編者按
“雙碳”目標下,能源結構發生顯著變化,分布式能源與非線性負荷大量接入電力系統,諧波源數量劇增,諧波污染問題越發嚴重和復雜。為有效治理諧波,國際上提出了諧波治理的“獎懲性方案”,而準確的諧波責任劃分是該方案實施和有效諧波治理的重要前提。
《中國電力》2025年第1期刊發了陳仕龍等撰寫的《基于相關性分析的電網非同步監測數據場景諧波責任劃分》一文。文章提出一種綜合考慮數據非同步性、場景劃分和數據相關性的諧波責任劃分方法。首先,利用分段聚合近似算法進行降噪預處理,而后利用形狀動態時間規整算法(shape dynamic time warping,ShapeDTW)處理數據間的非同步性問題;其次,利用點排序識別聚類結構的聚類算法(ordering points to identify the clustering structure,OPTICS)進行劃分場景,分場景討論諧波責任;最后,采用大數據分析思想,利用相關性分析方法構建各場景諧波責任和總諧波責任指標,并將各場景時長占比考慮在內。通過仿真分析和電網實例分析對本文方法進行驗證,其諧波責任結論具有準確性與合理性,可進一步進行工程應用驗證。
摘要
針對傳統諧波責任劃分方法需采用專門同步設備監測數據,且需基于等值電路模型劃分諧波責任,工程應用較為復雜等不足,采用現有諧波監測裝置非同步測量數據,提出一種綜合考慮了數據非同步性、場景劃分和數據相關性的諧波責任劃分方法。首先,對原始非同步監測數據集采用分段聚合近似算法進行降噪預處理,利用形狀動態時間規整算法(shape dynamic time warping,ShapeDTW)實現數據匹配對齊;然后,利用點排序識別聚類結構的聚類算法(ordering points to identify the clustering structure,OPTICS)劃分場景以處理電力系統中因負荷投切和無功補償裝置切換等情況導致的諧波責任變化;最后,基于相關性分析構建場景諧波責任和總諧波責任指標,在指標構建的過程中引入了場景時長占比這一因素以得到更加科學合理的總諧波責任值。通過仿真驗證和電網實例驗證,該方法能基于現有非同步性監測數據實現各用戶合理時間尺度動態諧波責任劃分,可為工程上的快速諧波責任劃分提供一定的新思路和新方法。
01 監測數據非同步和諧波阻抗變化下的相關性分析
1.1 諧波監測數據的相關性分析
當電力系統中存在多個諧波源分散分布時,任一關注母線上的諧波電壓畸變都是由所有諧波源注入諧波電流而引起的共同結果,其多諧波責任劃分通常可等效為如圖1所示的模型。
圖1 多諧波源電力系統等效模型
Fig.1 Equivalent model of multi-harmonic source power system
以云南電網某變電站的諧波監測數據為例,分別對3條饋線和母線處采集24 h的7次諧波電流和7次諧波電壓,其3條饋線的諧波電流和母線諧波電壓數據變化趨勢如圖2所示。可以看出,母線處的諧波電壓和各饋線諧波電流變化趨勢存在一定的相關性,但不同饋線諧波電流與母線諧波電壓的相關性存在明顯差異,且不同時間段相關性存在變化。
圖2 3饋線7次諧波電流與母線7次諧波電壓變化趨勢
Fig.2 Variation of 7 th harmonic current of three feeders and 7 th harmonic voltage of bus
以云南電網某變電站嚴格對齊且無明顯諧波阻抗變化的監測數據為例,關注母線處的7次諧波電壓幅值與所接入的饋線諧波源的7次諧波電流幅值之間的線性相關性散點圖如圖3所示,其斜率與饋線的轉移諧波阻抗Zsh有關,截距與非關注諧波源共同產生的諧波電壓U0h有關,多個諧波源存在多個線性相關性。
圖3 諧波源線性相關性散點圖
Fig.3 Linear correlation scatter plot of harmonic sources
從以上分析可看出,在數學上母線諧波電壓近似由網絡內所有諧波源線性組合而成,不同母線受各諧波源的影響存在差異。受同一種或多種諧波源影響的母線,其母線諧波電壓數據與各饋線諧波電流存在一定的關聯性特征,在時間序列上體現為數據間波動的相似性。
1.2 諧波監測數據的非同步性
電能質量監測裝置監測點如圖4所示,監測裝置一般部署在10 kV母線公共連接點上,數據采樣間隔為3 min,可獲得母線諧波電壓數據以及m條饋線的諧波電流數據。
圖4 諧波監測數據采集示意
Fig.4 Harmonic monitoring data acquisition schematic
由于母線諧波電壓采集和饋線諧波電流采集分屬不同監測裝置,而電能質量監測裝置以本地時鐘為參考基準進行數據采集,這就造成了不同監測點數據采集的非同步性。同時,非同步測量下現有監測裝置難以獲取諧波電壓電流瞬時值。
而目前電網公司所使用的諧波監測裝置輸出的測量數據一般為監測周期內的統計值,如最大值、最小值、平均值和95%概率大值,母線諧波電壓能反映電力系統及供電用戶諧波綜合作用的最終結果,因此常選取諧波電壓統計值進行諧波責任分析。不同組統計數據間常常會在數據時間上出現錯位和偏移,進一步加劇了諧波監測數據間的非同步性。
若以在正常工況下采集圖3數據來源的變電站母線諧波電壓監測數據和饋線諧波電流監測數據,以饋線諧波電流幅值為橫坐標、母線諧波電壓幅值為縱坐標的散點圖如圖5所示。可以看出,非同步采樣下其監測數據不再線性分布,無法衡量出數據間的相關性程度。即使通過網絡校時等方法來校正時鐘,也很難實現數據間的完美同步。
圖5 非同步采樣下諧波監測數據散點圖
Fig.5 Scatter plot of harmonic monitoring data by asynchronous sampling
1.3 含諧波阻抗變化的諧波監測數據
在實際運行的電力系統中,當諧波監測裝置數據監測周期較長時,諧波阻抗可能因系統運行方式改變、負荷投切和無功補償裝置切換等情況發生改變,將對如何準確劃分諧波源s應承擔的諧波責任產生較大影響,不同時段諧波源s的應承擔諧波責任將差別較大。
延長圖3數據的監測周期,將該變電站含運行方式改變和負荷投切的時段納入數據監測周期,其監測數據散點圖如圖6所示。可以看出,其數據間的相關性發生了顯著變化,不能再以一個固定相關性系數區衡量該時段內諧波源應承擔的諧波責任。
圖6 諧波阻抗變化下諧波監測數據散點圖
Fig.6 Scatter plot of harmonic monitoring data under harmonic impedance change
02 本文諧波責任劃分方法
2.1 數據預處理
電能質量監測數據具有高噪聲等特點,直接使用原始數據進行諧波責任劃分會導致計算結果精確度不高,通過對諧波監測數據進行降噪可有效改善該問題。本文采用分段聚合近似算法(piecewise aggregation approximation,PAA)對諧波監測數據進行預處理。將諧波監測數據表示為時間序列v={v1,v2, ···, vi, ···, vm},vi表示第i個監測數據,m表示序列長度。
采用文獻[21]中經典PAA算法對諧波監測數據進行降噪處理,即
式中:ω為時間窗口長度;為預處理后的第j個諧波監測數據;PAA降噪處理后的數據為
長度為n。經PAA處理后,數據可留存原有信息,且數據噪聲顯著降低。
2.2 基于ShapeDTW算法的數據對齊
電能質量監測數據是一種典型的時序數據,不同監測點采集的數據序列存在局部位移。動態時間規整算法(dynamic time warping,DTW)能夠對各時序數據點進行非同時刻映射,有效處理序列中的局部位移現象,衡量2個非時間序列之間的相似程度。在進行存在局部位移的曲線匹配時,DTW距離對應與傳統歐式距離對應對比如圖7所示,可見歐式距離在度量存在時移但局部相似的曲線時并不適用,而DTW距離可準確度量其對應關系并進行匹配。
圖7 DTW距離對應與歐式距離對應對比
Fig.7 Comparison of DTW distance correspondence and Euclidean distance correspondence
通過求解最優匹配路徑和對齊方式,可得到母線監測諧波電壓序列和饋線監測諧波電流的距離矩陣,從而定量分析兩者之間的相關性。設饋線諧波電流序列和母線諧波電壓序列分別為x={x1, x2, ···, xm}和y={y1, y2, ···, yn},序列長度分別為m和n。首先,構造一個m行n列的距離矩陣M,其中M[i,j]表示序列x的第i個數xi與序列y的第j個數yj的歐氏距離。其次,設累計距離矩陣為Mc,其第1行和第1列初值為
累計距離矩陣其余部分計算方法為
式中:2≤i≤m,2≤j≤n,i、j∈N。
最后,確定序列x和y的DTW距離。由式(3)可知,累計距離計算的過程相當于計算序列x和y的最優對齊方式,并將最優匹配方式下的累計距離計入矩陣末尾,即可得2組序列數據的整體最小累計距離D(x,y)= Mc[i,j]。其值代表2組序列在趨勢特征和時間特征上的相似程度,值越大則相似度越高。
在實際工程應用中,利用DTW算法進行母線諧波電壓和饋線諧波電流點對點數據匹配時,會出現圖8中2點之間距離最小但忽略局部形狀相似度的不合理匹配,導致A點與B′點匹配。但從圖8中2組數據的形狀相似度對比,可明顯看出A點應與
圖8 合理匹配與不合理匹配示意
Fig.8 Schematic of reasonable and unreasonable matching
為有效避免此種類似不合理匹配情況的出現,使具有相似局部形狀的監測數據序列點趨于匹配,本文在DTW算法匹配的基礎上,采用ShapeDTW算法將序列點周圍的局部形狀信息合并到動態規劃匹配過程中,實現數據匹配對齊。ShapeDTW算法實現數據匹配對齊步驟如下。
1)本文進行的諧波責任劃分是研究2序列x和y之間的責任關系,此處選擇以序列x為基準序列,序列y為待對齊序列。以2序列每個元素為中心,截取長度分別為Lx(Lx?m)和Ly(Ly?n)的子序列,可得序列x的子序列矩陣X′(m×Lx維)和序列y的子序列矩陣Y′(n×Ly維)。
2)對于矩陣X′的每行數據序列x′(i)(i=1, 2, ···, m),按如式(4)所示原則與矩陣Y′的每行數據序列y′(j)(j=1, 2, ···, n)進行最優匹配,設式(4)在處取得最小值,即表示序列x的元素xi與序列y的元素yj匹配。
3)保存基準序列x不變,將與xi匹配的yj分配至新序列y′中的第i個元素,即按以上規則對序列y重構,形成新序列y′。
2.3 基于OPTICS聚類的場景劃分
采用本文方法將非同步的饋線諧波電流數據和母線諧波電壓數據對齊后,可實現數據間的同步性。但針對1.3節中含諧波阻抗變化的諧波監測數據,如未考慮諧波阻抗變化對諧波責任劃分的影響,其諧波責任劃分結果的合理性與適用性將存疑,對此這里將不同諧波阻抗對應的運行場景劃分為不同的簇,然后再對各場景下的諧波源進行諧波責任劃分。
OPTICS聚類算法是一種基于密度的聚類算法,在DBSCAN聚類算法的基礎上改進得到。DBSCAN算法存在易受輸入領域參數(ε, β)的影響,當參數取值不同時,DBSCAN聚類結果也不同的情況。而OPTICS算法通過生成一個反映各樣本點基于密度聚類結構的有序隊列實現靈活聚類。從理論上來講,OPTICS算法可對不同密度的數據進行聚類,獲得任意可分形狀的簇。
假設數據集為X={x1, x2, ···, xi, ···, xn},鄰域半徑為ε,最小數目為β。核心對象定義為:如果ca(xi)≥β ,則xi為X的核心對象點,其中ca(xi)表示點xi鄰域內所包含的元素數。直接密度可達定義為:若xi屬于xj的鄰域且xj為核心對象點,則稱xi是xj的直接密度可達點。核心距離定義為:xi的核心距離為使xi成為核心對象點的最小領域半徑。可達距離定義為:xj關于xi的可達距離為xi的核心距離和xj與xi之間歐幾里得距離的距離最大值。以諧波阻抗為聚類依據的基于OPTICS聚類算法的場景劃分步驟如下。
1)遍歷樣本集E中的元素,判斷該元素是否為核心對象,是則歸入到集合Ω中,否則繼續判斷下一個元素,直至遍歷全部元素。
2)在集合Ω中任意選取一個未被處理的對象點p,將該點標為已處理,尋找該點所有直接密度可達點,并按可達距離大小,將所有直接密度可達點依次排序存入集合S中。
3)若S為空集,則返回步驟2);若S不為空,則選取集合S中可達距離最小的樣本點q,標記為已處理,將該點存至有序列表M中,并判斷點q是否為核心對象點,是則繼續步驟4),否則返回步驟3)。
4)尋找點q所有直接密度可達點aq(j),若aq(j)已存在M中則不做處理;否則判斷S中是否已存在aq(j),存在則繼續步驟5),不存在則跳到步驟6)。
5)若此時關于當前對象新的可達距離小于舊可達距離dr(i),則將其對應的可達距離替換為
對S按可達距離重新排序,返回步驟3)。
6)插入點aq(j),對S按可達距離重新排序,返回步驟3)。
7)將樣本集E中所有元素按步驟2)~6)處理完畢。
以處理順序為橫坐標,可達距離dr(i)為縱坐標,生成有序隊列圖。根據有序隊列圖選取合適的鄰域半徑ε,若dr(i)<ε,則該可達距離有效,將其聚為一類,輸出低谷數據,得到最終聚類劃分結果。OPTICS聚類完成后,監測數據集被劃分為不同場景的數據簇,可在各簇數據基礎上利用相關性分析方法進行諧波責任劃分。
03 諧波責任指標
為更有效地刻畫出第1節中的饋線諧波電流和母線諧波電壓的線性關系程度,本文采用相關性分析方法進行諧波責任劃分。母線諧波電壓和各饋線諧波電流變化趨勢具有一定的相關性,不同饋線不同運行場景對應的相關性存在顯著差異,需定量分析其相關性系數大小,進而根據相關性系數大小確定各諧波源的諧波責任。用變量之間的相關程度來描述變量間的線性關系,其相關性可以用系數r(x,y)為
式中:xi和yi分別為饋線諧波電流序列x的第i個元素和母線諧波電壓序列y的第i個元素;分別為序列x的均值和序列y的均值。r(x,y)∈[?1,1],當r(x,y)的值趨向于1時,代表2序列間具有良好的正相關性;當r(x,y)的值趨向于–1時,代表2序列間具有良好的負相關性;當r(x,y)的值趨向于0時,代表2序列間不存在相關性。
在同場景時段內,諧波責任保持相對穩定。若該監測周期內含k個同場景時段,對于第a個同場景時段(a=1, 2, ···,k)的諧波責任ra為
式中:x(a)和y(a)分別為第a個同場景時段下的饋線諧波電流子序列和母線諧波電壓子序列。
為更加直觀地對比各饋線諧波責任的相對大小,并便于諧波責任獎懲方案的實施,本文對ra進行歸一化處理。在歸一化過程中,以所有饋線諧波源在母線共同造成的結果為基準值1,使所有饋線諧波責任相加為1,其中負值代表該饋線并未產生諧波反而被迫吸收了諧波,為諧波責任劃分中的受害者,其值為所有諧波源在該饋線共同作用的諧波。
將所有ra中的正值處理為
式中:b為正值的個數;Ba(i)為第i條饋線在第a個場景下應承擔責任的系數(假設該母線連接有N個諧波源饋線,i=1, 2, ···,N)。
歸一化完成后,產生諧波的饋線應承擔的責任為吸收諧波的饋線被迫承擔的責任為
其計算過程為
式中:為ra中的負值,表示該饋線被迫承擔的諧波責任;c為負值
的個數。
綜合考慮各場景下諧波責任對應的時間范疇,累計第i條饋線第1個至第k個同場景時段的諧波責任,饋線i在監測周期內的總諧波責任Fi為
式中:Ea(i)為第i條饋線在第a個場景歸一化后的諧波責任值;T(a)為監測周期內第a個同場景時段的時長。此后,運用該歸一化方法,對總諧波責任進行歸一化處理,得到更加直觀和便于比較且考慮時間范疇的各饋線總諧波責任。
04 算例分析
4.1 仿真分析
為驗證本文方法的可行性和準確性,在Matlab/Simulink平臺上搭建如圖9所示的3饋線多諧波源系統,進行諧波責任劃分仿真分析。
圖9 多諧波源等效電路
Fig.9 Equivalent circuit of multi-harmonic sources
以5次諧波為例,各時段的饋線與母線采樣時間差以及系統側和用戶饋線側仿真參數設置如表1所示,共采集組樣本點數據。其中,系統側5次諧波電壓源US=50 V,用戶側3條饋線的5次諧波電流源分別為Ic1=7.1 A、Ic2=5.4 A和Ic3=3.5 A。為模擬電網中諧波源的擾動,分別向系統側諧波電壓源和3個饋線諧波電流源加入以初始值為中心,方差和
的正態噪聲擾動。
表1 仿真參數
Table 1 Simulation parameters
運用本文方法對仿真得到的樣本數據進行預處理,時段1中饋線1的部分諧波電流測量數據預處理后效果對比如圖10所示。
圖10 數據預處理效果
Fig.10 Data preprocessing effect
從圖10可見,預處理后數據分布比預處理前更趨于穩定,且離散點和奇異值減少,但其變化趨勢和規律仍與原來一致,數據在保留了原有信息的同時噪聲顯著降低。
數據預處理后,由于仿真設置中母線諧波電壓采集和饋線諧波電流采集之間存在非同步時間差,其時序數據之間并非存在一一對應關系。為此,以母線采集到的5次諧波電壓為基準曲線,對預處理后的3條饋線時序5次諧波電流數據曲線采用本文方法實現數據匹配對齊。為清晰展示,以時段2饋線1匹配對齊的過程為例,截取部分數據進行分析驗證。忽略曲線之間的幅值大小,保留曲線形狀和變化趨勢,將多條曲線置于同一坐標軸下進行對比分析,其對齊前后的對比如圖11所示。
圖11 部分數據的匹配對齊
Fig.11 Matching alignment of partial data
從圖11中饋線5次諧波電流變化曲線和母線5次諧波電壓變化曲線可見,在該場景下兩者間具有強相關性,局部位移將導致兩者間的相關性發生顯著變化。若未對時序數據序列存在的局部位移進行有效處理,而直接基于相關性分析進行諧波責任劃分其結果將失去真實性與可靠性。對齊后的饋線5次諧波電流曲線能與母線5次諧波電壓曲線實現圖11中A點與B點平行于y軸的一一對應,其饋線5次諧波電流曲線對齊前后同一點對應的時間差與仿真設置的條件一致。
將非同步采樣下的時序數據序列匹配對齊后,不同場景下的諧波阻抗仿真參數具有顯著變化,其變化也將導致母線諧波電壓和饋線諧波電流的相關性發生改變。對此,采用OPTICS聚類算法進行聚類分析,以實現不同相關性的場景劃分。圖12中,橫軸表示諧波數據的處理順序,縱軸表示當前處理對象的可達距離。將可達距離dr(i)與設置好的領域半徑ε進行對比,若dr(i)<ε,則該對象可達距離有意義,對應的諧波數據被聚為一類。輸出水平線ε與曲線dr(i)相交處以下的低谷數據有4簇,對應仿真設置的4個場景。
圖12 OPTICS聚類的有序隊列
Fig.12 Ordered queue of OPTICS clustering
此后,運用本文基于相關性的諧波責任劃分方法計算各場景下的諧波責任,并以同一場景下各饋線諧波源在母線造成的電壓畸變為基準值進行歸一化,各場景下饋線5次諧波責任的計算結果如表2所示。可以看出,同一饋線在不同場景下5次諧波責任具有明顯差異,不同場景下各饋線間的5次諧波責任相對大小關系不同。在場景1中,饋線2被迫吸收了諧波,為諧波責任劃分中的受害者,與母線共同承擔了諧波源造成的后果,但隨著場景的變化,該饋線由受害者轉變為責任者。
表2 各場景下饋線的諧波責任
Table 2 Harmonic responsibility of the feeder under each scenario
從表1的仿真參數設置中可看出,不同場景對應的時長不同,表2的諧波責任為該場景下對應的責任,但各場景的諧波責任所對應和持續的時長不同,若按以往不考慮對應場景時長進行場景劃分的方法把各場景諧波責任簡單相加取平均值作為考慮場景劃分后的總諧波責任,其結果難以信服。對此,運用本文考慮各場景時間范疇進行諧波責任劃分的方法計算考慮場景時長占比后的各場景5次諧波責任如表3所示。
表3 考慮場景時長占比后的諧波責任
Table 3 Harmonic responsibility with consideration of the scenario duration percentage
表3得到的諧波責任相對大小關系代表該饋線在該場景下對監測全周期的總諧波責任貢獻度的相對大小。結合表2和表3,以饋線1為例進行分析。饋線1在場景1時諧波責任最大,但在綜合考慮各場景相對時長占比和諧波責任大小后,場景3下的諧波責任對總諧波責任結果貢獻最大。饋線1在場景1時為短時局部諧波責任最大,場景3雖諧波責任和時長占比都并非最大,但在考慮諧波責任大小和持續時間后,該場景下的諧波責任對饋線1的總諧波責任貢獻度最大。
為驗證本文方法考慮監測數據非同步性、諧波阻抗變化和場景持續時長的必要性,將本文方法計算得到的總諧波責任與未進行上述考慮(在對比過程中,僅以其中一種作為自變量)的結果對比分析,結果如表4所示。
表4 總諧波責任對比
Table 4 Total harmonic responsibility comparison
從表4可以看出,如未對局部位移造成的諧波數據序列非同步性進行有效處理,而直接基于相關性分析進行諧波責任劃分,其計算結果已不再具有工程實際價值。未考慮諧波阻抗變化不進行場景劃分的計算結果與進行場景劃分并考慮場景時間范疇的計算結果存在一定差異,但其數值大小整體相對接近。這從側面驗證了本文方法的準確性,進行場景劃分后諧波責任計算結果的精度有較大提升,能有效應對諧波阻抗變化對諧波責任計算帶來的影響。考慮場景劃分后各場景持續時長占比的諧波責任劃分方法可改進以往只進行場景劃分(默認各場景時長相同)帶來的不足,有效處理監測全時段內諧波責任的短時劇烈波動,使諧波責任計算結果更加精準。
4.2 實例分析
為驗證本文方法在實際工程運用中的有效性,以云南電網公司某110 kV變電站10 kV母線及該母線所包含的3條饋線為例進行諧波責任劃分。電能質量監測裝置監測點如圖4所示,監測周期為該變電站諧波污染較為嚴重的7天。由于數據體量較大,為清晰展示,綜合考慮該變電站監測周期內各次諧波電壓含有率、各饋線間不同次諧波電流含有量差距和各次背景諧波波動情況后,本文以7次諧波為例進行諧波責任劃分分析。
按本文方法步驟進行7次諧波責任劃分,結果如表5所示。表5中各場景諧波責任為未考慮時長占比的饋線諧波責任值,全時段諧波責任為考慮各場景時長占比后的監測全時段總諧波責任值。
表5 實例分析的諧波責任劃分
Table 5 Harmonic responsibility division in case study
從表5可以看出,3條饋線的7次諧波責任在監測周期內存在明顯波動,3條饋線在不同場景下諧波責任有顯著差異且變化趨勢不相同。雖諧波責任存在變化,但在各場景中饋線1的諧波責任均為最大,與全時段總諧波責任結論一致。以饋線1為例,雖該饋線在場景2時諧波責任最大,但持續時間不長,綜合考慮各場景時長占比后,場景3下的諧波責任對該饋線總諧波責任值貢獻最大。若未考慮各場景時長占比,其總諧波責任值將受短時劇烈波動的影響而遠離于整體值。饋線1應承擔7次諧波主要責任,饋線3承擔次要責任,饋線2為諧波責任劃分中的受害者。
實際生產運行中很難切斷某條饋線來驗證本文方法的合理性,經調研和查閱該變電站資料,對3條饋線所接負荷類型和大小分析,與饋線1和饋線3主要產生諧波的分析結果相符。根據該變電站的運行資料,本文方法劃分的場景個數及其大致時長占比與該變電站的運行場景情況基本一致。綜合上述分析,本文方法所得諧波責任劃分結果與電網實際運行情況較為符合。
05 結語
本文提出了一種在考慮電網現有諧波監測數據非同步性和諧波阻抗變化后,基于相關性分析進行諧波責任劃分的方法,并通過仿真分析和實例分析驗證了該方法的可行性與合理性。
該方法為實際工程應用中諧波責任劃分問題提供了新思路和新方法,但在長時間尺度內面臨復雜工況時的適用性和可靠性還有待探究。下一步將利用諧波責任劃分結果進一步制定合理性經濟性指標,并對在線應用進行研究。
注:本文內容呈現略有調整,如需要請查看原文。
上一篇:無