1. 交直流混合微网为什么值得折腾先说结论这玩意儿不是学术圈自嗨是真正在解决实际工程问题的。现在的微电网早就不是纯交流或者纯直流一统天下的局面了。光伏、储能、直流负荷这些天生就是直流的而风机、传统负荷、电网接口又离不开交流。硬生生把直流源变成交流再接进来一次变换就多一次损耗效率掉几个点热损耗也跟着上来。所以交直流混合微网成了最合理的形态——交流母线和直流母线各带各的负荷中间用双向AC/DC换流器连接能量按需双向流动。但问题也来了交直流混合微网的可控性比纯交流或者纯直流复杂得多。交流侧有频率和电压直流侧有直流电压和功率平衡中间的换流器承担着两个网络的耦合控制策略稍微不合适就容易出现功率振荡甚至电压崩溃。更麻烦的是分布式电源出力本身是随机的、间歇的你说光伏明天中午发多少电风速下午三点变不变这些都没法精确预知。那优化调度怎么做你总不能在不确定性面前直接躺平。这就是这篇文章要解决的问题用拉丁超立方抽样把随机性“科学地”模拟出来用多场景缩减把计算量“合理地”压下来最后落到一个优化算法上求出交直流混合微网在各种可能场景下的最优运行策略。我做这个项目的时候用的是Matlab原因很直接矩阵运算方便、优化工具箱成熟、画图好看、文献里的对比算法也好复现。下面我把整个实现思路、核心代码、调试经验和踩过的坑全部摊开讲适合正在做微电网调度、硕士论文需要算法创新、或者想了解如何处理新能源不确定性的读者参考。2. 整体思路不确定性怎么变成可计算的场景集2.1 为什么不能拿一个确定值来做优化很多初学者上来就把光伏预测曲线当成已知量然后直接丢给优化器去求。这么做确实简单但结果基本不能用于实际。光伏出力预测误差在晴天可能只有5%阴天能到20%以上风电更是离谱阵风一来功率能上下跳40%。你按确定性模型算出来的调度方案在实际运行中一旦风光跟预测偏离功率平衡就被打破可能得靠弃光弃风或者切负荷来兜底经济损失和运行风险都不可控。所以工程上通常走随机优化的路子把不确定性表示成一组可能的场景每个场景代表一种可能发生的风光出力情况然后优化目标变成“在所有场景下综合表现最好”的方案。这句话翻译成数学语言就是两阶段第一阶段是决策变量比如机组启停、换流器功率设定第二阶段是对每个场景做运行模拟功率平衡、约束检验、成本计算最后把所有场景的结果按概率加权求和。2.2 蒙特卡洛太费电拉丁超立方才是正经抽样说到生成场景很多人第一反应是蒙特卡洛随机抽样。蒙特卡洛的优点是简单但缺点非常致命——它需要大量样本才能收敛。你抽5000个场景结果可能还是毛刺毛刺的而且每个场景都要跑一遍优化子问题计算量大到你怀疑人生。我的经验是能用拉丁超立方抽样LHS就别用纯蒙特卡洛。拉丁超立方抽样的核心思想是“分层采样”。假设你要抽N个样本每个变量有M个维度它先把每个维度的取值范围等分成N个区间然后保证每个区间里恰好抽到一个点。这样采样点均匀铺满整个输入空间不像蒙特卡洛那样可能会在某些区域扎堆、在某些区域留白。举个直观例子你要研究风速从0到15m/s的分布蒙特卡洛抽样可能抽10次一个15m/s附近的点都没有但LHS只抽10次就能保证每个风速区间都覆盖到。同样的样本量LHS的方差比蒙特卡洛小得多也就是说场景集合的“代表性”更强。实现也不复杂。Matlab里用lhsdesign或lhsnorm都能直接生成。我的习惯是先用lhsdesign生成[0,1]区间内的均匀分层样本然后通过逆累积分布函数比如光伏出力的Beta分布、风速的Weibull分布映射到实际物理量上去。这一步很多人容易漏——直接拿均匀样本去当风光出力用那就完全错误了。因为风光出力不是均匀分布的你得把均匀样本经过分位数变换才能得到服从真实分布的样本序列。2.3 场景缩减从两千个场景降到二十个精度还不掉采样完你手里可能有两千个甚至五千个场景如果你直接全部拿去优化每个场景后面都跟着一堆约束和变量求解规模瞬间爆炸。我做实验的时候试过2000个场景下的混合整数线性规划问题跑一个案例要四十多分钟根本没法用于日内滚动调度。所以必须做场景缩减。场景缩减的本质是从原始场景集中选出一个代表性较弱的子集同时给每个保留场景重新分配概率权重让缩减后的场景集在统计特性上尽量接近原始集合。最经典的方法是同步回代消除法Simultaneous Backward Reduction核心思想很朴素每次找出一对距离最近最相似的场景把其中一个删掉把它的概率累加到另一个上然后重复这个过程直到你想要的场景数为止。这里说的“距离”就是场景之间的距离度量通常用欧氏距离。我在实现里用的是按时间序列逐点算欧氏距离再求平均这样能把风光出力的时序相关性考虑进去。缩减完之后原本2000个场景变成20个典型场景每个场景带一个归一化的概率权重加起来等于1。实测下来缩减后的期望成本和原场景集算出来的期望成本差距通常在2%以内但求解时间从几十分钟降到了几十秒。这笔买卖非常划算。2.4 优化算法选型从线性规划到智能算法的取舍这一步是整个项目里最容易纠结的地方。交直流混合微网的优化调度问题如果只考虑经济调度目标函数是运行成本最小燃料成本、购电成本、设备损耗、弃风弃光惩罚约束是功率平衡、设备出力上下限、储能SOC约束、换流器容量约束——这样一个问题本质上是混合整数线性规划MILP用intlinprog或者YALMIPGurobi这样的求解器就能精确求解。但很多人尤其是做论文的非要上智能优化算法比如粒子群、遗传算法、海星优化算法之类。这里我得说句实话如果你的模型是线性的老老实实用求解器又快又精确如果你的模型里存在非线性约束、非凸项或者你想要一个“看起来更有创新点”的求解框架那再考虑智能算法。我的这个项目最终采用的是两层结构外层用改进粒子群算法搜索关键决策量比如换流器传输功率设定、储能充放电策略区间内层用线性规划求解具体功率分配。这样既有智能算法的“灵活性和全局搜索能力”又能保证每个子问题都精确求解两层加一起收敛速度也还能接受。3. 场景生成与缩减的Matlab实现细节3.1 风光出力概率建模先说光伏。光伏出力主要受光照强度影响学术界普遍用Beta分布描述光照强度的随机性表达式长这样% Beta分布参数计算基于历史光照数据 % 光照强度归一化到[0,1]mu为均值sigma为标准差 a ((1 - mu) / sigma^2 - 1 / mu) * mu^2; b a * (1 / mu - 1); samples betarnd(a, b, N, 1); % 生成N个Beta分布样本 P_pv samples .* P_pv_max; % 乘以光伏额定容量得到出力这里的a和b是从历史数据的均值和方差反推出来的形状参数。实测下来Beta分布对晴天、少云天气的拟合效果都不错但在剧烈变化的雷雨天气下会偏乐观。如果你想更精细可以用核密度估计替代参数分布Matlab里fitdist(data, Kernel)一条命令就能搞定。风电的经典模型是Weibull分布描述风速然后通过风机功率曲线换算成出力。风速概率密度函数是% Weibull分布k为形状参数c为尺度参数 k 2.2; c 7.5; % 这些值可以通过历史风速数据拟合得到 wind_speed wblrnd(k, c, N, 1); % 风机功率曲线简化三段式模型 P_wt zeros(N, 1); P_wt(wind_speed v_cutin | wind_speed v_cutout) 0; P_wt(wind_speed v_rated) P_wt_rated; idx wind_speed v_cutin wind_speed v_rated; P_wt(idx) P_wt_rated .* (wind_speed(idx) - v_cutin) ./ (v_rated - v_cutin);这套简化模型足够做调度层面的研究。如果你手里有实测风速序列和风机厂家给的功率曲线建议直接用interp1做查表精度更高。3.2 拉丁超立方抽样的完整流程我平时写LHS的时候不直接用lhsnorm因为它的协方差矩阵设置有点绕我更习惯手动实现标准流程代码透明度高出问题也好排查function samples lhs_generate(N, dims) % N: 样本数量 % dims: 结构体包含每个维度的分布类型和参数 samples zeros(N, length(dims)); for d 1:length(dims) % 第d维的[0,1]均匀分层采样 u (randperm(N) - rand(N, 1)) / N; switch dims(d).type case beta % 光伏 samples(:, d) betainv(u, dims(d).a, dims(d).b); case weibull % 风速 samples(:, d) wblinv(u, dims(d).k, dims(d).c); end end % 这里可以通过排序或Gram-Schmidt正交化进一步降低变量间相关性 % 如果风光之间存在相关性可以用cholesky分解处理相关矩阵 end注意u (randperm(N) - rand(N, 1)) / N这一行它是LHS的灵魂。randperm(N)先生成一个1到N的随机排列保证每个区间都被选到一次再减去一个(0,1)均匀小数是为了让采样点落在区间内部而不是边界上。Matlaba的lhsdesign内部也是这个逻辑但它默认做了一些优化迭代会让样本的相关性更低一点。追求省事就直接lhsdesign(N, dims, criterion, correlation)它会最小化各列之间的相关系数。3.3 场景缩减算法代码实战场景缩减我强烈建议自己写一次别直接抄现成的包——因为你需要理解它每一步在干什么后面调整场景数、换距离度量时才有底气。核心代码如下function [reduced_scenes, reduced_probs] sce_reduction(scenes, probs, target_num) % scenes: 原始场景矩阵每行是一个场景时间序列 % probs: 每个场景的概率初始为1/N % target_num: 目标场景数量 N size(scenes, 1); % 预计算场景间的欧氏距离矩阵 D zeros(N, N); for i 1:N for j i1:N d norm(scenes(i, :) - scenes(j, :)); D(i, j) d; D(j, i) d; end end remaining 1:N; while length(remaining) target_num % 找到距离最近的一对场景 min_d Inf; del_idx 0; keep_idx 0; for i 1:length(remaining) for j i1:length(remaining) if D(remaining(i), remaining(j)) min_d min_d D(remaining(i), remaining(j)); del_idx remaining(i); keep_idx remaining(j); end end end % 删除del_idx概率累加到keep_idx上 probs(keep_idx) probs(keep_idx) probs(del_idx); remaining(remaining del_idx) []; end reduced_scenes scenes(remaining, :); reduced_probs probs(remaining) / sum(probs(remaining)); % 归一化 end这是同步回代消除最朴素的版本。问题很明显每次寻找最近场景对都是O(N²)的复杂度N2000时要循环将近2000次每次算2000×2000的距离矩阵合计就是几十亿次运算跑一个缩减要好几分钟。所以我实际用的是优化版本先把距离矩阵算一次之后每次删除场景时只更新受影响的行列别全部重算。再一个优化技巧是2023版本之后的Matlab支持用pdist2直接算两两距离配合squeeze和向量化可以很大程度减少循环开销。缩减之后一定要做一道检验对比缩减前后所有场景的均值和标准差看偏差在什么量级。如果均值偏差超过5%说明缩减目标数压得太狠了要适当多保留几个场景。4. 交直流混合微网优化模型怎么搭4.1 系统结构假设为了让整个案例可以跑通我做了一个典型的交直流混合微网拓扑假设结构如下交流母线接交流负荷、微型燃气轮机、风电、主网接口通过变压器直流母线接光伏、储能电池、直流负荷双向AC/DC换流器连接两条母线功率可以双向流动容量限制为±500 kW储能系统额定容量2 MWh最大充放电功率500 kWSOC范围20%~80%。这是一个很标准的实验室级结构做研究、写论文都够用了。你要做实际工程验证再往里加柴油发电机、电动汽车充电桩、冷热电联产这些扩展单元模型框架不需要动加约束和变量就行。4.2 目标函数不只是成本最小目标函数很多人直接写“购电费用燃料费用”这没错但不完整。我建议至少考虑以下四部分缺一不可从主网购电费用分时电价下每个时段电价不同这是大头微型燃气轮机的燃料成本一般用二次函数或者分段线性函数拟合弃风弃光惩罚项如果没有这一项优化器会倾向于疯狂弃可再生能源来减少运行风险储能老化成本单位充放电量折算成损耗成本避免优化器把储能当免费工具随便用。写成数学形式就是% 目标函数伪代码实际用YALMIP或intlinprog时需要改写成线性形式 total_cost sum(e_price .* P_grid * delta_t) ... % 购电费用 sum(a * P_mt.^2 b * P_mt c) * delta_t ... % 燃气轮机燃料 sum(curtail_penalty .* (P_pv_avail - P_pv_use)) ... % 弃光惩罚 sum(battery_degrad .* abs(P_bat)) * delta_t; % 储能损耗注意如果燃气轮机的燃料成本是二次的直接丢给线性规划求解器会报错。我处理的办法是把它做分段线性化把出力范围切成4段每段一个斜率用整数变量约束激活。这个操作对MILP来说非常友好求解速度影响也不大。4.3 约束条件逐条拆解功率平衡约束是必须严格满足的等式约束% 交流母线功率平衡发电购电换流器输入 交流负荷 P_grid P_mt P_wt_use P_converter_ac P_load_ac; % 直流母线功率平衡光伏储能放电换流器输入 直流负荷 P_pv_use P_bat_discharge P_converter_dc P_load_dc;这里的P_converter_ac和P_converter_dc方向要定义清楚我习惯定义正方向为“交流侧流向直流侧”那交流母线侧是流出、直流母线侧是流入符号上要分清。换流器容量约束换流器不是理想器件容量有限制而且双向传输时损耗不能忽略。我一般用一个二次效率曲线逼近或者干脆简化成P_converter^2 Q_converter^2 S_converter^2的凸约束。如果只考虑有功调度就简化为线性约束abs(P_converter) P_converter_max。储能SOC动态约束SOC是积分量必须逐时段递推SOC(t1) SOC(t) (P_bat_ch % * eta_ch - P_bat_dis / eta_dis) * delta_t / capacity; 0.2 SOC(t) 0.8; % 防止过充过放 P_bat_ch, P_bat_dis 不同时为正; % 需要二进制变量约束最后一行的“不能同时充放电”约束是我看新手最容易漏的。如果你不加这个约束优化器会在某些场景下同时让充电功率和放电功率都为正白白浪费能量还让SOC的递推失真。Matlab里用两个二进制变量加一个大M约束就能实现YALMIP里直接用implies写也行。4.4 换流器双向控制策略怎么融入优化交直流混合微网和纯交流微网最大的区别就是换流器。优化时你要决定每个时段换流器传输多少功率、什么方向。这实际上是一个带符号的连续变量方向隐含在正负号里P_converter sdpvar(T, 1); % T个时段正值表示AC-DC % 换流器损耗模型 P_loss converter_loss_coeff .* abs(P_converter); % 简单线性损耗但如果你继续深挖换流器还有一个更实际的问题当交流侧母线电压波动、直流侧电压波动时换流器的可控范围会缩水。这里我建议在第一阶段优化里不要搞得太复杂先把有功调度问题解明白换流器的电压无功控制放到后续的动态仿真Simulink阶段去做。优化层算得出功率指令控制层能不能执行是另一个层面的问题别混在一起。5. 优化算法实现PSO外壳线性规划内核5.1 为什么不用纯粒子群硬怼我最早试过把整个问题丢给标准粒子群算法PSO粒子编码包含所有决策变量适应度函数就是目标函数加惩罚项。结果怎么样200个粒子迭代100代跑了三个多小时解的质量还不稳定。原因很简单问题里有大量的等式约束功率平衡和整数变量PSO这种无约束优化算法处理起来非常吃力惩罚因子调小了吧约束不满足调大了吧目标函数被扭曲很容易陷入局部最优。所以我换成了混合架构外层PSO负责搜索储能充放电策略区间和换流器功率基准值这两个变量是全局性决策适合启发式搜索内层用linprog求解每个时段的最优功率分配。这样把问题拆成了“战略层”和“战术层”每一层的问题规模都小得多收敛速度和稳定性都大幅改善。5.2 粒子编码与适应度函数设计粒子编码我设计成了这样一个粒子包含T个时段的换流器功率基准值P_conv_ref(1:T)和T个时段的储能目标SOCSOC_target(1:T)。加起来是2T维如果T24就是48维搜索空间对PSO来说算中等维度可以接受。内层线性规划负责的是给定换流器功率和储能目标SOC后求解燃气轮机出力、购电功率、光伏实际消纳量、储能实际充放电功率使得目标函数最小并且满足所有运行约束。外层和内层的配合逻辑是这样的for iter 1:max_iter for i 1:pop_size % 粒子解码 P_conv_ref positions(i, 1:T); SOC_target positions(i, T1:2*T); % 内层线性规划求解 [dispatch_result, inner_cost] inner_linprog(P_conv_ref, SOC_target, system_data); % 适应度 内层成本 约束违反惩罚 fitness(i) inner_cost penalty_factor * (constraint_violation); end % 更新速度和位置标准PSO公式 end内层linprog的好处是它保证所有功率平衡约束都是硬约束不管外层粒子怎么乱飞内层解出来的方案至少是物理可行的。这样外层只需要关注经济性和储能策略的合理性不会因为不等式约束没法满足而崩掉。5.3 约束处理技巧罚函数怎么定才合理用PSO就绕不开罚函数法处理约束。我踩过不少坑最后总结出一条经验罚函数系数不能是常数最好随迭代进行动态调整。前期迭代允许粒子在约束边界附近游走增大种群多样性后期加大惩罚力度让粒子收敛到可行域内部。实现上我用的是最简单的时间线性递增策略penalty_factor penalty_min (penalty_max - penalty_min) * (iter / max_iter);另外罚函数不是加在目标函数上就完事了一定要把各约束违反量分开计算然后加权汇总。比如功率平衡违反值是连续的SOC越限量是分段线性累积的如果混在一起算一个总值某些轻微违反会被其他部分的严重违反掩盖导致搜索方向不明确。我建议每个约束单独计算违反量然后加权求和权重的量级要让每类违反在初始迭代时贡献大体相当。5.4 结果可视化干这行不能不会看图优化完不出图等于白干。你至少需要画三张图第一张是各时段功率平衡图堆叠柱状图一眼看出光伏、风电、燃气轮机、储能、购电各自承担了多少负荷第二张是SOC变化曲线确认储能没有越界第三张是缩减后的典型场景图每个场景用半透明曲线画概率权重大的场景加粗显示。这三张图基本覆盖了论文审稿人最关心的问题。Matlab绘图记得统一风格set(groot, DefaultAxesFontName, Times New Roman)线宽至少1.5图例一定要有坐标轴标签带单位。这些细节做好了整个工作的可信度直接上一个台阶。6. 我踩过的坑和排查心得6.1 场景缩减后出现概率异常第一次跑同步回代消除时我发现缩减后的场景概率总和不是1而且有些场景概率高达0.6其他场景概率低到0.01。排查了半天原因是我删除场景后更新概率时忘掉把概率归一化了。修正办法很简单每次删除后都重新probs probs / sum(probs)。另外有个细节如果有两个场景距离为0完全重复删除时概率累加后剩下那个场景的概率会翻倍如果后面还有重复场景概率会越叠越大。最优做法是把完全重复的场景在缩减前直接合并。6.2 LHS生成的风光出力出现负值这个问题很蠢但很常见。我用betarnd生成光伏样本时把P_pv_max乘进去后发现有些样本是负的再一看代码原来是历史数据的均值mu计算时有几个异常值把标准差撑大了导致Beta分布的参数a或b小于1分布形状变成U型产生了趋近0甚至负值的样本。解决方法是做数据清洗把光照强度里的夜间零值和传感器故障值分离开再算统计量别把所有数据一锅端。6.3 优化结果里储能充放电太过频繁第一版优化跑出来的结果是储能几乎每隔一个时段就切换一次充放电方向。虽然在约束上没问题但实际系统根本扛不住——电池频繁切换会大幅缩短寿命换流器也受不了。原因是我没有在模型里限制储能充放电状态的最小持续时间。解决办法有两种一是加最小开关时间约束用整数变量锁住充放电状态二是在目标函数里加一个比较小的“状态切换惩罚”每次充放电方向变化就加一笔成本。我后来用的是第二种因为模型改动最小效果也很理想。6.4 intlinprog跑得很慢等半天没结果如果你的MILP模型规模较大比如时段数T96、场景数超过20个直接调intlinprog会非常慢。我试过的最优化配置是求解器用Gurobi学术许可免费Matlab里通过YALMIP接入求解时间能比intlinprog快一个数量级。如果你没有Gurobi退而求其次的优化手段是给intlinprog设置LPPreprocess为advanced降低RelativeGapTolerance到0.01同时设置MaxTime上限先拿一个可行解保底。7. 从算法到论文这几个数据一定要记录如果你做这个项目是为了写论文除了结果图之外还有几组数据是审稿人必问的问题一定要提前记录好算法对比数据只给出你的方法结果是不够的至少要跟三个对比方法比——纯MILP精确解、标准PSO、蒙特卡洛场景缩减的做法。对比指标包括运行成本、求解时间、收敛代数、解的方差。尤其是“求解时间”这个指标很多审稿人第一个就看它因为它是让你这种方法站住脚的关键论据。场景缩减质量数据记录缩减前N是多少、缩减后是多少、目标函数值偏差百分比、概率分布的最大偏差。这里可以用1-Wasserstein距离量化缩减误差这是随机规划领域的主流度量写进论文显得专业。参数敏感性分析至少对三个关键参数做敏感性分析——场景缩减目标数量、储能容量、换流器容量限制。每个参数取3到5个值分别跑一遍优化把成本变化曲线画出来。这组实验能证明你的方案不是某个特定参数下拉出来的偶然结果而是具备普遍适用性的。我在实际跑数据时发现一个有趣的现象场景缩减目标数从10增加到30的过程中期望成本下降非常明显但从30增加到50成本几乎不再变化。这说明30个场景已经足够表达原始2000个场景的不确定性了。这个拐点数据在论文里非常好看审稿人喜欢这种“有解释力”的实验结果。8. 扩展方向这套框架还能做哪些事交直流混合微网的优化框架搭好之后其实就是一套“场景生成缩减优化”的通用流水线。你完全可以把这套逻辑迁移到以下方向日前-日内两阶段调度先基于LHS生成的多场景做日前计划再拿一个LHS生成的较小场景集做日内滚动修正。两阶段之间的衔接变量是储能的SOC日前决定目标SOC轨迹日内在保证SOC偏差尽量小的前提下重新优化功率分配。多目标优化把目标函数从“成本最小化”扩展成“成本碳排放电压偏差”三目标然后换成多目标粒子群算法MOPSO或者NSGA-II跑帕累托前沿。注意多目标下场景缩减的目标也要改不能只看期望成本而是要保留在目标空间里分散性好的场景。考虑电动汽车的微网协同把电动汽车充放电看作移动储能在LHS抽样里多抽一个“EV出行时间”和“到达时SOC”的随机维度场景维度从2变成4场景缩减照样适用。这是我最近在做的方向效果比固定储能灵活得多但约束复杂度也上来了。分布鲁棒优化如果嫌场景缩减还是不够稳可以走分布鲁棒优化的路子——用LHS抽样的历史数据构造模糊集Wasserstein球优化最坏情况下的成本。这个方向理论深度比较大适合数学基础好的同学尝试成果也更容易发高水平期刊。9. 最后的实操建议项目做到最后我想分享几个我自己的体会都是血泪教训换来的第一别急着写代码先把公式推导清楚。我在做这个项目时光是建模就花了四天时间把目标函数的线性化形式、每个约束的矩阵表达全部手写推导了一遍才开始写代码。Matlab代码写起来很容易难的是模型表述不对debug半天根本不知道错在哪。你如果发现求解器报“infeasible problem”99%的情况是模型约束自相矛盾而不是代码语法问题。第二场景缩减一定要用真实数据驱动。很多论文用正态分布或均匀分布假设然后直接抽样这种做法在应用层面很难站得住脚。我的建议是哪怕数据量不大比如只有三个月也尽量用历史实测数据来做拟合和抽样哪怕粗糙一点也比纯假设可靠。第三算法对比时别只比结果不比速度。很多研究者的对比方法跑的是完整MILP模型你的改进算法跑了几个小时才收敛然后你说你的算法更好——这说不通。真正有力的对比是同样的求解时间下你的解比对方更优或者同样的解质量下你的求解时间显著更短。控制变量非常重要。最后再补一句Matlab里跑大规模场景优化时内存回收问题要留意。循环里重复创建大矩阵、频繁使用eval保存中间变量都容易把内存撑爆。我的习惯是每个大循环结束就clear不用的变量用tic/toc监控每段代码的时间消耗单步调试时盯着工作区窗口的内存占用变化。这些小习惯能帮你省掉大量无意义的等待时间。