姜宇，陳翔宇，傅守強(qiáng)

（國網(wǎng)冀北電力有限公司，北京市 西城區(qū) 100054）

0 引言

為了集成分布式可再生能源并實(shí)現(xiàn)新能源本地消納目標(biāo)，微電網(wǎng)在近年來受到人們的高度關(guān)注[1]。風(fēng)電等可再生能源受天氣影響大，預(yù)測系統(tǒng)往往存在較大誤差，而微電網(wǎng)的日前調(diào)度需要依靠日前預(yù)測信息[2]。因此，如何對預(yù)測誤差精確建模，以最大限度地降低預(yù)測誤差的影響，對微電網(wǎng)在實(shí)際運(yùn)行中提高經(jīng)濟(jì)性有著至關(guān)重要的作用。

確定性優(yōu)化形式簡單，但調(diào)度結(jié)果受不確定因素影響較大[3]。魯棒優(yōu)化和隨機(jī)優(yōu)化是兩種常用的不確定優(yōu)化方法[4]。魯棒優(yōu)化使用不確定集來描述隨機(jī)變量的可能范圍，并最小化隨機(jī)變量在不確定集內(nèi)最惡劣場景的運(yùn)行成本，但魯棒優(yōu)化的結(jié)果往往存在一定的保守性[5]。雖然一些文獻(xiàn)通過考慮相關(guān)性等方式增加調(diào)節(jié)參數(shù)來控制保守度，但這些參數(shù)在實(shí)踐中一般難以確定[6-8]。隨機(jī)優(yōu)化基于不確定變量的概率分布，旨在尋找所有場景下期望運(yùn)行成本最小的調(diào)度方案，而其性能取決于能否找到合理描述隨機(jī)變量分布的場景[9]。因此，如何準(zhǔn)確地對隨機(jī)變量的分布特性進(jìn)行建模是一個(gè)關(guān)鍵問題。

文獻(xiàn)[10]在電熱聯(lián)合系統(tǒng)日前經(jīng)濟(jì)調(diào)度中假定風(fēng)電預(yù)測誤差服從正態(tài)分布，通過采樣和場景削減得到隨機(jī)場景。文獻(xiàn)[11]使用模糊C均值 聚類綜合質(zhì)量法對風(fēng)電及光伏的出力場景進(jìn)行聚類，在隨機(jī)優(yōu)化調(diào)度模型中考慮條件風(fēng)險(xiǎn)價(jià)值規(guī)避潛在風(fēng)險(xiǎn)。文獻(xiàn)[12]采用分布魯棒優(yōu)化，從風(fēng)電預(yù)測誤差歷史數(shù)據(jù)中提取矩信息等概率信息，相比魯棒優(yōu)化降低了保守度。這些文獻(xiàn)考慮了可再生能源出力的不確定性，但是沒有計(jì)及預(yù)測誤差的相關(guān)性對場景的影響。

文獻(xiàn)[13-15]考慮了多風(fēng)場出力的相關(guān)性，引入Copula函數(shù)對多風(fēng)場出力的聯(lián)合分布進(jìn)行建模，得到更加合理的風(fēng)電出力場景，再通過隨機(jī)優(yōu)化求解調(diào)度問題。文獻(xiàn)[16]則基于混合Copula函數(shù)及連續(xù)馬爾科夫鏈模型生成考慮風(fēng)電場的時(shí)空相關(guān)性的典型風(fēng)速場景，并采用了改進(jìn)機(jī)組組合的兩階段調(diào)度模型。但上述研究均未考慮風(fēng)電功率預(yù)測誤差與預(yù)測值的條件相關(guān)性，即預(yù)測誤差的絕對值隨著預(yù)測值的增大而更可能偏大[17]。在針對風(fēng)電功率第二日的潛在場景進(jìn)行評估時(shí)，考慮預(yù)測誤差與預(yù)測值的相關(guān)性有利于進(jìn)一步提升場景建模的精度。

面向微電網(wǎng)日前優(yōu)化調(diào)度中所面臨的風(fēng)電功率預(yù)測精度難以保障、出力存在強(qiáng)不確定性的技術(shù)挑戰(zhàn)，本文基于條件正態(tài)Copula（conditional normal copula，CNC）方法，構(gòu)建了計(jì)及風(fēng)電功率相關(guān)性的隨機(jī)優(yōu)化模型。CNC模型能夠?qū)︼L(fēng)電預(yù)測誤差時(shí)間相關(guān)性及其與預(yù)測值的條件相關(guān)性進(jìn)行有效建模，并能夠根據(jù)日前預(yù)測值生成該條件下的風(fēng)電功率樣本，聚類之后可得到風(fēng)電功率場景。將得到的場景應(yīng)用于隨機(jī)優(yōu)化模型中，可提升微電網(wǎng)日前調(diào)度方案的經(jīng)濟(jì)性。

1 風(fēng)電功率樣本點(diǎn)生成

1.1 多元正態(tài)Copula

Copula理論用于描述多元隨機(jī)變量之間的相關(guān)性。Copula函數(shù)可以將隨機(jī)變量的聯(lián)合分布解耦為邊緣分布和相關(guān)關(guān)系分別建模，其中邊緣分布描述變量的隨機(jī)性，而Copula函數(shù)僅描述相關(guān)性。對于已知的邊緣分布類型的隨機(jī)變量，可通過參數(shù)估計(jì)得到邊緣分布函數(shù)；對于邊緣分布未知的隨機(jī)變量，可用經(jīng)驗(yàn)分布作為邊緣分布。常用的Copula函數(shù)主要有多元正態(tài)Copula函數(shù)、多元t-Copula函數(shù)和阿基米德Copula函數(shù)。常用的阿基米德Copula函數(shù)包括Gumbel Copula、Clayton Copula和Frank Copula函數(shù)。多元正態(tài)Copula函數(shù)形式簡單、性質(zhì)優(yōu)良，對多元隨機(jī)變量具有較好的擬合效果，且能夠求得條件分布的簡化形式，故本文采用多元正態(tài)Copula描述風(fēng)電功率預(yù)測誤差的時(shí)間相關(guān)性及其與日前預(yù)測值的條件相關(guān)性。

根據(jù)多元正態(tài)Copula可以得到風(fēng)電功率預(yù)測值與預(yù)測誤差的聯(lián)合概率密度函數(shù)

式中：rt、pt和et分別表示t時(shí)段風(fēng)電功率的實(shí)際值、預(yù)測值和預(yù)測誤差；et=rt-pt，t=1, 2, …,T，T為調(diào)度周期內(nèi)總的調(diào)度時(shí)段數(shù)。和是多元正態(tài)Copula的中間變量，Φ0(·)、F(·)和f(·)分別表示標(biāo)準(zhǔn)正態(tài)分布、邊緣分布和概率密度函數(shù)。φR(·)是以R為相關(guān)性參數(shù)矩陣的標(biāo)準(zhǔn)多元正態(tài)分布函數(shù)，其中

式中，

1.2 條件多元正態(tài)Copula采樣

由式（1）和條件分布的性質(zhì)可以得到已知風(fēng)電預(yù)測值條件下預(yù)測誤差的概率密度函數(shù)

式中，ur|up為多元正態(tài)分布的條件分布，仍服從多元正態(tài)分布，即其中[18]

據(jù)此，我們可以根據(jù)風(fēng)電功率日前預(yù)測值得到風(fēng)電功率的樣本點(diǎn)，具體步驟如下：

1）根據(jù)風(fēng)電功率實(shí)際值和預(yù)測值的歷史數(shù)據(jù)獲得邊緣分布F(·)和式（2）中的相關(guān)性矩陣R。

2）根據(jù)日前預(yù)測值pt計(jì)算

3）根據(jù)式（5）計(jì)算條件分布ur|up的期望值向量μur|up和協(xié)方差矩陣Rur|up。

4）對多元正態(tài)分布ur|up采樣，得到大量u(rt)的樣本，最終計(jì)算出大量計(jì)及風(fēng)電功率相關(guān)性的風(fēng)電功率樣本以便在第3章通過K-means聚類得到隨機(jī)優(yōu)化所需的場景。

2 微電網(wǎng)確定性優(yōu)化模型

典型的微電網(wǎng)結(jié)構(gòu)如圖1所示，微電網(wǎng)控制中心根據(jù)分時(shí)電價(jià)和對風(fēng)電功率的預(yù)測，提前制定微電網(wǎng)的日前儲能充放電計(jì)劃、可控分布式電源的發(fā)電計(jì)劃、靈活性負(fù)荷的需求響應(yīng)方案以及微電網(wǎng)與配電網(wǎng)的交換功率計(jì)劃等，以便在滿足負(fù)荷的電能需求和系統(tǒng)約束的前提下，盡可能地降低運(yùn)行成本。確定性模型是隨機(jī)優(yōu)化模型的基礎(chǔ)，因此先引入確定性優(yōu)化模型。

圖1 微電網(wǎng)結(jié)構(gòu)圖Fig.1 Structure diagram of microgrid

2.1 目標(biāo)函數(shù)

確定性優(yōu)化模型的目標(biāo)是最小化微電網(wǎng)第二天的總運(yùn)行成本，即

式中：TN為一天的調(diào)度時(shí)段數(shù)；Δt為調(diào)度周期。在日前調(diào)度中，一般取Δt=1 h，TN=24；CG,t、CES,t、CDR,t和CMG,t分別為可控分布式電源、儲能系統(tǒng)、需求響應(yīng)負(fù)荷和微電網(wǎng)購售電在t時(shí)段的成本，計(jì)算方法為：

式中：PG,t表示可控分布式電源t時(shí)段的輸出功率；aG和bG為成本系數(shù)；表示儲能放電/充電功率；aES為儲能單位充放電成本；ηdis/ηch是儲能的放電/充電效率；aDR是需求響應(yīng)負(fù)荷單位調(diào)度成本；是t時(shí)段需求響應(yīng)負(fù)荷的實(shí)際調(diào)度功率/期望功率；σDN,t為t時(shí)段的日前交易電價(jià)；為微電網(wǎng)在t時(shí)段購電/ 售電功率。

2.2 約束條件

在最小化運(yùn)行成本的同時(shí)需要滿足如下運(yùn)行約束：

2.3 緊湊形式

微電網(wǎng)確定性優(yōu)化模型的緊湊形式為：

式中：x、y為優(yōu)化變量，即

c為目標(biāo)函數(shù)式（6）中的系數(shù)列向量。A、D、F、G、H分別為約束中變量的系數(shù)矩陣；a、d、g為約束中的常數(shù)列向量。式（24）的約束條件中，第1行為僅含y的不等式約束，對應(yīng)式（14）、（18）、（19）；第2行為僅含y的等式約束，對應(yīng)式（12）、（17）、（20）；第3行表示包含x和y的不等式約束，對應(yīng)式（15）、（16）、（22）、（23）；特別的，第4行等式約束為式（21）中的功率平衡約束。在確定性優(yōu)化模型中，風(fēng)電預(yù)測功率的不確定性沒有被考慮，直接作為優(yōu)化調(diào)度中風(fēng)電的輸出功率。

3 微電網(wǎng)CNC隨機(jī)優(yōu)化模型

可再生分布式電源的出力具有很強(qiáng)的隨機(jī)性，同時(shí)相應(yīng)的功率預(yù)測系統(tǒng)不可避免地存在預(yù)測誤差，如果在實(shí)際調(diào)度中不能很好地考慮預(yù)測誤差，可能導(dǎo)致提前制定的微電網(wǎng)優(yōu)化調(diào)度方案不可行或不經(jīng)濟(jì)。CNC隨機(jī)優(yōu)化模型根據(jù)不確定變量的概率分布特性更加精確地評估可再生分布式電源在第二日可能的出力場景，從而保障微電網(wǎng)在第二日實(shí)際運(yùn)行時(shí)能最大限度地降低預(yù)測誤差的影響。

根據(jù)第1節(jié)中CNC方法產(chǎn)生的風(fēng)電功率樣本點(diǎn)rt，使用K-means聚類方法得到K類場景，聚類中心為PWT,t,k。隨機(jī)優(yōu)化的目標(biāo)函數(shù)是根據(jù)不確定變量在各場景下的概率，最小化各個(gè)場景下日總期望運(yùn)行成本，即

式中：Ω為K類場景的集合；pk為第k個(gè)場景出現(xiàn)的概率；優(yōu)化變量xk和yk為第k個(gè)場景下的優(yōu)化變量x和y。相應(yīng)地，約束條件應(yīng)當(dāng)在風(fēng)電功率的各個(gè)場景下都得到滿足。該模型為混合整數(shù)線性規(guī)劃模型，可通過常規(guī)的確定性優(yōu)化方法進(jìn)行求解。由于將優(yōu)化變量在各場景下可能取值不同，因此求解完成后需要通過期望函數(shù)進(jìn)行轉(zhuǎn)化：

式中：PES,t為儲能功率（儲能放電為正）；PMG,t為聯(lián)絡(luò)線功率（微電網(wǎng)售電為正）。

4 算例分析

算例使用北愛爾蘭某風(fēng)電場的風(fēng)電數(shù)據(jù)[19]，由2019年8月—11月的風(fēng)電功率訓(xùn)練CNC模型，并用12月的數(shù)據(jù)進(jìn)行微電網(wǎng)CNC隨機(jī)優(yōu)化模型的效果進(jìn)行測試。

4.1 風(fēng)電功率預(yù)測誤差相關(guān)性分析

對風(fēng)電功率的時(shí)間相關(guān)性和風(fēng)電功率預(yù)測誤差與預(yù)測值的條件相關(guān)性分別進(jìn)行分析。

圖2展示了風(fēng)電功率的時(shí)間相關(guān)性，即各時(shí)段風(fēng)電功率預(yù)測誤差的線性相關(guān)系數(shù)，橫、縱坐標(biāo)軸表示各時(shí)段，不同顏色代表預(yù)測誤差線性相關(guān)系數(shù)的大小，圖例展示了對應(yīng)的數(shù)值?？梢钥闯?，相鄰時(shí)段的風(fēng)電功率預(yù)測誤差表現(xiàn)出較強(qiáng)的時(shí)間相關(guān)性?？紤]時(shí)間相關(guān)性能夠有效推理出風(fēng)電場景中的經(jīng)常發(fā)生的持續(xù)偏差場景，而不是預(yù)測誤差忽大忽小的場景，從而得到在各種可能場景下期望最優(yōu)的調(diào)度方案。

圖2 風(fēng)電功率預(yù)測誤差時(shí)間相關(guān)性Fig.2 Temporal correlation of wind power forecast error

圖3分析了風(fēng)電功率預(yù)測誤差與預(yù)測值的條件相關(guān)性。選取風(fēng)電功率預(yù)測值為0.05 pu、0.15 pu、0.35 pu附近的預(yù)測誤差數(shù)據(jù)，范圍是±0.03 pu，從圖中可以看出，當(dāng)預(yù)測值較小時(shí)，預(yù)測誤差較小且集中分布；而預(yù)測值較大時(shí)，預(yù)測誤差相對更大且更分散。因此，需要根據(jù)不同的日前預(yù)測值得到不同的預(yù)測誤差的分布，從而在日前調(diào)度中得到更合理的風(fēng)電功率場景。

圖3 不同風(fēng)電功率預(yù)測值下預(yù)測誤差的概率密度圖Fig.3 Probability density of forecast error under different forecast of wind power

4.2 微電網(wǎng)隨機(jī)優(yōu)化結(jié)果分析

表1 微電網(wǎng)運(yùn)行參數(shù)Table 1 Operation parameters of microgrid

微電網(wǎng)運(yùn)行參數(shù)如表1所示。微電網(wǎng)的日前交易電價(jià)為階梯電價(jià)，如圖4所示。圖5為常規(guī)負(fù)荷功率及需求響應(yīng)負(fù)荷期望功率曲線。需求響應(yīng)負(fù)荷在各個(gè)時(shí)段的功率可調(diào)度范圍設(shè)為該時(shí)段期望功率的60%～140%。

根據(jù)誤差平方和（SSE）確定聚類的場景數(shù)，使用K-means聚類方法生成風(fēng)電功率場景，圖6為場景數(shù)與SSE的關(guān)系。從圖中可以看出，SSE隨場景數(shù)的增加而減少，而當(dāng)場景數(shù)為7時(shí)，SSE由快速減少變?yōu)榫徛郎p少。因此，我們將聚類的場景數(shù)定為7。

圖4 日前交易電價(jià)曲線Fig.4 Day ahead trading price curve

圖5 常規(guī)負(fù)荷功率及需求響應(yīng)負(fù)荷期望功率曲線Fig.5 Conventional load power and demand response load expected power curve

圖6 SSE與場景數(shù)的關(guān)系Fig.6 SSE with the number of scenes

圖7 可控分布式電源輸出功率及儲能充放電功率曲線Fig.7 Controllable distributed power and energy storage charge-discharge power curve

圖8 需求響應(yīng)負(fù)荷期望/實(shí)際功率曲線Fig.8 Expected/actual power curve of demand response load

隨機(jī)優(yōu)化的調(diào)度結(jié)果如圖7～圖8所示。圖7展示了可控分布式電源及儲能的調(diào)度結(jié)果，由于8:00—23:00的微電網(wǎng)售電電價(jià)高于可控分布式電源的發(fā)電成本，因此可控分布式電源按最大輸出功率發(fā)電；而在1:00—7:00及24:00，微電網(wǎng)售電電價(jià)低于可控分布式電源的發(fā)電成本，因此可控分布式電源以最小輸出功率發(fā)電，從而最小化微電網(wǎng)的成本。儲能在電價(jià)低谷時(shí)（3:00、6:00及24:00）充電，在電價(jià)高峰時(shí)（11:00、19:00及23:00）放電，通過削峰填谷實(shí)現(xiàn)微電網(wǎng)套利。圖8展示了微電網(wǎng)通過需求響應(yīng)負(fù)荷功率平移降低電網(wǎng)運(yùn)行成本的方式。與儲能削峰填谷的原理類似，調(diào)度策略將需求響應(yīng)負(fù)荷在電價(jià)高峰（9:00、11:00及20:00）的負(fù)荷需求平移至電價(jià)低谷時(shí)段（1:00—7:00及24:00），降低了負(fù)荷用電成本。綜上，微電網(wǎng)隨機(jī)優(yōu)化的調(diào)度結(jié)果合理，能夠充分調(diào)度可控分布式電源、儲能、需求響應(yīng)負(fù)荷等資源來最小化微電網(wǎng)的運(yùn)行成本。

4.3 與其他模型的結(jié)果對比

考慮如下5種優(yōu)化調(diào)度模型的結(jié)果對比：

Case 1：確定性優(yōu)化模型。不考慮預(yù)測偏差，直接使用風(fēng)電功率日前預(yù)測值進(jìn)行優(yōu)化調(diào)度。

Case 2：低置信度魯棒模型。根據(jù)風(fēng)電功率歷史數(shù)據(jù)構(gòu)造預(yù)測誤差的不確定集合，集合置信度為60%。

Case 3：高置信度魯棒模型。根據(jù)風(fēng)電功率歷史數(shù)據(jù)構(gòu)造預(yù)測誤差的不確定集合，集合置信度為70%。

Case 4：不考慮風(fēng)電功率相關(guān)性的傳統(tǒng)隨機(jī)優(yōu)化模型。通過對各時(shí)段風(fēng)電功率預(yù)測誤差概率分布采樣獲得用于構(gòu)建場景的樣本。

Case 5：計(jì)及風(fēng)電功率相關(guān)性的CNC隨機(jī)優(yōu)化模型（本文方法）。

其中，Case 2—Case 5均考慮了不確定性，Case 2—Case 3為魯棒優(yōu)化模型，Case 4—Case 5為隨機(jī)優(yōu)化模型。通過對比Case 2—Case 3和Case 4—Case 5可以反映不同不確定性優(yōu)化方法的性能表現(xiàn)差異；通過對比Case 4和Case 5則可以得到不考慮/考慮風(fēng)電功率時(shí)間相關(guān)性和條件相關(guān)性的性能表現(xiàn)差異。

如前文所述，案例分析中使用4個(gè)月的風(fēng)電數(shù)據(jù)訓(xùn)練魯棒模型的不確定集合以及隨機(jī)優(yōu)化使用的概率分布函數(shù)和CNC模型，并用另1個(gè)月的風(fēng)電數(shù)據(jù)測試各模型效果，得到的結(jié)果如圖9～圖10和表2所示，為1個(gè)月測試結(jié)果的平均值。

圖9 不同模型的平均運(yùn)行成本Fig.9 Average operation cost of different models

圖10 不同模型的平均不平衡電量Fig.10 Average unbalanced power of different models

表2 不同模型的平均優(yōu)化結(jié)果比較Table 2 Comparison of average optimization results of different models

圖9給出了5個(gè)模型的日前成本、平衡成本以及總成本。其中，日前成本即日前優(yōu)化調(diào)度模型的目標(biāo)函數(shù)值，從圖中看出，確定性優(yōu)化模型的日前運(yùn)行成本最低，因其沒有考慮風(fēng)電功率的不確定性，得到的調(diào)度方案是最不保守的；魯棒優(yōu)化模型和隨機(jī)優(yōu)化模型考慮了不確定性，因此其日前成本高于確定性模型，且魯棒優(yōu)化模型的日前成本隨不確定集合置信度的增加而增加，變得更加保守。傳統(tǒng)隨機(jī)優(yōu)化模型日前成本較低，保守性不強(qiáng)；而CNC隨機(jī)優(yōu)化模型的日前成本介于兩個(gè)魯棒優(yōu)化模型之間，保守度較為均衡。平衡成本是微電網(wǎng)預(yù)測不準(zhǔn)導(dǎo)致的第二日在實(shí)時(shí)市場購售電交易的成本，假定微電網(wǎng)在實(shí)時(shí)市場購電和售電的價(jià)格分別為日前市場的1.5倍和0.5倍。從圖9中看出，由于確定性優(yōu)化模型考慮的場景過于理想，日內(nèi)需要購買最多的電能，因此其平衡成本是最高的；傳統(tǒng)隨機(jī)優(yōu)化模型次之；相對而言，魯棒優(yōu)化模型傾向于根據(jù)不確定集合，在日前多購電/少售電，以抵抗實(shí)時(shí)市場的電價(jià)波動。CNC隨機(jī)優(yōu)化模型的表現(xiàn)則取決于實(shí)際數(shù)據(jù)的分布信息，在該算例中，隨機(jī)優(yōu)化模型也得到了日前多購電/少售電、日內(nèi)少購電/多售電的結(jié)果，說明在該風(fēng)電場的實(shí)際運(yùn)行中，風(fēng)電實(shí)際功率低于預(yù)測功率的場景較多。從圖10看出，通過考慮風(fēng)電功率的時(shí)間相關(guān)性和條件相關(guān)性，CNC模型很好地模擬出了日前預(yù)測值下風(fēng)電功率的分布情況，因此根據(jù)這些場景構(gòu)造的隨機(jī)優(yōu)化模型在日前成本低于高置信度魯棒模型的情況下仍得到了最低的平衡功率，因此總運(yùn)行成本最低。另一方面，魯棒優(yōu)化模型和傳統(tǒng)隨機(jī)優(yōu)化模型沒有很好地描述出風(fēng)電功率的不確定場景，調(diào)度策略較為保守，因此總體效果不佳。從表2可以進(jìn)一步看出，CNC隨機(jī)優(yōu)化模型相比確定性模型、低置信度和高置信度魯棒模型、以及傳統(tǒng)隨機(jī)優(yōu)化模型，不平衡電量分別減少了22.77%、21.72%、21.65%和18.23%，總成本分別降低了4.01%、4.03%、4.27%和3.2%，能夠抵御實(shí)時(shí)市場的電價(jià)波動，得到更為合理的調(diào)度方案。

5 結(jié)論

本文分析了風(fēng)電預(yù)測誤差的時(shí)間相關(guān)性及其與預(yù)測值的條件相關(guān)性，并采用CNC模型對其進(jìn)行建模，以日前預(yù)測值為條件，生成了計(jì)及相關(guān)性的風(fēng)電功率樣本，通過K-means聚類得到風(fēng)電功率場景，解決了微電網(wǎng)隨機(jī)優(yōu)化問題。仿真結(jié)果表明，CNC隨機(jī)優(yōu)化模型能夠合理調(diào)度可控分布式電源、儲能、需求響應(yīng)負(fù)荷等資源來最小化微電網(wǎng)的運(yùn)行成本。該模型基于數(shù)據(jù)驅(qū)動，通過更合理的場景建模，相比于確定性模型、傳統(tǒng)的隨機(jī)模型和魯棒模型實(shí)現(xiàn)了更低的總運(yùn)行成本和更低的不平衡電量，因此更適用于具有一定歷史數(shù)據(jù)的微電網(wǎng)日前調(diào)度中。在后續(xù)工作中，將重點(diǎn)對分布魯棒方法和本文所提方法的性能進(jìn)行對比，并分析不同樣本規(guī)模下不同方法的性能表現(xiàn)和適用性。