一种多能柔性互补数字化供电管理方法与流程

发电;变电;配电装置的制造技术1.本发明属柔性直流供电技术领域，具体涉及一种多能柔性互补数字化供电管理方法。背景技术：2.随着大量新能源的开发和应用，大规模可再生能源并网等问题成为研究热点。风力、光伏发电作为经济性和实用性较高的可再生能源，近年来发展迅速。但受限于目前电网实际情况以及电力系统消纳问题，风力发电和光伏发电发展举步维艰，甚至出现了大量的“弃风”、“弃光”现象。且由于风电的不确定性，直接接入电网必然会影响系统的稳定性。3.柔性直流电网则指的是其电压和传输功率均完全可控的直流网络。柔性直流电网无论是在运行方式还是工作特性亦或是控制策略上均与传统的高压直流输电系统有着较大的差别。柔性直流电网中，各个换流器端口可以通过直流线路相互连接，互为冗余，从而提高供电可靠性和稳定性。通过大面积建设柔性直流输电技术的直流电网可将大量可再生能源与现有能源系统互联，实现多种类、多形式、多时间尺度的灵活电力系统。基于电压源换流器的柔性直流输电技术的风电场联网已被广泛认为是实现大型风电场及风电场群与主网之间稳定互联的最有潜力的电力传输方式。4.柔性直流电网的稳定控制是柔性直流技术所关注的热点，合理的柔性直流电网架构是保障其安全稳定运行的基础，安全有效的控制策略能够保证各个换流站稳定运行，保障柔性直流电网的供电可靠性。5.在柔性直流输电基础上发展而来的具有三个及三个以上换流站的直流输电，称为多端柔性直流输电，它具备常规直流输电系统远距离输电、潮流反转而电压极性不变等优点，且可以实现多电源供电和多落点受电，该技术的出现很好的解决风电并网所遇到的难题。因此，开发含风力发电的新能源发电互补并入的柔性直流输电系统，解决新能源发电并网和消纳问题，突破目前新能源发电的瓶颈，增强电网和新能源发电系统之间的友好兼容关系是未来电网发展的趋势，因此急需改善含新能源发电的柔性直流输电系统的控制策略，使各端电网相互之间能够稳定运行，保障柔性直流电网的供电可靠性。技术实现要素：6.本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种多能互补柔性直流电网供电管理方法，其结构简单、设计合理，基于特征提取预测目标时刻的功率，若目标时刻发生功率波动，此时其他没有发生功率波动的换流站共同参加功率调节，消纳第一换流站或第二换流站的不平衡功率，使得柔性直流供电网保持稳定运行，基于预测值计算不平衡功率分配，给各线路上的断路器和各换流器留出了充分的反应和动作时间，避免柔性直流供电网停运。7.为解决上述技术问题，本发明采用的技术方案是：一种多能互补柔性直流电网供电管理方法，其特征在于：包括以下步骤：8.步骤一、监测目标时刻新能源电能波动：9.步骤101、基于特征提取预测目标时刻风力发电机的功率pw-t；10.步骤102、基于特征提取预测目标时刻光伏发电机的功率ps-t；11.步骤二、判断目标时刻新能源电能波动：12.步骤201、若pw-t≥pw-max或ps-t≥ps-max，其中pw-max表示与风力发电机相连接的第一换流站的最大承载功率，ps-max表示与光伏发电机相连接的第二换流站的最大承载功率，进入步骤301，否则进入步骤202；13.步骤202、若pw-t≥pw-max且ps-t≥ps-max，进入步骤302，否则进入步骤203；14.步骤三、目标时刻新能源电能波动调整控制策略：15.步骤301、计算换流站的调节功率：计算机根据公式计算第i个换流站在目标时刻的调节功率，然后进入步骤四；其中φi表示第i个换流站的功率调节因子，q表示换流站个数；pi(t)表示第i个换流站在当前时刻的功率，pt表pw-t或ps-t，pe表示pw-max或ps-max，pie表示第i个换流站的最大承载功率；16.步骤302、计算机根据公式：17.计算第i个换流站在目标时刻的调节功率，其中然后进入步骤四；18.步骤四、按照计算好的调节功率，执行控制策略；19.步骤五、监测柔性直流电网参数：多能互补柔性直流电网包括至少一个交流侧与风力发电机连接的第一换流站、至少一个交流侧与光伏发电机连接的第二换流站、多个分别与直流母线电源连接的第三换流站；多个检测传感器采集多能互补柔性直流电网的多个参数xkp，xkp表示k时刻多能柔性直流电网第p个参数的检测值；20.步骤六、基于ds证据理论判断直流电网故障：基于ds证据理论计算得到直流电网故障概率betp(a)，依据得到的直流电网故障概率betp(a)对柔性直流电网做出诊断故障，若存在故障进入步骤七；21.步骤七、柔性直流电网退出，柔性直流电网切换至柴油发电机组供电。22.上述的一种多能柔性互补数字化供电管理方法，其特征在于：步骤101包括以下步骤：23.步骤1011：通过测风站采集风速；24.步骤1012：采集垂风力发电机的转速；25.步骤1013：以t时刻的风速和t时刻风力发电机的功率作为矩阵元素，以矩阵元素作为图像像素点得到风速二维图像；将风速二维图像输入卷积神经网络，通过卷积神经网络提取风速二维图像的图像特征，得到第一特征量；26.以t时刻的转速和t时刻风力发电机的功率作为矩阵元素，以矩阵元素作为图像像素点得到转速二维图像；将转速二维图像输入卷积神经网络，通过卷积神经网络提取转速二维图像的图像特征，得到第二特征量；27.对第一特征量和第二特征量进行融合得到第三特征量；28.步骤1014：对第三特征量进行降维处理，将降维处理后的第三特征量划分为训练集和测试集；29.步骤1015：选取卷积神经网络作为风能预测模型，输入训练集，进行样本学习；30.步骤1016：风能预测模型训练完成后，输入测试集，进行风能预测模型评估；31.步骤1017：实时获取当前时刻的风速和转速；根据步骤1013计算当前时刻的第三特征量，将当前时刻的第三特征量输入卷积神经网络风能预测模型；通过风能预测模型预测目标时刻风力发电机的功率pw-t。32.上述的一种多能柔性互补数字化供电管理方法，其特征在于：步骤1015中风能预测模型选用faster r-cnn网络。33.上述的一种多能柔性互补数字化供电管理方法，其特征在于：使用multi-similarity loss损失函数改进faster r-cnn网络中rcnn的交叉熵损失函数。34.上述的一种多能柔性互补数字化供电管理方法，其特征在于：步骤102包括以下步骤：35.步骤1021：以t时刻的日照强度和t时刻光伏发电机的功率作为矩阵元素，以矩阵元素作为图像像素点得到日照强度二维图像；将日照强度二维图像输入卷积神经网络，通过卷积神经网络提取日照强度二维图像的图像特征，得到第四特征量；36.以t时刻的环境温度和t时刻光伏发电机的功率作为矩阵元素，以矩阵元素作为图像像素点得到环境温度二维图像；将环境温度二维图像输入卷积神经网络，通过卷积神经网络提取环境温度二维图像的图像特征，得到第五特征量；37.对第四特征量和第五特征量进行融合得到第六特征量；38.步骤1022：对第六特征量特征进行降维处理，将降维处理后的第六特征量划分为训练集和测试集；39.步骤1023：选取卷积神经网络作为光伏预测模型，输入训练集，进行样本学习；40.步骤1024：光伏预测模型训练完成后，输入测试集，进行光伏预测模型评估；41.步骤1025：实时获取当前时刻的日照强度和环境温度；根据步骤1021计算当前时刻的第六特征量，将当前时刻的第六特征量输入卷积神经网络光伏预测模型；通过光伏预测模型预测目标时刻光伏发电机的功率ps-t。42.上述的一种多能柔性互补数字化供电管理方法，其特征在于：步骤1015中光伏预测模型选用faster r-cnn网络。43.上述的一种多能柔性互补数字化供电管理方法，其特征在于：使用multi-similarity loss损失函数改进faster r-cnn网络中rcnn的交叉熵损失函数。44.上述的一种多能柔性互补数字化供电管理方法，其特征在于：步骤六包括以下步骤：45.步骤601、计算机根据公式计算k时刻直流电网第p个参数的参数信息zkp，其中xkp表示k时刻直流电网第p个参数的检测值；ykp表示k时刻直流电网第p个参数的预测值；计算机对k时刻直流电网第p个参数信息进行模糊量化得到输出量模糊数隶属度；46.步骤602、计算机根据输出量模糊数隶属度生成k时刻的证据mkp(a)；计算机根据公式：[0047][0048]算卡尔曼滤波器在k时刻的证据mk(a)，其辨识框架为[0049]步骤603、对多时刻证据进行加权平均：步骤603、对多时刻证据进行加权平均：其中mp(a)表示加权平均证据信息，ωi表示k－i+1时刻的证据m(k－i+1)p(a)对应的权重，αk表示折扣系数，uk表示直流电网在k时刻的直流电压，ue表示直流电网的电压额定值，λ表示直流电网的最大电压差百分比，i表示正整数，l表示共l个时刻；[0050]步骤604、采用证据组合规则进行证据融合：任意两组的证据组合规则为表示融合后的证据信息，mp1(a)和mp2(b)表示两组在辨识框架θ上待融合的证据，a、b表示幂集2θ的子集，c表示a和b的交集；[0051]步骤605、将融合后的证据转换为直流电网故障概率betp(a)。[0052]上述的一种多能柔性互补数字化供电管理方法，其特征在于：步骤601中参数信息的具体算法为，计算机根据公式计算k时刻直流电网第p个参数的参数信息zkp，其中xkp表示k时刻直流电网第p个参数的检测值；ykp表示k时刻直流电网第p个参数的预测值。[0053]本发明与现有技术相比具有以下优点：[0054]1、本发明的结构简单、设计合理，实现及使用操作方便。[0055]2、本发明中基于特征提取预测目标时刻风力发电机的功率，基于特征提取预测目标时刻光伏发电机的功率，根据预测值和预测值判定第一换流站或第二换流站在目标时刻是否会发生功率波动，此时其他没有发生功率波动的换流站共同参加功率调节，消纳第一换流站或第二换流站的不平衡功率，使得柔性直流供电网保持稳定运行，使得柔性直流供电网具有更大的调节容量和更快的调节速。[0056]3、本发明以当前参数预测目标时刻的功率，参与不平衡功率分配计算的目标时刻的功率为预测值，基于预测值调整控制策略，给各线路上的断路器和各换流器留出了充分的反应和动作时间，避免柔性直流供电网停运。[0057]4、本发明同时使用风速和转速融合作为风能发电功率的特征向量，实现同一时刻两者图像携带信息的互补，减少采样带来的误差，增加了数据采集的可靠性。[0058]5、本发明中，考虑到日照强度以及环境温度都会直接影响光伏发电机的输出特性，因此以日照强度和和环境温度作为光伏发电功率的特征向量进行综合考虑，相关性高，可靠性强。[0059]综上所述，本发明结构简单、设计合理，基于特征提取预测目标时刻的功率，若目标时刻发生功率波动，此时其他没有发生功率波动的换流站共同参加功率调节，消纳第一换流站或第二换流站的不平衡功率，使得柔性直流供电网保持稳定运行，基于预测值计算不平衡功率分配，给各线路上的断路器和各换流器留出了充分的反应和动作时间，避免柔性直流供电网停运。[0060]下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。附图说明[0061]图1为本发明的方法流程图。[0062]图2为本发明的电路原理框图。具体实施方式[0063]下面结合附图及本发明的实施例对本发明的方法作进一步详细的说明。[0064]需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。[0065]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。[0066]需要说明的是，本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施方式例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。[0067]为了便于描述，在这里可以使用空间相对术语，如“在……之上”、“在……上方”、“在……上表面”、“上面的”等，用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是，空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如，如果附图中的器件被倒置，则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其他器件或构造之下”。因而，示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位)，并且对这里所使用的空间相对描述作出相应解释。[0068]如图1所示，本发明包括以下步骤：[0069]步骤一、监测目标时刻新能源电能波动：[0070]步骤101、基于特征提取预测目标时刻风力发电机的功率pw-t；[0071]步骤1011：通过测风站采集风速；[0072]步骤1012：采集垂风力发电机的转速；[0073]步骤1013：以t时刻的风速和t时刻风力发电机的功率作为矩阵元素，以矩阵元素作为图像像素点得到风速二维图像；将风速二维图像输入卷积神经网络，通过卷积神经网络提取风速二维图像的图像特征，得到第一特征量；[0074]以t时刻的转速和t时刻风力发电机的功率作为矩阵元素，以矩阵元素作为图像像素点得到转速二维图像；将转速二维图像输入卷积神经网络，通过卷积神经网络提取转速二维图像的图像特征，得到第二特征量；[0075]对第一特征量和第二特征量进行融合得到第三特征量。[0076]需要说明的是，风力发电机的发电功率与转子转速有关，转速与风速大小相关，风速越大，风力发电机的桨叶转动越快，带动风力发电机的转速越快。因此风力发电机的发电功率与转速、风速均相关。但在风况突变时，比如出现阵风风况时，风速会突然增大，此时检测得到的风力发电机的转速存在滞后性，并不能有效的计算风力发电机的发电功率。因此本方法同时使用风速和转速融合作为特征向量，实现同一时刻两者图像携带信息的互补，增加了同一时刻数据采集的可靠性。[0077]第一特征量大小为(1，38，47，512)，第二特征量大小为(1，38，47，512)。将大小为(1，38，47，512)的第一特征量和大小为(1，38，47，512)的第二特征量进行向量拼接，形成大小为(1，38，47，1024)的第三特征量，完成向量的融合。[0078]步骤1014：对第三特征量进行降维处理，将降维处理后的第三特征量划分为训练集和测试集；降维处理指的是采用卷积神经网络对第三特征量进行卷积操作，卷积完成后得到的第三特征量的大小为(1，38，47，512)。[0079]步骤1015：以faster r-cnn网络作为风能预测模型，使用multi-similarity loss损失函数改进faster r-cnn网络中rcnn的交叉熵损失函数，输入训练集，进行样本学习。[0080]multi-similarity loss损失函数综合考虑了自相似性、正相对相似性和负相对相似性这三种相似性，在大多数图像检索数据库上都有很好的性能，能概括目前大多数基于样本对的损失函数，在训练过程中更加全面地考虑了局部样本分布，从而能更高效精确的对重要样本对进行采用。[0081]步骤1016：风能预测模型训练完成后，输入测试集，进行风能预测模型评估；[0082]步骤1017：实时获取当前时刻的风速和转速；根据步骤1013计算当前时刻的第三特征量，将当前时刻的第三特征量输入faster r-cnn网络风能预测模型；通过风能预测模型对目标时刻风力发电机的功率pw-t进行预测。[0083]实际使用时，风能预测模型也可以选用其他的卷积神经网络。[0084]步骤102、基于特征提取预测目标时刻光伏发电机的功率ps-t；[0085]步骤1021：以t时刻的日照强度和t时刻光伏发电机的功率作为矩阵元素，以矩阵元素作为图像像素点得到日照强度二维图像；将日照强度二维图像输入卷积神经网络，通过卷积神经网络提取日照强度二维图像的图像特征，得到第四特征量；[0086]以t时刻的环境温度和t时刻光伏发电机的功率作为矩阵元素，以矩阵元素作为图像像素点得到环境温度二维图像；将环境温度二维图像输入卷积神经网络，通过卷积神经网络提取环境温度二维图像的图像特征，得到第五特征量；[0087]对第四特征量和第五特征量进行融合得到第六特征量。[0088]本实施例中，考虑到日照强度以及环境温度都会直接影响光伏发电机的输出特性，因此以日照强度和和环境温度作为光伏发电功率的特征向量进行综合考虑，相关性高，可靠性强。[0089]第四特征量的大小为(1，38，47，512)，第五特征量的大小为(1，38，47，512)，对第四特整量和第五特征量进行拼接得到第六特征量，第六特征量的大小为(1，38，47，1024)。[0090]步骤1022：对第六特征量特征进行降维处理，将降维处理后的第六特征量划分为训练集和测试集；降维处理指的是采用卷积神经网络对第六特征量进行卷积操作，卷积完成后得到的第六特征量的大小为(1，38，47，512)[0091]步骤1023：选取卷积神经网络作为光伏预测模型，输入训练集，进行样本学习；以faster r-cnn网络作为光伏预测模型，使用multi-similarity loss损失函数改进faster r-cnn网络中rcnn的交叉熵损失函数，输入训练集，进行样本学习；实际使用时，光伏预测模型也可以选用其他的卷积神经网络。[0092]步骤1024：光伏预测模型训练完成后，输入测试集，进行光伏预测模型评估；[0093]步骤1025：实时获取当前时刻的日照强度和环境温度；根据步骤1021计算当前时刻的第六特征量，将当前时刻的第六特征量输入faster r-cnn网络光伏预测模型；通过光伏预测模型预测目标时刻光伏发电机的功率ps-t。[0094]步骤二、判断目标时刻新能源电能波动：[0095]步骤201、若pw-t≥pw-max或ps-t≥ps-max，其中pw-max表示与风力发电机相连接的第一换流站的最大承载功率，ps-max表示与光伏发电机相连接的第二换流站的最大承载功率，进入步骤301，否则进入步骤202。实际使用时，当风力发电机的功率大于与风力发电机相连接的第一换流站的最大承载功率，或光伏发电机的功率大于与光伏发电机相连接的第二换流站的最大承载功率，即判定第一换流站或第二换流站发生功率波动。[0096]步骤202、若pw-t≥pw-max且ps-t≥ps-max，进入步骤302，否则进入步骤203；当风力发电机的功率大于与风力发电机相连接的第一换流站的最大承载功率，且光伏发电机的功率大于与光伏发电机相连接的第二换流站的最大承载功率，即判定第一换流站和第二换流站均发生功率波动。[0097]步骤203、若pw-t《pw-min，进入步骤303；若ps-t《ps-min，进入步骤304，其中pw-min表示与风力发电机相连接的第一换流站的最小承载功率，ps-min表示与光伏发电机相连接的第二换流站的最小承载功率；[0098]步骤三、目标时刻新能源电能波动调整控制策略：[0099]步骤301、计算换流站的调节功率：计算机根据公式计算第i个换流站在目标时刻的调节功率，然后进入步骤四；其中φi表示第i个换流站的功率调节因子，q表示换流站个数；pi(t)表示第i个换流站在当前时刻的功率，pt表示pw-t或ps-t，pe表示pw-max或ps-max，pie表示第i个换流站的最大承载功率。[0100]当判定第一换流站或第二换流站发生功率波动，此时其他没有发生功率波动的换流站共同参加功率调节，消纳第一换流站或第二换流站的不平衡功率，使得柔性直流供电网保持稳定运行，这种控制策略使得柔性直流供电网能够承受较大的功率波动。[0101]步骤302、计算机根据公式：[0102]计算第i个换流站在目标时刻的调节功率，其中然后进入步骤四；当判定第一换流站且第二换流站发生功率波动，此时其他没有发生功率波动的第三换流站共同参加功率调节，第三换流站指的是和直流母线电源连接的换流站。多个第三换流站消纳第一换流站或第二换流站的不平衡功率，使得柔性直流供电网保持稳定运行，这种控制策略使得柔性直流供电网能够承受较大的功率波动。[0103]步骤四、按照计算好的调节功率，执行控制策略；本方法中，参与不平衡功率分配计算的值为基于特征提取的目标时刻预测值，基于预测值调整控制策略，给各线路上的断路器和各换流器留出了充分的反应和动作时间。[0104]步骤五、监测柔性直流电网参数：多能互补柔性直流电网包括至少一个交流侧与风力发电机连接的第一换流站、至少一个交流侧与光伏发电机连接的第二换流站、多个分别与直流母线电源连接的第三换流站；多个检测传感器采集多能互补柔性直流电网的多个参数xkp，xkp表示k时刻多能柔性直流电网第p个参数的检测值；[0105]步骤六、基于ds证据理论判断直流电网故障：[0106]步骤601、计算机根据公式计算k时刻直流电网第p个参数的参数信息zkp，其中xkp表示k时刻直流电网第p个参数的检测值；ykp表示k时刻直流电网第p个参数的预测值；计算机对k时刻直流电网第p个参数信息进行模糊量化得到输出量模糊数隶属度；[0107]实际使用时，若k时刻直流电网第p个参数的检测值xkp与k时刻直流电网第p个参数的预测值ykp存在较大误差，参数信息zkp的值就会很大，参数信息zkp的值反映了k时刻直流电网第p个参数是否正常，使用效果好。[0108]步骤602、计算机根据输出量模糊数隶属度生成k时刻的证据mkp(a)；计算机根据公式：[0109]计算卡尔曼滤波器在k时刻的证据mk(a)，其辨识框架为[0110]步骤603、对多时刻证据进行加权平均：步骤603、对多时刻证据进行加权平均：其中mp(a)表示加权平均证据信息，ωi表示k－i+1时刻的证据m(k－i+1)p(a)对应的权重，αk表示折扣系数，uk表示直流电网在k时刻的直流电压，ue表示直流电网的电压额定值，λ表示直流电网的最大电压差百分比，i表示正整数，l表示共l个时刻。[0111]实际使用时，折扣系数αk考虑到直流电网的直流电压，λ＝10％，若直流电网的直流电压在最大电压差百分比之间跳动，则折扣系数αk的计算值靠近于1，否则折扣系数αk的值偏大，使本方法能够尽可能多地利用有效证据。αk跟随直流电网的直流电压uk的变化而变化，增加了证据的跟随能力，使用效果好，使最后的融合结果更贴近实际和准确。[0112]步骤604、采用证据组合规则进行证据融合：任意两组的证据组合规则为表示融合后的证据信息，mp1(a)和mp2(b)表示两组在辨识框架θ上待融合的证据，a、b表示幂集2θ的子集，c表示a和b的交集；[0113]步骤605、将融合后的证据转换为直流电网故障概率betp(a)。基于ds证据理论计算得到直流电网故障概率betp(a)，依据得到的直流电网故障概率betp(a)对柔性直流电网做出诊断故障，若存在故障进入步骤七；[0114]实际使用时，以采集到的k时刻直流电网第p个参数作为证据，对多时刻的证据进行证据融合，将融合后的证据转换为直流电网故障概率，实现对柔性直流电网故障的良好预测。[0115]步骤七、柔性直流电网退出，柔性直流电网切换至柴油发电机组供电。[0116]以上所述，仅是本发明的实施例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!