基于环境激励数据的次同步振荡辨识方法与流程

1.本发明涉及电力系统稳定及控制技术领域，具体的是基于环境激励数据的次同步振荡辨识方法。


背景技术：

2.次同步振荡相关预警方法的研究虽然已有所进展，但多数算法以分析电力系统中次同步振荡的诱发因素为入手点，然而实际的电力系统运行场景是复杂多变的，以次同步振荡诱发因素为出发点的次同步振荡预警方法往往仅适用于特定的电力系统运行场景，泛化使用面临困难，对特定场景数学分析的过程也影响了算法实际使用的实时性，实际场景使用往往表现不佳。
3.传统次同步振荡参数估计方法大多数基于次同步振荡发生时的暂态数据实现，这类传统的基于暂态数据的次同步振荡参数估计方法无法用于次同步振荡的风险感知任务中。目前，已有研究证明电力系统稳态下的环境激励数据拥有丰富的动态信息，在电力系统低频振荡领域已有基于环境激励数据的振荡参数估计研究，从负荷随机波动下的电力系统线性化状态空间模型中成功提取到了低频振荡特征信息，但鲜有文献基于环境激励数据进行次同步振荡的参数估计。机电(低频)振荡、机械轴系次同步扭振、电网的电气谐振与控制引发的振荡等，虽然其物理机理与表现形式并不相同且存在较大差异，但它们在数学模型上具有统一的形式，在数学模型上存在共通性。由于低频振荡和次同步振荡数学模型的形式具有统一性，环境激励下的电力系统信号模型中可能同样存在着次同步振荡的特征信息。


技术实现要素：

4.为解决上述背景技术中提到的不足，本发明的目的在于提供基于环境激励数据的次同步振荡辨识方法。
5.本发明的目的可以通过以下技术方案实现：基于环境激励数据的次同步振荡辨识方法，方法包括以下步骤：
6.接收电力系统内的环境激励数据；
7.将环境激励数据输入预先建立的门控循环单元神经网络gru模型内，提取出环境激励数据的次同步振荡特征；
8.利用attention机制对次同步振荡特征进行辨识，再经全连接层维度变换得到次同步振荡的频率与阻尼比参数。
9.优选地，所述环境激励数据的环境激励类型包括白噪声与有色噪声。
10.优选地，所述gru模型包括重置门和更新门，用以提取环境激励数据内含的次同步振荡特征信息。
11.优选地，所述重置门的计算公式如下：
12.r
t
＝σ(x
twxr
+h
t-1whr
+br)
13.式中，x
t
为输入的环境激励数据在t时刻的实际值，h
t-1
为t-1时刻环境激励数据输入对应的隐藏状态输出；w
xr
、w
hr
、br为模型需要训练的参数；σ函数值域为0到1，取0表示丢弃，取1表示完全保留，r
t
为重置门的输出。
14.优选地，所述更新门的计算公式如下：
15.z
t
＝σ(x
twxz
+h
t-1whz
+bz)
16.式中，x
t
为输入的环境激励数据在t时刻的实际值，h
t-1
为t-1时刻环境激励数据输入对应的隐藏状态输出；w
xz
、w
hz
、bz为模型需要训练的参数；σ函数值域为0到1，取0表示丢弃，取1表示完全保留，z
t
为更新门的输出。
17.优选地，所述gru模型计算从环境激励数据内提取到的次同步振荡特征的候选隐藏状态与隐藏状态。
18.优选地，所述候选隐藏状态输出计算如下：
[0019][0020]
式中，x
t
为输入的环境激励数据在t时刻的实际值，h
t-1
为t-1时刻环境激励数据输入对应的隐藏状态输出；w
xh
、w
hh
、bh为模型需要训练的参数；
⊙
代表按元素相乘；r
t
为当前时间步重置门的输出；tanh为激活函数；
[0021]
所述隐藏状态输出h
t
计算如下所示：
[0022][0023]
式中，为t时刻环境激励数据输入对应的候选隐藏状态输出，z
t
为当前时间步的更新门输出。
[0024]
优选地，所述利用attention机制对次同步振荡特征进行辨识的过程包括以下步骤：
[0025]
计算环境激励数据每一时间步的特征信息的权重分数；
[0026]
对计算得出的特征信息的权重分数做归一化处理，得到每个时刻次同步振荡特征信息的权重；
[0027]
利用得到的每个时刻次同步振荡特征信息的权重，计算attention值。
[0028]
优选地，所述计算环境激励数据每一时间步的特征信息的权重分数的计算过程如下：
[0029]et
＝v
t
tanh(ws+uh
t
)
[0030]
式中，h
t
为t时刻环境激励数据输入对应的隐藏状态输出，e
t
为最终计算得到的环境激励数据t时刻次同步振荡特征信息的权重分数；s为gru最后一个时序的结尾输出量；v、w、u为模型需要训练的参数；tanh为激活函数；
[0031]
所述attention值通过每个时刻次同步振荡特征信息的权重与h
t
做加权平均得到，且将attention值经全连接层后，最终输出次同步振荡的频率与阻尼比。
[0032]
本发明的有益效果：
[0033]
本发明所提的基于环境激励数据的次同步振荡辨识方法不仅可用于次同步振荡发生前的风险预警工作，也可用于稳态下对电力系统次同步振荡现象的分析工作。所提方法拥有优异的泛化使用性和实时性，相比基于次同步振荡影响因素构建的次同步振荡预警
方法，更好地兼容了实际电力系统复杂多变的运行场景，具有优秀的工业实用价值；
[0034]
本发明基于数据驱动，无需对信号模型进行分析，拥有良好的便利性和泛化性，适用于在线使用和模型泛用；
[0035]
本发明在陌生的电力系统运行场景中仍然拥有较好的估计结果，拥有良好的泛化性；
[0036]
本发明的时间损耗集中在模型的训练环节，且该环节可在离线条件下进行，实际在测试集上的参数估计时间花费很少，因此适用于在线的次同步振荡的参数估计及风险感知的任务中，拥有良好的实时性。
附图说明
[0037]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图；
[0038]
图1是本发明方法流程图；
[0039]
图2是本发明模型架构图；
[0040]
图3是本发明实施算例流程图；
[0041]
图4是沽源风电仿真系统结构图。
具体实施方式
[0042]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
[0043]
如图1所示，基于环境激励数据的次同步振荡辨识方法，方法包括以下步骤：
[0044]
接收电力系统内的环境激励数据；
[0045]
将环境激励数据输入预先建立的门控循环单元神经网络gru模型内，提取出环境激励数据的次同步振荡特征；
[0046]
利用attention机制对次同步振荡特征进行辨识，再经全连接层维度变换得到次同步振荡的频率与阻尼比参数。
[0047]
需要进一步进行说明的是，在具体实施过程中，所述gru模型包括重置门和更新门，用以提取环境激励数据内含的次同步振荡特征信息，并计算从环境激励数据内提取到的次同步振荡特征的候选隐藏状态与隐藏状态。
[0048]
其中，重置门的计算公式如下：
[0049]rt
＝σ(x
twxr
+h
t-1whr
+br)
[0050]
式中，x
t
为输入的环境激励数据在t时刻的实际值，h
t-1
为t-1时刻环境激励数据输入对应的隐藏状态输出；w
xr
、w
hr
、br为模型需要训练的参数；σ函数值域为0到1，取0表示丢弃，取1表示完全保留，r
t
为重置门的输出。
[0051]
更新门的计算公式如下所示：
[0052]zt
＝σ(x
twxz
+h
t-1whz
+bz)
[0053]
式中，x
t
为输入的环境激励数据在t时刻的实际值，h
t-1
为t-1时刻环境激励数据输入对应的隐藏状态输出；w
xz
、w
hz
、bz为模型需要训练的参数；σ函数值域为0到1，取0表示丢弃，取1表示完全保留，z
t
为更新门的输出。
[0054]
t时刻环境激励数据输入对应的候选隐藏状态输出计算如下：
[0055][0056]
式中，x
t
为输入的环境激励数据在t时刻的实际值，h
t-1
为t-1时刻环境激励数据输入对应的隐藏状态输出；w
xh
、w
hh
、bh为模型需要训练的参数；
⊙
代表按元素相乘；r
t
为当前时间步重置门的输出；tanh为激活函数。
[0057]
t时刻环境激励数据输入对应的隐藏状态输出h
t
计算如下所示：
[0058][0059]
式中，为t时刻环境激励数据输入对应的候选隐藏状态输出，z
t
为当前时间步的更新门输出。
[0060]
需要进一步进行说明的是，在具体实施过程中，所述利用attention机制对次同步振荡特征进行辨识的过程包括以下步骤：
[0061]
计算环境激励数据每一时间步的特征信息的权重分数；
[0062]
对计算得出的特征信息的权重分数做归一化处理，得到每个时刻次同步振荡特征信息的权重；
[0063]
利用得到的每个时刻次同步振荡特征信息的权重，计算attention值。
[0064]
其中，计算环境激励数据每一时间步的特征信息的权重分数的方法如下：
[0065]et
＝v
t
tanh(ws+uh
t
)
[0066]
式中，h
t
为t时刻环境激励数据输入对应的隐藏状态输出，e
t
为最终计算得到的环境激励数据t时刻次同步振荡特征信息的权重分数；s为gru最后一个时序的结尾输出量；v、w、u为模型需要训练的参数；tanh为激活函数。
[0067]
对计算得出的特征信息的权重分数做归一化处理，得到每个时刻次同步振荡特征信息的权重的过程如下：
[0068][0069]
式中，α
t
为计算得到的环境激励数据t时刻次同步振荡特征信息的权重值。
[0070]
计算attention值的计算方法如下：
[0071][0072]
式中，c为通过使用各时刻计算得到的环境激励数据中次同步振荡特征信息的权重α
t
和隐藏状态h
t
做加权平均最终得到的attention值，c经全连接层最终输出次同步振荡的频率与阻尼比。
[0073]
在本实施例中，本实施方案基于沽源风电仿真系统进行，为模拟实际风电系统运行场景复杂多变的不确定性，并测试本发明所述方法的泛化性，本实施方案以环境噪声种
类、环境噪声波动幅度、环境风速、系统串补度以及风电场转子侧电流内环控制器比例系数5种场景影响因子作为实验场景变量，构建多种互不相同的风电系统运行场景。
[0074]
环境激励数据的环境激励类型包括白噪声与有色噪声。
[0075]
白噪声环境激励类型指功率谱密度在整个频域内是常数的噪声，生成方法如下：
[0076][0077]
式中，h(λ)(λ＞0)为g(s)的脉冲响应函数，则输入信号x(t)和输出信号y(t)的功率谱密度具有如下对应关系：
[0078]
sy(ω)＝|g(jω)|2s
x
(ω)
[0079]
式中，g(jω)为传递函数g(s)的频率响应。
[0080]
有色噪声环境激励类型指功率谱密度函数不平坦的噪声，白噪声通过信道受信道频率影响可生成有色噪声，故可使白噪声信号x(t)可通过线性传递函数g(s)得到有色噪声信号y(t)，如下所示：
[0081]
sy(ω)＝|g(jω)|2s
x
(ω)＝|g(jω)|2·
1＝g
*
(jω)g(jω)
[0082]
式中，g
*
(jω)为g(jω)的复共轭。g(s)就是成形滤波器的传递函数形式。
[0083]
将白噪声通过成形滤波器可以得到有色噪声。成型滤波器可以通过传递函数建模得到，传递函数可定义为如下：
[0084][0085]
式中，p为初始有功负荷，np为有功负荷的波动比例，其他为固定参数。
[0086]
除环境激励种类外，其他场景变量设置如下：
[0087]
环境激励波动幅度的比例设置在7％至13％之间；风电仿真系统风速的范围设定在6.5m/s至7.5m/s的范围内，串补度的变化范围在7％至16％之间；风电场转子侧电流内环控制器比例系数k
p
变化范围设定在0.10至0.20之间。
[0088]
每组场景下次同步振荡频率与阻尼比的正确值通过该场景下基于暂态数据使用传统次同步振荡辨识方法计算获得。
[0089]
实施例一：
[0090]
本发明在陌生环境激励下的参数估计效果表现。
[0091]
设置风速、串补度、风电场转子侧电流内环控制器比例系数k
p
在前述的合理取值范围内，使用白噪声和有色噪声两种环境激励形式，选择7％～11％环境激励波动幅度下的电力系统运行场景中的数据作为训练集，12％～13％环境激励波动幅度下的电力系统运行场景中的数据作为测试集，使用构造好的训练集对本发明的进行模型性能提升训练，训练完成后，使用构造好的测试集来对本发明的性能进行测试。
[0092]
测试集共包含100组数据，经过测试，在陌生环境激励下的实验环境中，本发明可以有效地用于基于环境激励数据的次同步振荡频率参数估计任务。通过计算得出，测试集各组数据中频率的正确值与本发明的估计值的最小绝对误差为0.0968hz，最大绝对误差为0.7421hz，绝对误差整体平均值经计算为0.339365hz。总体来看，本发明在陌生环境激励下频率参数估计任务中取得了不错的效果，最终辨识结果的均值误差与最大误差均表现良
好。
[0093]
在陌生环境激励下的实验环境中，本发明在阻尼比参数估计任务上同样有不错的辨识效果。经过计算得出，测试集各组数据中阻尼比的正确值与本发明估计值的最小绝对误差为0.0057，最大绝对误差为0.3013，误差整体平均值经计算为0.113594。本发明在阻尼比的参数估计任务上表现优秀，最终辨识结果的均值误差与最大误差均表现良好。
[0094]
实施例二：
[0095]
本发明在陌生风速场景下的参数估计效果表现。
[0096]
设置环境激励、串补度、风电场转子侧电流内环控制器比例系数k
p
在前述的合理取值范围内，选择风速为6.5m/s～7.2m/s的电力系统运行场景中的数据作为训练集，7.3m/s～7.5m/s风速下的电力系统运行场景中的数据作为测试集，使用构造好的训练集对本发明进行模型性能提升训练，训练完成后，使用构造好的测试集来对本发明的性能进行测试。
[0097]
该实验环境下的测试集同样包含100组数据，在陌生风速的电力系统运行场景中，本发明在频率参数的估计任务上取得了非常良好的效果，经过误差计算，本发明在频率参数估计任务上的最小绝对误差为0.000029hz，最大绝对误差为0.1611hz，在100组数据上的整体误差均值经计算为0.053583hz。从最终计算出的频率估计误差可以看出，本发明在陌生风速场景下的频率参数估计任务中拥有非常优秀的效果，准确性表现良好，性能表现出色。
[0098]
在陌生风速场景下的阻尼比参数估计任务中，经过计算，本发明的最小绝对误差为0.0047，最大绝对误差为0.2582，100组数据的均值估计误差经计算为0.108887。可以看出，本发明在陌生风速场景下的阻尼比参数估计任务中性能表现优秀，最大误差和均值误差都在比较小的范围内，未出现误差过大的实验结果，本发明在该任务上拥有良好的参数估计准确性。
[0099]
实施例三：
[0100]
本发明在陌生串补度场景下的参数估计效果表现。
[0101]
设置环境激励、风速、风电场转子侧电流内环控制器比例系数k
p
在前述的合理取值范围内，选择串补度为7％～13％的电力系统运行场景中的数据作为训练集，串补度在14％～16％下的电力系统运行场景中的数据作为测试集，使用构造好的训练集对本发明进行模型性能提升训练，训练完成后，使用构造好的测试集来对本发明的性能进行测试。
[0102]
测试集同样包含100组测试数据，本发明在陌生串补度场景下，成功在每组数据中基于环境激励数据估计得到了频率参数，经计算得出，在测试集上，本发明的最小估计绝对误差为0.2376hz，最大估计绝对误差为0.5903hz，整体的估计误差均值经计算得到为0.429669hz。综合来看，本发明可以有效地用在陌生串补度场景下基于环境激励数据的次同步振荡频率参数估计任务中，误差总体在可接受范围内，未产生较为严重的估计错误。
[0103]
本发明在陌生串补度场景下的阻尼比估计任务中估计效果表现良好，最小估计绝对误差和最大估计绝对误差经计算分别为0.000445和0.3323，100组数据的整体估计误差均值经计算为0.124958。从计算得到的误差结果来看，本发明总体估计效果良好，准确率表现不错，本发明可有效地用在陌生串补度场景下的阻尼比估计任务中。
[0104]
实施例四：
[0105]
本发明在陌生k
p
系统场景下的参数估计效果表现。
[0106]
设置环境激励、风速、串补度在前述的合理取值范围内，选择风电场转子侧电流内环控制器比例系数k
p
在0.10～0.17范围内的电力系统运行场景中的数据作为训练集，k
p
在0.18～0.20范围内的电力系统运行场景中的数据作为测试集，使用构造好的训练集对本发明进行模型性能提升训练，训练完成后，使用构造好的测试集来对本发明的性能进行测试。
[0107]
同样地，测试集包含100组数据，最终实验结果证明，本发明在陌生k
p
的电力系统运行场景下基于环境激励数据进行次同步振荡频率参数估计是可行的，测试集上的最小绝对误差为0.0968hz，最大绝对误差为0.7421hz，本发明在测试集上的整体误差均值经计算为0.339365hz。综合误差分析可以看出，本发明在陌生k
p
的电力系统运行场景下的频率参数估计任务中拥有不错的估计效果，性能表现良好。
[0108]
本发明在陌生k
p
系统场景下的阻尼比估计效果表现良好，经过详细计算，本发明在陌生k
p
的电力系统运行场景下，阻尼比参数的最小估计绝对误差为0.0057，最大估计绝对误差为0.3013，本发明在测试集上的阻尼比参数估计误差维持在了0.0057～0.3013之间，性能稳定性表现良好，测试集上的整体均值误差经计算为0.113954，保持在了较低水平。综合来看，本发明在陌生k
p
的电力系统运行场景下，可以基于环境激励数据很有效地对次同步振荡阻尼比进行估计，本发明在该任务上准确性和泛化性表现良好。
[0109]
综合本发明在以上4种不同实验环境中的测试结果可以看出，在基于环境激励数据的次同步振荡参数估计领域，本发明方法是有效的，并展现出了较为良好的使用效果。最终实验结果证明，在基于环境激励数据的次同步振荡参数估计任务上，本发明所述方法具有良好的泛化性，在构建的4种实验环境中，分别泛化到陌生环境激励、陌生风速、陌生串补度、陌生风电场转子侧电流内环控制器比例系数k
p
参数的电力系统运行场景下均取得了良好的参数估计效果。另外，本发明方法无需分析具体信号模型，免除了对特定场景进行数学分析的过程，进一步有利于本章所提方法在实际场景中的泛化使用与实时调用。另外，本发明所述方法的时间耗费主要集中在模型训练阶段且模型训练阶段可在离线状态下进行，实际使用中，通过调用离线已训练完成的本发明所提模型，可很好满足在线参数估计的实时性需求。
[0110]
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本公开的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0111]
以上显示和描述了本公开的基本原理、主要特征和本公开的优点。本行业的技术人员应该了解，本公开不受上述实施例的限制，上述实施例和说明书中描述的只是说明本公开的原理，在不脱离本公开精神和范围的前提下，本公开还会有各种变化和改进，这些变化和改进都落入要求保护的本公开范围内容。

技术特征：
1.基于环境激励数据的次同步振荡辨识方法，其特征在于，方法包括以下步骤：接收电力系统内的环境激励数据；将环境激励数据输入预先建立的门控循环单元神经网络gru模型内，提取出环境激励数据的次同步振荡特征；利用attention机制对次同步振荡特征进行辨识，再经全连接层维度变换得到次同步振荡的频率与阻尼比参数。2.根据权利要求1所述的基于环境激励数据的次同步振荡辨识方法，其特征在于，所述环境激励数据的环境激励类型包括白噪声与有色噪声。3.根据权利要求1所述的基于环境激励数据的次同步振荡辨识方法，其特征在于，所述gru模型包括重置门和更新门，用以提取环境激励数据内含的次同步振荡特征。4.根据权利要求3所述的基于环境激励数据的次同步振荡辨识方法，其特征在于，所述重置门的计算公式如下：r
t
＝σ(x
t
w
xr
+h
t-1
w
hr
+b
r
)式中，x
t
为输入的环境激励数据在t时刻的实际值，h
t-1
为t-1时刻环境激励数据输入对应的隐藏状态输出；w
xr
、w
hr
、b
r
为模型需要训练的参数；σ函数值域为0到1，取0表示丢弃，取1表示完全保留，r
t
为重置门的输出。5.根据权利要求3所述的基于环境激励数据的次同步振荡辨识方法，其特征在于，所述更新门的计算公式如下：z
t
＝σ(x
t
w
xz
+h
t-1
w
hz
+b
z
)式中，x
t
为输入的环境激励数据在t时刻的实际值，h
t-1
为t-1时刻环境激励数据输入对应的隐藏状态输出；w
xz
、w
hz
、b
z
为模型需要训练的参数；σ函数值域为0到1，取0表示丢弃，取1表示完全保留，z
t
为更新门的输出。6.根据权利要求1所述的基于环境激励数据的次同步振荡辨识方法，其特征在于，所述gru模型计算从环境激励数据内提取到的次同步振荡特征的候选隐藏状态与隐藏状态。7.根据权利要求6所述的基于环境激励数据的次同步振荡辨识方法，其特征在于，所述候选隐藏状态输出计算如下：式中，x
t
为输入的环境激励数据在t时刻的实际值，h
t-1
为t-1时刻环境激励数据输入对应的隐藏状态输出；w
xh
、w
hh
、b
h
为模型需要训练的参数；
⊙
代表按元素相乘；r
t
为当前时间步重置门的输出；tanh为激活函数。8.根据权利要求6所述的基于环境激励数据的次同步振荡辨识方法，其特征在于，所述隐藏状态输出h
t
计算如下所示：式中，为t时刻环境激励数据输入对应的候选隐藏状态输出，z
t
为当前时间步的更新门输出。9.根据权利要求1所述的基于环境激励数据的次同步振荡辨识方法，其特征在于，所述利用attention机制对次同步振荡特征进行辨识的过程包括以下步骤：
计算环境激励数据每一时间步的特征信息的权重分数；对计算得出的特征信息的权重分数做归一化处理，得到每个时刻次同步振荡特征信息的权重；利用得到的每个时刻次同步振荡特征信息的权重，计算attention值。10.根据权利要求9所述的基于环境激励数据的次同步振荡辨识方法，其特征在于，所述计算环境激励数据每一时间步的特征信息的权重分数的计算过程如下：e
t
＝v
t
tanh(ws+uh
t
)式中，h
t
为t时刻环境激励数据输入对应的隐藏状态输出，e
t
为最终计算得到的环境激励数据t时刻次同步振荡特征信息的权重分数；s为gru最后一个时序的结尾输出量；v、w、u为模型需要训练的参数；tanh为激活函数；所述attention值通过每个时刻次同步振荡特征信息的权重与h
t
做加权平均得到，且将attention值经全连接层后，最终输出次同步振荡的频率与阻尼比。

技术总结
本发明公开了基于环境激励数据的次同步振荡辨识方法，涉及电力系统稳定及控制技术领域，包括以下步骤：接收电力系统内的环境激励数据；将环境激励数据输入预先建立的门控循环单元神经网络GRU模型内，提取出环境激励数据的次同步振荡特征；利用Attention机制对次同步振荡特征进行辨识，再经全连接层维度变换得到次同步振荡的频率与阻尼比参数；本发明的GRU模型可实现环境激励信号中次同步振荡模态特征的初步提取，Attention机制可使模型对特定时序特征进行有选择的重点关注，从而进一步提升模型的信息利用能力，最终经全连接层维度变换输出频率与阻尼比。变换输出频率与阻尼比。变换输出频率与阻尼比。


技术研发人员：吴熙 王鹏 陈曦 许皓珲 李强 任必兴 贾勇勇
受保护的技术使用者：国网江苏省电力有限公司电力科学研究院 国网江苏省电力有限公司 国家电网有限公司
技术研发日：2023.05.06
技术公布日：2023/8/13