考慮信息時(shí)移的分布式光伏接入配電網(wǎng)功率預(yù)測(cè)方法

尚慶功 ,杭舟 ,尚暖

(1.國(guó)網(wǎng)江蘇省電力有限公司連云港市贛榆區(qū)供電分公司,連云港 222100;2.國(guó)網(wǎng)江蘇省電力有限公司東?？h供電分公司,連云港 222300;3.國(guó)網(wǎng)江蘇省電力有限公司連云港供電分公司,連云港 222000)

0 引言

國(guó)家能源結(jié)構(gòu)轉(zhuǎn)型的深入、雙碳發(fā)展戰(zhàn)略的實(shí)施,加快了可再生能源的發(fā)展,其利用率呈連年增高發(fā)展態(tài)勢(shì)變化[1-3]。太陽(yáng)能是自然界中的天然能源,對(duì)其進(jìn)行高效利用可滿足碳中和背景下的碳排放要求,因此光伏發(fā)電在各個(gè)國(guó)家均受到高度關(guān)注。分布式光伏的應(yīng)用對(duì)國(guó)家能源產(chǎn)業(yè)化發(fā)展起到了積極促進(jìn)作用[4-6]。但分布式光伏發(fā)電會(huì)隨著氣象條件的改變而不斷發(fā)生變化,具有穩(wěn)定性低的特點(diǎn),將其接入配電網(wǎng),可能會(huì)造成配電網(wǎng)電壓的波動(dòng)、電能質(zhì)量的下降等[7,8]。

時(shí)珉等人針對(duì)分布式光伏入網(wǎng)功率預(yù)測(cè)問(wèn)題,采用隨機(jī)森林算法確定光伏出力特征參數(shù)后,將其作為自適應(yīng)神經(jīng)模糊推理算法的輸入,實(shí)現(xiàn)模型的離線訓(xùn)練[9];趙濱濱等人為提高配電網(wǎng)的協(xié)同優(yōu)化控制效果,研究了分布式光伏預(yù)測(cè)方法,利用基于ARIMA 的預(yù)測(cè)模型,來(lái)獲得分布式光伏功率預(yù)測(cè)結(jié)果[10]。以上方法均未考慮地理位置差異帶來(lái)的氣象信息時(shí)移問(wèn)題,導(dǎo)致光伏出力預(yù)測(cè)結(jié)果并不夠準(zhǔn)確。

在實(shí)際應(yīng)用中,受成本等因素的影響,各分布式光伏站點(diǎn)并不完全具有數(shù)值天氣預(yù)報(bào)(NWP)數(shù)據(jù),存在氣象數(shù)據(jù)缺失問(wèn)題[11]。依據(jù)各分布式光伏站點(diǎn)間的空間關(guān)聯(lián)性,利用區(qū)域內(nèi)光伏基站的完備NWP 數(shù)據(jù)進(jìn)行目標(biāo)光伏站點(diǎn)出力預(yù)測(cè),是存在預(yù)測(cè)誤差的,這主要是分布式光伏站點(diǎn)地理位置差異導(dǎo)致的氣象信息時(shí)移引起的[12]。為解決預(yù)測(cè)誤差問(wèn)題,提出考慮信息時(shí)移的分布式光伏接入配電網(wǎng)功率預(yù)測(cè)方法,通過(guò)確定最佳時(shí)移量完成分布式光伏站點(diǎn)氣象數(shù)據(jù)存在的偏移修正,在對(duì)分布式光伏出力數(shù)據(jù)特征進(jìn)行選擇后,輸入到基于注意力機(jī)制卷積雙向GRU 預(yù)測(cè)模型中,以實(shí)現(xiàn)其功率的準(zhǔn)確預(yù)測(cè)。

1 分布式光伏接入配電網(wǎng)功率預(yù)測(cè)

1.1 氣象信息時(shí)移分析

在分布式光伏接入配電網(wǎng)中,各光伏電站輸出功率具有空間關(guān)聯(lián)性,將具有NWP 的集中式光伏電站作為基站,可實(shí)現(xiàn)目標(biāo)光伏電站功率的預(yù)測(cè),但由于各光伏電站地理位置的差異,使得各光伏電站氣象數(shù)據(jù)具有時(shí)間偏移性。考慮地理位置差異引發(fā)的信息時(shí)移,修正目標(biāo)光伏電站的氣象信息,是實(shí)現(xiàn)分布式光伏接入配電網(wǎng)功率精準(zhǔn)預(yù)測(cè)的重要途徑。理想情況下,在已知基站與目標(biāo)光伏電站的地理位置后,即可完成時(shí)間偏移量的計(jì)算,但在實(shí)際工作中,可能存在分布式光伏電站經(jīng)緯度數(shù)據(jù)缺失問(wèn)題,故在獲取集中式光伏電站的歷史氣象數(shù)據(jù)后,繪制其氣象曲線,再對(duì)其作平移處理,以使目標(biāo)光伏電站輸出功率曲線與其具有最大關(guān)聯(lián)性,實(shí)現(xiàn)時(shí)移量的獲取。具體為:采用皮爾遜相關(guān)系數(shù)分析氣象數(shù)據(jù)中的關(guān)鍵氣象因子、光伏輸出功率之間的關(guān)聯(lián)關(guān)系,獲取與光伏輸出功率具有最大關(guān)聯(lián)的氣象因子,將其視為對(duì)照變量,完成最優(yōu)時(shí)移的確定。經(jīng)研究發(fā)現(xiàn),影響光伏輸出功率變化的重要?dú)庀笠蜃訛榭傒椪斩?因此,將其視為變量實(shí)現(xiàn)最優(yōu)時(shí)移的求取。

將原時(shí)間點(diǎn)作為起點(diǎn),沿左右方向完成總輻照度歷史信息數(shù)據(jù)的移動(dòng)處理后,對(duì)此刻的總輻照度大小進(jìn)行運(yùn)算,同時(shí)確定各目標(biāo)光伏電站歷史出力皮爾遜相關(guān)系數(shù),從中篩選出最大皮爾遜相關(guān)系數(shù)(PCC),與之對(duì)應(yīng)的平移量即為目標(biāo)光伏電站的最佳氣象時(shí)移量。將15 min 作為分布式光伏接入配電網(wǎng)功率預(yù)測(cè)周期ΔT,由于最佳時(shí)移量可能存在非整數(shù)倍ΔT的情況,通過(guò)三次樣條差值處理總輻照度變量,經(jīng)加密后,可獲取周期為Δt=15 min 的密集氣象數(shù)據(jù)。最佳時(shí)移量的確定過(guò)程為:

第一步:獲取歷史氣象數(shù)據(jù),通過(guò)運(yùn)算確定總輻照度序列,表示為R={rT1,rT2,…,rTn},P={pT1,pT2,…,pTn}為與之相對(duì)應(yīng)的光伏出力序列。對(duì)于歷史氣象數(shù)據(jù),其時(shí)間序列通過(guò)T1,T2,…,Tn表示,其數(shù)量表示為n。

第二步:對(duì)R進(jìn)行三次樣條差值處理,加密后的總輻照度序列通過(guò)Rnew=表示,t1,t2,…tq,…,t3n-2為處理后的時(shí)間序列。

第三步:設(shè)定q為1。

第四步:將Rnew中的元素q作為起始點(diǎn),選擇n-4 個(gè)點(diǎn),ΔT表示時(shí)間周期,對(duì)Rnew進(jìn)行校正處理,獲得R′new,對(duì)R′new與P的皮爾遜相關(guān)系數(shù)進(jìn)行求取,并保存在集合A中。

第五步:令q=q+1,當(dāng)q＞3n-2,則跳轉(zhuǎn)至步驟六,反之,返回步驟四。

第六步:對(duì)A中的皮爾遜相關(guān)系數(shù)進(jìn)行降序排列,確定最大系數(shù)對(duì)應(yīng)的平移量,確定最佳時(shí)移量。

1.2 基于隨機(jī)森林的特征選擇

采用隨機(jī)森林算法對(duì)分布式光伏原始數(shù)據(jù)特征進(jìn)行重要度分析,以完成高貢獻(xiàn)特征的選擇,從而提高功率預(yù)測(cè)模型的預(yù)測(cè)效果。該算法原理是將B作為分布式光伏原始數(shù)據(jù)集,以反復(fù)抽樣方式對(duì)B數(shù)據(jù)集進(jìn)行處理,獲得若干個(gè)樣本后,完成新樣本子集的確定,由此構(gòu)建決策樹(shù),獲得的數(shù)量為k的決策樹(shù)構(gòu)成了決策森林。該算法通過(guò)對(duì)構(gòu)造的若干決策樹(shù)的排列分布,使得分布式光伏原始數(shù)據(jù)的特征選擇能力獲得顯著提升。

在通常狀況下,各決策樹(shù)的分布概率具有一致性,不同決策樹(shù)的學(xué)習(xí)率大小對(duì)隨機(jī)森林算法的擬合誤差起決定性作用。對(duì)于樣本數(shù)據(jù)集B,其子集表示為C;對(duì)B進(jìn)行抽取時(shí),未被采樣到的樣本定義為樹(shù)外樣本,通過(guò)B-表示,其子集表示為C-。分布式光伏原始數(shù)據(jù)特征的貢獻(xiàn)度可通過(guò)擬合誤差值來(lái)確定,如式(1)所示

式中:gx(i)——將B作為預(yù)測(cè)原始數(shù)據(jù)集時(shí)得到的擬合屬性參數(shù),及x經(jīng)過(guò)置換處理后確定的擬合屬性參數(shù);x——分布式光伏原始數(shù)據(jù)特征參數(shù);I——對(duì)于樹(shù)外樣本的誤差函數(shù);yi——第i個(gè)數(shù)據(jù)的擬合屬性參數(shù)。

選擇S(xj)值高的分布式光伏原始數(shù)據(jù)特征,用以作為后續(xù)功率預(yù)測(cè)模型的輸入。

1.3 分布式光伏接入配電網(wǎng)功率預(yù)測(cè)模型

1.3.1 雙向門(mén)控循環(huán)控制網(wǎng)絡(luò)

GRU 是在循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)結(jié)構(gòu)基礎(chǔ)上發(fā)展而來(lái),其優(yōu)勢(shì)是避免了傳統(tǒng)RNN 網(wǎng)絡(luò)訓(xùn)練過(guò)程中梯度下降等問(wèn)題[13]。GRU 網(wǎng)絡(luò)基本結(jié)構(gòu)如圖1所示,在t時(shí)間的時(shí)間序列輸入信息通過(guò)Xt表示。重置門(mén)、更新門(mén)是其重要組成部分,分別表示為Rt、Zt,其中,Rt是t時(shí)刻輸入Xt的函數(shù),可對(duì)t-1 時(shí)刻歷史狀態(tài)信息的輸入量進(jìn)行控制,以便獲取Xt中的短期依賴關(guān)系;Zt為t-1 時(shí)刻隱含狀態(tài)Ht-1的函數(shù),用于反映t時(shí)刻隱含狀態(tài)中所含歷史信息的多少,對(duì)輸入Xt中長(zhǎng)期依賴關(guān)系的確定產(chǎn)生有利影響。利用sigmoid 函數(shù)對(duì)門(mén)限區(qū)間進(jìn)行控制,使其滿足(0,1);隱含、候選隱含狀態(tài)分別通過(guò)Ht表示。

圖1 GRU 網(wǎng)絡(luò)基本結(jié)構(gòu)圖Fig.1 Basic structure of GRU network

基于GRU 網(wǎng)絡(luò)結(jié)構(gòu),可確定式(2)至式(5)。

式中:σ——激活函數(shù);Wxr,Whr,Wxz,Whz,Wxh,Whh——GRU 網(wǎng)絡(luò)涉及的權(quán)值矩陣;br,bz,bh——Rt、Zt的偏置量。單向GRU 網(wǎng)絡(luò)僅能通過(guò)獲取歷史輸入信息以實(shí)現(xiàn)當(dāng)前時(shí)刻輸出結(jié)果的預(yù)估,具有單方向傳播性,容易發(fā)生遺忘問(wèn)題,使得關(guān)鍵時(shí)序信息發(fā)生缺失。為此,構(gòu)建雙向GRU 網(wǎng)絡(luò)模型,將目標(biāo)光伏電站的時(shí)間序列特征數(shù)據(jù)作為模型輸入,分別通過(guò)正向、逆向?qū)W習(xí)實(shí)現(xiàn)雙GRU 模型的訓(xùn)練,對(duì)正、逆向?qū)W習(xí)過(guò)程中的最終狀態(tài)向量作拼接處理,實(shí)現(xiàn)分布式光伏接入配電網(wǎng)功率預(yù)測(cè)結(jié)果的確定。雙向GRU網(wǎng)絡(luò)模型能夠兼顧歷史數(shù)據(jù)以及未來(lái)信息的學(xué)習(xí),準(zhǔn)確獲取分布式光伏的動(dòng)態(tài)變化趨勢(shì),提高了預(yù)測(cè)模型的預(yù)測(cè)性能。

1.3.2 注意力機(jī)制(Attention)

注意力機(jī)制是模仿人類視覺(jué)觀察事物的特點(diǎn),以獲取高價(jià)值信息的過(guò)程,在時(shí)序預(yù)測(cè)等領(lǐng)域受到廣泛關(guān)注。注意力機(jī)制原理是在已知時(shí)間序列輸入信息的基礎(chǔ)上,獲取其特征權(quán)值以實(shí)現(xiàn)輸入的加權(quán)求和處理,通過(guò)重要特征賦予的權(quán)值大、非重要特征賦予的權(quán)值小的方式實(shí)現(xiàn)輸入信息重要部分的學(xué)習(xí),以達(dá)到預(yù)測(cè)精度提升目標(biāo)[14,15]。將Attention 機(jī)制引入到雙向GRU 模型中,以獲取目標(biāo)光伏電站與配電網(wǎng)內(nèi)鄰近氣象信息時(shí)間位點(diǎn)間的聯(lián)系,以實(shí)現(xiàn)分布式光伏接入配電網(wǎng)功率預(yù)測(cè)模型的氣象時(shí)移量的修正。采用卷積神經(jīng)網(wǎng)絡(luò)對(duì)輸入時(shí)間序列的各個(gè)時(shí)間步進(jìn)行捕捉,經(jīng)過(guò)滑動(dòng)窗內(nèi)隱含層矩陣的若干次一維卷積操作后,實(shí)現(xiàn)若干時(shí)間模式的確定,如式(6)所示

式中:Qi——對(duì)于雙向GRU 模型,其隱含層矩陣的第i個(gè)行向量;Dj——第j個(gè)卷積核。

利用激活函數(shù)確定與評(píng)分對(duì)應(yīng)的第i個(gè)行向量注意力權(quán)值,表示為αi,再計(jì)算αi與QD i的乘積,并作加和處理后,可獲得上下文向量,如式(8)所示

式中:m——對(duì)于時(shí)間模式矩陣總行數(shù)。

利用全連接層對(duì)vt與qt作融合處理,即可完成時(shí)間步輸出結(jié)果的確定,如式(9)所示

式中:Wh——該層權(quán)值;[·]——兩向量間的融合處理。

1.3.3 基于注意力機(jī)制的卷積雙向GRU 的功率預(yù)測(cè)模型

為實(shí)現(xiàn)分布式光伏接入配電網(wǎng)功率的精準(zhǔn)預(yù)測(cè),構(gòu)建了基于注意力機(jī)制的卷積雙向GRU 網(wǎng)絡(luò),利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)輸入時(shí)間序列的各個(gè)時(shí)間步進(jìn)行捕捉,通過(guò)Attention 機(jī)制降低地理位置差異引起的氣象信息時(shí)移問(wèn)題,實(shí)現(xiàn)分布式光伏接入配電網(wǎng)功率預(yù)測(cè)模型的氣象時(shí)移量的修正?；谧⒁饬C(jī)制的卷積雙向GRU 的功率預(yù)測(cè)模型具體為:

該功率預(yù)測(cè)模型采用隨機(jī)森林算法對(duì)特征貢獻(xiàn)度進(jìn)行計(jì)算,以此確定光伏出力數(shù)據(jù)特征,將其輸入到功率預(yù)測(cè)模型中,以T為時(shí)間步滑動(dòng)窗口,在對(duì)其作預(yù)處理的基礎(chǔ)上,可得到X=[xT1,xT2,…,xTn]的時(shí)間序列。通過(guò)雙向GRU 網(wǎng)絡(luò)對(duì)獲取的時(shí)間序列特征進(jìn)行學(xué)習(xí),利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)其各個(gè)時(shí)間步進(jìn)行捕捉,其結(jié)構(gòu)中由卷積、池化層構(gòu)成,數(shù)量分別為2、1,卷積核均設(shè)定為1 ×1。利用注意力機(jī)制對(duì)功率預(yù)測(cè)模型中的氣象時(shí)移進(jìn)行修正,再利用全連接層對(duì)分布式光伏接入配電網(wǎng)功率進(jìn)行預(yù)測(cè),如式(10)所示

式中:yt——在t時(shí)間點(diǎn),分布式光伏接入配電網(wǎng)功率預(yù)測(cè);WO,bo——權(quán)值矩陣及偏置。

最后通過(guò)輸出層對(duì)其進(jìn)行輸出。

2 輸出功率預(yù)測(cè)試驗(yàn)

以某地區(qū)分布式光伏接入配電網(wǎng)為研究對(duì)象,利用Matlab 工具進(jìn)行模擬分析,該區(qū)域配電網(wǎng)內(nèi)含有的分布式光伏站點(diǎn)數(shù)量為6,標(biāo)記為Ⅰ-Ⅵ,對(duì)應(yīng)容量為22.5 kW、110.6 kW、137 kW、98 kW、148 kW、64 kW。獲取該區(qū)域各光伏站點(diǎn)2020 年5 月1 日-10 月30 日出力數(shù)據(jù),由功率計(jì)量表以15 min 為一個(gè)采樣周期對(duì)其實(shí)際功率值進(jìn)行96 點(diǎn)采集,從區(qū)域氣象站獲取同期NWP 數(shù)據(jù),構(gòu)建原始數(shù)據(jù)集。將2020 年10 月27 日前的光伏出力及氣象數(shù)據(jù)作為預(yù)測(cè)模型訓(xùn)練樣本,采用本方法對(duì)后三天的分布式光伏輸出功率進(jìn)行預(yù)測(cè),分析預(yù)測(cè)效果。

2.1 總輻照度、分布式光伏出力曲線分析

基于原始數(shù)據(jù)集獲取各分布式光伏出力曲線,將其與氣象總輻照度曲線進(jìn)行對(duì)比,分析兩曲線的變化特點(diǎn),試驗(yàn)結(jié)果如圖2 所示。

圖2 總輻照度、分布式光伏出力曲線分析圖Fig.2 Analysis of total irradiance and distributed photovoltaic output curve

分析圖2 可知,各分布式光伏出力曲線變化趨勢(shì)相近,只在曲線峰值與外形上存在不同,這是由于各分布式光伏裝機(jī)容量等因素差異造成的;氣象總輻照度曲線的運(yùn)行趨勢(shì)與之大體相同,表明可通過(guò)對(duì)總輻照度曲線進(jìn)行平移處理,實(shí)現(xiàn)氣象數(shù)據(jù)信息的修正。試驗(yàn)結(jié)果表明,通過(guò)氣象站的NWP 數(shù)據(jù)進(jìn)行分布式光伏接入配電網(wǎng)功率預(yù)測(cè)是可取的。

2.2 分布式光伏接入配電網(wǎng)功率預(yù)測(cè)結(jié)果分析

各分布式光伏站點(diǎn)地理位置存在差異,利用相同氣象數(shù)據(jù)對(duì)分布式光伏接入配電網(wǎng)功率進(jìn)行預(yù)測(cè),將會(huì)產(chǎn)生較大誤差,因此,確定最佳時(shí)移量實(shí)現(xiàn)氣象信息數(shù)據(jù)的偏移糾正顯得十分必要。通過(guò)計(jì)算不同時(shí)移量下的總輻照度與各分布式光伏站點(diǎn)出力的皮爾遜相關(guān)系數(shù)(PCC)的變化,實(shí)現(xiàn)最佳時(shí)移量的確定,試驗(yàn)結(jié)果如表1 所示。

表1 總輻照度與各光伏站點(diǎn)出力的PCC 計(jì)算結(jié)果分析Tab.1 PCC calculation results analysis of total irradiance and output of each photovoltaic station

分析表1 可知,采用本方法對(duì)各光伏站點(diǎn)的最佳時(shí)移量進(jìn)行確定,能夠獲得PCC 值計(jì)算結(jié)果,確定最大PCC 值對(duì)應(yīng)的時(shí)移量,Ⅰ-Ⅵ各分布式光伏站點(diǎn)的最佳時(shí)移量分別為-10、-10、-10、5、-5、-15,將光伏出力曲線作為參照,當(dāng)總輻照度曲線移向其左側(cè)時(shí),時(shí)移量即標(biāo)記為負(fù)數(shù),反之則用正數(shù)標(biāo)記。

以Ⅰ分布式光伏站點(diǎn)為例,采用本方法對(duì)該站點(diǎn)2020 年10 月28～30 日(典型日)的輸出功率進(jìn)行預(yù)測(cè),并與未考慮信息時(shí)移的預(yù)測(cè)結(jié)果與Ⅰ的實(shí)際出力值進(jìn)行對(duì)比,通過(guò)分析預(yù)測(cè)誤差驗(yàn)證文章方法的功率預(yù)測(cè)性能,試驗(yàn)結(jié)果如圖3 至圖5 所示。

圖3 10 月28 日(晴天)功率預(yù)測(cè)結(jié)果分析圖Fig.3 Analysis of power prediction results on October 28th (clear day)

分析圖3 可知,10 月28 日為晴天,光照充足,分布式光伏發(fā)電運(yùn)行期間氣象條件波動(dòng)幅度很小,在未考慮信息時(shí)移時(shí),預(yù)測(cè)結(jié)果也未存在大幅度偏差;預(yù)測(cè)結(jié)果與實(shí)際功率值基本一致,二者間誤差極小。由圖4 可知,10 月29 日為陰天,日照強(qiáng)度變化較大,分布式光伏發(fā)電的波動(dòng)幅度隨之增大,功率曲線不平滑,功率預(yù)測(cè)較為精準(zhǔn),誤差雖比晴天時(shí)有所提升,但仍在允許范圍之內(nèi);不考慮信息時(shí)移的預(yù)測(cè)結(jié)果誤差較大,明顯偏離實(shí)際功率值。圖5 中,該日為晴轉(zhuǎn)小雨天氣,6 點(diǎn)以后隨著太陽(yáng)光照強(qiáng)度的增加,光伏出力不斷上升,13 點(diǎn)左右天氣開(kāi)始轉(zhuǎn)陰,光照強(qiáng)度大幅開(kāi)始減弱,光伏輸出功率值大幅度下滑,16 時(shí)左右雨停,但此刻日照強(qiáng)度不足,Ⅰ分布式光伏輸出功率僅有小幅度增高,18 點(diǎn)后功率值不斷減小,直至Ⅰ分布式光伏停止運(yùn)行,輸出功率降低至0。預(yù)測(cè)曲線仍可以與實(shí)際功率曲線保持一致的走勢(shì)規(guī)律,未有大幅度誤差波動(dòng),但未考慮信息時(shí)移的預(yù)測(cè)結(jié)果則偏離實(shí)際功率值,預(yù)測(cè)誤差過(guò)大。試驗(yàn)結(jié)果表明,本方法因考慮信息時(shí)移,對(duì)氣象數(shù)據(jù)進(jìn)行修正,有效提升了功率預(yù)測(cè)效果。

圖4 10 月29 日(多云)功率預(yù)測(cè)結(jié)果分析圖Fig.4 Analysis of power prediction results on October 29th (cloudy)

圖5 10 月30 日(晴轉(zhuǎn)小雨)功率預(yù)測(cè)結(jié)果分析圖Fig.5 Analysis of power forecast results on October 30th (clear to light rain)

3 結(jié)束語(yǔ)

應(yīng)用本方法對(duì)某地區(qū)分布式光伏接入配電網(wǎng)功率進(jìn)行預(yù)測(cè),利用最佳時(shí)移量糾正地理差異造成的氣象數(shù)據(jù)偏移造成的誤差,通過(guò)對(duì)不同氣象條件下的分布式光伏功率預(yù)測(cè)結(jié)果驗(yàn)證文章方法的應(yīng)用效果。試驗(yàn)結(jié)果表明:本方法可對(duì)各分布式光伏的最佳時(shí)移量進(jìn)行確定,完成氣象信息時(shí)移的修正;能夠?qū)θN不同氣象條件下的分布式光伏輸出功率進(jìn)行預(yù)測(cè),預(yù)測(cè)誤差低。