本發(fā)明涉及電力系統(tǒng)運(yùn)行與控制領(lǐng)域，特別是涉及一種基于風(fēng)電場(chǎng)爬坡事件特征識(shí)別的風(fēng)電功率組合預(yù)測(cè)方法。

背景技術(shù)：

隨著煤炭、石油等不可再生資源的日益枯竭以及能源困局的日益嚴(yán)峻，風(fēng)能、太陽(yáng)能、潮汐能及生物質(zhì)能等可再生能源在世界范圍內(nèi)愈發(fā)備受關(guān)注。風(fēng)力發(fā)電是可再生能源發(fā)電技術(shù)中技術(shù)最成熟、最具開(kāi)發(fā)價(jià)值的可再生能源。發(fā)展風(fēng)電對(duì)于保障能源安全，調(diào)整能源結(jié)構(gòu)，減輕環(huán)境污染，實(shí)現(xiàn)可持續(xù)發(fā)展等都具有非常重要的意義。

自然界風(fēng)能的間歇特性決定了風(fēng)電功率具有很強(qiáng)的波動(dòng)性，隨著風(fēng)電場(chǎng)數(shù)量和裝機(jī)容量的不斷增大，一旦將風(fēng)電并入電網(wǎng)，這種功率波動(dòng)將給電網(wǎng)的安全經(jīng)濟(jì)運(yùn)行帶來(lái)巨大挑戰(zhàn)。提前對(duì)風(fēng)速和風(fēng)電功率進(jìn)行準(zhǔn)確的預(yù)測(cè)，可以緩解電力系統(tǒng)調(diào)峰、調(diào)頻的壓力，有效提高電網(wǎng)對(duì)風(fēng)電的接納能力。

目前，隨著風(fēng)電在電網(wǎng)中滲透率的提高，風(fēng)電并網(wǎng)給電力系統(tǒng)的調(diào)度和安全穩(wěn)定帶來(lái)很大的挑戰(zhàn)，使得風(fēng)電功率的準(zhǔn)確預(yù)測(cè)變得尤為重要。盡管常規(guī)的功率預(yù)測(cè)方法已經(jīng)達(dá)到風(fēng)電場(chǎng)運(yùn)行要求，但是當(dāng)出現(xiàn)風(fēng)電功率的瞬時(shí)顯著波動(dòng)即風(fēng)電功率爬坡事件時(shí)，會(huì)導(dǎo)致電網(wǎng)瞬時(shí)性或永久性故障，造成巨額經(jīng)濟(jì)損失。因此，研究風(fēng)電爬坡的特性并對(duì)其進(jìn)行準(zhǔn)確預(yù)測(cè)，一方面能夠提高電網(wǎng)對(duì)并網(wǎng)風(fēng)電功率估計(jì)的準(zhǔn)確性，有助于電力調(diào)度提前對(duì)風(fēng)電爬坡事件進(jìn)行防范，維護(hù)電網(wǎng)的穩(wěn)定運(yùn)行；另一方面能夠降低常規(guī)機(jī)組應(yīng)對(duì)風(fēng)電爬坡事件的調(diào)控負(fù)擔(dān)，有助于減少電網(wǎng)的旋轉(zhuǎn)備用容量，降低運(yùn)行成本，對(duì)風(fēng)電大規(guī)模集中并網(wǎng)的安全穩(wěn)定經(jīng)濟(jì)運(yùn)行具有重要意義。

技術(shù)實(shí)現(xiàn)要素：

為了克服上述現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種基于爬坡事件特征識(shí)別的風(fēng)電功率組合預(yù)測(cè)方法。該方法充分考慮了目前風(fēng)電功率預(yù)測(cè)的熱門(mén)研究問(wèn)題，即風(fēng)電的爬坡事件的功率預(yù)測(cè)。采用一種全新的數(shù)據(jù)儲(chǔ)存領(lǐng)域中的壓縮數(shù)據(jù)手段，可以更加快速有效的進(jìn)行風(fēng)電爬坡事件的特征識(shí)別和提取。此外，根據(jù)爬坡事件成因復(fù)雜、具有非線性、滯后性，難以建立準(zhǔn)確的數(shù)學(xué)模型來(lái)表征的特點(diǎn)，采用模糊聚類的方法，從歷史樣本集中搜索出相似事件的類別并進(jìn)行訓(xùn)練和建立預(yù)測(cè)模型。該方法適應(yīng)性強(qiáng)，能夠有效地提高風(fēng)電的預(yù)測(cè)精度。本發(fā)明所采用的技術(shù)方案綜合考慮如下因素：

1、風(fēng)電場(chǎng)歷史風(fēng)速數(shù)據(jù)和歷史功率數(shù)據(jù)；

2、風(fēng)電爬坡事件的爬坡方向、爬坡率、爬坡幅值、爬坡持續(xù)時(shí)間和爬坡開(kāi)始時(shí)間；

3、本地風(fēng)電場(chǎng)數(shù)據(jù)的歷史年變化規(guī)則。

在以上因素的基礎(chǔ)上，一種基于爬坡事件特征識(shí)別的風(fēng)電功率組合預(yù)測(cè)方法，包括以下步驟：

s1、利用小波降噪法對(duì)風(fēng)電場(chǎng)的歷史風(fēng)速和歷史功率數(shù)據(jù)進(jìn)行處理，分別得到光滑的歷史風(fēng)速曲線和歷史功率曲線，以消除噪聲帶來(lái)的干擾；

s2、采用壓縮算法，對(duì)步驟s1得到的光滑的歷史風(fēng)速曲線和歷史功率曲線進(jìn)行爬坡事件的特征識(shí)別，然后將識(shí)別出來(lái)的爬坡事件進(jìn)行特征值提??；

s3、利用模糊聚類的方法將步驟s2提取出來(lái)的爬坡事件的特征值進(jìn)行分類，作出最優(yōu)聚類模型，得到不同的爬坡事件類型；

s4、利用統(tǒng)計(jì)方法對(duì)步驟s3得到的不同的爬坡事件類型分別進(jìn)行訓(xùn)練并建立預(yù)測(cè)模型；

s5、對(duì)風(fēng)電場(chǎng)的實(shí)時(shí)風(fēng)速測(cè)試數(shù)據(jù)和實(shí)時(shí)功率測(cè)試數(shù)據(jù)進(jìn)行步驟s1至s2的過(guò)程，提取實(shí)時(shí)風(fēng)速測(cè)試數(shù)據(jù)和實(shí)時(shí)功率測(cè)試數(shù)據(jù)的爬坡事件的特征值；

s6、利用步驟s4得到的預(yù)測(cè)模型對(duì)提取出來(lái)的實(shí)時(shí)風(fēng)速測(cè)試數(shù)據(jù)和實(shí)時(shí)功率測(cè)試數(shù)據(jù)的爬坡事件的特征值進(jìn)行分類，并利用預(yù)測(cè)模型進(jìn)行預(yù)測(cè)，最后得到最終的組合預(yù)測(cè)結(jié)果。

在上述方案的基礎(chǔ)上，步驟s1所述小波降噪的過(guò)程為：

s11、對(duì)歷史風(fēng)速數(shù)據(jù)和歷史功率數(shù)據(jù)的時(shí)間序列進(jìn)行傅里葉處理，將離散的信號(hào)轉(zhuǎn)為連續(xù)信號(hào)；

s12、對(duì)連續(xù)信號(hào)進(jìn)行功率譜分析，畫(huà)出其頻譜波形；

s13、分析連續(xù)信號(hào)的頻譜波形特點(diǎn)，進(jìn)而對(duì)波形進(jìn)行擬合，擬合后得到參數(shù)方程，求解得出功率譜分布結(jié)果；

s14、改變方程的參數(shù)后進(jìn)行反變換，得出濾波后的結(jié)果。

在上述方案的基礎(chǔ)上，步驟s2中所述壓縮算法為旋轉(zhuǎn)門(mén)(sdt)算法，所述旋轉(zhuǎn)門(mén)算法是一種直線趨勢(shì)化壓縮算法。

在上述方案的基礎(chǔ)上，步驟s2中所述爬坡事件是基于快速場(chǎng)(ffp)算法的，基于ffp算法的爬坡事件定義為：設(shè)p為風(fēng)電歷史功率時(shí)間序列，為經(jīng)過(guò)去噪之后的風(fēng)電光滑的歷史功率曲線，為經(jīng)sdt算法轉(zhuǎn)換后的風(fēng)電歷史功率光滑序列，所述歷史功率光滑序列用來(lái)識(shí)別爬坡事件，由公式(1)計(jì)算得到：

其中sdt為具有壓縮算法原理的自定義函數(shù)；δe為敏感性參數(shù)，取值越小，可識(shí)別的爬坡事件過(guò)程持續(xù)時(shí)間越短，爬坡高度越低；取值越大，可識(shí)別的爬坡事件過(guò)程持續(xù)時(shí)間越長(zhǎng)，爬坡高度越高。

當(dāng)風(fēng)電歷史功率時(shí)間序列的變換信號(hào)的絕對(duì)值大于符合爬坡事件判斷標(biāo)準(zhǔn)的閾值參數(shù)λ時(shí)，即

當(dāng)為負(fù)值時(shí)，識(shí)別出的為下爬坡事件，當(dāng)為正值時(shí)，識(shí)別出的為上爬坡事件。

在上述方案的基礎(chǔ)上，所述上爬坡事件的閾值為20.0％cap，下爬坡事件的閾值為15.0％cap。

在上述方案的基礎(chǔ)上，所述特征值包括：爬坡率rr、爬坡幅值ra、開(kāi)始時(shí)間rts和持續(xù)時(shí)間rtl。

在上述方案的基礎(chǔ)上，步驟s3利用模糊聚類的方法將特征值進(jìn)行分類的具體步驟如下：

s31、假設(shè)每個(gè)爬坡事件有m個(gè)特征值，而n個(gè)樣本組成特征矩陣：

s32、對(duì)s31中的特征矩陣進(jìn)行歸一化處理：

s33、采用模糊聚類的方法計(jì)算各個(gè)特征值的模糊隸屬度：

其中，為第i個(gè)數(shù)據(jù)對(duì)j個(gè)聚類中心的隸屬度；i＝1,2,..,m，j＝1,2,..,c，c為數(shù)據(jù)硬劃分聚類數(shù)目；vij和σij分別表示高斯函數(shù)的中心和寬度；

s34、按模糊隸屬度最近原則作出最優(yōu)聚類模型，得到不同的爬坡事件類型。

在上述方案的基礎(chǔ)上，步驟s4中采用極端學(xué)習(xí)機(jī)(elm)算法對(duì)不同的爬坡事件類型分別進(jìn)行訓(xùn)練，調(diào)節(jié)elm算法參數(shù)使各種爬坡事件均建立一個(gè)最優(yōu)的聚類模型。

與傳統(tǒng)函數(shù)逼近理論需要調(diào)整輸入權(quán)值和隱含層偏置不同，極端學(xué)習(xí)機(jī)算法中只要激活函數(shù)是無(wú)限可導(dǎo)的，輸入權(quán)值和隱含層偏置可以隨機(jī)分配，一旦隨機(jī)分配的值在算法學(xué)習(xí)開(kāi)始被代入到算法參數(shù)中去，隱含層輸出矩陣h就被唯一的確定并且保持不變了，訓(xùn)練一個(gè)神經(jīng)網(wǎng)絡(luò)就相當(dāng)于尋找一個(gè)線性系統(tǒng)的最小二乘解，如果隱含層節(jié)點(diǎn)的個(gè)數(shù)和輸入樣例個(gè)數(shù)相等，那么這個(gè)單隱層前饋神經(jīng)網(wǎng)絡(luò)(slfn)就能夠以零誤差逼近這些訓(xùn)練樣例。

所述極端學(xué)習(xí)機(jī)算法的具體步驟為：

1)隨機(jī)分配輸入權(quán)值和隱含層偏置；

對(duì)于n個(gè)不同的訓(xùn)練樣本{xj,yj}，xj是n×1維輸入向量，yj是m×1維輸出向量，具有d個(gè)隱層節(jié)點(diǎn)和無(wú)限可導(dǎo)激活函數(shù)g(x)的slfn結(jié)構(gòu)可以以零誤差逼近這n個(gè)樣本，即存在βi,ωi和bi，使∑||yj-rj||＝0，也可寫(xiě)成如下形式：

式中：ωi為n×1維向量，表示輸入層與隱含層的神經(jīng)元的連接權(quán)值；βi為m×1維向量，表示隱含層與輸出層神經(jīng)元的連接權(quán)值；bi為隱含層神經(jīng)元的偏置；rj為網(wǎng)絡(luò)的輸出；g(x)為激活函數(shù)，可以是“sig”，“rbf”，“sin”等多種形式。

2)計(jì)算隱含層輸出矩陣h；

這n個(gè)方程可寫(xiě)成矩陣形式：

hβ＝r(7)

其中，β是輸出層權(quán)值矩陣，r是期望輸出；

3)計(jì)算elm算法的全局最優(yōu)輸出權(quán)值；

h⁺為h的廣義逆矩陣。

有益效果：

本發(fā)明所述的基于爬坡事件特征識(shí)別的風(fēng)電功率組合預(yù)測(cè)該方法，充分考慮了目前風(fēng)電功率預(yù)測(cè)的熱門(mén)研究問(wèn)題，即風(fēng)電的爬坡事件的功率預(yù)測(cè)。采用一種全新的數(shù)據(jù)儲(chǔ)存領(lǐng)域中的壓縮數(shù)據(jù)手段，可以更加快速有效的進(jìn)行風(fēng)電爬坡事件的特征識(shí)別和提取。此外，根據(jù)爬坡事件成因復(fù)雜、具有非線性、滯后性，難以建立準(zhǔn)確的數(shù)學(xué)模型來(lái)表征的特點(diǎn)，采用模糊聚類從歷史樣本集中搜索出相似事件的類別并進(jìn)行訓(xùn)練和建立預(yù)測(cè)模型。該方法適應(yīng)性強(qiáng)，能夠有效地提高風(fēng)電的預(yù)測(cè)精度。

附圖說(shuō)明

本發(fā)明有如下附圖：

圖1一種基于爬坡事件特征識(shí)別的風(fēng)電功率組合預(yù)測(cè)方法的流程示意圖。

具體實(shí)施方式

上述僅是本發(fā)明技術(shù)方案的概述，為了能夠更清楚了解本發(fā)明的技術(shù)手段，以下結(jié)合附圖與具體實(shí)施方式對(duì)本發(fā)明作進(jìn)一步的詳細(xì)說(shuō)明。

如圖1所示，本發(fā)明所述的一種基于爬坡事件特征識(shí)別的風(fēng)電功率組合預(yù)測(cè)方法，包括如下步驟：

步驟s1.針對(duì)風(fēng)電場(chǎng)的歷史風(fēng)速數(shù)據(jù)和歷史功率數(shù)據(jù)，利用小波降噪法處理后得到光滑的歷史風(fēng)速曲線和歷史功率曲線，以消除噪聲帶來(lái)的干擾。

有用信號(hào)通常表現(xiàn)為低頻信號(hào)或是相對(duì)比較平穩(wěn)，而噪聲信號(hào)通常表現(xiàn)為高頻信號(hào)。利用小波降噪法對(duì)含噪的原始信號(hào)分解后，含噪部分主要集中在高頻信號(hào)中。首先對(duì)歷史風(fēng)速數(shù)據(jù)和歷史功率數(shù)據(jù)的時(shí)間序列進(jìn)行傅里葉處理，將離散的信號(hào)轉(zhuǎn)為連續(xù)信號(hào)。并對(duì)連續(xù)信號(hào)進(jìn)行功率譜分析，畫(huà)出其頻譜波形，分析連續(xù)信號(hào)的頻譜波形特點(diǎn)，進(jìn)而對(duì)波形進(jìn)行擬合，擬合后得到參數(shù)方程，求解得出功率譜分布結(jié)果。改變方程的參數(shù)后進(jìn)行反變換，得出濾波后的結(jié)果。

步驟s2.采用壓縮算法，對(duì)經(jīng)過(guò)步驟s1處理之后所得到的光滑的歷史風(fēng)速曲線和歷史功率曲線進(jìn)行爬坡事件的特征識(shí)別，然后將識(shí)別出來(lái)的爬坡事件進(jìn)行特征值提取。

采用數(shù)據(jù)壓縮算法中的旋轉(zhuǎn)門(mén)(swingingdoortrending，sdt)算法，sdt算法是一種直線趨勢(shì)化壓縮算法，它較其他壓縮算法的優(yōu)點(diǎn)在于，能夠找出盡可能最長(zhǎng)的直線趨勢(shì)進(jìn)行數(shù)據(jù)壓縮，剔除了噪聲對(duì)數(shù)據(jù)的影響，使得爬坡事件的識(shí)別更加完整，從而盡可能的避免了特征識(shí)別的缺失和過(guò)識(shí)別情況發(fā)生。

基于ffp算法的爬坡事件定義為：設(shè)p為風(fēng)電歷史功率時(shí)間序列，為經(jīng)過(guò)去噪之后的風(fēng)電光滑的歷史功率曲線，為經(jīng)sdt算法轉(zhuǎn)換后的風(fēng)電歷史功率光滑序列，所述歷史功率光滑序列可以用來(lái)識(shí)別爬坡事件，由公式(1)計(jì)算得到：

其中sdt為具有壓縮算法原理的自定義函數(shù)；δe為敏感性參數(shù)，取值越小，可識(shí)別的爬坡事件過(guò)程持續(xù)時(shí)間越短，爬坡高度越低；取值越大，可識(shí)別的爬坡事件過(guò)程持續(xù)時(shí)間越長(zhǎng)，爬坡高度越高。

當(dāng)風(fēng)電歷史功率時(shí)間序列的變換信號(hào)的絕對(duì)值大于符合爬坡事件判斷標(biāo)準(zhǔn)的閾值參數(shù)λ時(shí)，即

當(dāng)為負(fù)值時(shí)，識(shí)別出的為下爬坡事件，當(dāng)為正值時(shí)，識(shí)別出的為上爬坡事件。此定義需要給定兩個(gè)參數(shù)λ和δe。λ為判定是否發(fā)生爬坡事件的閾值，上爬坡事件的閾值為20.0％cap，下爬坡事件的閾值為15.0％cap。此外，將識(shí)別出來(lái)的爬坡事件進(jìn)行特征值提取，特征值包括：爬坡率rr、爬坡幅值ra、開(kāi)始時(shí)間rts和持續(xù)時(shí)間rtl。

步驟s3.利用模糊聚類的方法將步驟s2提取出來(lái)的爬坡事件的特征值進(jìn)行分類,作出最優(yōu)聚類模型，得到不同的爬坡事件類型。

由于影響爬坡事件發(fā)生的因素錯(cuò)綜復(fù)雜,至今對(duì)其形成的物理機(jī)制還沒(méi)有完全弄清楚。因此，基于風(fēng)電爬坡事件是一個(gè)具有典型模糊性的系統(tǒng)的基本思想，將成因分析、統(tǒng)計(jì)分析方法與模糊分析方法相結(jié)合，建立起爬坡事件與相應(yīng)爬坡特征值之間的模糊關(guān)系，進(jìn)行聚類分析。

假設(shè)每個(gè)爬坡事件有m個(gè)特征值，而n個(gè)樣本組成特征矩陣：

由于量綱不一致，先對(duì)s31中的特征矩陣進(jìn)行歸一化處理：

采用模糊聚類法計(jì)算各個(gè)特征值的模糊隸屬度：

其中，為第i個(gè)數(shù)據(jù)對(duì)j個(gè)聚類中心的隸屬度；i＝1,2,..,m，j＝1,2,..,c，c為數(shù)據(jù)硬劃分聚類數(shù)目，本文取4；vij和σij分別表示高斯函數(shù)的中心和寬度。按模糊隸屬度最近原則即可作出最優(yōu)聚類模型，得到不同的爬坡事件類型。

步驟s4.利用統(tǒng)計(jì)方法對(duì)不同的爬坡事件類型分別進(jìn)行訓(xùn)練并建立預(yù)測(cè)模型。

采用極端學(xué)習(xí)機(jī)(elm)算法對(duì)不同的爬坡事件類型進(jìn)行訓(xùn)練，調(diào)節(jié)elm算法參數(shù)使各種爬坡事件均建立一個(gè)最優(yōu)的聚類模型，

與傳統(tǒng)函數(shù)逼近理論需要調(diào)整輸入權(quán)值和隱含層偏置不同，極端學(xué)習(xí)機(jī)算法中只要激活函數(shù)是無(wú)限可導(dǎo)的，輸入權(quán)值和隱含層偏置可以隨機(jī)分配，一旦隨機(jī)分配的值在算法學(xué)習(xí)開(kāi)始被代入到算法參數(shù)中去，隱含層輸出矩陣h就被唯一的確定并且保持不變了，訓(xùn)練一個(gè)神經(jīng)網(wǎng)絡(luò)就相當(dāng)于尋找一個(gè)線性系統(tǒng)的最小二乘解，如果隱含層節(jié)點(diǎn)的個(gè)數(shù)和輸入樣例個(gè)數(shù)相等，那么這個(gè)單隱層前饋神經(jīng)網(wǎng)絡(luò)(slfn)就能夠以零誤差逼近這些訓(xùn)練樣例。

所述極端學(xué)習(xí)機(jī)算法的具體步驟為：

1)隨機(jī)分配輸入權(quán)值和隱含層偏置；

對(duì)于n個(gè)不同的訓(xùn)練樣本{xj,yj}，xj是n×1維輸入向量，yj是m×1維輸出向量，具有d個(gè)隱層節(jié)點(diǎn)和無(wú)限可導(dǎo)激活函數(shù)g(x)的slfn結(jié)構(gòu)可以以零誤差逼近這n個(gè)樣本，即存在βi,ωi和bi，使∑||yj-rj||＝0，也可寫(xiě)成如下形式：

式中：ωi為n×1維向量，表示輸入層與隱含層的神經(jīng)元的連接權(quán)值；βi為m×1維向量，表示隱含層與輸出層神經(jīng)元的連接權(quán)值；bi為隱含層神經(jīng)元的偏置；rj為網(wǎng)絡(luò)的輸出；g(x)為激活函數(shù)，可以是“sig”，“rbf”，“sin”等多種形式。

2)計(jì)算隱含層輸出矩陣h；

這n個(gè)方程可寫(xiě)成矩陣形式：

hβ＝r(7)

其中β是輸出層權(quán)值矩陣，r是期望輸出；

3)計(jì)算elm算法的全局最優(yōu)輸出權(quán)值；

h⁺為h的廣義逆矩陣。

步驟s5.對(duì)風(fēng)電場(chǎng)的實(shí)時(shí)風(fēng)速測(cè)試數(shù)據(jù)和實(shí)時(shí)功率測(cè)試數(shù)據(jù)進(jìn)行步驟s1至s2的過(guò)程，提取實(shí)時(shí)風(fēng)速測(cè)試數(shù)據(jù)和實(shí)時(shí)功率測(cè)試數(shù)據(jù)的爬坡事件的特征值。

根據(jù)步驟s1到s2對(duì)實(shí)時(shí)風(fēng)速測(cè)試數(shù)據(jù)和實(shí)時(shí)功率測(cè)試數(shù)據(jù)進(jìn)行同樣的處理和分析，提取爬坡事件的特征值：爬坡率rr、爬坡幅值ra、開(kāi)始時(shí)間rts和持續(xù)時(shí)間rtl。

步驟s6.利用步驟s4得到的預(yù)測(cè)模型對(duì)步驟s5提取的實(shí)時(shí)風(fēng)速測(cè)試數(shù)據(jù)和實(shí)時(shí)功率測(cè)試數(shù)據(jù)的爬坡事件的特征值進(jìn)行分類，并利用預(yù)測(cè)模型進(jìn)行預(yù)測(cè)，最后得到最終的組合預(yù)測(cè)結(jié)果。

采用同樣的分類標(biāo)準(zhǔn)，按照步驟s4得到的預(yù)測(cè)模型對(duì)步驟s5提取的實(shí)時(shí)風(fēng)速測(cè)試數(shù)據(jù)和實(shí)時(shí)功率測(cè)試數(shù)據(jù)的爬坡事件的特征值進(jìn)行分類，分別用已經(jīng)訓(xùn)練好的極端學(xué)習(xí)機(jī)算法與相對(duì)應(yīng)的四種預(yù)測(cè)模型進(jìn)行測(cè)試。

以上所述，僅是本發(fā)明的較佳實(shí)例而已，并非對(duì)本發(fā)明作任何形式上的限制，本領(lǐng)域技術(shù)人員利用上述揭示的技術(shù)內(nèi)容做出些許簡(jiǎn)單修改、等同變化或裝飾，均落在本發(fā)明的保護(hù)范圍內(nèi)。

本說(shuō)明書(shū)中未作詳細(xì)描述的內(nèi)容屬于本領(lǐng)域?qū)I(yè)技術(shù)人員公知的現(xiàn)有技術(shù)。