企业官网建设流程全解析

做电力系统优化的人，应该都遇到过这个场景：导师或者项目甲方丢过来一句话——“把高比例可再生能源接入后的调峰成本算清楚，还要分摊出去”，然后留你一个人对着成堆的风光出力曲线和火电参数发呆。这个项目标题看起来像是个学术题目，但拆开揉碎，它实际上是一条完整的技术链路：量化常规机组为消纳新能源额外付出的经济代价，再用合理的方式把这些代价分配给受益方。这篇文章就围绕这条链路，讲讲模型怎么搭、成本怎么量化、Matlab代码怎么组织、分摊怎么做，以及我在实际跑数过程中踩过的那些坑。

1. 项目整体思路拆解：从问题到模型的落地逻辑

1.1 高比例可再生能源系统为什么必须重新定义“调峰成本”

先搞清楚一个前提：为什么可再生能源比例一高，调峰成本就成了绕不开的话题。传统电力系统里，负荷曲线本身有峰谷差，火电机组跟着负荷走，机组压低出力或者调整出力速率，属于日常操作，这部分代价在运行成本里自然就体现了。但风电和光伏大规模接入之后，系统的“净负荷”曲线（负荷减去风光出力）波动幅度大幅增加，而且方向不确定——天气好时光伏大发，中午净负荷可能直接掉到谷底，傍晚光伏退出、风电还没起来，净负荷又陡增。这种波动已经不是靠机组常规调节能消化的了。

这时火电就被迫进入“深度调峰”状态，也就是把出力压到比常规最小技术出力还要低的水平，甚至频繁启停。深度调峰带来的问题很多：煤耗大幅上升、设备疲劳寿命损耗加剧、投油稳燃等额外成本，启停更是直接花钱。这些成本在传统经济调度模型里要么没有被显式建模，要么只用了简化线性函数，导致计算结果严重低估了真实调峰代价。所以“高比例”这个定语不是装饰，而是模型必须具备的边界条件——只有渗透率到一定程度，深度调峰和启停调峰才会成为常态，成本量化和分摊的需求才会真正出现。

1.2 项目建模的核心目标与输出边界

这个项目代码要实现的东西，我理解为三层目标：第一层，搭建一个含高比例风光的电力系统优化调度模型，以系统总运行成本最小为目标，决策各火电机组不同时段的出力、启停状态以及风光出力；第二层，从调度结果中分离出调峰成本——具体来说，是把常规机组为了消纳新能源而产生的燃料增量、寿命损耗增量、启停费用增量从总成本中剥离出来；第三层，设计分摊机制，把这些调峰成本分配给新能源发电主体，体现“谁引发、谁受益、谁承担”的公平性。

从输出角度看，代码最终要给出几个清晰的量：各时段的火电出力计划、深度调峰区间标识、总调峰成本及各成本分量、新能源弃电量，以及不同类型分摊方案下各新能源场站的分摊金额。这些输出既服务于学术论文的算例分析，也能直接支撑政策制定前的成本测算。值得注意的是，模型和代码是“研究型代码”还是“生产型代码”有很大区别——这个项目明显偏研究型，所以追求的不是调度引擎级性能，而是逻辑透明、参数可调、结果可复现，这也是我下面所有代码组织建议的出发点。

1.3 为什么选择Matlab作为实现平台

很多人会问，这类优化问题用Python+Gurobi不也很快吗？确实，纯求解性能上Python生态有一定优势，但Matlab在这个场景下有三个不可替代的实际好处：第一，电力系统研究领域积累了大量Matlab数据接口和算例包，尤其是风电光伏出力数据、机组参数表，拿过来就能用；第二，Yalmip工具箱提供了非常接近数学表达式的建模语法，对需要频繁修改目标函数和约束的研究工作来说，调试效率极高；第三，Matlab的绘图脚本可以快速输出论文级的甘特图、机组出力堆叠图和成本敏感性曲线，这是研究项目最常用的成果形态。如果只是写死一个算例跑结果，哪种语言都行；但如果要持续改模型、换参数、反复对比结果，Matlab+Yalmip这套组合的工程体验是我实测下来最顺手的。

2. 调峰成本量化方法：三类成本模型的数学表达

2.1 燃料增量成本：从线性到分段非线性的演进

常规经济调度里，火电燃料成本通常用二次函数拟合：C_fuel = a * P^2 + b * P + c。这个函数在机组处于正常调节区间时精度够用，问题在于当机组进入深度调峰区间（比如出力低于50%额定容量）后，实际煤耗会显著偏离这个二次曲线，而且偏离方向是“变差”——单位发电煤耗上升更快。如果还用原曲线外推，计算机会让机组在多发和少发之间做“伪优化”，算出来的成本严重失真。

正确做法是把燃料成本按运行区间分段建模。我常用的分法是把机组出力分为三个区间：常规调峰区间（比如50%-100%额定出力）、深度调峰区间（30%-50%）、极深调峰区间（低于30%，需要投油助燃）。每个区间分别拟合一个煤耗曲线系数，在模型中用分段线性（Piecewise Linear）或者混合整数二次约束来表征。Yalmip里做分段线性非常方便，用pwl相关函数或者binvar配合大M法手动分段都可以。这里要特别提醒一点，分段函数必须保证节点连续，即各分段在衔接点的成本值相同，否则求解器可能利用分段断点制造出“凭空收益”，这是新手最容易犯的错误。

2.2 寿命损耗成本：被多数模型忽视的大头

深度调峰对机组寿命的损耗，很多教材和论文里简单处理成“不管”，但实际项目里这部分必须量化，因为随着火电角色从基荷变为调峰，机组年利用小时数虽然下降，但每次深度调峰造成的热应力循环损伤反而更大。工程上常用转子低周疲劳寿命损耗率来估算：每进行一次深度调峰，机组寿命损耗增加一个百分比，这个百分比与调峰深度（出力变化幅度）正相关。折算成经济量，就是用机组的重置成本乘以单次调峰的损耗率。

我的实现做法是相对粗糙但可解释的“等效运行小时法”：设定机组每兆瓦深度调峰出力折合的等效损耗系数，比如某600MW机组深度调峰到180MW，单时段损耗折算为等效运行时间ΔT = k * (1 - P/P_rated) * Δt，机组寿命损耗成本 = 机组总投资成本 / 设计等效运行总时长 * ΔT。这样建模的好处是很直观，参数可从厂家资料或公开文献标定，便于评审解释。实际代码里这个成本项可以作为燃料成本的附加项直接并入目标函数，也可以用后处理方式单独统计，两种策略在项目里我都用过，前者优化结果更全局最优，后者计算负担小，取决于你对求解时间的容忍度。

2.3 启停调峰成本与启停约束的建模

当系统净负荷低谷持续时间较长，机组压低到极深调峰区间仍然无法满足平衡时，就需要“启停调峰”了：主动停掉一部分机组，等负荷起来再重新并网。启停调峰的成本构成很清晰：启动过程的热态/冷态启动燃料消耗、锅炉点火辅助燃料、汽轮机暖机损耗，以及停机期间的人工维护成本。量化口径上，一般用“一次热启动成本”和“一次冷启动成本”两个参数，按停机时长决定选哪个值。

在Matlab/优化模型中，启停行为通过机组的最小运行时间约束、最小停机时间约束和启动成本变量三者共同刻画。核心逻辑是：机组在某时刻发生“0→1”的状态切换时，触发启动成本；反之，发生“1→0”切换时不需要直接付钱，但受到最小停机时间约束。用Yalmip表达时，启动变量通常定义为su(t) >= u(t) - u(t-1)，配合二进制变量u，这样求解器才能正确捕捉启停的经济信号。我在实际调试中发现，很多项目结果“看起来不对”的根源就在这里：启停变量定义方式不符合混合整数线性规划的因果逻辑，导致成本项虽然被加进去了，但约束根本没有真正限制机组的启停行为。

2.4 调峰辅助服务的机会成本表达

除了上述三块直接成本，还有一种“机会成本”视角值得在报告中提及，但在代码实现中可以选择不建模。所谓机会成本，是指火电为了调峰降低出力后，少发的电量在现货市场中可能获得的收益。这个量在目前国内电力市场环境下还不适合直接进入优化模型，除非明确做现货出清模拟。我更推荐的做法是：在成本量化阶段先只计直接成本（燃料、寿命、启停），把机会成本作为后续“双轨测算”中的对照项，单独用市场出清价和少发电量相乘估算。这样模型结构更干净，也规避了循环定价的争议，报告里也可以说清楚两种口径的结果差异。

3. Matlab代码实现：核心模块与关键逻辑

3.1 程序整体架构：数据层-建模层-求解层-输出层的四层设计

我建议把整个程序按四个模块组织，这样的好处是换数据、换求解器、改成本参数时不用动核心模型代码。

第一层是数据准备模块。负责读取负荷曲线、风电光伏出力曲线、机组参数表（额定容量、出力上下限、爬坡率、煤耗系数、启停成本、寿命损耗系数等）、备用需求、仿真时段数。数据统一以结构体或表格形式组织，避免散落的全局变量。第二层是Yalmip建模模块。定义决策变量、约束和目标函数，是整个代码的核心。第三层是求解模块。配置求解器、设置求解容差、超时时间等参数，调用solvesetp并检查求解状态。第四层是结果输出模块。计算调峰成本分量、生成分摊方案所需的中间量，并绘图。

%% 主程序骨架示意 clear; clc; close all; mpc = load_case_data(); % 数据层：机组与负荷数据 time = 1:24; % 仿真时段 wind = mpc.wind_forecast(time); % 风电预测出力 solar = mpc.solar_forecast(time); % 光伏预测出力 load_demand = mpc.load_profile(time); %% 建模层：定义优化变量 ops = sdpsettings('solver', 'gurobi', 'verbose', 2, 'showprogress', 1); P = sdpvar(repmat(mpc.ngen, 1, 24), repmat(1, 1, 24)); % 发电机各时段出力 u = binvar(mpc.ngen, 24); % 启停状态 su = binvar(mpc.ngen, 24); % 启动动作标识

这段代码展示了建模层的入口部分。注意几个设计细节：P用cell形式而不是一个大矩阵，方便后续对不同机组分组处理；启停状态直接用binvar而不是uncertain，优化问题的复杂度主要就来自这些二进制变量；sdpsettings里的showprogress建议打开，后文会说明原因。

3.2 目标函数与分段成本建模的核心代码

目标函数是量化调峰成本的主战场。我在代码中写成四项求和：正常调节区间燃料成本、深度调峰区间附加燃料成本、寿命损耗成本、启停成本。

%% 目标函数构建 C_fuel = 0; C_deep = 0; C_life = 0; C_start = 0; for t = 1:24 for i = 1:mpc.ngen % 常规燃料成本：二次函数 C_fuel = C_fuel + mpc.a_fuel(i) * P{i}(t)^2 + mpc.b_fuel(i) * P{i}(t) + mpc.c_fuel(i); % 深度调峰附加成本：仅在机组出力低于P_crit时触发 % 用大M法激活分段变量 P_deep P_deep{i}(t) >= P_crit(i) - P{i}(t) - M * (1 - z_deep{i}(t)); P_deep{i}(t) >= 0; P{i}(t) >= P_min_deep(i) - M * (1 - z_deep{i}(t)); % z_deep为1时允许进入深度调峰 C_deep = C_deep + mpc.k_deepfuel(i) * P_deep{i}(t) + mpc.k_deeplife(i) * P_deep{i}(t); % 启停成本 C_start = C_start + mpc.startup_cost(i) * su{i}(t); end end objective = C_fuel + C_deep + C_life + C_start;

这段代码里“大M法”是本项目的关键技术细节。z_deep是每个机组每个时段的二进制变量，值为1表示该机组处于深度调峰状态。M是一个足够大的正数，取值至少大于机组的额定出力差；为了不引入数值病态，M不要取得过大，一般用M = P_rated(i)偏大一点就够了。P_deep变量在z_deep为1时等于“临界出力与实际的差”，在z_deep为0时强制为0，这样就把分段特性的互斥关系压实了。实测下来，对一个10机组、24时段的模型，即使每台机组增加3个二进制变量，Gurobi的求解时间仍然可控，不会给算例分析造成瓶颈。

3.3 约束条件的组织方式与常见遗漏

优化模型的约束是另一个容易翻车的地方。我整理了一个必备约束清单，按重要性排序：

功率平衡约束：所有机组出力加风光出力等于负荷。注意这里风光出力用“实际发电量”变量而不是预测最大可用值，从而在优化中允许弃风弃光。

Constraints = []; for t = 1:24 Constraints = [Constraints, sum(P{:, t}) + wind_actual(t) + solar_actual(t) == load_demand(t)]; end

系统备用约束：sum(P_max * u(:, t)) + RES_available(t) >= load_demand(t) * (1 + reserve_rate) + wind_solar_forecast(t) * RES_capacity_credit。这部分容易被忽略的是，可再生能源在计算备用时不是全额计入，而是按置信容量计入，否则备用需求会被高估。

火电上下限约束和爬坡约束：技术出力下限要区分“常规下限”和“深度调峰下限”，爬坡率约束需要同时考虑两个方向——向上爬坡和向下爬坡。实测中，只约束一个方向而漏掉另一个方向的错误很常见，因为Matlab的矩阵式中两者表达式相近，一不留神就写成同向。

最小启停时间约束：这是混合整数线性规划中最消耗二进制变量的部分，也是新手最容易建模出错的约束。正确且高效的表达式是用“累计运行时间”和“累计停机时间”的形式。

for i = 1:mpc.ngen for t = mpc.min_up(i)+1:24 Constraints = [Constraints, ... sum(u{i}(t-mpc.min_up(i):t-1)) >= mpc.min_up(i) * su{i}(t)]; end end

这段约束的逻辑是：如果t时刻发生了启动动作（su=1），那么前min_up个时段这台机组必须处于运行状态。反过来，停机约束用sd变量（停机动作标识）配合u变量写成对称形式。我在初版代码里曾把下标范围写错一个单位，结果两个相邻机组的启停次数之和比单台机组还少，排查了很久才意识到是时段的边界错位——这个问题特别隐蔽，建议用一段10时段的小数据先做单元测试，验证每条约束都被“看到”。

3.4 求解器选型和Yalmip配置

这个模型本质上是混合整数二次规划（MIQP）或者通过分段线性化转成混合整数线性规划（MILP）。如果保留二次燃料成本函数，就是MIQP；如果想把求解稳定性拉满，我通常手动把二次项线性化，转换为MILP。Yalmip本身不区分这两种情况，关键在求解器。

实测过的三个方案供参考：Gurobi在MIQP和MILP上都是综合最优，许可证对学术用户免费，安装过程不复杂；CPLEX和Gurobi性能基本一个档次，但求解MIQP时对部分模型可能更稳；Cbc是开源的，小规模算例可以用，但求解速度和数值稳定性在深度调峰这种强非线性场景下确实吃力。建议项目初期就用Gurobi，除非发文章要求全开源工具链，否则没必要为了省License给自己埋雷。

求解器参数的配置也需要经验。我常用的配置是：

ops = sdpsettings('solver', 'gurobi', ... 'gurobi.MIPGap', 0.001, ... 'gurobi.TimeLimit', 600, ... 'gurobi.MIPFocus', 2, ... 'gurobi.NumericFocus', 3);

MIPGap设为千分之一是为了保证论文图表中的成本数值可信；TimeLimit给10分钟是平衡精度和迭代调试周期；MIPFocus=2让求解器集中精力找可行解而不是死磕最优性证明——在模型调试阶段，你能更快得到一个“能用但不一定最优化”的解，先看趋势再决定是否增加求解时间。这里有个容易被忽略的点：数值规模几十个二进制变量的模型，Gurobi初始化和求解速度都在秒级，但当模型维度上千时，数值预处理的时间和内存开销会显著增大，NumericFocus=3能有效避免大M法引入的数值病态。我个人的准则是：算例规模不超过20台机组、48时段时，这套配置默认都能在几十秒内找到1‰以内的最优解。

4. 调峰成本分摊模型：谁承担，怎么量化

4.1 “谁引发、谁受益”原则下的两种分摊视角

调峰成本量化和调峰成本分摊，是两个紧密关联但逻辑不同的问题。量化解决的是“总共有多少成本”，分解决的是“这些成本怎么记账到不同主体头上”。高比例可再生能源系统里，调峰需求主要由风光引发——它们把净负荷曲线变得更深、更陡、更不可预测，火电则被动跟着调。从“谁引发谁承担”的角度，风光出力越多、波动越剧烈，应分摊的调峰成本越高；从“谁受益谁承担”的角度，系统因为风光接入降低了整体供电成本、降低了碳排放，新能源发电商获得了上网收益，系统运营方获得了调峰资源优化配置的空间，这些受益者都应分担成本。

现实中多数场景采用“谁引发谁承担”为主、“谁受益”为辅的复合逻辑，核心原因在于受益维度的量化主观性较强。项目代码里，我建议把两种视角都实现出来供比较，用算例结果给决策者提供选项。

4.2 按发电量比例分摊：简单但有失公平

最朴素的分摊方式是：新能源总调峰成本除以新能源总发电量，得到单位电量调峰成本，然后按每个场站的实际发电量分摊。公式为分摊金额_i = 总调峰成本 × (发电量_i / 总发电量)。这个方法的优势在“好解释、好落地”，一个文件就能完成计算，Excel甚至都够了。问题是，它完全不反映调峰成本的成因差异：同样发1MWh电，在中午光伏大发、负荷低谷时发出1MWh，和傍晚负荷高峰时发出1MWh，对系统调峰压力的贡献差十倍不止。按电量一刀切，等于让所有新能源主体承担无差别税负，与优化调度中“尖峰时刻电量更值钱”的市场信号背道而驰。

4.3 基于调峰需求的边际分摊：更精细但也更贵

精细化方案是按“调峰责任系数”分摊。核心思路是构造一个指标，量化每个风电/光伏场站在每个时段对系统调峰需求增量的“贡献度”。我实现过两个不同口径：

口径一是电量责任法。把净负荷与按常规调节能力定义的“平坦净负荷”之差视为调峰需求量，以该场站出力与该时段调峰需求增量的协方差为权重，归一化得到分摊系数。口径二是场景责任法。分别求解含该场站和不含该场站的调度模型，两次调峰成本之差就是该场站的边际调峰成本贡献，再按边际值分摊。第二种从理论上更严谨，相当于Shapley值思想的简化——每个成员对合作成本的边际贡献——但需要多次求解优化模型，当可再生能源场站数量多时计算代价指数上升。

Matlab实现上，第二种方案其实更简单，因为它不依赖复杂的指标构造：把风光场站按不同组合剔除，重新求解目标函数，观测总成本变化量即可。以下是一个简化的边际成本计算片段：

%% 计算删除第i个风电场后的调峰成本增量 base_cost = solvescenario(all_scenarios); % 全场景下的总成本 for i = 1:num_wind_farms rm_scenario = all_scenarios; rm_scenario.wind(:, i) = 0; % 删除该风场 rm_cost(i) = solvescenario(rm_scenario); marginal_cost(i) = base_cost - rm_cost(i); % 该风场带来的边际调峰成本 end

这样得到“每个场站引起的系统调峰成本变化”。值得注意的是，删除场站后系统会重新优化调度，其他机组的出力分配也会变，所以按边际法计算出的各场站分摊份额之和并不等于总调峰成本，还需要做归一化。我在实际项目里的做法是：先算边际贡献比值作为权重，再把总调峰成本按这个权重比例分摊下去，既保留相对合理的经济信号，又保证总账平掉。

4.4 考虑时序互动的Shapley值法（扩展讨论）

严格意义上的合作博弈分摊，需要计算每个参与者加入任何可能联盟前后的边际贡献，再对所有排列取平均。这个方法在参与者数量达到5个时，就需要计算2^5共32种调度场景，10个参与者时是1024种，20个以上参与者时完全不可行。但它可以作为小规模算例的理论基准——论文里经常用来验证简化方法接近最优的程度。我建议如果只是做报告，不必强行上Shapley；如果写高水平论文且场景规模可控，可以在附录中给出一个小规模Shapley对照结果，这能在评审时显著提升方法部分的严谨性。

5. 常见问题与调试经验：实测记录

5.1 求解无解：大M法带来的数值陷阱

我在初版代码里遇到过最典型的无解场景是“深度调峰约束写得过死”。比如机组额定功率600MW，我设置它的深度调峰下限为180MW，但如果同时给了一个发电容量约束要求它至少运行在200MW以上（来自另一个备用约束），两处约束就会打架，导致Yalmip报infeasible。这种问题排查方式只有一个：逐条注释约束，逐个分离出冲突源。

另外，大M法里的M取偏小的值也会造成无解假象。举个例子，运行状态变量P{i}(t)上限是600，深度调峰触发阈值P_crit=300，要约束P_deep >= P_crit - P，M只要不小于600就够。但很多复制来的代码会把M设成10000甚至1e6，这时Gurobi的数值容差就很容易出问题，表现为“解明明存在，却报infeasible”。我把这条写进调试笔记的第一行。

5.2 求解缓慢：二进制变量膨胀的应对策略

混合整数规划的求解时间对二进制变量数量极其敏感。最初版本我按“机组×时段”给每台机组赋了两个二进制变量（启停+深度状态），10台机组24时段就是480个二进制变量，Gurobi通常还能扛住；但如果扩展到48时段、30台机组，二进制变量翻到2880个，求解时间会从几十秒涨到几十分钟。实测有效的压缩手段有三个：把对称机组（参数完全相同且不涉及线路潮流约束）合并为一组，减少机组数量；把明显处于深度调峰压力下的时段固定启停状态，人为缩小搜索空间；把启停变量按照最小启停时间约束的松绑程度降稀疏——比如某些机组在长时间尺度上不会频繁切换，可以按天粒度决定是否允许启停。这些属于“妥协戚”但效果好，适合在结果趋势稳定后使用。

5.3 出力结果不合理：从弃风到“假弃风”

还有一个我踩过的坑：优化结果中出现了完全不合理的“弃风”——大半夜风速很大，但模型宁可让风电全部弃掉而让火电维持出力。排查后发现，问题不在约束而在备用约束方向。系统备用约束要求sum(P_max * u) + RES_capacity >= load + reserve，但我写成风光按全额预测值计入备用容量，导致夜间风速大时“理论备用”足够，火电可以理直气壮地压着备用下限走，而风电因为功率平衡约束多出的一部分被弃掉了。修正做法是风光接入备用容量只按固定置信容量计入，而不是按实时预测值。这个错误极其隐蔽，因为报告上不会直接显示备用约束方向，只会表现为“弃风率高得离谱”，建议读到这里的你把这条写进自己的检查清单。

5.4 数据口径问题：时间同步性的坑

电力系统仿真的数据口径问题非常致命。负荷数据通常是整点时刻值，风电光伏出力数据可能是15分钟级或小时级平均，机组爬坡率参数的单位是MW/min。如果直接把不同时间粒度的数据塞进同一个模型——尤其是我见到过的历史负荷曲线与预测风电曲线来自不同软件——就会在约束边界上出现“跨时段不连续”的伪尖峰，进而导致火电爬坡约束永远被触发，成本计算结果虚高。我处理这件事的经验是：在数据准备阶段统一做时间对齐，把分钟级数据聚合到小时级时用平均值而非累加；对风电和光伏曲线要检查是否有单位统一问题（MW与MWh互换，或者百分比与绝对值的混淆）。这个工作看似简单，但在数据文件多的实际项目中，比写模型占掉的调试时间还多。

6. 这个项目还能怎么扩展：个人体会作为收尾

把调峰成本量化和分摊做成Matlab完整代码之后，最直接的扩展方向是加网架约束。现有模型本质上是输电网或电网抽象模型，忽略线路潮流限制，这在电源与负荷同区、网络阻塞不严重的研究场景中问题不大；但一旦讨论跨区消纳新能源、特高压送端/受端调峰责任分离，就必须把直流潮流或交流潮流约束引入模型，否则分摊结果在空间维度上完全站不住脚。另一个我最近在尝试的扩展是把单阶段确定性优化改成两阶段随机优化，用典型场景集描述风光出力不确定性，这样量化出的调峰成本天然包含对预测误差的系统调节功能，在电力现货市场环境下更有现实解释力。

代码层面，最推荐第二个扩展思路落地——利用Matlab的并行计算工具箱，把各个场景的调度模型分散到核心上求解，可以显著缓解随机场景集带来的计算压力。至于分摊部分，如果要支撑实际市场结算，还需要把分摊结果改造成按“日前电量分解”的输出格式，并且兼容各个省份现行现货市场结算规则的字段结构。

最后说一点体会。这个项目真正难的地方不在求解器或优化理论，而是把一个看似“只要建个模型算个数”的问题，分解成成本构成清晰、分摊逻辑可辩护、代码可复现的完整链条。多数折腾到深夜的时刻不是在跟Gurobi较劲，而是在跟数据的口径、约束的方向、分摊指标的合理性较劲。好在这些坑都有规律可循，上面的记录应该能让你少走几段弯路。