huì)引起一定的波動(dòng)，造成調(diào)度信息值偏移[12]，在此情況會(huì)因?yàn)橹噶畈糠植痪膯栴}進(jìn)行告警，從而引發(fā)電網(wǎng)調(diào)度告警行為。電網(wǎng)調(diào)度設(shè)備監(jiān)測數(shù)據(jù)表達(dá)式為

設(shè)λ1為電網(wǎng)調(diào)度設(shè)備告警系數(shù)，λ2為電網(wǎng)調(diào)度運(yùn)行告警系數(shù)，λ3為電網(wǎng)調(diào)度位置點(diǎn)告警系數(shù)，聯(lián)合上述得到的電網(wǎng)調(diào)度告警特征和電網(wǎng)調(diào)度設(shè)備監(jiān)測數(shù)據(jù)，可得到電網(wǎng)調(diào)度告警事務(wù)提取結(jié)果為

式中：為電網(wǎng)調(diào)度告警系數(shù)的平均值；y?為電網(wǎng)調(diào)度告警信息的權(quán)值；w，q分別為兩個(gè)不同周期內(nèi)的電網(wǎng)調(diào)度告警信息參數(shù)；δ為提取次數(shù)。

根據(jù)電網(wǎng)調(diào)度告警指令特征，提取出電網(wǎng)調(diào)度告警事務(wù)。

1.4 建立電網(wǎng)調(diào)度告警模型

利用決策樹算法對基于知識(shí)圖譜的電網(wǎng)數(shù)據(jù)關(guān)聯(lián)規(guī)則生成算法進(jìn)行優(yōu)化，然后利用優(yōu)化后的算法對電網(wǎng)調(diào)度告警信號進(jìn)行分析[13]，構(gòu)建電網(wǎng)調(diào)度告警融合集。

在進(jìn)行數(shù)據(jù)挖掘的過程中，決策樹內(nèi)各個(gè)屬性之間存在關(guān)聯(lián)。如果對傳統(tǒng)關(guān)聯(lián)規(guī)則算法中的規(guī)則屬性采用決策樹結(jié)構(gòu)進(jìn)行集中訓(xùn)練，分析出各個(gè)屬性之間的關(guān)聯(lián)關(guān)系并進(jìn)行簡化處理，就可以在保證關(guān)聯(lián)規(guī)則算法分類精度的前提下，有效提高其運(yùn)算效率。根據(jù)上述思想，對基于知識(shí)圖譜的電網(wǎng)數(shù)據(jù)關(guān)聯(lián)規(guī)則生成算法進(jìn)行優(yōu)化設(shè)計(jì)，具體操作如下：

步驟1：根據(jù)c4.5決策樹結(jié)構(gòu)，構(gòu)建關(guān)聯(lián)規(guī)則R的決策樹模型為S；

步驟2：在決策樹S中規(guī)則R是決策樹中某個(gè)根節(jié)點(diǎn)到葉節(jié)點(diǎn)的一條規(guī)則路徑，即

式中：“∧”為“按位異或”運(yùn)算符。

步驟3：對決策樹S中規(guī)則R，結(jié)合決策規(guī)則參數(shù)τ對每條關(guān)聯(lián)規(guī)則ri進(jìn)行簡化處理[14]。i和j個(gè)指令對應(yīng)的不同約束條件Condi和Condj對應(yīng)的屬性分別為Av，As。當(dāng)Av，As之間沒有關(guān)聯(lián)規(guī)則屬性，則不保留Condi和Condj；若Av，As之間存在關(guān)聯(lián)規(guī)則數(shù)據(jù)，則分別計(jì)算出屬性關(guān)系概率；

步驟4：根據(jù)得到的概率大小，判斷Condi和Condj是否保留。得到?jīng)Q策樹關(guān)聯(lián)規(guī)則閾值P(Condi+1∧Condi)，通過新設(shè)計(jì)的關(guān)聯(lián)規(guī)則閾值對規(guī)則集進(jìn)行重構(gòu)，獲得具有關(guān)聯(lián)屬性的新數(shù)據(jù)集T″。

通過上述基于知識(shí)圖譜的電網(wǎng)數(shù)據(jù)關(guān)聯(lián)規(guī)則優(yōu)化算法，對電網(wǎng)調(diào)度告警信號進(jìn)行分析，構(gòu)建電網(wǎng)調(diào)度告警信號關(guān)聯(lián)規(guī)則融合集，其表達(dá)式如下：

式中：x(t)為電網(wǎng)調(diào)度告警信息的關(guān)聯(lián)參數(shù)；h(t)為電網(wǎng)調(diào)度的故障信息特征值；v為指令輔助決策系數(shù)。

則知識(shí)圖譜電網(wǎng)數(shù)據(jù)層決策樹數(shù)據(jù)集為

式中：Q為故障點(diǎn)被監(jiān)測權(quán)重。

根據(jù)構(gòu)建的知識(shí)圖譜數(shù)據(jù)層，對告警信息中的故障信息特征關(guān)聯(lián)規(guī)則進(jìn)行挖掘分析，得到電網(wǎng)調(diào)度智能告警的特征偏移系數(shù)為

式中：s′(t)為電網(wǎng)調(diào)度告警信息的偏移系數(shù)；S(t)為電網(wǎng)調(diào)度智能告警的監(jiān)測量化指數(shù)；t為告警時(shí)間。

在保證電網(wǎng)穩(wěn)定運(yùn)行的條件下，得到諧振頻率Sr(t)為

式中：ns(t)為電網(wǎng)調(diào)度虛擬告警值。

在存在告警故障的區(qū)域，通過上述得到的正常電網(wǎng)調(diào)度信息值αk，獲得電網(wǎng)調(diào)度故障點(diǎn)存在的區(qū)域范圍計(jì)算函數(shù)為

式中：p(fI)為電網(wǎng)調(diào)度的故障區(qū)域匹配函數(shù)；fI為故障區(qū)域的電流頻率；K為故障分布系數(shù)。

通過上述確定的電網(wǎng)調(diào)度信息故障特征量，作為智能告警的關(guān)聯(lián)規(guī)則，在知識(shí)圖譜的電網(wǎng)數(shù)據(jù)層構(gòu)建電網(wǎng)調(diào)度智能告警模型：

式中：z(k)為電網(wǎng)調(diào)度智能告警的密度分布函數(shù)。

通過計(jì)算所得的電網(wǎng)調(diào)度智能告警模型，結(jié)合式（8），得到電網(wǎng)調(diào)度智能告警故障檢測輸出函數(shù)：

其中

式中：G(U∣μk,k)為電網(wǎng)調(diào)度智能告警故障特征集[15]；τi(t)為監(jiān)測量化指數(shù)間的屬性關(guān)系函數(shù)。

對電網(wǎng)調(diào)度智能告警故障輸出函數(shù)進(jìn)行檢測，完成對電網(wǎng)調(diào)度告警故障點(diǎn)位置的準(zhǔn)確判斷，最終實(shí)現(xiàn)電網(wǎng)調(diào)度告警。

2 實(shí)驗(yàn)對比分析

2.1 設(shè)置實(shí)驗(yàn)參數(shù)

為了驗(yàn)證基于知識(shí)圖譜的電網(wǎng)調(diào)度告警關(guān)聯(lián)規(guī)則與決策樹算法在電網(wǎng)調(diào)度告警中的實(shí)用價(jià)值，利用對比實(shí)驗(yàn)的方法，測試文中算法的性能。實(shí)驗(yàn)參數(shù)設(shè)置情況如表1所示。

表1 實(shí)驗(yàn)參數(shù)設(shè)置Tab.1 Experimental parameter setting

在保持表1實(shí)驗(yàn)參數(shù)一致的情況下，為了確保實(shí)驗(yàn)測試的公平性，需要根據(jù)本文設(shè)計(jì)的知識(shí)圖譜電網(wǎng)告警數(shù)據(jù)層選擇測試指標(biāo)。

目前，知識(shí)圖譜電網(wǎng)告警數(shù)據(jù)層包括告警指令的提取、調(diào)度融合和調(diào)度告警三部分，知識(shí)圖譜構(gòu)建的框架如圖1所示。

在知識(shí)圖譜數(shù)據(jù)層構(gòu)建的過程中，通過不斷完善關(guān)聯(lián)規(guī)則來完善數(shù)據(jù)層相應(yīng)數(shù)據(jù)。根據(jù)圖1選擇告警指令運(yùn)行效率、告警誤報(bào)率、調(diào)度故障的動(dòng)作次數(shù)作為性能測試指標(biāo)。

2.2 電網(wǎng)調(diào)度告警性能

引入基于信息散布指數(shù)的算法和基于分類型屬性數(shù)據(jù)的算法作對比，在指令告警標(biāo)量為0.79、測試時(shí)間為50 min的條件下，測試了三種算法的告警指令運(yùn)行效率，結(jié)果如圖2所示。

從圖2的結(jié)果可以看出，隨著實(shí)驗(yàn)時(shí)間的延長，基于信息散布指數(shù)的算法和基于分類型屬性數(shù)據(jù)的算法得到的告警指令運(yùn)行效率分別在1×109～ 4.5×109條/min之間和3×109～ 6×109條/min之間。當(dāng)實(shí)驗(yàn)進(jìn)行35 min時(shí)，兩種算法的告警指令運(yùn)行效率變化趨勢大致相同，直到實(shí)驗(yàn)進(jìn)行到50 min時(shí)，告警指令運(yùn)行效率出現(xiàn)最大值，分別為4.8×109條/min和6×109條/min。而采用文中算法進(jìn)行電網(wǎng)調(diào)度告警時(shí)，告警指令運(yùn)行效率的初始值就已經(jīng)達(dá)到了7×109條/min，且隨著實(shí)驗(yàn)的進(jìn)行，告警指令運(yùn)行效率越來越高，最大值達(dá)到了9.55×109條/min，說明基于知識(shí)圖譜的電網(wǎng)調(diào)度告警關(guān)聯(lián)規(guī)則與決策樹算法有效地去除了不符合規(guī)則的數(shù)據(jù)，針對電網(wǎng)調(diào)度告警事務(wù)，保證告警故障點(diǎn)位置判斷效果，可以提高告警指令運(yùn)行效率，具有更好的告警性能。

在電網(wǎng)運(yùn)維指標(biāo)為0.86、告警指令運(yùn)行效率為7.48×109條/min的條件下，以電網(wǎng)調(diào)度告警次數(shù)為自變量，實(shí)驗(yàn)過程中，將電網(wǎng)調(diào)度告警次數(shù)設(shè)置為50次，測試了三種算法的告警誤報(bào)率，結(jié)果如圖3所示。

從圖3的結(jié)果可以看出，隨著實(shí)驗(yàn)次數(shù)逐漸增加，三種算法測試得到的電網(wǎng)調(diào)度告警誤報(bào)率也隨之增加。采用基于信息散布指數(shù)的算法時(shí)，電網(wǎng)調(diào)度告警的誤報(bào)率初始值就超過了25%，當(dāng)告警次數(shù)達(dá)到50次時(shí)，誤報(bào)率達(dá)到最大值，為42%；采用基于分類型屬性數(shù)據(jù)的算法時(shí)，前25次告警的誤報(bào)率低于15%，當(dāng)告警次數(shù)在25～30次之間時(shí)，誤報(bào)率出現(xiàn)了突增的情況，原因是該算法的屬性數(shù)據(jù)分類精度較低，提高了電網(wǎng)調(diào)度告警的誤報(bào)率；采用基于知識(shí)圖譜的電網(wǎng)調(diào)度告警關(guān)聯(lián)規(guī)則與決策樹算法時(shí)，在整個(gè)實(shí)驗(yàn)過程中，誤報(bào)率始終低于15%，最大誤報(bào)率也只有13.5%，說明文中算法在誤報(bào)率方面具有更好的性能，這是因?yàn)槲闹兴惴ㄊ紫葎澐至穗娋W(wǎng)調(diào)度故障點(diǎn)存在的區(qū)域范圍，有針對性地判斷存在異常行為的故障元件，進(jìn)而為準(zhǔn)確判定電網(wǎng)調(diào)度異常行為、降低告警誤報(bào)率提供幫助。

為了進(jìn)一步驗(yàn)證基于知識(shí)圖譜的電網(wǎng)調(diào)度告警關(guān)聯(lián)規(guī)則與決策樹算法性能，模擬電網(wǎng)調(diào)度的開關(guān)合閘故障，測試了三種算法發(fā)送電網(wǎng)調(diào)度故障的動(dòng)作次數(shù)，結(jié)果如表2所示。

表2 發(fā)送電網(wǎng)調(diào)度故障的動(dòng)作次數(shù)測試結(jié)果Tab.2 Test results of action times of sending grid dispatching fault

從表2的測試結(jié)果可以看出，根據(jù)發(fā)送電網(wǎng)調(diào)度故障的動(dòng)作次數(shù)測試結(jié)果，發(fā)現(xiàn)該算法的電網(wǎng)調(diào)度故障爆出率可以達(dá)到98.06%，能夠?qū)㈦娋W(wǎng)調(diào)度故障排除，這是因?yàn)槠湓谥R(shí)圖譜的數(shù)據(jù)層，挖掘出了存在關(guān)聯(lián)關(guān)系的電網(wǎng)調(diào)度信息屬性條件，限制了發(fā)送電網(wǎng)調(diào)度故障的動(dòng)作次數(shù)，保證所發(fā)送的告警指令都是正確的告警指令。

3 結(jié)論

本文提出了基于知識(shí)圖譜的電網(wǎng)調(diào)度告警關(guān)聯(lián)規(guī)則與決策樹算法設(shè)計(jì)，經(jīng)過實(shí)驗(yàn)測試發(fā)現(xiàn)，該算法在告警指令運(yùn)行效率、告警誤報(bào)率和發(fā)送電網(wǎng)調(diào)度故障的動(dòng)作次數(shù)等方面具有更好的性能。

但是本文缺乏電網(wǎng)調(diào)度告警的全面性，在今后的研究中，需要針對電網(wǎng)調(diào)度的不同故障進(jìn)行改進(jìn)，拓寬該算法的應(yīng)用范圍。