配电网韧性提升：移动储能预布局与动态调度Matlab实现

极端天气这几年给我的感觉是越来越“不讲道理”。台风、暴雨、冰灾这一类小概率、高破坏事件往往一次就能让大面积配电网瘫痪恢复时间以天甚至周计算。传统配电网规划里考察的“N-1可靠性”对这种N-k式的连锁故障基本无能为力——这也是“韧性”Resilience这个概念被单独拿出来做研究的原因。我最近在IEEE33节点系统上完整复现了一套面向配电网韧性提升的移动储能预布局与动态调度策略用MatlabYALMIP建模求解整个过程踩了不少坑也把模型逻辑梳理得很清楚了。这篇复盘写给正在做配电网韧性、移动储能调度或者两阶段优化的同学内容覆盖问题建模、IEEE33节点算例配置、Matlab代码架构、结果分析方法和常见报错排查偏实战尽量不讲空话。1. 项目整体思路拆解从“韧性”到“移动储能”的切入点1.1 配电网韧性为什么需要移动储能韧性这个概念最早是从材料力学借过来的强调的是系统在遭受极端扰动后“吸收冲击、适应变化、快速恢复”的能力。配电网韧性和传统可靠性的最大区别在于可靠性针对的是概率较高的单一故障比如某条线路因雷击跳闸通过N-1准则、备自投、分段联络开关就能处理而韧性针对的是小概率但破坏力极大的极端事件比如台风导致十几条线路同时断线、变电站失压系统直接进入大面积孤岛状态。在这种场景下常规的备用电源、固定储能往往力不从心。固定储能位置一旦确定就动不了如果灾害路径偏离了预设位置储能就成了“看客”。移动储能Mobile Energy Storage SystemMESS的核心价值在于“时空可迁移”把储能电池装在专用运输平台上灾前可以部署到预测故障概率高的区域灾中可以跟随故障信息动态转场哪里需要电就开到哪里。类比一下固定储能像是社区门口的消防栓移动储能则是消防车平时停在车库里火灾时哪里最危险就出警去哪里。移动储能的另一个优势是经济性。极端灾害是小概率事件为每个关键节点都配置固定储能设备利用率极低投资回报期很长。如果采用移动储能一套设备可以通过预布局策略在不同灾害场景下服务不同区域相当于把“备用资源池”共享化用更少的设备容量覆盖更大的韧性提升范围。这也是近年来越来越多文献把移动储能作为韧性提升首选资源的原因。1.2 预布局与动态调度两阶段决策的必然划分很多人第一次接触这个题目时会有疑问预布局和动态调度为什么非要拆成两个阶段一次优化把整个过程都算出来不行吗答案是信息结构决定了问题结构。灾害发生前决策者只能获取气象预警信息和基于历史统计的故障概率不知道具体哪条线路会断灾害发生后故障状态逐步被监测系统确认这时才能根据实际拓扑制定精确的恢复策略。这两个阶段的信息完全不同目标也有所侧重强行并成一个单阶段模型要么需要假设“先知”式的确定性故障集要么会把不确定性全部塞进模型导致求解规模爆炸。因此标准做法是把问题分成两层灾前预布局阶段在故障场景还未完全确定时基于灾害预测信息决定每台移动储能的初始接入节点同时可以预留一部分“在途位置”作为机动方案。灾中动态调度阶段在故障场景明确或逐步明晰后以当前系统状态为初始条件滚动优化移动储能的运行位置、充放电功率和配电网的开关状态目标是最小化故障期间的总负荷削减。这两层决策是耦合的预布局决定了动态调度的“起手牌”动态调度则把预布局的潜力兑现为实打实的负荷恢复。实际代码实现中既可以建模为严格的随机规划场景树也可以用“先预布局、后事件驱动重调度”的简化流程。标题里的“预布局与动态调度策略”正确理解是“两阶段协同决策”而不是两个孤立的问题。1.3 为什么用IEEE33节点作为测试平台IEEE33节点系统是配电网领域最经典的测试算例之一标准参数是33个节点、32条支路、5个联络开关系统基准电压12.66kV总负荷约3715kW2300kvar。选择它作为测试平台有很实际的原因第一规模适中。33个节点足够体现移动储能空间调度的差异性节点多到能产生“往哪跑”的决策价值又不会像IEEE123节点那样让MILP模型求解到怀疑人生。第二系统中自带联络开关天然支持网络重构研究。移动储能调度和网络重构联合优化的场景是在IEEE33上验证得最充分。第三公开数据容易获取Matpower自带case33格式或者网上大量现成的数据表复现门槛低。在我的实践里IEEE33节点还有一个隐性优势它的拓扑结构很“典型”——辐射状馈线主干线长分支线路多负荷分布不均越往后端电压越低。这种结构能很好地体现“哪条支路断了会导致哪些负荷失电”“移动储能接入到哪个节点能最大化恢复范围”这类空间决策问题非常适合作为移动储能预布局策略的试验田。2. 数学模型目标函数、约束与决策变量逐项解析2.1 目标函数与决策变量分层把这个问题翻译成数学语言第一步是明确目标函数。韧性提升的直接表现是故障期间的等效负荷削减量最小换句话说就是“保住更多用户的电”。实际建模时一般不直接用用户数而是用节点负荷的加权削减量作为目标[ \min \sum_{t \in T} \sum_{n \in N} \omega_n \cdot \Delta P_{n,t}^{cut} \cdot \Delta t ]其中 (\Delta P_{n,t}^{cut}) 是节点n在时段t的切负荷量(\omega_n) 是该节点负荷的权重系数。权重设计很有讲究医院、应急指挥中心、通信基站等关键负荷权重取高值普通居民负荷取低值这样优化结果会自动倾向于优先保证关键负荷供电。决策变量分成两大层预布局层每台移动储能的初始接入位置一般是0-1变量。如果考虑多种容量等级配置还可以加入容量选择变量。动态调度层每个时段每台移动储能的接入节点、充电功率、放电功率、荷电状态SOC以及配电网的开关状态、切负荷量、节点电压等运行变量。这样一个典型算例的变量规模粗略估算2台MESS、24个时段、33个节点位置变量就有 (2 \times 33 \times 24 1584) 个二进制变量。再加上拓扑状态、功率变量总变量数几千个属于中等规模MILP用成熟求解器完全可解。这就是为什么这类题目都倾向用数学规划而不是纯启发式算法——可解释性强而且求解稳定。2.2 配电网潮流约束与网络重构配电网正常运行是辐射状结构潮流计算比较适合用DistFlow模型。DistFlow方程描述了馈线首端到末端的功率流动和电压降落关系在IEEE33节点这类辐射状网络中非常好用。不过严格来说DistFlow方程含有电流平方项和电压平方项是非线性的。在MILP框架里标准做法是做一个线性化处理——忽略网损相关的高阶项或者采用分段线性近似。这样处理后的误差通常在工程可接受范围内尤其对配电网这种电压等级较低、对精度要求不是特别高的场景来说线性化后的误差完全可以容忍。网络拓扑变量也很关键。IEEE33节点自带5个联络开关正常运行时这些开关是断开的保持单环网开环运行。故障后可以通过闭合联络开关、断开故障支路来重新划分供电区域这就是网络重构。优化模型中每个开关的状态都是0-1变量同时要保证重构后的拓扑仍然是辐射状——可以用“节点-支路数量关系”来约束即连通时支路数等于节点数减去孤岛数这个约束在代码里是个循环加计数器逻辑简单但非常容易写错后面避坑章节会专门讲。潮流约束和拓扑约束是耦合的只有闭合的支路才有功率流动只有连通到电源点的节点才可能正常供电。这一层耦合关系如果建模不严谨很容易出现“拓扑上连通了但潮流上没送电”的荒谬结果。2.3 移动储能的时空耦合约束移动储能和固定储能建模上最大的区别就是多了空间转移的约束。这部分是整个模型的核心也是最容易写错的地方。位置唯一性约束每一台移动储能在每一个时段只能待在一个地方要么接入某个节点要么在转移途中。写成数学形式就是[ \sum_{n \in N} z_{k,n,t} m_{k,t} 1, \quad \forall k, t ]其中 (z_{k,n,t}) 表示第k台MESS在时段t是否接入节点n(m_{k,t}) 表示它是否在执行转移。充放电约束要和位置变量耦合。储能只有接入节点才能充放电这一条如果只写功率变量上下限模型可能会让一台在途的MESS“隔空充电”那就闹笑话了。通常的处理方式是引入大M变量[ P_{k,t}^{ch} \le M \cdot \sum_{n} z_{k,n,t} ]也就是说只要MESS在转移状态位置变量全为0充电功率就被强制为0。这个约束是防止模型“作弊”的关键后面我在复现时发现很多初学者写的模型结果异常十有八九是漏了这条。SOC状态转移方程也是建模重点。第t1时段的荷电状态等于第t时段的状态加上净充电量[ SOC_{k,t1} SOC_{k,t} \eta_{ch} \cdot P_{k,t}^{ch} \cdot \Delta t / E_{k}^{rated} - P_{k,t}^{dis} \cdot \Delta t / (\eta_{dis} \cdot E_{k}^{rated}) ]同时SOC要满足上下限约束比如保持在20%~90%之间延长电池寿命。转移时间约束则是如果MESS在t时段决定从节点i转移到节点j那么在未来 (T_{ij}^{travel}) 个时段内它都不能接入任何节点充放电。延迟约束在YALMIP里写起来稍微绕一点需要用到“识别转移开端”的辅助变量把“正在转移”和“刚刚开始转移”区分开。3. 算例设置IEEE33节点数据与故障场景准备3.1 IEEE33节点基础参数从哪里拿数据是复现的第一步。我习惯直接新建一个case33_data.m函数文件把节点负荷、支路阻抗、联络开关都整理成数组。标准IEEE33节点参数如下项目数值系统基准电压12.66 kV电源节点节点1变电站节点总数33支路总数32条 5条联络支路总有功负荷3715 kW总无功负荷2300 kvar联络开关支路8-21, 9-15, 12-22, 18-33, 25-29这里有一个细节标准IEEE33节点里负荷都是恒功率模型且默认不带分布式电源。如果你要做移动储能和分布式电源协同调度的扩展需要自己往某些节点加光伏或风机模型修改负荷曲线时注意保持系统总负荷的有功无功比例在一个合理范围比如功率因数0.85~0.95否则潮流结果会偏离常规工况。负荷时序曲线也需要准备。实际工程中负荷是24小时波动的典型做法是用日负荷曲线系数乘以节点峰值负荷。比如用一组24维的曲线系数居民负荷峰值在19:00-21:00商业负荷峰值在10:00-12:00工业负荷比较平稳。这样模型输出的结果更能说明问题。3.2 移动储能参数与转移时间矩阵移动储能参数设置直接决定了优化结果的合理性。我在复现时参考了几篇文献的通用取值整理成下表参数数值MESS台数2台单台额定容量1000 kWh单台额定功率250 kW初始SOC0.9SOC下限 / 上限0.2 / 0.9充放电效率0.95平均移动速度30 km/h单位转移成本可忽略或定值转移时间矩阵是预布局和动态调度模型都需要的核心输入。计算方法很简单根据IEEE33节点的坐标数据文献里可以找到节点坐标表计算任意两节点之间的欧氏距离或曼哈顿距离再除以移动速度向上取整得到转移时段数。举个例子节点5到节点18如果直线距离大约是4.2km按30km/h移动速度需要约0.14小时在1小时时间步长的情况下转移时间是1个时段。但实际道路不可能完全直线所以更多的做法是在欧氏距离上乘一个绕行系数比如1.2~1.5得到更贴近实际的道路距离。转移时间矩阵的构建有一个容易忽视的点不同节点对之间的转移时间差异太大会严重影响模型求解效率。比如有的转移需要1个时段有的需要5个时段在YALMIP中用约束数组表达延迟关系时代码量和工作量都会上升。我建议把转移时间矩阵存成稀疏矩阵只保存实际存在的转移时段数可以显著减少约束数量。3.3 故障场景与负荷权重设计故障场景设计是韧性评估的关键。太简单的场景说明不了问题太复杂的场景求解器又跑不动。我的经验是先用2~3个典型故障场景做验证确认模型正确后再扩展为多场景随机规划。典型故障场景设计故障场景1主干线中段短路比如支路7-8和8-9同时断线导致后半段负荷全部失电失电范围大约占系统负荷的45%。故障场景2分支线多处故障比如支路12-13、22-23、25-29同时断线制造多个独立孤岛。故障场景3极端场景多条关键线路同时断开甚至考虑变电站出线故障全系统大面积失电。故障发生时段和持续时间也要设计。我通常设定故障发生在负荷高峰时段附近持续4~6小时这样能体现移动储能调度的紧迫性也方便观察恢复过程。负荷权重方面把节点按照重要程度分三类等级权重典型负荷一级关键负荷100医院、应急指挥、通信基站二级重要负荷10大型商业、学校、供水三级普通负荷1居民生活负荷权重设置的目的不是“功利”而是模拟真实调度人员在故障状态下保供电的优先级逻辑。不同权重的设置会明显影响移动储能的调度路径——如果所有权重都是1MESS倾向于保最大的负荷节点加入权重后MESS会向关键负荷节点转移。这也是结果分析中一个很有价值的观察点。4. Matlab代码架构与核心模块实现4.1 代码文件组织与数据流设计整个项目的代码组织建议按照“数据—场景—建模—求解—后处理”五层来划分这样后续改参数、换场景都很方便。我的目录结构如下mess_resilience/ ├── main_optimize.m // 主程序入口 ├── case33_data.m // IEEE33节点基础数据 ├── load_profile.m // 24小时负荷曲线 ├── mess_params.m // 移动储能参数 ├── build_scenarios.m // 故障场景生成 ├── build_travel_time.m // 转移时间矩阵生成 ├── build_milp_model.m // YALMIP建模核心 ├── solve_milp.m // 求解器配置与求解 └── plot_results.m // 结果可视化数据流方向是单向的主程序先加载基础数据和参数然后调用场景生成函数构建故障集接着调用建模函数形成YALMIP模型求解后把结果存入结构体变量最后绘图函数读取结构体输出曲线。这种分层设计的好处是各模块可以单独调试。比如build_travel_time.m独立运行时可以直接查看转移时间矩阵是否正确不用每次都要跑完整个优化才能发现问题。4.2 YALMIP建模关键代码段解析YALMIP是Matlab下非常优秀的优化建模工具箱语法直观支持多种求解器。下面给出建模部分的核心代码框架这段代码是整个人工智能体里最核心的部分我注释尽量详细%% 决策变量定义 % z_position(k,n,t) 1 表示第k台MESS在t时段接入节点n z_position binvar(N_mess, N_bus, T, full); % m_transit(k,t) 1 表示第k台MESS在t时段处于转移状态 m_transit binvar(N_mess, T, full); % P_ch / P_dis 分别为充电和放电功率 P_ch sdpvar(N_mess, T, full); P_dis sdpvar(N_mess, T, full); % SOC(k,t) 为荷电状态 SOC sdpvar(N_mess, T, full); % deltaP(n,t) 为切负荷量 deltaP sdpvar(N_bus, T, full); % switch_state(b,t) 为支路b在t时段的开关状态1为闭合 switch_state binvar(N_branch, T, full); %% 约束定义 Constraints []; % 位置唯一性约束一台MESS只能在一个节点或转移中 for k 1:N_mess for t 1:T Constraints [Constraints, sum(z_position(k,:,t)) m_transit(k,t) 1]; end end % 充放电功率与接入位置耦合约束防止在途充放电 M_big 500; % 大M取值需大于MESS最大功率 for k 1:N_mess for t 1:T Constraints [Constraints, P_ch(k,t) M_big * sum(z_position(k,:,t))]; Constraints [Constraints, P_dis(k,t) M_big * sum(z_position(k,:,t))]; end end % SOC递推约束 for k 1:N_mess for t 1:T-1 Constraints [Constraints, SOC(k,t1) SOC(k,t) ... (eta_ch * P_ch(k,t) - P_dis(k,t) / eta_dis) * dt / E_rated(k)]; end end % SOC上下限约束 for k 1:N_mess for t 1:T Constraints [Constraints, SOC_min(k) SOC(k,t) SOC_max(k)]; end end这段代码里有一个需要注意的细节大M变量取值不能过大也不能过小。取值太大求解器数值稳定性会变差出现违反直觉的结果取值太小可能会把可行域错误收缩。一般取“功率上限 适当裕度”即可比如MESS额定功率250kW大M取300~500就行。另外位置变量和功率变量之间如果存在非线性乘积项比如某些文献中需要让功率乘以位置变量一定要手动线性化处理YALMIP不会自动帮你做这件事。最常见的做法是引入辅助变量通过大M法重构为线性约束。4.3 求解配置与结果输出建模完成后求解设置直接决定运算时间和解的质量。我使用的求解器是Gurobi通过YALMIP调用。核心配置代码ops sdpsettings(solver,gurobi,verbose,2, ... gurobi.MIPGap, 1e-4, ... gurobi.TimeLimit, 3600, ... gurobi.Threads, 8); sol optimize(Constraints, objective, ops); if sol.problem 0 % 求解成功 fprintf(最优目标值%.2f kWh\n, value(objective)); else % 求解失败或非最优 yalmiperror(sol.problem); endMIPGap参数的设置要平衡精度和速度。对于学术研究1e-4已经足够如果算例规模很大可以放宽到1e-3求解时间能大幅下降而目标值的相对误差通常不到0.1%。实际算法工程中TimeLimit是必须设置的否则遇到复杂场景可能一跑就是几个小时。结果输出建议用结构体保存这样不同模块都能方便调用results.mess_trajectory value(z_position); % 每时段MESS接入节点 results.mess_power_ch value(P_ch); % 充电功率 results.mess_power_dis value(P_dis); % 放电功率 results.mess_soc value(SOC); % 荷电状态 results.load_shed value(deltaP); % 节点切负荷量 results.switch_state value(switch_state); % 开关状态后处理绘图时我通常画四张图MESS位置轨迹图横轴时间、纵轴节点号、切负荷量柱状图、电压分布曲线、SOC变化曲线。这四张图基本能覆盖移动储能调度结果的完整信息。5. 结果分析与韧性评估指标5.1 经典对比策略与韧性指标模型跑通之后最关键的一步是对比分析。没有对比求解结果只是数字有了对比才能说明“预布局动态调度”策略到底值多少钱。我建议至少做三组对比策略说明总失负荷量示例值策略A无MESS仅靠网络重构和原有备用电源18230 kWh策略B固定储能储能安装位置提前确定不可移动14560 kWh策略CMESS预布局动态调度灾前预布局灾中动态调度10980 kWh从结果看MESS动态调度策略比无储能场景降低了约40%的失负荷量比固定储能场景降低了约25%。这个比例与我们参考的文献结论基本一致说明模型和求解结果是可信的。为什么有这么明显的提升根本原因是故障发生后固定储能只能服务接入点附近的负荷而移动储能可以通过动态调度在不同时段支援不同区域的孤岛。比如故障初期某关键负荷节点缺电最严重MESS先过去支撑几个小时后另一条线路通过联络开关恢复了供电MESS又可以转移到下一个缺电区域。这种“打一枪换一个地方”的机动性就是把失负荷量压下来的核心原因。更专业的韧性指标可以用“韧性三角形”来描述横轴为时间纵轴为系统性能可用供电能力从故障发生到恢复的曲线与满负荷水平围成的面积就是韧性损失量。指标包括灾害冲击幅度性能下降程度、恢复时间曲线回升到正常水平的时间和累计损失能量曲线下凹面积积分。用累计损失能量作为目标函数和评价指标最直观我上面给出的总失负荷量本质上就是它在离散时间下的近似值。5.2 从结果曲线看MESS的时空价值MESS轨迹图是我每次跑完必然画的一张图。横轴是时间纵轴是IEEE33节点编号用色块或者点线表示两台MESS在24个时段里的位置变化。这张图能直观看到MESS“从哪里出发、经过哪些节点、最终停在哪个节点”。典型的调度结果通常是这样的预布局阶段MESS被部署到距离预测故障区域最近的两个节点故障发生后一台MESS在故障时段初就向高权重负荷节点转移并接入放电另一台则在联络开关恢复部分区域供电后向另一个孤立的关键负荷区域移动。有意思的是最优轨迹往往会呈现出一种“先救最要紧的再救能救的”的特征跟调度人员的现场处置逻辑很像但比人工判断更快更精准。SOC曲线和切负荷曲线配合着看也很有价值。如果某台MESS的SOC已经下降到下限而此时还有负荷未恢复就说明储能容量不足或者调度时机偏晚如果故障结束时SOC还很高则说明储能没有充分利用在能量管理和容量配置上还有优化空间。从这些曲线里我能看到一个最重要的结论移动储能的韧性提升价值主要不是来自电池本身而是来自“移动”带来的调度自由度。同样的容量能出现在不同时空位置的MESS比固定安装的储能多了一整个维度的优化空间。6. 常见问题与避坑实录6.1 求解效率问题三板斧MILP模型在中等规模算例上求解速度尚可但如果你想扩大场景比如把故障场景从3个增加到50个做随机优化求解时间会指数级上升。我实测下来速度优化的三个手段最有效。第一降低时间分辨率。把1小时间隔改成2小时甚至3小时变量数量直接减半。对于预布局策略验证来说3小时间隔通常仍然足以反映调度规律但求解时间可以缩短一个数量级。第二合理设置MIPGap。学术研究中追求最优性证明可能需要gap小于1e-6但实际工程里1e-3的gap已经是工程可接受的最优解了速度差距常常在数倍以上。第三给求解器提供热启动解。先用一个简化模型或启发式算法算出一个可行解通过ops.gurobi.StartNumber或者YALMIP的assign和optimize配合给MILP提供初始解能显著加快分支定界的收敛速度。6.2 模型不可行时的排查顺序模型第一次运行时不可行是最常见的情况这时候不要慌按照下面的顺序排查大部分问题都能几分钟内定位。排查项检查方法常见原因位置唯一性约束检查z_position和m_transit是否冲突预布局和转移状态重叠SOC初值检查SOC(1)是否设置初值缺失导致递推无解功率-位置耦合检查P_ch/P_dis在转移时段是否为0大M约束写错或遗漏网络拓扑约束检查孤岛数量是否合理辐射状约束过紧潮流约束观察电压是否越限线性化精度不足可放宽电压范围特别提醒一点YALMIP报不可行后不要直接盲改模型建议用sol.info和sol.problem查看具体错误信息同时结合check(Constraints)找到不满足的约束位置。这一步能帮你快速定位是哪个约束引起的冲突。6.3 YALMIPGurobi环境配置避坑Matlab环境下跑优化环境配置本身就能劝退不少人。我在配置过程中踩过的坑主要有三个。第一个坑是求解器路径问题。YALMIP默认可能找不到Gurobi需要在Matlab里手动添加Gurobi的路径比如addpath(C:\gurobi1002\win64\matlab)然后保存到默认路径。第二个坑是版本匹配。老版本的YALMIP对新版本Gurobi的支持不完整会出现Solver not found或者Unsupported solver的错误。解决方法是把YALMIP升级到最新版同时保证Gurobi的Matlab接口版本和求解器版本一致。第三个坑是License问题。Gurobi学术版需要注册并下载license文件放置到指定目录后在Matlab里运行gurobi_setup验证是否成功。我推荐装完环境后用yalmiptest命令跑一遍自检它能列出哪些求解器可用、哪些不可用几分钟就能排查完环境问题。另外一个小技巧如果只是在学习验证阶段不想折腾商业求解器可以用YALMIP内置的sedumi或glpk先跑通小规模算例模型。等确认模型逻辑无误后再切到Gurobi/CPLEX做大规模计算这样能把“模型bug”和“环境问题”分开排查效率高很多。7. 我复现这个项目后的几点体会这个项目做完我最深的体会是移动储能的核心不在“储”而在“移”。电池容量再大位置钉死在一个节点上面对多点故障依然顾此失彼而同样一台储能只要能在正确的时间出现在正确的位置就能同时服务多个故障区域的恢复过程。很多文献把这个叫做“时空灵活性”我觉得说白了就是“调度自由度换韧性”。在建模层面最大的收获是理解了“预布局”和“动态调度”为什么必须分开建模、协同决策。预布局是在不确定性下做承诺动态调度是在信息逐步释放过程中做调整二者的耦合关系如果处理不好结果不是过于保守就是过于乐观。做这类型项目时多看几篇两阶段鲁棒优化和随机规划的文献对建模思路的启发远大于单纯套代码。最后分享一个经验结果分析时不要只盯着目标函数数值一定要把MESS的移动轨迹和负荷恢复曲线放在一起看。有一次我发现调度结果里一台MESS在中途绕了个大圈子乍一看很不合理后来仔细检查才发现是转移时间矩阵里某个节点对的路程数据填错了。这类数据层面的小错误只看目标值很难发现可视化轨迹图能帮你很快定位问题。做复现项目结果可视化不是最后一步而是排错的第一步。