基于时间序列分析的风电场风速预测模型
风电场短期风速预测的MRA-SVM模型
风电场短期风速预测的MRA-SVM模型杨亚兰;徐耀良;钟绍山;谢江媛【摘要】为了提高风电场短期风速的预测精度,提出了基于多分辨率分析和支持向量机(MRA-SVM)的预测模型.模型以历史风速序列为输入对数据进行多分辨率分析,用支持向量机对分解后的单支序列分别回归预测,叠加各序列的预测结果即为最终预测值.通过对某风场10 d的实测风速进行分析,预测了未来4h的风速.用均方根误差和平均绝对百分比误差对模型进行评价,与单一的SVM方法相比,提高了预测精度.实验证明,模型具有较强的风速预测能力,能普遍适用于风速的短期预测.【期刊名称】《电力系统及其自动化学报》【年(卷),期】2014(026)005【总页数】6页(P44-49)【关键词】短期风速预测;多分辨率分析;支持向量机;均方根误差;平均绝对百分比误差【作者】杨亚兰;徐耀良;钟绍山;谢江媛【作者单位】上海电力学院电力与自动化工程学院,上海 200090;上海电力学院电力与自动化工程学院,上海 200090;上海电力学院电力与自动化工程学院,上海200090;上海电力学院电力与自动化工程学院,上海 200090【正文语种】中文【中图分类】TM614开发和利用风能的主要形式是风力发电[1]，随着风电容量占电力系统比重的日益增加，风电的出力预测对电网的影响不容忽视，而出力的预测主要取决于风速的预测。
在时间尺度上，风速预测主要分为超短期、短期、中长期。
超短期预测一般是30min以内的预测[2]，用于对发电机的控制；中长期预测时间主要集中在未来几天至几个月，用于风电场的规划设计；短期预测是30min～72 h的预测，用于电力系统的功率平衡和调度、交易及暂态稳定评估等，其准确性直接影响电力系统在未来一段时间内的调度计划。
有关风速短期预测的问题，国内外学者进行了大量的研究，欧盟国家、美国等风电产业发展较早，大都开发出了专门的风电功率预报系统，预测时长可达到72 h，相应的预测成本也比较高[3]。
一种新的风电场风速时间序列建模及超短期预测方法
一种新的风电场风速时间序列建模及超短期预测方法李卫;席林【摘要】提出了一种新的风速时间序列建模方法.首先,将归一化后的历史风速时间序列分解为矢量集,按相似性度量原则提取相似性最高的多个矢量作为模型训练样本对的输入,再取相应矢量的下一时刻风速值作为训练样本对的输出,然后采用自适应模糊推理系统来对风速序列建模,再通过多步循环预测实现了风速的超短期预测.以上海地区某风场的实际风速数据为例,验证结果显示预测模型具备良好的精度.【期刊名称】《电网与清洁能源》【年(卷),期】2015(031)009【总页数】5页(P78-82)【关键词】风速预测;时间序列;相似性度量;ANFIS模型【作者】李卫;席林【作者单位】上海电气集团股份有限公司输配电分公司,上海200042;上海电气集团股份有限公司输配电分公司,上海200042【正文语种】中文【中图分类】TM614风电的间歇性和波动性对电力系统的安全、稳定运行以及电能质量均带来了严峻挑战，若能对风场发电功率做出准确的预测，则可有效减轻风电对整个电网的影响[1]。
由于风场的发电功率受风速影响最大，而风速具有很强的随机性，要实现精确的预测难度很大。
针对风速预测，国内外学者已提出了多种统计方法[2-8]。
文献[2-3]提出了以自回归滑动平均模型（ ARMA）为基础的预测方法，该类方法通过挖掘风速时间序列蕴含的自相关性来确定一个能够描述风速序列的数学模型，进而达到预测目的；文献[4]则通过改进的径向基网络（RBF）来提高预测的精度；文献[5-8]则利用各类改进的支持向量回归机（ SVR）来建模以期得到更准确的风速预测结果。
无论采用RBF网络或SVR来建模，历史样本的规模大小都会影响到建模计算时间，而实际风电预测系统要求的预测时间应为5 min以内。
因此，本文提出了一种基于矢量相似性度量的训练样本选择方法，将原始样本集规模大大缩减，并通过自适应模糊推理系统（ ANFIS）[9]来实现数据建模，使得预测时间保证在可控范围，同时保证预测模型具备良好的精度。
小波分析简述
第一篇：小波分析发展历史简述1910年，Haar提出了L2(R)中第一个小波规范正交基，即Haar正交基。
1936年，Littlewood和Paley对傅立叶级数建立了二进制频率分量分组理论，（即L-P理论：按二进制频率成分分组，其傅立叶变换的相位并不影响函数的大小和形状），这是多尺度分析思想的最早起源。
1952年～1962年，Calderon等人将L-P理论推广到高维，建立了奇异积分算子理论。
1965年，Calderon发现了著名的再生公式，给出了抛物型空间上H1的原子分解。
1974年，Coifman实现了对一维空间和高维空间的原子分解。
1976年，Peetre在用L-P理论对Besov空间进行统一描述的同时，给出了Besov空间的一组基。
1981年，Stromberg引入了Sobolev空间Hp的正交基，对Haar正交基进行了改造，证明了小波函数的存在性。
1981年，法国地球物理学家Morlet提出了小波的正式概念。
1985年，法国数学家Meyer提出了连续小波的容许性条件及其重构公式。
1984年～1988年，Meyer、Battle和Lemarie分别给出了具有快速衰减特性的小波基函数：Meyer小波、Battle-Lemarie样条小波。
1987年，Mallat将计算机视觉领域中的多尺度分析思想引入到小波分析中，提出了多分辨率分析的概念，统一了在此前的所有具体正交小波的构造，给出了构造正交小波基的一般方法，提出了快速小波变换（即Mallat算法）。
1988年，Daubechies基于多项式方式构造出具有有限支集的光滑正交小波基（即Daubechies基）。
Chui和中国学者王建忠基于样条函数构造出单正交小波函数，并提出了具有最优局部化性能的尺度函数和小波函数的一般性构造方法。
1988年，Daubechies在美国NSF/CBMS 主办的小波专题研讨会上进行了10次演讲，引起了广大数学家、物理学家、工程师以及企业家的重视，将小波理论发展与实际应用推向了一个高潮。
风功率预测三种模型
风电功率预测问题摘要风能是一种可再生、清洁的能源，风力发电是最具大规模开发技术经济条件的非水电再生能源。
现今风力发电主要利用的是近地风能。
近地风具有波动性、间歇性、低能量密度等特点，因而风电功率也是波动的。
大规模风电场接入电网运行时，大幅度地风电功率波动会对电网的功率平衡和频率调节带来不利影响。
如果可以对风电场的发电功率进行预测，电力调度部门就能够根据风电功率变化预先安排调度计划，保证电网的功率平衡和运行安全。
因此，如何对风电场的发电功率进行尽可能准确地预测，是急需解决的问题。
根据电力调度部门安排运行方式的不同需求，风电功率预测分为日前预测和实时预测。
日前预测是预测明日24小时96个时点（每15分钟一个时点）的风电功率数值。
实时预测是滚动地预测每个时点未来4小时内的16个时点（每15分钟一个时点）的风电功率数值。
对于问题一我们建立了3个模型：1、时间序列模型即指数平滑模型2、拟合回归模型3、神经元预测模型即BP模型。
针对这3种模型，根据相对误差的大小和准确度的大小判断来确定优先选择哪个模型。
对于问题二，在第一问的基础上对相关模型进行了比较，分析，做出了预期。
对于问题三，在第一问的基础上，对相关的模型进行了改善，使其预测的更加准确。
关键词：风功率实时预测 BP网络神经 matlab 时间序列问题的重述一、背景知识1、风功率预测概况风功率预测是指风电场风力发电机发电功率预测。
风电场是利用在某个通过预测的坐标范围内，几座或者更换多的经过科学测算，按照合理距离安装的风力发电机，利用可控范围内的风能所产生的电力来实现运行供电。
由于风是大气压力差引起的空气流动所产生的，风向和风力的大小时刻时刻都在变化。
因而，风力发电具有波动性、间歇性和随机性的特点。
这些特点所导致的风电场功率波动，会对地区电网整体运行产生影响，进而会影响到整个地区总网内的电压稳定。
因此，当风力发电场，特别是大容量风力发电场接入电网时，就会给整个电力系统的安全、稳定运行带来一定的隐患。
风速模型
1、背景：风能是太阳能的一种转换形式,是一种重要的自然能源。
风能以其蕴量巨大,具有可再生性和无污染的优点,得到各国的重视和开发利用。
风能利用主要是将大气运动时所具有的动能转化为其他形式的能,其具体用途包括:风力发电、风帆助航、风车提水、风力致热采暖等,其中风力发电是风能利用的最重要形式。
风电和光伏发电等可再生能源并网后在一定程度上缓解了能源危机和环境压力，但同时也给电力系统的可靠性带来了新的挑战。
与传统电力系统相比，风电系统大大增加了系统运行中的不确定性。
风电的电力系统可靠性评估，关键在于如何建立风电场可靠性的模型。
风电场的输出功率受多种因素影响，最主要的因素是风速。
因此，建立风速模型是实现可靠性准确评估的基础。
2、关于风力发电置信度了评估的主要研究包含三个方面的内容，第一方面是研究电力系统尤其是发电系统的可靠性分析；第二方面是当在电力系统中并入风电场时，基于风电场发电功率的强波动性和弱可控性等一些有别于常规发电的特点，对风电场并网给电力系统可靠性带来的影响进行评估；第三方面是从可靠性角度研究风电场容量可信度。
具体来说，主要工作由以下几个方面组成：1.）研究建立含有风电场的发电系统可靠性评估模型。
分为两大部分，其一要研究风电场的风速特性，寻找合适的风速建模方法，另一个方面是要研究风电机组状态的判断方法。
风速是一个典型的时间序列,采用时间序列法建立的风速序列预测模型,利用ARMA模型预测得到的风速序列能反映风电场风速分布特性。
本文采用序贯蒙特卡罗仿真方法建立风电场的发电可靠性模型。
2.）从各种可靠性指标出发分析风电场风能资源状况对其可靠性贡献能力的影响。
可靠性指标分为概率性指标和频率性指标，在不同的可靠性指标下，风电场所表现出的可靠性影响行为不同。
3.）关于风力发电容量置信度评估。
在RTS系统中加入风电，这样系统可靠性会提高，在保持LOLP恒定的情况下，看提高了多少带负荷能力，然后再将增加的风电换为传统发电机，看用多少的装机容量可以达到相同水平，这样就把风电的发电能力折算成了传统发电机。
基于时间序列分析的风电功率预测模型研究
基于时间序列分析的风电功率预测模型研究随着全球能源需求的不断增加，可再生能源逐渐成为了人类能源产业领域的热门话题之一。
风能作为可再生能源的代表之一，在发展方面也得到了越来越多的支持和关注。
风能发电具有天然的优势，如无污染、可再生、高效等，因此越来越多的国家和地区开始投资和建设风电场。
而对于风电场来说，提高风电的预测精度是提升风电场效益不可或缺的一部分。
1. 风电功率预测的意义在风电场的运营管理中，风电功率预测是极为重要的一环。
风电场的发电效益和安全经营都离不开准确的功率预测。
功率预测可以减少电力系统对传统火电的依赖，提高电力系统的环保性和安全性。
因此，建立具有预测功率的能力的模型是非常必要的。
2. 时间序列分析的基本原理时间序列分析是一种用于分析时间序列数据的方法。
时间序列数据是指在一段连续的时间内收集到的一系列连续时间上的观测值。
时间序列分析可以提取不同频率和不同方面的信息，并可以在不同的场景中应用，如预测、模型选择和诊断等。
时间序列分析的基本原理是根据数据的特征（如变化趋势、季节性、循环性和随机性）建立模型，进而对未来的数据进行预测。
时间序列分析的核心是选择适当的模型和参数，并使用最优化算法估计这些模型参数。
3. 风电功率预测模型的建立目前，常用的风电功率预测方法包括基于人工神经网络、支持向量机、回归树等。
其中，基于时间序列分析的方法一直是风电功率预测领域的重要研究方向，具有一定的优势。
建立基于时间序列分析的预测模型的主要步骤包括：（1）数据获取：收集风速和风电功率的历史数据，评估数据质量，对低质量数据进行清洗和处理。
（2）数据探索和分析：对历史数据进行可视化和描述性统计分析，了解数据的分布、特性和相关性。
（3）模型选择：根据数据特点和需求选择合适的模型，如ARIMA、SARIMA、VAR、VARMA等。
（4）模型训练和优化：使用历史数据进行模型训练和参数估计，选择适当的评估指标，如均方误差、平均绝对百分比误差、相关系数等，对模型进行评估和优化。
基于VMD和改进ARIMA模型的超短期风速预测
基于VMD和改进ARIMA模型的超短期风速预测赵征;汪向硕;乔锦涛【摘要】针对风速序列非线性、波动性的问题,提出了一种基于变分模态分解和改进差分自回归滑动平均模型的风速预测模型.首先利用变分模态分解(Variational Mode Decomposition,VMD)将信号从低频到高频逐次分解,使每个分量具有不同中心频率的有限带宽;然后对各分量分别建立ARIMA模型,由于各分量的残差序列可能存在异方差性,因此引入GARCH模型消除异方差特性,建立ARIMA-GARCH 模型;最后备分量预测结果叠加得到最终的预测值.实验结果表明,所提出的预测模型在超短期风速预测上具有较高的预测精度.【期刊名称】《华北电力大学学报(自然科学版)》【年(卷),期】2019(046)001【总页数】6页(P54-59)【关键词】风速预测;变分模态分解;ARIMA-GARCH模型;残差修正【作者】赵征;汪向硕;乔锦涛【作者单位】华北电力大学控制与计算机工程学院,河北保定 071003;华北电力大学控制与计算机工程学院,河北保定 071003;华北电力大学控制与计算机工程学院,河北保定 071003【正文语种】中文【中图分类】TM6140 引言当风力发电在电网中所占的比例非常小时，风速的非线性、波动性问题不会对电网造成较大影响，但随着近年来风力发电装机容量的迅速增加，风电预测系统成为必不可少的环节[1]。
超短期预测对于风电场实时调度具有重要意义，准确的预测结果能够有效提高风能资源的利用率，从而实现风电场的经济、高效运行。
近年来，国内外学者提出了多种风速预测方法。
研究表明，将原始风速信号进行分解能够有效提升预测精度。
风速序列分解方法主要有：经验模态分解法[2]、小波分解法[3]、变分模态分解法[4,5]。
其中经验模态分解法将风速序列分解成相对平稳的一系列分量，从而减小不同特征信息间的相互影响；小波分解法可以去除高频分量，得到较为平稳且对风速预测起决定性作用的低频分量，但预测精度仍有待提高。
风电场中的风速预测技术及应用
风电场中的风速预测技术及应用随着能源环保意识的逐渐加深，风能作为一种可再生能源备受关注。
作为风能利用的重要环节之一，风电场的建设成为了当今热门的话题。
但是，风力发电存在着稳定性不足的问题，部分风电场常年在低效运转状态，造成了巨大的浪费。
针对这种情况，提高风电场的风速预测能力，极大程度上可以提高自然资源利用效率，减少环境污染。
本文将对风电场中的风速预测技术及其应用进行一定的深入分析。
一、风速预测技术简介风速预测技术是指通过相关模型或算法对气象数据进行分析和预处理，以预测将来一段时间内的风速状态。
主要包括物理建模、计算机模拟、统计预测和神经网络预测等几种方法。
1.物理建模法物理建模法主要是基于大气物理学的理论，通过运用范畴方程式、Navier-Stokes 方程组等模型对风场进行模拟和分析。
具体可分为大气模型和风机模型。
大气模型是将风速预测问题转化为大气物理学中的多元非线性问题，可描述气象场中的温度、气压、湿度和风向风速等多个参数。
风机模型是对风机的机械元件、电控系统、空气流动以及非线性振动进行综合分析，从而对风机装置进行建模分析和风机输出功率进行预测模拟。
2.计算机模拟法计算机模拟法是通过计算机程序对大气场进行模拟，利用计算结果进行风速预测。
其中较重要的有美国NCEP（National Centers for Environmental Prediction）计算机程序和欧洲ECMWF（European Centre for Medium Range Weather Forecasts）计算机程序。
这两种计算机模拟程序都具有一定的数值天气预测能力，可为风电场提供未来天气预测信息。
但计算机模拟方法预测效果较弱，气象数据的精度对预测质量会产生较大的影响。
3.统计预测法统计预测法是基于大量观测到的风速数据进行回归分析，并根据时间序列和概率分布对未来风速进行预测。
具体包括基于趋势回归算法、ARIMA模型等预测方法。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
（ ! " ! %& -） ! !, 这种求解 ! 的方法就是 ./01 $ 230415 方程估计 法的推广。 &） 在 ,67, 模型式（ 中， 令 后估计 !* 时，
#
$ ! & 是模型的阶数， 式中 $. 是残差的方差； 对于,6$ 模型， 对于 ,6（ 模型， 7,（ #， "） / & # ( "； #） / & #。 & 从某一值开始逐次增加模型的阶数， 建模时， 对数据进行模型拟合时， 准则函数有下降的趋势， 当 达到某一阶数 # ) 时， 准则函数达到极小， 此阶数即 为该准则函数决定的最佳模型阶数。 主要步骤如下： 令 % ! $， 按 $=& 节中模型 !" 给定模型阶数上限， %， % %&） 参数的估计方法计算出 ,67, （ 的模型参数 $ 和残差的方差 $ . 及准则函数值 ,AB； #" 当 % 由低到高增长时， &） 以与式（ 同样方法 $ %’&， %） 算出 ,67,（ 的模型参数和残差的方差 $ . 及 准则函数值 ,AB； $" 取最小 ,AB 值相应的阶数和参数为最终确 定的理想模型阶数和参数。 至此， 已经确定了模型的适当阶数并估计出了 时序模型的参数， 在此基础上就可以进行风电场风 速预测， 并可进行预测风速与实测风速的分布特性 的比较， 以说明本文提出的时序模型应用于风电场 风速预测的可行性。
+% * )% , 则有
- *&
"- )% % -
&)） （
"
+% * !% ,
* *&
!* ! % % *
（ &&）
&)） 则要按式（ 算出 由于前面已经估计出了 "-， 序列｛ +%｝ （ % * # ’&， # ’$， …， $） 。式（ &&） 表示， 需对序 列｛ 拟合一个 7, （ 模型， 经过化简最终得到如 +%｝ #） 下方程组：
表 & 模型参数计算结果 I3J=& IK1 L30L/03@;M1 519/0@9 NO PN<10 Q353P1@159
模型阶数 （ $， &） （ (， $） E， (） （ （ D， E） "& "$ "( "E "D !& % )=&($ )=FE) )=--) % )=+HF !$ )=$)$ % )=&$& )=))+ $ !( !E ,AB % &- D+F % &H EEF % ( $)+ % &- D-E )=-HD % )=)E+ &=--) % )=-&H % )=)FD (=-+D % D=$(E $=&)& )=&&E )=$(& )+ )=H+) & )=$DF - % )=&-H - % )=&DH $
第 )& 卷第 , 期 )$$& 年 , 月
电 力 自 动 化 设 备
*+,-./0- 123,/ 45.267.028 *950:6,8.
;2+<)& =2<, (>?<)$$&
基于时间序列分析的风电场风速预测模型
丁 明， 张立军， 吴义纯
（ 合肥工业大学 电气与自动化工程学院， 安徽 合肥 #$!!!0） 摘要：风速预测是风电场规划设计中的重要工作。 因风速序列本身已经具有时序性和自相关性， 提出了基于时间序列分析的风电场风速预测模型。为了检验时间序列分析模型的有效性， 使用了 信息准则 (34（ (5 356789:;<75 48<;=8<75） 函数。在算例中， 将预测风速的分布特性与实际风速分布 特性相比较， 验证了文中提出的时间序列模型用于风电场风速预测的可行性。 关键词：时间序列；风速；预测；风电场 文献标识码：( 中图分类号："* ’"% )$$&） $, & $$$# & $$ 文章编号：#$$% & %$’(（ 特别地， 当 " ! ! 时， 就成为自 ()*( （ !， "） 回 归 模 型 () （ ， 即 !）
$ !+， ’ " # . ! !* ! *(’ * *) "
（ &$）
!) " %&； * ( ’("； ’" )， &， $， " …， !+， +%｝ 的自协方差函数， 在此方程组中， ’ 是序列｛
$ +%｝ !* 和 $ . 可由｛ 估计出； 为未知， 因此， 完全可以解
(
算例及结果分析
这 #’& 个方程得出 %* 和 $ $ . 这 #’& 个参数。但要注 + 意， 此时的 !+， 是序列｛ ｝ 的分布特性， 不是观测时 ’ % $%｝ +%｝ &$） 序｛ 的 !’， 即 !+， 算出。式（ 是关于 !* ’ 要由｛ 和 $$ 为解该非线性方程组， 本文 . 的非线性方程组， 采用 83/99 $ :1;<10 法， 效果良好。 $=$ 模型定阶 模型定阶是指确定模型 ,67, （ 或 ,6（ %， #） %） 中的 % 和 #， 这也是建模过程中最复杂的部分。 本文 &)］ %， % %&） 采用 >3?<;@ $ 2/ 建模方案 ［ ， 即 ,67, （ ， 这 样问题就由原来的需定出 # 和 % 两个参数变成只 需定出一个参数 %， 大大简化了计算过程。 ,67,（ %， #） 模型的阶有多种方法确定， 本文采 用的是准则函数定阶。所谓准则函数， 是这样一种函 数： 它既考虑用某一模型拟合时对原始数据的接近 程度， 同时也考虑模型中所包含待定参数的个数， 建
…
…
)$$& & !% & !’ 收稿日期： !$!00） 基金项目： 教育部科学技术研究重点项目资助（
第+期
丁
明， 等：基于时间序列分析的风电场风速预测模型
!" !" "# !" "$ … !"% # "& $ ! " !" ’& !" !""& … !"" # ’$ % !! ! " % " % !" ’# "& !" ’# "$ !" ’# "( … !" & # 其中 !! 是风速时间序列的自协方差函数（ 当 由于 !! 是偶函数的性质， 有 ! # ! ! !!） ， 可由 ! " ) 时， 下式算出：
#-"
!% !" . # / !" .
& -"
"& ! " . &
（ "）
式中 !%（ # ! "， #， …， !） 为自回归参数； "$（ $ ! "， #， …， # ’） ! 为滑动平均参数； ｛ "｝ 是一零均值、 方差为 # (
# ） 。 !， $( 的正态白噪声过程， 即 !" " )（
% )=)+F )=(-$ D
)=$)E $
电 力 自 动 化 设 备
^ % !（ G ・ 9&S） [ R \ A S \ W [ Y ^ B SA SS S\ 月份 —实测值， —— … … 预测值 R X
第 $X 卷
?Y[Z?^\J R］ U"--"#=Q# V， C*P# *， ,*+T+V VJ =&G5 ! 958&59 G<E5>9 ［ 6<8 85>&DK&>&:; 57D>/D:&<’ <6 F<I58 9;9:5G9 &’3>/E&’( T］ J D"6+*’0’6.+*#< E’0"-2< ， SBB[ ， W[ （ B） ： I&’E 5’58(; ［ S\XW ZS\[SJ ［ X］0+#, O， U"--"#=Q# VJ =&G5 ! 95_/5’:&D> 9&G/>D:&<’ :534! ’&_/5 6<8 8/8D> E&9:8&K/:&<’ 9;9:5G 85>&DK&>&:; 3<9: # I<8:4 57D>/D:&<’ &’3>/E&’( I&’E (5’58D:&<’ D9 D>:58’D:&75 9/FF>;［ T］ J 899 :+*6 ! ;’#’+< =+-#%/< >"%.+"2< ， \AAS ， SR^ （ ： R） WXXZW[AJ ［ 杨叔子， 吴 [］ Y］ ［ 高俊芳， 吴 雅， 王治藩， 等 J 时间序列分析的工程应用 T］ J 上 清J 时间序列 +V%+ 模型及其应用［ %］ J 武汉： SBBSJ ［ 华中科技大学出版社， 海工程技术大学学报， SBB[ ， SA （ R） ： [^ Z YWJ
# ’］ !(， ’$ 和 $ ( 时， 采用先后估计法［ 。先估计 !)， 后估计 "*。由下式估计 !)： （ !( + !2 ! +） /’/" % !" % " " # ( /’ /# & ! & ， !( ! ( ! ! ## & & # & ( & /’ / + ’ !$ ’ $ $