基于孪生网络和长短时记忆网络结合的配电网短期负荷预测

葛磊蛟，赵 康，孙永辉，王 尧，牛 峰

（1. 天津大学智能电网教育部重点实验室,天津市 300072；2. 山东科技大学电气与自动化工程学院,山东省青岛市 266590；3. 河海大学能源与电气学院,江苏省南京市 210098；4. 省部共建电工装备可靠性与智能化国家重点实验室（河北工业大学）,天津市 300130）

0 引言

精准的短期负荷预测是配电网安全稳定运行、调度优化和降低运营成本的重要保障［1］。随着智能电网、能源互联网的快速发展,电网企业获取了大量的电力负荷数据,尤其是中国智能配电网数据存储容量每年达PB 级,这为配电网负荷预测提供了重要的数据资源。然而,若直接将这些数据全部作为负荷预测的原始数据集输入,将会大大增加负荷预测不必要的负担,反而降低预测精度［1］。因此,选择合适的负荷数据预处理方法,对于提高预测模型的准确度具有重要的意义及较高的工程应用价值。

一般来说,短期负荷预测分为以历史相似日选取为主的数据预处理和日负荷预测两个基本过程［2］。虽然配电网负荷的变化具有一定的周期性,但是随着时间的推移,配电网负荷结构也会发生相应改变。对数据进行日分类可以减小训练数据与预测日负荷数据特性的差异,提高数据的使用精度。此外,合理的历史相似日数据选取能够增强预测模型的可解释性,降低计算的复杂度［2］。文献［3］采用组合权重法求取相似误差确定相似日,但是当相似日与预测日的相似程度较低时,会产生较大的预测误差；文献［4］采用遗传算法优化参数提高了模型预测精度,但待优化参数过多且计算较为复杂。因此,如何在简化操作步骤的基础上,保证相似日选择结果的可靠性,成为相似日选取过程中的一个难题。

另外,在配电网短期日负荷预测方面,传统负荷预测模型,如线性回归（linear regression,LR）、自回归（auto regression,AR）等,虽然运算速度快,但对数据的要求较高、缺乏自适应能力且预测鲁棒性较差,难以满足负荷预测要求［5］。近年来,人工智能技术的发展为解决这些问题提供了思路,但是仍然衍生出一些新问题。文献［6］采用深度置信网络对复杂影响因素进行快速分析,提高了预测精度,但其只针对地区负荷,缺乏自适应性。文献［7］采用并行化多核支持向量机（support vector machine,SVM）进行负荷预测,预测误差与单核SVM 相比有一定程度的减少,但是缺少对时序数据时间相关性的考虑。文献［8］考虑了不同算法的数据观测及训练差异,提出了多种机器学习算法嵌入的Stacking 负荷预测模型,该模型在预测中保证了良好的精度,但是模型集成需要的成本过高且时间较长。因此,如何在保证负荷预测精度的同时,提高算法的运行效率成为日负荷预测过程的另一个难题。

针对上述两个难题,本文构建了一种基于孪生网络（siamese network,SN）分类法和长短时记忆（long short-term memory,LSTM）网络相结合的配电网短时负荷预测模型。SN 的两个输入权值共享,在处理小样本数据方面有较好的效果,可以保证后续输入的相似日数据质量；LSTM 网络对时间序列问题较为敏感,保证了负荷预测的效率；灰狼优化算法（grey wolf optimizer,GWO）全局搜索能力强、效率高,用以优化LSTM 网络参数继而提高预测模型的运行精度。最后,通过仿真计算与对比分析,验证了文中所提预测模型的高效性与精确性。

1 孪生网络结构

负荷预测历史相似日选取的核心是希望所选择的历史数据尽可能多地包含预测负荷的特征,然而配电网负荷受到经济、天气、节假日等诸多不确定性时变因素的影响,完全的连续时序选取方法较难保持精准预测,合理的分类选取方法是趋势。

另外,传统方法在对小样本数据进行分类时,随着分类类型的增加,各类型样本数量和表征该类型的可提取特征会变少,进而使分类器的训练效果不佳,准确率降低。为有效解决小样本数据集的分类问题,文献［9］中采用SN 方法从小样本数据中学习一个相似性量度,然后去匹配未知类别样本,并将此方法成功应用于在线签名验证领域。

SN 是一种特殊的神经网络架构,与输入单一样本学习并进行分类的网络不同,该网络可以同时学习两个样本特征,实现权值共享,接着匹配未知类别的样本,完成分类［10］。一般在短期负荷预测中,SN首先将历史负荷数据及其类别输入,不断学习得到其权重,然后去匹配未知负荷,得到相应类别。这种自适应分类的方式能够大大提高短期负荷预测相似日选择的效率。文献［11］设计了一个SN 双通道网络模型,将数据共同输入一个网络进行相同处理并联合训练,在不影响分类精度的同时,提高了运行效率。基于此,本文采用的SN 结构见图1。

图1 中,孪生网络的输入数据为n组负荷数据样本对(Y1,Yn,Yˉn),其中,Yn为以天为单位的负荷数据集,Y1表示该数据集中的第1 组,Yˉn表示Y1和Yn之间的相似程度；Gw(Yn)表示能够将输入数据Y1,Y2,…,Yn转化为低维特征向量的映射函数；W表示模型参数；Ew(Y1,Yn)为样本间的距离量度,表达式如下。

图1 孪生网络结构Fig.1 Structure of siamese network

式中：y1i和yni分 别为Y1和Yn中的 元素；Ew(Y1,Yn)为两个输入样本之间的欧氏距离。当样本Y1和Yn属于相同类别时,距离量度较小,较为相似；反之则距离量度变大。

损失函数通常采用对比损失函数,如下所示。

式中：w为对比函数的参数；m=1,用于在Ew上定义一个边界,使得只有在该范围内的负样本才对损失函数造成影响。当样本Yˉn的值越趋近于1,代表两样本越相似,此时损失函数趋近于0.5Yˉn E2w,即两个原本相似程度较高的样本,如果在特征空间的欧氏距离较大,则说明模型性能不高,需加大损失。

本文应用SN 进行配电网短期负荷预测历史相似日数据选取,主要步骤如下：首先,对原始负荷数据进行提取,剔除其中存在无效、缺失负荷数据的负荷日；将负荷数据以天为单位分组,选取其中一组作为基准组Y1,此组负荷数据可随机选取且选取后不会改变；然后,作为对照组的各组负荷数据Yn与基准组构成样本对(Y1,Yn,Yˉn),将样本对代入模型训练。选取未知类别的对照组负荷,与基准组构成新样本对代入训练完成的模型,最终得到对应标签即与基准负荷的相似程度,至此,完成未知负荷组的对应相似程度即类别判定。

2 配电网短期负荷预测模型

本文基于相似日负荷数据选取结果,进一步构建GWO 和LSTM 网络混合（用GWO-LSTM 表示）的配电网短期负荷预测模型,以实现快速有效的短期负荷预测。

2.1 LSTM 网络

LSTM 网络通过加入自适应遗忘门使其在学习过程中不断地更新并释放内部资源,解决了递归神经网络梯度爆炸与梯度消失的问题［12-13］。通过其独特的记忆结构可以有效提取负荷时间序列的结构性特征并准确把握预测负荷与大量输入特征之间的非线性关系,进一步保证负荷预测的精确性［14］。

结合文献［14］所述,堆叠LSTM 网络层虽然可以提升模型性能,但为避免预测模型出现过拟合,影响与其他模型的后续比较,应使模型在相同参数下尽可能的小。因此,本文的LSTM 网络由一个LSTM 层和一个全连接层搭建而成,LSTM 层实现输入负荷数据的特征提取,全连接层保证LSTM 层输出想要的维度。其中,LSTM 层的输入数据Xt=[x1,x2,…,xn]（t=1,2,…,m）为通过孪生网络分类后得到的t组对应类别负荷数据,输入数据Yt=[y1,y2,…,yn]为对应类别、对应时刻实际负荷数据,通过构成训练样本(Xt,Yt)的方式对模型进行训练。 然后,输入预测日对应类别负荷Xt′ =[x′1,x2′,…,xn′],即 可 得 到 预 测 日 负 荷Yt′ =[y1′,y2′,…,yn′]以完成预测。

2.2 GWO

GWO 是一种新型智能群体优化算法,该算法模拟了狼群的狩猎模式,且狼群之间并行搜捕互不影响,可最大限度去寻找最优解。GWO 在处理高维、多峰的复杂函数求解方面效果显著,具有较好的全局收敛性和鲁棒性［15-16］。该算法提高了运行效率,较粒子群优化（particle swarm optimization,PSO）算法、差分进化（differential evolution,DE）算法在收敛速度和精度方面更具竞争力。其原理见文献［15-16］,本文不做进一步阐述。

在LSTM 短期负荷预测模型中,超参数的选取对于负荷预测的准确度具有重要的作用［17-18］。预测模型超参数的选取有一定的经验性与规律性,但是隐层神经元的个数在选取范围内较易出现多个预测误差的局部最优点,仅仅依靠经验选取往往无法得到理想的预测效果。传统寻优算法的反复验证选取会影响计算效率,难以应用到实际的负荷预测中。此外,在参数选取过程中,如果神经元个数过多会影响网络学习速度与收敛速度,甚至会出现过拟合的现象；若神经元个数过少则会导致训练结果误差偏大,模型不具有泛化性。因此,合理的参数对于模型精准预测有着极其重要的作用。

GWO 具有参数少、结构简单、收敛能力强、全局搜索能力强等优点,结合其优点可较好地避免因隐层神经元个数选取不当陷入局部最优的问题。因此,本文选用GWO 对隐层神经元个数进行寻优,以预测误差作为适应度,尽可能提高模型的效率。

2.3 模型求解流程

本文所提配电网短期负荷预测方法的大致计算步骤如下。

1）数据的采集与预处理

首先,提取负荷Yt及其对应相关负荷数据Xt=[x1,x2,…,xn] 并进行归一化处理,映射到区间［0,1］之内,

式中：X″t为归一化后的值；Xtmax和Xtmin分别为样本数据的最大值与最小值。

2）相似日的选取

进一步,将数据代入建立好的孪生网络模型中,以欧氏距离作为孪生网络分类法的判据进行学习,然后去匹配未知类别的预测日负荷数据,得到该预测日的类别。最后,根据预测日的负荷类别,对相似日进行数据提取。

3）GWO 参数寻优

将提取好的相似日数据集作为GWO-LSTM模型的训练集,把LSTM 负荷预测模型的预测误差作为GWO 的适应度,反复迭代得到最小预测误差对应的LSTM 网络最优参数设置。其中,GWO 参数设置为：灰狼数为10,维度为1,迭代次数为5。

4）训练与结果

在GWO-LSTM 模型确定最优参数后,将训练集的负荷数据代入最优参数LSTM 网络中进行离线训练。然后,把预测日组成的测试集样本代入最优模型预测,得到各个时刻的负荷预测结果。

3 案例分析

3.1 基础数据集部分

本文采用的原始数据集为中国北方某商业和居民混合的区域配电网2017 年1 月1 日至11 月30 日的负荷数据,数据的时间分辨率为1 h。首先,按季节对历史负荷数据进行划分并确定预测日,用SN分类法对预测日进行匹配和分类,选取与预测日相同类别的相似日作为GWO-LSTM 模型的输入。然后,对预测结果作进一步验证分析,其中,本文分析了未来1 d 及未来5 d 的负荷预测情况。

文中涉及的预测模型均在Python 下搭建,其中,SN 和LSTM 模型基于Keras 深度学习库搭建。LSTM 模型具体参数见附录A 表A1；由于SVM 超参数较多,采用GWO 并不能实现同步优化,为保证该对比算法的精度,本文选择网格遍历式寻优法对SVM 寻 优,并 通 过Sklearn 包 中 的GridSearchCV 模块实现参数自动调节。相似日类别的选取导致春、夏、秋、冬4 个季节对应预测日的数据集规模不同,为进一步保证模型运算效率,分别设置LSTM 模型迭代次数为500、100、200、320。其中,SN 的神经网络层采用卷积神经网络,卷积神经网络强大的特征提取能力使其在图像和文字识别领域被广泛应用,主要包括卷积层、池化层和全连接层。全连接层激活函数采用线性整流函数Relu,并在池化层后面加入平坦层Flatten,将输出的多维数据转化为一维向量。

3.2 评判指标

为了验证本文提出预测模型的精确度和鲁棒性,本文采用平均绝对百分比误差（mean absolute percentage error,MAPE）和均方根误差（root mean squared error,RMSE）作为评判标准［19］,如下所示。

式中：yi和y′i分别为负荷实际值和预测值。

3.3 孪生网络选取相似日

本文应用SN 对未知预测日负荷进行匹配与类别划分。首先,历史负荷的数据提取是以天为单位,每24 个时段为一组,以本年度首天的负荷数据作为基准值,对全年的历史负荷数据进行分类。采用Pearson 相关系数法把相关性强度分为(0.98,1]、(0.96,0.98]、(0.94,0.96]、(0.92,0.94]、(0.90,0.92]、(0.88,0.90]、(0.86,0.88]、(0,0.86]共8 组。短期商居区域负荷波动性较小,负荷之间相关性较强,强度为(0,0.86]时,区域负荷已经和基准负荷相差巨大,这与电力系统的负荷稳定性相矛盾。另外,当基准值选取出现问题时,在相关系数的分类占比中就会出现(0,0.86]组及其邻近各组占比巨大的情况。负荷类别占比及分类情况如附录A 表A2 和图A1 所示。

随后,按照季节的不同对历史负荷数据作进一步划分,选取各季节第1 天的负荷作为基准值,然后在SN 中对基准值和不同的日负荷数据进行对比,不断进行学习,更新权重。然后,输入未知类别的预测日得到各自的类别。每个季节对应的预测日负荷类别如表1 所示。

表1 预测日负荷的孪生网络分类Table 1 Classification of siamese network for daily load forecasting

由附录A 图A1 可知,在不同的类别下负荷日变化曲线走势大致相同,反映出负荷数据具有一定的规律性和周期性。在系统稳定运行时,日负荷之间的相关性较强,但是在不同类别下,对应时段的负荷数值以及到达日负荷峰值的时段是不同的,这表明日负荷变化有一定的差异。不同类别的日负荷变化对后续训练集选取、模型训练的影响是不同的,这对于减小负荷预测的误差起到重要的作用。

3.4 模型验证

3.4.1 特征变量选择方法对比分析

为了看出SN 方法得到的相似日输入在后续预测中表现的优劣,本文将SN 方法与常用特征选择方法中的最大信息系数（maximal information coefficient,MIC）方法［15］进行比较,即采用不同方法得到各自的相似日数据集,并把模型预测误差作为比较结果。

首先,将未经SN 方法处理（采用MIC 方法得到相似日输入）的数据作为输入1。然后,通过GWOLSTM 模型进行负荷预测得到模型1；将采用SN 方法处理的数据作为输入2,并通过GWO-LSTM 模型进行负荷预测得到模型2。随机选取表1 中的夏、秋两个季节进行比较,其中,两模型对应季节选取的预测日和输入数据规模都是相同的。负荷预测值与实际值的绝对误差对比结果如图2 所示,误差指标结果如表2 所示。

图2 夏秋两季各模型预测误差对比Fig.2 Comparison of forecasting errors for different models in summer and autumn

表2 两模型误差对比Table 2 Comparison of errors of two models

1）由图2（a）和（b）可以看到,两模型的预测效果较为良好,但是模型1 的预测误差在某些时段较模型2 来说更大,两模型之间的误差相差甚至能够达到6%,如图2（a）中的前半段时段与图2（b）中的后半段时段。相比于模型1,模型2 有着较高的精确性与鲁棒性,验证了SN 方法对于数据特征选取的有效性。

2）通过表2 可以看到,在相同预测日下,模型1在夏、秋两季中的RMSE 和MAPE 都比模型2 要高,甚至在秋季两模型之间的RMSE 能够相差52.425 kW；模型2 春秋两季的MAPE 较模型1 小了2.34%与1.28%。以上两个误差指标都可以表明,SN 方法处理后得到的数据集更有利于后续的负荷预测,得到的预测结果也更加精准。

3.4.2 参数寻优算法对比分析

不同的寻优算法对于不同的测试标准往往有着不同的优劣表现,为了验证所述GWO 出色的全局搜索能力和寻优精度,借鉴文献［20］,本文选取了Rastrigrin 多峰函数作为测试函数。

Rastrigrin 函数为线性多模态函数,峰形起伏不定,且在寻优范围内有较多局部极小值点,较难寻得最优值。同样,LSTM 模型的待优化参数为隐层神经元的个数,在选取范围内,通过对该参数的选取得到的误差指标也具有较多的局部最小值,两者情况相近,Rastrigrin 函数公式如下,结果见图3（a）和（b）。

式中：x和y为函数状态量；dim为待优化参数个数。

同时,本文选取了群智能优化算法中较为常用的 粒 子 群 优 化算法［19］、蝙蝠算法（bat algorithm,BA）［21］对Rastrigrin 多峰测试 函 数进行寻 优 和对比分析,各优化算法迭代过程如图3（c）所示,迭代所需时间见表3。另外,在附录A 中阐述了将3 种算法与LSTM 网络相结合的实验结果与对比分析。

表3 各优化算法运行时间Table 3 Operation time of each optimization algorithm

图3 算法测试结果Fig.3 Testing results of algorithms

本文3 种算法的种群总个数相同,迭代次数设为50,其中,GWO 参数设置：灰狼个数为10,维度为1。PSO 算法参数设置：粒子数为10,两个学习因子都为2,惯性权重为0.8,维度为1。BA 参数设置：蝙蝠数量为10,脉冲频率为0.5,响度为0.5,维度为1。

从图3（c）来看,3 种优化算法都能够在规定迭代次数内逼近函数最小值。但PSO 算法因缺乏速度的动态调节,收敛精度只达到了10−7,而且较其余两模型来说更不易收敛。纵向观察,GWO 与BA 最先寻得的结果都很小,但GWO 的下降梯度更快,在第4 次迭代时就已寻得函数最小值0,而BA 以10−11的收敛精度逼近0。从表3 中来看,GWO 较PSO 算法和BA 所用时间减少了很多。因此,本文选用寻优速度快、精度高的GWO 优化LSTM 模型的参数,以提高模型预测速度及精度。

3.4.3 负荷预测模型对比分析

为了验证采用LSTM 负荷预测模型进行预测的精确性,本文选取传统LSTM［22］、PSO-LSTM、SVM［23］这3 种预测模型进行对比分析,结果如表4所示。其中,各模型参数设置如附录A 表A1所示。

进一步,按季节对各模型负荷预测结果进行对比,其中,对比依据为该预测日实际负荷与预测负荷的均方根误差和平均绝对百分比误差。春秋两季预测值与实际值绝对误差结果如图4 所示,各模型预测值及夏冬两季对比结果见附录B 图B1 和图B2。各模型的季节负荷预测值见表B1。文中各季节预测日采用随机方式进行选取。

图4 春秋两季各模型绝对误差对比Fig.4 Comparison of absolute errors for different models in spring and autumn

结合上述图表中对3 种模型各季节的仿真结果对比可以较为直观地验证本文所提模型的精确性,具体分析如下。

1）首先,在表4 的各模型负荷预测结果中,GWO-LSTM 模型的RMSE 和MAPE 较其余模型均有了不同程度的减少,几种模型对比中,预测精度和鲁棒性较好的是LSTM 和GWO-LSTM 模型。LSTM 和SVM 模型的结果对比,表明了LSTM 模型在处理时间序列问题优势明显。

2）其 次,由 表4 可 以 看 到,PSO-LSTM 和GWO-LSTM 模型相较于传统LSTM 模型来说RMSE 和MAPE 都有了较为明显的减少,其中GWO-LSTM 模型的预测误差减少得最多,例如,在秋季的结果分析中,GWO-LSTM 模型的预测误差比传统LSTM 模型在RMSE 和MAPE 上减少了20%的误差,而PSO-LSTM 模型分别只有11%和5%。这说明在负荷预测上,采用GWO 对LSTM 网络进行参数优化可以提高模型预测的准确性。

表4 各季节模型预测误差对比Table 4 Comparison of forecasting errors of models in each season

3）图4（a）和（b）展示了春秋两季节预测日对应负荷的绝对误差结果。图中,虽然PSO-LSTM 模型在少数时段预测误差较传统LSTM 模型高,但是整体上来看,PSO-LSTM 模型的预测情况得到了改善,这说明采用优化算法来训练LSTM 网络参数能够减小预测误差。GWO-LSTM 模型较传统LSTM和PSO-LSTM 模型在预测误差上有了不同程度的减小,基本在2%～4%之间,但是在部分时段误差并没有发生突变,表现出极强的精确性和鲁棒性,更加符合电力系统实际应用。

3.4.4 多预测日下的负荷预测分析

为了验证GWO-LSTM 模型在连续日的负荷预测中同样具有较强的预测精度和鲁棒性,本文将4 种预测模型的预测情况作了对比,共5 个预测日（120 h）,如图5 所示,部分时段误差比较情况如表5所示,LSTM 模型、GWO-LSTM 模型、PSO-LSTM模型、SVM 模型的运行时间分别为34.354、20.466、25.683、12.537 s。

结合图5 可知,商业和居民混合负荷具有一定的周期性和随机性,预测较为困难,其负荷特性如下。时段0 至8 的负荷波动较为平稳,时段8 至9 的负荷开始急剧增加,时段18 至20 的负荷开始急剧减少,时段9 和18 各有一个负荷用电的极值点,在时段18 至20 的负荷呈现小范围波动,且波动负荷趋势随机。本文将结合其负荷特性对所提模型的精确性作进一步分析。

图5 连续天数下负荷预测模型预测结果对比Fig.5 Comparison of forecasting results of load models in continuous days

1）由图5 可知,负荷值具有一定的周期性,4 种预测模型的预测值在时段0 至8 之间区别不大。其中,SVM 模型对于实际负荷极值点的预测能力较强,能够较为准确地把握负荷变化趋势,但是误差偏大,较其余两模型来说,精确性较差。GWO-LSTM和LSTM 模型在负荷波动点处预测性能良好。若波动范围较小,GWO-LSTM 和LSTM 模型都能够较为精准地预测,前者误差更小,拟合能力更强。若波动范围较大,在一些突变点处,GWO-LSTM 模型较传统LSTM 模型的表现更稳定。相比于传统方法,本文所研究的模型具有更好的准确度与鲁棒性。

2）由表5 可以看到,相较于SVM 模型,LSTM模型在处理时间序列问题上具有极强的优势,预测误差普遍较小。PSO-LSTM 模型在连续天数的负荷预测中,会出现部分时段的误差突然变大的情况,预测鲁棒性较GWO-LSTM 模型差。这说明采用GWO 来优化LSTM 网络要比采用PSO 算法更稳定可靠,对电力负荷的稳定预测具有重要意义。

表5 连续天数下负荷预测模型部分时段误差对比Table 5 Error comparison of load forecasting model in partial time for continuous days

4 结语

数据驱动型配电网短期负荷预测精准的关键是如何选择合适的相似日输入数据集和构建合理的预测模型。为此,本文提出了基于SN 和LSTM 网络相结合的配电网短期负荷预测方法,并通过实际算例验证了该方法的有效性,得出以下结论。

1）本文采用SN 对输入数据进行分类,分析输入特征之间的相关性,优化了数据集,同时提高了预测模型中权重调节效率,降低了错误率,测试结果验证了所提方法的有效性。

2）针对负荷周期性的特点,结合LSTM 网络在处理时间序列回归问题的优势,可以更好地拟合输入与输出特征之间的复杂关系。由于GWO 收敛能力强、速度快,因此用该方法优化LSTM 网络参数,可以保证高计算效率下提高预测模型的性能,进一步改善拟合回归的能力。

3）在智能电网的背景下,负荷预测朝着精细化的方向发展,本文提出的模型能够高效选出相似日数据集,同时完成模型训练及预测。相较于传统的LSTM 模型、PSO-LSTM 模型、最优SVM 模型,所提出的模型具有较高的效率和准确性,对于短时区域负荷预测有一定的使用价值。

需要指出的是,数据驱动的预测模型易受训练数据影响,目前SN 的分类只针对总负荷,未来将进一步提高该方法的普适性,研究基于多目标的自适应分类方法。此外,本文基于Pearson 相关性分析对负荷序列进行相似性量度,由于该分析为线性相关性理论,难以保证高量度精度,需要进一步研究先进的非线性分析理论,提高数据预处理的精度。

随着大数据技术、人工智能技术等快速发展,数据驱动的负荷预测方法在精度、速度等方面将会进一步提升,然而智能配电网负荷组成也会多样化,其特性变化将具有强随机性。后续工作将研究数据驱动和机理分析的结合策略,基于先进的数据预处理技术,提出高性能的短期负荷预测模型。

附录见本刊网络版（http：//www.aeps-info.com/aeps/ch/index.aspx），扫英文摘要后二维码可以阅读网络全文。