基于云計(jì)算的電力能源大數(shù)據(jù)清洗模型構(gòu)建

盧 峰,吳朝文，陳小龍,張柯柯,桂 寧

(國(guó)網(wǎng)安徽電力有限公司合肥供電公司，安徽 合肥 230000)

0 引言

隨著數(shù)字技術(shù)的發(fā)展，互聯(lián)網(wǎng)滲透進(jìn)社會(huì)生活的方方面面，使社會(huì)步入了大數(shù)據(jù)時(shí)代。隨著電力智能化生產(chǎn)，輸電系統(tǒng)進(jìn)行網(wǎng)絡(luò)監(jiān)控、智能變電站、智能電表等方面的數(shù)字化改造，電力數(shù)據(jù)的規(guī)模和類(lèi)型迅速增加，巨大的電網(wǎng)產(chǎn)生了大量的數(shù)據(jù)[1-2]。從發(fā)電到用電，大量的數(shù)據(jù)采集源，尤其是運(yùn)用圖像形式進(jìn)行采集的數(shù)據(jù)，采集源會(huì)集中采集特定的數(shù)據(jù)信息。最終的智能電網(wǎng)數(shù)據(jù)會(huì)有大量種類(lèi)繁多、價(jià)值密度低且受到高強(qiáng)度擾性的真實(shí)數(shù)據(jù)。這就表明，需要對(duì)海量的電力能源大數(shù)據(jù)進(jìn)行有效清洗，以獲得高效、可用的數(shù)據(jù)[3]。此外，如何有效存儲(chǔ)海量智能電網(wǎng)數(shù)據(jù)也是電網(wǎng)企業(yè)面臨的問(wèn)題。電網(wǎng)大數(shù)據(jù)包含著巨大價(jià)值。如果能有效應(yīng)用這些數(shù)據(jù)，將對(duì)電網(wǎng)的管理和運(yùn)行作出重要貢獻(xiàn)。這也是電力企業(yè)亟需思考的問(wèn)題[4]。電網(wǎng)大數(shù)據(jù)是復(fù)雜多變的。如果能被有效地理解和應(yīng)用，這些大數(shù)據(jù)資源不僅可以用來(lái)提高電網(wǎng)自身的科學(xué)管理，還可以產(chǎn)生顛覆性變化，如：可以用于政府部門(mén)、工業(yè)部門(mén)等，為電力公司形成增值業(yè)務(wù)創(chuàng)造條件。

當(dāng)前，針對(duì)電力能源大數(shù)據(jù)中無(wú)價(jià)值數(shù)據(jù)的檢測(cè)，國(guó)內(nèi)外研究人員主要開(kāi)發(fā)了兩種解決方案:一種是進(jìn)行數(shù)據(jù)挖掘，另一種是利用狀態(tài)進(jìn)行檢測(cè)。有研究者提出利用神經(jīng)網(wǎng)絡(luò)來(lái)檢測(cè)電力相關(guān)燃燒系統(tǒng)的異常數(shù)據(jù)[5]。在此基礎(chǔ)上，也有學(xué)者利用神經(jīng)網(wǎng)絡(luò)進(jìn)行無(wú)價(jià)值數(shù)據(jù)的校正。有研究者運(yùn)用離群數(shù)據(jù)挖掘進(jìn)行電力負(fù)荷的預(yù)測(cè)。同時(shí)，有學(xué)者提出利用人工神經(jīng)網(wǎng)絡(luò)對(duì)電力負(fù)荷數(shù)據(jù)的特征曲線進(jìn)行采樣，對(duì)異常數(shù)據(jù)進(jìn)行改進(jìn)，并基于模糊聚類(lèi)，提出了一種迭代自組織聚類(lèi)方法來(lái)進(jìn)行無(wú)價(jià)值數(shù)據(jù)的識(shí)別和分析[6]。有學(xué)者采用魯棒性強(qiáng)、全局尋優(yōu)能力強(qiáng)的遺傳算法計(jì)算分類(lèi)矩陣，并使用合適的隸屬度對(duì)不良數(shù)據(jù)進(jìn)行檢測(cè)，從而通過(guò)迭代計(jì)算得到最優(yōu)解。

而對(duì)于電力能源大數(shù)據(jù)的儲(chǔ)存，當(dāng)前研究的熱點(diǎn)是云計(jì)算。云計(jì)算是并行計(jì)算、網(wǎng)格計(jì)算、虛擬化、分布式計(jì)算等技術(shù)集成的產(chǎn)物[7]，其核心技術(shù)包括數(shù)據(jù)管理技術(shù)、并行編程模型、數(shù)據(jù)存儲(chǔ)技術(shù)、云計(jì)算平臺(tái)管理技術(shù)等[8]。云計(jì)算技術(shù)的重要應(yīng)用之一就是構(gòu)建大數(shù)據(jù)挖掘平臺(tái)，充分整合和高效利用各種計(jì)算和存儲(chǔ)資源是最大限度提高數(shù)據(jù)處理速度和挖掘效率的關(guān)鍵。在電力領(lǐng)域?qū)Υ髷?shù)據(jù)的不斷研究中，很多的研究者開(kāi)始利用云計(jì)算的大數(shù)據(jù)技術(shù)進(jìn)行電網(wǎng)數(shù)據(jù)儲(chǔ)存。

基于此，本研究在智能電力能源網(wǎng)絡(luò)大數(shù)據(jù)的理論基礎(chǔ)上，提出云計(jì)算的電力能源大數(shù)據(jù)清洗模型。該模型利用云計(jì)算方法進(jìn)行大數(shù)據(jù)儲(chǔ)存、以時(shí)間序列符號(hào)化方法對(duì)時(shí)間序列進(jìn)行降維、以歐氏距離算法進(jìn)行相似度度量、以相似度曲線對(duì)負(fù)荷數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗，為提高電力能源大數(shù)據(jù)清洗效果提供現(xiàn)實(shí)依據(jù)。

1 電力能源大數(shù)據(jù)清洗模型構(gòu)建

1.1 智能電力能源網(wǎng)絡(luò)大數(shù)據(jù)

智能電網(wǎng)[9]可實(shí)現(xiàn)對(duì)物理電網(wǎng)的智能管理和控制。傳統(tǒng)電網(wǎng)完成了電力資源的網(wǎng)絡(luò)分配，而智能電力能源網(wǎng)絡(luò)實(shí)現(xiàn)了電網(wǎng)的信息化、自適應(yīng)優(yōu)化資源配置。智能電網(wǎng)可以充分、有效而靈活地滿(mǎn)足用戶(hù)的不同需求，為用戶(hù)交互、可靠地供電，使電力系統(tǒng)基礎(chǔ)設(shè)施的清潔性更強(qiáng)，并提供更多的增值服務(wù)。

隨著大量數(shù)據(jù)先后涌現(xiàn)，原有的傳統(tǒng)數(shù)據(jù)處理技術(shù)不能在一定時(shí)間內(nèi)完成數(shù)據(jù)處理任務(wù)及要求。在實(shí)際應(yīng)用場(chǎng)景中，要找到全新的數(shù)據(jù)處理方式來(lái)獲取數(shù)據(jù)特征或信息。大數(shù)據(jù)[10]技術(shù)應(yīng)運(yùn)而生。大數(shù)據(jù)分為實(shí)時(shí)數(shù)據(jù)和非實(shí)時(shí)數(shù)據(jù)。按照數(shù)據(jù)的屬性來(lái)看，有溫度、聲音和文字等相關(guān)數(shù)據(jù)。根據(jù)數(shù)據(jù)的內(nèi)部結(jié)構(gòu)特點(diǎn)，數(shù)據(jù)可分為結(jié)構(gòu)數(shù)據(jù)、部結(jié)構(gòu)數(shù)據(jù)和非結(jié)構(gòu)數(shù)據(jù)。結(jié)構(gòu)性資料具有明顯的結(jié)構(gòu)性特征。而非結(jié)構(gòu)性資料沒(méi)有明顯的結(jié)構(gòu)性。

智能電力能源網(wǎng)絡(luò)大數(shù)據(jù)包括實(shí)時(shí)數(shù)據(jù)、歷史數(shù)據(jù)、結(jié)構(gòu)化數(shù)據(jù)以及非結(jié)構(gòu)化數(shù)據(jù)。此外，根據(jù)不同的數(shù)據(jù)源，智能電網(wǎng)數(shù)據(jù)可分為內(nèi)部數(shù)據(jù)和外部數(shù)據(jù)兩類(lèi)。內(nèi)部數(shù)據(jù)來(lái)自電網(wǎng)，包括生產(chǎn)管理系統(tǒng)、設(shè)備檢測(cè)、監(jiān)控系統(tǒng)、配電管理系統(tǒng)、能源管理系統(tǒng)、客戶(hù)服務(wù)系統(tǒng)、電力信息采集系統(tǒng)、營(yíng)銷(xiāo)系統(tǒng)、財(cái)務(wù)管理系統(tǒng)等。這些數(shù)據(jù)是由不同的單位或部門(mén)產(chǎn)生的，主要來(lái)自電網(wǎng)、互聯(lián)網(wǎng)等公共服務(wù)部門(mén)。這些數(shù)據(jù)實(shí)行分布式運(yùn)營(yíng)管理。在電力系統(tǒng)中，非結(jié)構(gòu)化數(shù)據(jù)的比重越來(lái)越高，占智能電網(wǎng)數(shù)據(jù)的很大一部分。此外，基于電網(wǎng)調(diào)度和分布式系統(tǒng)控制的實(shí)時(shí)處理需求，大量的數(shù)據(jù)是實(shí)時(shí)數(shù)據(jù)。

1.2 基于云計(jì)算的電力大數(shù)據(jù)清洗模型

建立大數(shù)據(jù)清洗模型，包括數(shù)據(jù)的儲(chǔ)存、數(shù)據(jù)分析以及數(shù)據(jù)清洗。電力能源大數(shù)據(jù)清洗模型如圖1所示。該模型主要由3個(gè)部分組成：數(shù)據(jù)儲(chǔ)存、數(shù)據(jù)辨識(shí)和數(shù)據(jù)清洗。

1.2.1 數(shù)據(jù)儲(chǔ)存

智能電網(wǎng)使用諸如Hadoop分布式文件系統(tǒng)(Hadoop distributed file system,HDFS)[11]等相關(guān)存儲(chǔ)系統(tǒng)，使大量數(shù)據(jù)分布存儲(chǔ)在智能電網(wǎng)中，很難滿(mǎn)足智能電網(wǎng)的實(shí)時(shí)性要求。所以，必須根據(jù)性能和分析需求進(jìn)行分類(lèi)存儲(chǔ)：實(shí)時(shí)數(shù)據(jù)和核心業(yè)務(wù)數(shù)據(jù)采用實(shí)時(shí)數(shù)據(jù)庫(kù)系統(tǒng)和并行數(shù)據(jù)倉(cāng)庫(kù)；歷史數(shù)據(jù)和非結(jié)構(gòu)化數(shù)據(jù)采用分布式文件系統(tǒng)。電力能源大數(shù)據(jù)多級(jí)儲(chǔ)存如圖2所示。在基于Hadoop的云平臺(tái)中，數(shù)據(jù)是根據(jù)使用屬性進(jìn)行分類(lèi)和存儲(chǔ)的。任務(wù)處理層級(jí)包括任務(wù)管理和任務(wù)監(jiān)測(cè)，歸為一級(jí)。數(shù)據(jù)運(yùn)行層級(jí)包括Hadoop云計(jì)算、并行數(shù)據(jù)信息倉(cāng)庫(kù)和實(shí)時(shí)更新數(shù)據(jù)庫(kù)。數(shù)據(jù)集成層級(jí)包括數(shù)據(jù)導(dǎo)入和數(shù)據(jù)信息集成。

圖2 電力能源大數(shù)據(jù)多級(jí)儲(chǔ)存示意圖Fig.2 Multi-level storage of power energy big data

云計(jì)算的數(shù)據(jù)是分布式存儲(chǔ)的，因此會(huì)產(chǎn)生多種分布式數(shù)據(jù)。這些數(shù)據(jù)集之間存在著數(shù)據(jù)調(diào)度關(guān)系。所以,通過(guò)分析它們之間的依賴(lài)和時(shí)間成本的數(shù)據(jù)調(diào)度生成最優(yōu)數(shù)據(jù)分布,可以得到以下密集的數(shù)據(jù)存儲(chǔ)方式。一是將電力系統(tǒng)計(jì)算的當(dāng)前業(yè)務(wù)數(shù)據(jù)和數(shù)據(jù)存儲(chǔ)資源進(jìn)行整合,移動(dòng)計(jì)算相關(guān)數(shù)據(jù)集被放置在任務(wù)調(diào)度中心分類(lèi)數(shù)據(jù)集與數(shù)據(jù)關(guān)聯(lián)。二是由數(shù)據(jù)中心對(duì)數(shù)據(jù)集與數(shù)據(jù)中心之間的從屬關(guān)系進(jìn)行分析，形成數(shù)據(jù)集的最優(yōu)分布。三是將優(yōu)化后的數(shù)據(jù)集存儲(chǔ)在磁盤(pán)中。

與此同時(shí)，其分類(lèi)儲(chǔ)存格局也包括三個(gè)方面的要求。一是對(duì)于實(shí)時(shí)性要求高的實(shí)時(shí)數(shù)據(jù)，采用實(shí)時(shí)數(shù)據(jù)庫(kù)提供零延遲呼叫響應(yīng)服務(wù)。二是對(duì)于主要數(shù)據(jù)塊，采用并行數(shù)據(jù)庫(kù)確保數(shù)據(jù)塊的多次備份，使數(shù)據(jù)塊可以進(jìn)行統(tǒng)一時(shí)間段的多次利用。三是針對(duì)歷史數(shù)信息，根據(jù)屬性進(jìn)行分類(lèi)，并將其聚類(lèi)存儲(chǔ)[12]在分布式文件系統(tǒng)中。同時(shí)，系統(tǒng)中對(duì)于存儲(chǔ)位置的要求是使用頻率越高的文件存儲(chǔ)在更容易訪向的位置。

在對(duì)電力能源大數(shù)據(jù)進(jìn)行儲(chǔ)存管理時(shí)，要用到云計(jì)算方式。對(duì)于該大數(shù)據(jù)網(wǎng)絡(luò)，有如下計(jì)算：

D={di|i=1,2,...,N}

(1)

式中：D為大數(shù)據(jù)網(wǎng)絡(luò)集合；N為數(shù)據(jù)中心的數(shù)量。

針對(duì)任何一個(gè)數(shù)據(jù)集gi，有g(shù)i∈G,包括數(shù)據(jù)集屬性的二元組是,且數(shù)據(jù)集gi=Ai。那么針對(duì)隨機(jī)的數(shù)據(jù)集gi和gj,他們之間的關(guān)系如式(2)所示：

Yi,j=|gi∩gj|i≥1,j≤m

(2)

式中：|gi∩gj|為任務(wù)集里運(yùn)用的gi和gi任務(wù)數(shù)據(jù)量；G為關(guān)聯(lián)數(shù)據(jù)流的集合；R為工作任務(wù)集合；Ri為使用數(shù)據(jù)集gi的全部任務(wù)集。

針對(duì)云計(jì)算平臺(tái)的N個(gè)數(shù)據(jù)中心，對(duì)應(yīng)的距離矩陣如式(3)所示：

(3)

式中：d為DA和Db之間的距離,DA為隨機(jī)數(shù)據(jù),Db為隨機(jī)數(shù)據(jù)。

隨機(jī)一個(gè)數(shù)據(jù)集gj由Dc傳到De的傳輸總時(shí)間如式(4)所示：

(4)

1.2.2 數(shù)據(jù)辨識(shí)

數(shù)據(jù)清洗子系統(tǒng)可以客觀地實(shí)現(xiàn)文件的統(tǒng)計(jì)，分析用戶(hù)在系統(tǒng)中保存的信息,并完成對(duì)文件信息的統(tǒng)計(jì)分析。數(shù)據(jù)清洗操作的功能對(duì)用戶(hù)來(lái)說(shuō)意義重大。同時(shí)，用戶(hù)還需要通過(guò)這個(gè)系統(tǒng)判斷保存在系統(tǒng)中的文件的質(zhì)量。因此，數(shù)據(jù)清洗模型的數(shù)據(jù)分析部分主要包括數(shù)據(jù)信息統(tǒng)計(jì)、數(shù)據(jù)清洗策略和數(shù)據(jù)質(zhì)量評(píng)價(jià)。

系統(tǒng)主要實(shí)現(xiàn)的功能如下。

①文件信息統(tǒng)計(jì)子模塊需要實(shí)現(xiàn)的功能，包括：計(jì)算文件屬性的數(shù)量、計(jì)算的數(shù)量和百分比空缺數(shù)據(jù)屬性；計(jì)算數(shù)值屬性的基本價(jià)值；計(jì)算異常數(shù)據(jù)的數(shù)量和比例。

②根據(jù)文件的統(tǒng)計(jì)信息清洗操作標(biāo)準(zhǔn)，實(shí)現(xiàn)提出相應(yīng)的數(shù)據(jù)清洗操作的功能。

③數(shù)據(jù)質(zhì)量評(píng)價(jià)子模塊需要根據(jù)數(shù)據(jù)量評(píng)價(jià)標(biāo)準(zhǔn)實(shí)現(xiàn)對(duì)特定類(lèi)型文件數(shù)據(jù)質(zhì)量的評(píng)價(jià)功能。

1.2.3 數(shù)據(jù)清洗

電網(wǎng)大數(shù)據(jù)數(shù)據(jù)清洗模型實(shí)現(xiàn)的關(guān)鍵點(diǎn)是:根據(jù)電力系統(tǒng)負(fù)荷數(shù)據(jù)的特點(diǎn)，實(shí)現(xiàn)低復(fù)雜度、高精度的數(shù)據(jù)清洗算法;建立數(shù)據(jù)質(zhì)量評(píng)估框架，對(duì)電網(wǎng)數(shù)據(jù)質(zhì)量進(jìn)行評(píng)估和比較。本研究主要針對(duì)96網(wǎng)點(diǎn)電力日負(fù)荷數(shù)據(jù)進(jìn)行清洗。96網(wǎng)點(diǎn)電力日負(fù)荷數(shù)據(jù)會(huì)因?yàn)樵O(shè)備故障和外部因素的影響導(dǎo)致數(shù)據(jù)出現(xiàn)異常而不完整。本文采用基于時(shí)間序列數(shù)據(jù)相似度度量的清洗方式，以時(shí)間序列符號(hào)化方法對(duì)時(shí)間序列進(jìn)行降維，并使用歐氏距離算法進(jìn)行相似度度量，最后使用相似度曲線對(duì)負(fù)荷數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗。

①基于符號(hào)集合近似(symbolic aggregate approximation,SAX)算法，把最初的96點(diǎn)時(shí)間序列進(jìn)行規(guī)格化，也就是把數(shù)據(jù)轉(zhuǎn)化成平均值是0、標(biāo)準(zhǔn)差是1的時(shí)序數(shù)據(jù)，記作W={w1,w2,...,wm}。

②對(duì)于隨機(jī)的數(shù)據(jù)wi,如式(5)所示：

(5)

式中：X為96點(diǎn)時(shí)間序列；xi為X序列中的任一數(shù)據(jù)；α為序列中全部值的平均值；β為全部值的標(biāo)準(zhǔn)差。

③運(yùn)用歐式距離，簡(jiǎn)單、直接地計(jì)算相似性，如式(6)所示：

(6)

式中：U為相似性度量的其中一個(gè)序列；L為另一個(gè)序列；fi為U在第i個(gè)點(diǎn)的數(shù)值；lj為L(zhǎng)在第j個(gè)點(diǎn)的數(shù)值。

1.3 仿真分析

①本研究基于云計(jì)算電力能源大數(shù)據(jù)儲(chǔ)存系統(tǒng)，對(duì)電力大數(shù)據(jù)分布式存儲(chǔ)方案進(jìn)行了仿真和實(shí)現(xiàn)。所選取數(shù)據(jù)集數(shù)量為10、30、50、70、90、110。

②運(yùn)用origin2018軟件,對(duì)電力能源大數(shù)據(jù)儲(chǔ)存和清洗結(jié)果進(jìn)行可視化分析。

2 數(shù)據(jù)儲(chǔ)存和清洗結(jié)果

2.1 數(shù)據(jù)儲(chǔ)存結(jié)果

將數(shù)據(jù)傳輸次數(shù)與消耗時(shí)間之間的關(guān)系進(jìn)行統(tǒng)計(jì)。數(shù)據(jù)儲(chǔ)存結(jié)果如圖3所示。

圖3 數(shù)據(jù)儲(chǔ)存結(jié)果Fig.3 Data storage results

從圖3可以看出，隨著數(shù)據(jù)量的提高，數(shù)據(jù)傳輸?shù)拇螖?shù)和消耗的時(shí)間都逐漸提高，但兩者的增長(zhǎng)率都逐漸降低。當(dāng)數(shù)據(jù)塊數(shù)量從10塊增加到30塊時(shí)，相應(yīng)的數(shù)據(jù)傳輸次數(shù)由28次增加到136次，傳輸次數(shù)增長(zhǎng)了5倍左右；相應(yīng)的消耗時(shí)間從0.117 h增加到0.165 h，相差的時(shí)間小于2倍。

2.2 數(shù)據(jù)清洗結(jié)果

經(jīng)過(guò)SAX算法計(jì)算出序列1～序列5的相似性。

序列1～序列5的相似性結(jié)果如表1所示。

表1 序列1～序列5的相似性結(jié)果Tab.1 Similarity results of sequence 1 to sequence 5

表1中：序列1的序列號(hào)為gccfmkhignnqpqnj；序列2的序列號(hào)為cfeegqnomgnkkqnh；序列3的序列號(hào)為ffqfhfnomniqfpie；序列4的序列號(hào)為dgcqgjkpdnoarqmm；序列5的序列號(hào)為hgngikjpieoqllgg。

由表1可以看出，如果利用歐式距離算法計(jì)算獲得的數(shù)值越大，說(shuō)明序列的相似度越大。由此可以看出，序列相似性最高的是序列1和序列4，接著是序列2和序列5，相似度最低的是序列3和序列4。

接著，對(duì)數(shù)據(jù)清洗后的結(jié)果序列進(jìn)行可視化分析。不同網(wǎng)供區(qū)域數(shù)據(jù)清洗結(jié)果如圖4所示。

圖4 不同網(wǎng)供區(qū)域數(shù)據(jù)清洗結(jié)果Fig.4 Data cleaning results of different network supply areas

由圖4可以看出，經(jīng)過(guò)清洗以后，各個(gè)網(wǎng)供區(qū)域的數(shù)據(jù)都清晰可見(jiàn)，不同系列之間的數(shù)據(jù)也能清楚辨別和區(qū)分。

對(duì)本文提出的數(shù)據(jù)清洗算法與通用的線性回歸算法性能進(jìn)行對(duì)比。不同數(shù)據(jù)清洗算法性能對(duì)比結(jié)果如表2所示。

表2 不同數(shù)據(jù)清洗算法性能對(duì)比結(jié)果Tab.2 Performance comparison results of different data cleaning algorithms

由表2可以看出，基于時(shí)間序列數(shù)據(jù)相似性的數(shù)據(jù)清理算法獲得的平均絕對(duì)百分比誤差為0.090 2，而線性回歸數(shù)據(jù)清洗算法得到的平均絕對(duì)百分比誤差為0.142 3。這就說(shuō)明本文提出的算法精度高于通用的線性回歸數(shù)據(jù)清洗算法。

3 結(jié)論

本文首先對(duì)智能電力能源網(wǎng)絡(luò)大數(shù)據(jù)的理論基礎(chǔ)進(jìn)行分析；接著，建立大數(shù)據(jù)清洗模型，包括基于云計(jì)算的數(shù)據(jù)儲(chǔ)存、數(shù)據(jù)分析以及數(shù)據(jù)清洗；然后，采用基于時(shí)間序列數(shù)據(jù)相似度度量的清洗方式對(duì)時(shí)間序列進(jìn)行降維，并使用歐氏距離算法進(jìn)行相似度度量；最后，使用相似度曲線對(duì)負(fù)荷數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗。結(jié)果表明，經(jīng)過(guò)清洗以后各個(gè)網(wǎng)供區(qū)域的數(shù)據(jù)都清晰可見(jiàn)，不同系列之間的數(shù)據(jù)也能清楚辨別和區(qū)分；同時(shí)，本文提出的算法精度高于通用的線性回歸數(shù)據(jù)清洗算法。

本文方法也存在一定的不足之處：對(duì)不同序列進(jìn)行相似度分析時(shí)，采用的樣本量太少。這對(duì)試驗(yàn)結(jié)果的普適性會(huì)產(chǎn)生一定的影響。在后期的研究中，會(huì)提高序列的數(shù)量，以實(shí)現(xiàn)各維度分析。