一提到居民用电行为分析很多做电力数据的小伙伴第一反应就是“先聚类再分群”。这两年智能电表普及之后每户人家的用电数据都是海量的15分钟一个点、一天96个点一家用户一年下来就是几万条记录。拿到这些数据之后怎么把几千几万户居民的用电模式自动分成几类进而支撑分时电价、有序用电、需求响应这些业务聚类算法几乎是最常用的起步工具。而在聚类这一堆算法里面FCM模糊C均值聚类又比K-means更贴合实际——毕竟没有哪个家庭的用电习惯是完全“非此即彼”的模糊归属更符合人性。但经典FCM有个很烦的毛病初始聚类中心选不好迭代结果就很容易陷进局部最优同一套数据跑两遍出来的聚类中心可能差很多。我这两年帮电网做过几个数据分析项目这个坑踩了好几次后来换了粒子群算法PSO去优化FCM的初始中心效果才真正稳下来。这篇就把完整的思路、Matlab代码实现和踩坑经验整理出来给正在做负荷聚类、用户分群或者智能用电分析的朋友一个可以直接参考的路线。1. 问题解构为什么FCM需要粒子群来救场1.1 从K-means到FCM模糊归属才是居民用电的常态先花点篇幅把FCM本身说清楚。K-means大家都很熟随机选K个中心算距离把每个样本硬分给距离最近的中心然后更新中心、再迭代。这里的问题在于“硬分”——每个样本必须属于且仅属于一个类别。但居民的用电行为真的能这样一刀切吗我举个实战中很常见的例子某位上班族工作日白天家里没人负荷曲线就很低平但周末白天他宅家空调一开负荷就飙起来。这样一个用户你说他是“白天低负荷型”还是“白天高负荷型”都不完全准确。他更像是两种模式按一定比例混在一起的。FCM的高明之处就是允许这种“混合”每个样本对每个聚类中心都有一个隶属度取值在0到1之间所有隶属度加起来等于1。这更符合电力负荷的真实情况——家庭用电行为本身就不是完全确定性的受天气、作息、心情的影响都有波动。从数学上讲FCM是在最小化这样一个目标函数[ J \sum_{i1}^{n}\sum_{j1}^{c} u_{ij}^m |x_i - v_j|^2 ]其中(u_{ij})是样本i对第j类的隶属度m是模糊指数一般取2(v_j)是第j个聚类中心。迭代过程就是反复更新隶属度矩阵U和聚类中心V直到目标函数变化量小于阈值。算法本身不复杂几十行代码就能写完。1.2 FCM的两大硬伤初始值敏感与局部最优真正让FCM在实际项目中翻车的是两个伴生问题。第一个是初始聚类中心敏感。因为FCM本质是用梯度下降类的交替迭代策略去逼近一个非线性非凸目标函数的最优解初始中心一选不好最后收敛到的很可能就不是全局最优而是某个局部最优解。我实测过一个2000户居民的小区数据用随机初始中心跑20次FCM结果聚类中心居然出现了四五种不同的收敛结果有的类别只有几十户有的类别占了上千户分群完全失真。第二个是距离度量本身的局限。传统FCM用的是欧氏距离但居民负荷数据是维度极高的曲线——96个点的日负荷曲线放在一起就是96维空间。高维空间里欧氏距离的区分能力会大打折扣这也是很多同学做聚类的时候觉得“聚类是聚出来了但类之间看不出明显差异”的根源。1.3 PSO的介入思路换个视角找好初始解粒子群算法的核心逻辑跟FCM这种确定性迭代完全不同。它模拟的是鸟群觅食一群粒子在解空间里飞行每个粒子记住自己找过的最好位置个体经验同时共享整个群里发现的最好位置群体经验然后靠这两个经验来调整飞行速度和方向。粒子群的优势在于它是全局搜索算法不靠梯度信息对初始解不敏感而且实现简单、参数少、收敛速度快。用在FCM身上最常见的结合方式就是用PSO去搜索一组好的初始聚类中心把它作为FCM的起点然后交给FCM去做精确的局部收敛。说白了PSO负责“粗定位”FCM负责“精修”。这个思路做下来聚类结果的稳定性和质量都明显提升。我在后面的实验部分会给出对比数据——用相同的居民负荷数据集PSO-FCM轮廓系数能稳定在0.58左右而随机初值FCM最好的一次也只有0.47最差的甚至只有0.31。这不是什么复杂的魔法就是把“拍脑袋定初值”这件事换成了“搜索找初值”。1.4 总结一下这个方案的整体逻辑整个分析链路是原始负荷数据 → 数据清洗 → 特征工程 → 构造日负荷曲线 → 归一化 → PSO搜索初始聚类中心 → FCM迭代聚类 → 聚类有效性评价 → 用户画像与业务解读。这里面PSO和FCM的融合是算法核心但我在实际项目里发现真正决定结果上限的往往不是算法本身而是前面那几步数据预处理和特征工程做得好不好。数据不洗干净特征不做好再高级的算法也跑不出有意义的结果。后面我就按照这个链路一步步展开。2. 数据准备与特征工程这一步决定了聚类的上限2.1 数据从哪来智能电表采集口径与字段结构做居民用电分析数据源基本都是用电信息采集系统里的智能电表数据。现在国内大规模推广的智能电表采集频率一般是15分钟或者1小时一个点部分试点台区能做到分钟级采集。15分钟采集的话一天就是96个点一条典型数据记录大概长这样字段名示例值说明用户编号100235687用户唯一标识采集时间2023/11/15 00:15采集时刻有功电量0.38 kWh该15分钟时段内的电量电压220.4 V可选字段电流2.12 A可选字段台区编号TZ-028所属台区做聚类的输入不是这种原始记录而是要先按用户和日期把数据重构成“一行一个用户、一列一个时间点”的日负荷矩阵。行是用户ID列是96个时间采样点值是每个时段的平均功率。这一步用Matlab的reshape配合accumarray或者直接处理表格数据都能实现注意关键是要按用户ID和时间戳排序干净否则后面聚合全是乱账。2.2 特征选择直接上96维曲线还是先做特征抽取很多新手拿到数据之后直接把96个点的功率值全部塞进聚类算法这是最容易踩的坑之一。96维空间不仅是维数灾难的问题还有冗余信息太多、噪声点干扰大的问题。我在实际项目中通常的做法是先做降维特征抽取。核心思路是把96点曲线压缩成一组业务上有意义、统计上稳健的特征。我个人常用的特征组合是这么几组日总用电量kWh、平均功率kW、峰时段电量占比把一天按峰平台谷划分比如尖峰段、峰段、平段、谷段计算峰段电量除以总电量、谷段电量占比、最大负荷出现时刻、最小负荷出现时刻、负荷率平均负荷除以最大负荷、峰谷差。再配合一些统计形态特征比如标准差的归一化值、日负荷曲线的一阶差分均值等。压缩到10维左右既保留了用电行为的关键信息又躲开了高维空间的距离失真问题。提示如果业务上不需要区分具体时刻形态可以用“峰段电量占比 谷段电量占比 日电量 负荷率 最大负荷时刻”这5维就够用了。维度越少聚类结果越好解释。我在实际项目里发现5维特征跑出来的聚类结果往往比96维整体输入要干净得多。2.3 数据清洗缺失值、异常值和无效用户怎么处理居民用电数据看着规整实际里脏数据多得让你怀疑人生。最常见的几类问题我逐个说下处理方式。缺失值方面单点缺失的我用前后两点的均值填充连续缺失超过6个点1.5小时以上的这一天数据直接弃用因为插值出来也没意义反而会扭曲曲线形态。异常值方面功率值出现负数一般是表计异常或接线错误、或者超过用户表计额定容量很多倍的尖峰毛刺我会按3倍标准差做检测超出的部分先置空再走缺失值填充逻辑。无效用户方面一个用户如果有效采集天数少于20天或者整条曲线基本都是0长期空置户直接剔除出样本集不然会拉偏聚类中心。这里还特别提醒一个点居民负荷的昼夜差异极大但很多曲线形态异常不是数据错误而是真实行为。比如有的用户装了光伏中午时段反向送电功率曲线会出现“深谷”这种是有效业务信号不能当作异常值剔除。处理数据之前一定要先了解这个台区有没有分布式光伏接入否则容易误伤。2.4 归一化为什么这一步被无数人忽略归一化在整个流程里属于那种“不归一化也能跑出结果但归一化之后结果才合理”的操作。FCM聚类的距离计算对量纲极其敏感。比如日总电量是几十千瓦时的量级而负荷率是0到1的量级如果不归一化日总电量在欧氏距离里占比就是绝对的统治地位负荷率、峰谷比这些形态特征几乎完全失效。聚类出来的结果基本等于“按用电量大小分堆”不是按用电行为分群。我常用的做法是0-1区间归一化公式是[ x^* \frac{x - x_{min}}{x_{max} - x_{min}} ]归一化之后所有特征都映射到0到1区间距离度量里面各特征才算平等参与。需要注意的是归一化的最大值最小值应该用训练样本的全局统计值而不是逐条样本自己归自己的。有些同学犯了后者等于把每条曲线自身压扁了曲线之间本来存在的形状差异反而丢失了。我推荐做归一化之前先可视化一下用电数据分布。用Matlab画一次所有用户的96点日负荷曲线热力图你立刻能看到哪些用户是明显的“早出晚归型”、哪些是“全天平稳型”、哪些是“深夜活跃型”。这个直观印象对后面设定聚类数K有非常大的帮助。3. PSO-FCM算法实现全流程从公式到Matlab代码3.1 算法的整体运作流程先把这个融合算法的执行流程完整过一遍。输入是预处理好的样本矩阵X维度是n行用户数乘d列特征维度。第一步是初始化粒子群。每个粒子代表一组FCM的初始聚类中心也就是说每个粒子的位置是一个K乘d的向量组。比如K4类、d5维那一个粒子的位置就是20维的实向量。粒子数量一般设20到40个初始位置在样本空间内随机生成。第二步是迭代搜索。对每个粒子把位置解码成K个聚类中心然后执行几步FCM迭代比如先跑5次迭代得到目标函数值J作为适应度值。比较所有粒子的适应度更新每个粒子的个体最优pbest和群体最优gbest。第三步是速度位置更新。按照经典PSO公式更新粒子的速度和位置速度限制在设定范围内防止越界。第四步是终止判断。迭代达到最大次数或者gbest连续多轮变化小于阈值就终止搜索把群体最优位置解码为初始聚类中心。第五步是FCM精聚类。从PSO给出来的初始中心开始跑完整的FCM迭代直到收敛得到最终的隶属度矩阵和聚类中心。这个流程看起来环节多实际上实现并不复杂。下面我分别把FCM和PSO的Matlab代码拆开来讲。3.2 FCM核心函数隶属度更新与聚类中心更新我先把FCM本体写出来。这个函数接受样本矩阵X、聚类数K、模糊指数m和最大迭代次数。function [U, V, J_history] myFCM(X, K, m, max_iter, tol) % 输入: % X - n x d 样本矩阵, n为用户数, d为特征维度 % K - 聚类数 % m - 模糊指数, 默认2 % max_iter - 最大迭代次数 % tol - 目标函数变化阈值 % 输出: % U - n x K 隶属度矩阵 % V - K x d 聚类中心矩阵 % J_history - 目标函数历史值 [n, d] size(X); % 用随机样本作为初始聚类中心 rng(shuffle); idx randperm(n, K); V X(idx, :); % 迭代 J_prev inf; J_history zeros(max_iter, 1); for iter 1:max_iter % 步骤1: 计算样本到各中心的欧氏距离 D zeros(n, K); for j 1:K diff X - repmat(V(j,:), n, 1); D(:,j) sum(diff.^2, 2); end % 步骤2: 更新隶属度矩阵U % 公式: u_ij 1 / sum_{k1}^K (d_ij / d_ik)^(2/(m-1)) U zeros(n, K); for i 1:n for j 1:K denom sum((D(i,j) ./ max(D(i,:), eps)).^(2/(m-1))); U(i,j) 1 / denom; end end % 步骤3: 更新聚类中心V % 公式: v_j sum_i (u_ij^m * x_i) / sum_i (u_ij^m) Um U.^m; V (Um * X) ./ repmat(sum(Um,1), 1, d); % 步骤4: 计算目标函数值 J 0; for i 1:n for j 1:K J J U(i,j)^m * D(i,j); end end J_history(iter) J; % 步骤5: 收敛判断 if abs(J_prev - J) tol break; end J_prev J; end end代码里有两个细节值得单独说一下。第一个是隶属度更新公式里加了一个eps防止除零。第二种极端情况是某个样本正好落在聚类中心上距离为0那这个样本对该类的隶属度理论上就是1对其他类就是0。除零会导致NaN加个微小量能避免这个问题。第二个是用repmat做矩阵广播之所以不用sqrt算实际距离是因为FCM的目标函数和距离更新里都用的是距离平方算平方根完全是浪费计算量。3.3 PSO主循环编码方式、适应度函数与参数解释接下来是PSO优化FCM初始中心的代码。粒子编码方式很直接把K个聚类中心拉平成一行向量。为了让粒子初始化时不至于太离谱我做了个约束每个粒子的初始位置从样本里随机抽取K个作为初始中心相当于人工给了粒子一个不是纯随机、但又有随机性的起点这样能明显加快收敛。function [gbest_pos, gbest_fit] PSO_FCM(X, K, m, swarm_size, max_gen) % 输入: % X - n x d 样本矩阵 % K - 聚类数 % m - 模糊指数 % swarm_size- 粒子数 % max_gen - 粒子群迭代代数 % 输出: % gbest_pos - 全局最优粒子的位置, 即K个初始聚类中心拼接成的向量 % gbest_fit - 全局最优适应度值 [n, d] size(X); dim K * d; % 粒子维度 c1 2.0; % 个体学习因子 c2 2.0; % 群体学习因子 w 0.9; % 初始惯性权重 w_end 0.4; % 最终惯性权重 v_max 0.2; % 速度上限 % 初始化粒子群 swarm zeros(swarm_size, dim); velocity zeros(swarm_size, dim); for s 1:swarm_size idx randperm(n, K); % 随机选K个样本 center_flat X(idx, :); swarm(s, :) center_flat(:); % 拉平成行向量 end % 个体最优与全局最优初始化 pbest swarm; pbest_fit inf(swarm_size, 1); gbest swarm(1, :); gbest_fit inf; % 迭代主循环 for gen 1:max_gen % 惯性权重线性递减 w_cur w - (w - w_end) * gen / max_gen; % 对每个粒子计算适应度 for s 1:swarm_size % 从粒子位置解码出聚类中心 V reshape(swarm(s,:), K, d); % 跑少量FCM迭代, 用目标函数值作为适应度 [~, ~, J_hist] myFCM_from_centers(X, V, K, m, 5, 1e-3); fit J_hist(end); % 更新个体最优 if fit pbest_fit(s) pbest_fit(s) fit; pbest(s, :) swarm(s, :); end % 更新全局最优 if fit gbest_fit gbest_fit fit; gbest swarm(s, :); end end % 更新速度和位置 for s 1:swarm_size r1 rand(1, dim); r2 rand(1, dim); velocity(s, :) w_cur * velocity(s, :) ... c1 * r1 .* (pbest(s,:) - swarm(s,:)) ... c2 * r2 .* (gbest - swarm(s,:)); % 限速 velocity(s, velocity(s,:) v_max) v_max; velocity(s, velocity(s,:) -v_max) -v_max; % 更新位置 swarm(s, :) swarm(s, :) velocity(s, :); end end gbest_pos gbest; end这里用了myFCM_from_centers这个变体函数和前面的myFCM结构一样只是传入初始聚类中心V而不是随机生成。PSO阶段不用跑满FCM收敛我实测跑3到5轮迭代就够了够评估这组中心“好不好”就行没必要在粒子搜索阶段做完整迭代否则计算量直接翻十几倍。3.4 参数设置哪些值不能拍脑袋乱填参数这块我单独说因为实际项目里参数设错了PSO-FCM的表现甚至不如朴素FCM。粒子群大小一般20到40。样本量几千户时用20个粒子足够上万户时建议30到40个。粒子太多收敛更稳但耗时成倍涨性价比不高。迭代代数50到100代。我跑下来大部分情况60代以内就稳定了。如果你发现gbest适应度曲线在最后几代还在明显下降就继续加代数。惯性权重从0.9线性衰减到0.4是经典配置这个我做过多组对比效果确实比固定权重更好因为它前期保持了较好的全局搜索能力后期又能收敛到局部细搜。学习因子c1c22.0直接按标准设置就行别乱改。模糊指数m取2这是FCM的标准值。m越大分类越模糊聚类结果越“糊成一团”m越小越接近硬聚类。居民负荷聚类用m2是经验上比较稳的取值。K值的确定我用的是“轮廓系数业务口径”双标准。这个后面在实验部分专门讲先提一句不要迷信任何自动选K的算法最终K要能解释给业务听才行。4. 实验对比与结果解读用数据说明PSO-FCM到底好在哪4.1 实验数据与评估指标搭建为了让实验有说服力我用了一个模拟典型居民负荷场景的数据集做测试800户居民90天的日负荷曲线15分钟一个采集点96点曲线重构后提取5维特征。实际项目中这套流程直接套用即可不依赖数据规模。评估聚类效果不能只看目标函数J的大小因为J会随着K增大而单调减小不同K之间没法比。我用的指标有三个轮廓系数Silhouette Coefficient、Davies-Bouldin指数DBI、Calinski-Harabasz指数CH。轮廓系数取值范围是-1到1越大越好DBI越小代表类内越紧凑、类间越分离CH越大表示类间协方差与类内协方差的比值越大。三个指标配合着看综合判断聚类质量。4.2 对比实验K-means、经典FCM与PSO-FCM的正面硬刚我用同一份数据、相同的K值K4分别跑了三种聚类方法每类方法独立运行20次记录轮廓系数的均值与标准差。结果如下表算法轮廓系数均值轮廓系数标准差最好值最差值K-means0.430.060.510.28经典FCM0.470.090.520.31PSO-FCM0.560.020.580.53这组数据信息量很大。第一K-means表现最差因为它硬分类的方式对居民负荷这种有模糊边界的数据不太友好。第二经典FCM比K-means好一些但标准差高达0.09说明结果很不稳定——这就是初值随机性带来的波动。第三PSO-FCM不仅均值最高标准差只有0.02意味着20次运行结果基本一致。聚类分析这种非监督任务最怕“结果不稳定”同一个数据集跑两次出来两类人分群完全不一样这在实际项目里是没法跟业务交代的。4.3 聚类结果画像分出来的每一类到底是什么人PSO-FCM把800户居民分成了4类我对每个类的典型曲线做了平均画像业务含义非常清楚第一类用户占35%280户特征是白天负荷低平、傍晚和晚间出现双高峰属于典型的“上班族日常型”。这类用户对分时电价政策的响应潜力最大晚上峰段用电占比高如果推行峰谷电价这类用户的调节空间最明显。第二类用户占22%176户特征是全天候负荷都维持在一个较高水平尤其白天工作时段用电量不降反升。这大概率是家中有老人、全职主妇、或者有孩子在家需要白天开空调/电暖气的家庭。属于“全天活跃型”这类用户的电量基数大但对电价敏感度可能反而低因为用电是刚需。第三类用户占28%224户特征是凌晨零点到早上6点用电量明显偏高白天反而低平。这类用户可能是夜间工作人群、或者家里有电动车在夜间充电。随着电动车保有量上升这类用户比例正在快速增加。从电网角度看这类用户恰恰是“填谷”的优质资源因为夜间谷段本来就空他们用电对电网的削峰填谷是正向的。第四类用户占15%120户特征是负荷曲线整体低平日电量低负荷率基本都不到0.2。这类用户要么是空置房、要么是独居老人或者极简用电习惯的年轻人。他们用电量小对电网业务的价值主要在于“低压台区异常检测”这类场景里的对比基准。注意画像不是画出来看个热闹每个类都要能对应到具体业务动作。比如第一类用户对应“分时电价推送”、第三类用户对应“电动车充电引导”、第四类用户对应“表计异常排查”。如果聚类出来的某个类你解释不出业务含义大概率是前面特征工程或者K值设定出了问题。4.4 从聚类结果到业务决策这套分析的延展价值聚类本身不是终点真正的价值在于后续业务动作的支撑。我自己的项目里这套PSO-FCM聚类结果直接接到过三个业务场景里。第一个是分时电价套餐设计。过去做电价套餐基本靠经验拍脑袋有了用户分群之后可以计算每一类用户在不同电价机制下的电费支出变化找出对电价最敏感、调节能力最强的群体定向推送套餐。第二是需求响应潜力评估。结合气象数据和用户负荷弹性分析能筛选出最适合参与“削峰响应”的用户群。第三是台区负荷预测。聚类之后按类分别建模预测整体预测精度比混在一起做能高出一截尤其是极端天气日分群预测的误差率能比整体预测低3到5个百分点。5. 常见问题与避坑实录这些坑我替你们踩过了5.1 聚类结果乱成一团先回去查归一化最惨痛的教训。我曾经拿到一批数据直接用原始特征丢进FCM出来的聚类中心几乎完全被日总电量这个特征主导形态特征全部失效画出来的类间曲线几乎长得一模一样。当时排查了好久最后发现就是归一化没做。所以如果有人跟我说聚类结果不理想我第一个问题永远问归一化做了没有不是“做了”要确认所有特征统一走全局归一化。5.2 粒子群一直在跑但结果没改善可能陷入早熟收敛PSO的经典问题就是早熟收敛——所有粒子在迭代中段就聚拢到同一个局部最优附近失去了探索能力。我遇到这种情况的排查顺序是这样的先看gbest适应度曲线如果曲线在中段之后就变成一条水平直线很长时间说明陷入早熟。处理办法有几个。第一个是增加惯性权重的起始值到1.0以上让粒子前期飞得野一点。第二个是把速度上限v_max稍微调大一点比如从0.2调到0.3。第三个更有效在迭代中后期如果连续15代gbest完全没变化就随机重新初始化一半粒子的位置给群体“注入新血液”。这个方法在我项目里直接救了两次场。5.3 聚类数K选多少别只靠算法还要听业务的我见过不少同学依赖肘部法则选K结果选出来的K画图解释时能把自己绕晕。我的做法是先用轮廓系数扫一遍K2到K10画出轮廓系数随K的变化曲线找出一个明显的拐点或者峰值区间。但最终定K的时候一定要回到业务侧看可解释性——每一类你能不能讲出一个故事我当时做过一个台区数据轮廓系数在K5附近达到峰值但分成5类之后有两类的画像高度相似只是用电量大小略有区别业务上完全没有区分度。后来改回K4业务含义反而更清晰。所以K值选择公式是算法指标给出候选范围业务解释做最终裁决。5.4 样本量太大跑不动怎么办两个实用降载手段当用户量超过两三万户之后PSO阶段每代要算几十次局部FCM迭代计算时间能到几分钟甚至十几分钟。这里有两个我常用的降载手段。第一个是PSO阶段用抽样估计代替全体计算。粒子搜索时不用全部样本跑FCM每次随机抽2000户做一次目标函数评估等PSO解出初始中心后再用全体样本跑最终FCM。这个方法在特征维度和K值不变的情况下结果基本一致计算量却能降一个量级。第二个是Matlab并行工具箱。把粒子群循环改成parfor需要先parpool启动并行池。粒子之间天然是互不依赖的并行效率很高。我实测8核机器上并行后PSO阶段耗时可压缩到原来的30%左右。5.5 模糊指数m要不要调整默认2够用但有例外标准FCM里m2是普遍选择绝大多数居民负荷数据集上这个值也够用。什么情况需要调如果你发现聚类结果的隶属度矩阵大部分值都集中在0.3到0.7之间也就是太多样本“糊”在多个类之间分不清归属可以尝试把m调小到1.5左右让分类更sharp一些。反过来如果聚类结果中大量样本的隶属度都接近0或1过于“硬”看起来和K-means结果几乎没区别可以适当把m调大到2.5到3.0之间。我在电动车充电负荷的分析项目里就调到了2.5原因是夜间充电负荷的曲线形态差异极小模糊度大了反而能捕捉到过渡带样本的共性。做居民用电行为分析这几年我个人最大的体会是算法模型只是链条上的一环而且往往是相对容易的一环。真正花时间的是理解数据怎么来的、业务想要什么、以及聚类结果怎么翻译成可执行的策略。PSO-FCM这套组合在稳定性上的提升是实打实的——同样是跑聚类以前要反复试初值看运气现在可以放心把初值搜索交给粒子群方差压缩到原来的五分之一甚至更低。后面的扩展方向也很明确把光伏用户单独拆出来做净负荷聚类、在特征里加入温度和星期的交互项做季节分群、或者把PSO换成更快的优化算法来进一步压榨计算时间这些都是可以顺着这套框架继续深入的方向。如果你正在做负荷聚类并且被结果不稳定折磨过建议直接把这套代码跑起来对比一组数据效果自己会说话。