BP神经网络用电量预测实战：从数据预处理到模型评估的完整指南

简介这是一份基于BP神经网络的用电量预测Matlab源码包面向电力数据分析人员与机器学习初学者解决历史用电数据建模与短期负荷预测问题。压缩包共两个文件包含一个m脚本和一个mat数据文件m代码覆盖数据预处理、特征选择、网络构建、训练验证与预测调用等完整流程mat文件用于存放训练后的网络参数与样本数据整体仅十一KB轻量易用。资源已有一百八十二人学习浏览适合用于理解BP网络在回归预测中的实际应用。使用者可参考源码中的特征处理与参数调整思路快速移植到其他电力负荷或能耗预测场景并结合LSTM等模型进行对比优化。同时源码完整演示了BP网络从数据归一化到误差反向传播的实现细节是理解经典回归预测模型的良好范例。1. BP神经网络预测用电量代码好跑通数据才是真正的门槛电力系统的用电量预测是个典型的时序回归问题输入过去几十个小时的负荷、温度、星期类型输出未来某个时刻的用电量。BP神经网络在这个任务上被用了十几年原因很简单——它在几千条数据规模上就能拟合用电量的非线性波动训练时间以秒计源码资源非常多课程设计、毕业设计乃至工业项目里都能找到直接可跑的版本。但我带过不少项目后发现同一份源码在不同人手里跑出来预测误差能差出两三倍。差别不在BP网络理论本身而在数据窗口怎么切、归一化区间怎么选、训练集测试集怎么划、数据泄漏有没有堵住。这篇笔记把从数据预处理到模型评估的完整链路拆一遍适合正在做课程设计、毕设或者刚接手负荷预测项目的工程师照着落地。2. BP神经网络做用电量预测的原理与选型为什么它还是工业首选2.1 BP神经网络的结构与非线性拟合能力BP神经网络Back Propagation Neural Network是一个多层前馈网络训练过程分两步来回交替前向传播把输入从输入层经过隐藏层逐层加权求和、激活变换得到输出反向传播把输出误差从输出层逐层回传用梯度下降更新每一层的权重和偏置。用电量预测用得上BP是因为用电负荷曲线天然满足BP的适用条件。负荷数据同时具备三种成分趋势性整体随季节缓慢变化周期性每天早晚高峰、周末和工作日差异明显随机性气温突变、工厂临时加班造成的小幅跳变。BP不需要预先假设数据服从某种分布而是靠隐藏层神经元的加权组合去逼近这个非线性函数——这正是它比线性回归、ARIMA更灵活的根本原因。网上到处能搜到bp神经网络结构图画法五花八门但核心都是“输入层-隐藏层-输出层”三层结构加上层间的全连接和激活函数。网络结构上用电量预测的输入层节点数等于特征维度输出层节点数是1隐藏层一到两层。一个被反复验证的组合是隐藏层用tanh激活函数输出层用线性激活函数。tanh把中间层的输出映射到(-1,1)并且在这个区间内有足够的梯度灵敏度输出层用线性函数则让预测值可以落在任意实数范围——用电量可能是几十千瓦也可能是几百兆瓦输出层不应做任何压缩。新手在这里容易犯第一个错误把所有层都堆上relu。relu在正区间表现不错但在负值区间梯度恒为零而归一化后的负荷数据必然有负值部分模型会在训练过程中出现神经元永久停止更新的现象。这个问题的本质是梯度在反向传播时经过一个负数输入的relu节点就直接归零后面的层再也收不到有效梯度信号。在BP这种浅层网络里它拖慢收敛在深层网络里它会直接让模型失去学习能力。2.2 BP、ARIMA、LSTM三方对比怎么选负荷预测的主流路线有三条统计路线、机器学习路线、深度学习路线。选型不该听营销话术而是看数据量和业务约束。下面这张表是我自己在项目里常用的判断依据方案适用数据规模训练成本非线性拟合外部特征支持可解释性典型场景ARIMA几百到几千条低弱弱需扩展回归项强平稳趋势、短期预测BP神经网络几千到几万条低CPU秒级到分钟级中强强特征直接入网中小时/天级负荷预测特征明确LSTM/GRU几万条以上高需GPU强强弱分钟级序列、长期依赖场景ARIMA是统计模型的代表适合数据量小、趋势平稳、周期性明确的场景。它的限制在于本质是线性模型对温度和节假日的非线性影响拟合能力弱为了让序列平稳需要反复做差分和定阶对季节性强烈的负荷数据这个过程本身就是个反复试的体力活。LSTM/GRU属于深度学习路线在数据量大、序列内在依赖强时优势明显。LSTM能自动学习序列的长期依赖不需要手工设计滑动窗口。但代价是训练时间长、超参数多、可解释性差。在只有几千条小时级数据时LSTM经常被BP反超——它没有足够数据来充分训练门控单元的几万个参数反而更容易过拟合到训练集的噪声上。BP在“数据量中等、外部特征明确”的场景里性价比最高。我的判断逻辑是如果预测周期是小时级或天级特征可以手工列出数据量在几千到几万条之间BP就是第一选择。先把BP作为基线模型跑通误差达标就直接用误差不达标再考虑LSTM。这个决策顺序能帮你省掉大量调参时间也能让项目在GPU资源不充足的情况下正常落地。2.3 输入特征设计用电量预测的上限由特征决定一个常被忽略的事实是BP模型的效果上限由输入特征决定而不是由网络结构决定。把同一份源码的隐藏层从16改成64个神经元误差可能只降零点几个百分点但把特征从“只有历史负荷”改成“历史负荷温度星期节假日”MAPE可能从8%降到3%。特征工程投入的产出比永远高于网络结构微调。常见的特征组合包含四类负荷窗口过去n个采样点的负荷值n通常等于一个完整周期。小时级数据取2415分钟级数据取96。窗口太大引入多余噪声太小则丢失周期信息。周期分量小时索引、星期索引、是否周末。踩过坑的人都知道周期特征不能直接丢原始数值给网络。“小时”特征数值8和9相差1但23和0数值相差23模型会误以为凌晨和深夜是两个差异巨大的类别。解法是拆成sin/cos对hour_sin sin(2πhour/24)hour_cos cos(2πhour/24)星期索引同理。外部变量温度、湿度、降雨量等气象数据有历史记录就放进去。温度对夏季制冷和冬季取暖负荷影响极大缺了这个特征模型在极端天气下会系统性失准。特殊日期标识节假日、调休工作日用单独的0/1列。春节、国庆这类长假期的负荷曲线和工作日差异巨大模型必须要能“看见”这些信息。2.4 特征拼接的代码实现从多列数据到模型输入把上述特征拼接到一起在代码层面就是pandas的DataFrame操作。下面这段是我常用的特征构造流程import numpy as np import pandas as pd df pd.read_csv(load_with_temp.csv) # 含列: time, load, temp, holiday df[time] pd.to_datetime(df[time]) df df.sort_values(time).reset_index(dropTrue) # 构造周期分量 hour df[time].dt.hour.values df[hour_sin] np.sin(2 * np.pi * hour / 24) df[hour_cos] np.cos(2 * np.pi * hour / 24) weekday df[time].dt.weekday.values df[week_sin] np.sin(2 * np.pi * weekday / 7) df[week_cos] np.cos(2 * np.pi * weekday / 7) # 构造负荷滑动窗口过去24小时 look_back 24 for i in range(1, look_back 1): df[flag_{i}] df[load].shift(i) # 删除有NaN的行前24行因shift产生空值 df df.dropna().reset_index(dropTrue) feature_cols [flag_{i} for i in range(look_back, 0, -1)] \ [hour_sin, hour_cos, week_sin, week_cos, temp, holiday] X df[feature_cols].values y df[load].valueslag_1到lag_24的排列顺序会影响网络对时间先后关系的感知。我写成lag_24到lag_1逆序排列这样输入矩阵中越靠前的列代表越久远的历史更符合“离当前时刻越近影响越大”的直觉排序。同时temp列在归一化时需要与负荷列用同一个scaler吗不需要——温度有自己的量纲和范围常见做法是对所有数值列统一做一次标准化让各特征的尺度不会因为量纲差异而失衡。3. 搭建BP用电量预测模型源码结构、核心参数与训练3.1 数据预处理归一化、滑动窗口与时间顺序划分先看数据长什么样。一张标准的负荷数据CSV通常两列时间戳和负荷值。接下来的所有处理都围绕这两列展开。先做基础检查和归一化import numpy as np import pandas as pd from sklearn.preprocessing import MinMaxScaler df pd.read_csv(electricity_load.csv) print(df.head()) print(f总记录数: {len(df)}时间范围: {df[time].min()} ~ {df[time].max()}) print(f缺失值数量: {pd.isnull(df[load]).sum()}) load df[load].values.reshape(-1, 1) scaler MinMaxScaler(feature_range(-1, 1)) load_norm scaler.fit_transform(load)归一化是第一步也是翻车率最高的一步。范围选择[-1,1]而不是[0,1]因为隐藏层要用tanh激活函数——tanh的输出范围是[-1,1]输入数据也落在同一区间梯度在两端饱和之前能保持足够的敏感度。如果用[0,1]归一化配合tanh数据范围只覆盖tanh的正半段模型的表达能力直接砍半。这个匹配关系是很多源码里不明显但极其关键的细节。缺失值处理要看数据量。如果缺失占比不大用前后均值插值即可如果某一整段时间缺失宁可删掉那段数据也不要让插值错误引导模型。我在一个项目里遇到过连续三天负荷全为0的记录检查后发现是采集设备停机。把0值当真实负荷喂给模型等于告诉网络“用电量可以是0”预测结果自然出问题。滑动窗口是把一维序列变成监督学习样本的关键步骤。窗口大小24意味着用t-24到t-1的负荷去预测t时刻的负荷。下面是窗口构造函数def create_dataset(series, look_back24): X, y [], [] for i in range(len(series) - look_back - 1): X.append(series[i:ilook_back, 0]) # 取 i 到 ilook_back-1共24个点 y.append(series[ilook_back, 0]) # 取 ilook_back 作为下一个时刻的值 return np.array(X), np.array(y) X, y create_dataset(load_norm, look_back24) print(f样本总量: {len(X)}, 输入形状: {X.shape}, 标签形状: {y.shape})create_dataset的循环逻辑是关键i从0遍历到len(series)-look_back-1取i到ilook_back-1共look_back个点作为输入取ilook_back作为标签。这样每条样本正好覆盖一个完整的24小时窗口标签是窗口之后的下一小时。开头look_back个数据点因为没有足够历史无法构造样本自然被丢弃。这个操作不需要额外写清除代码因为循环边界条件已经处理了。划分训练集和测试集时必须保持时间顺序split int(len(X) * 0.7) X_train, X_test X[:split], X[split:] y_train, y_test y[:split], y[split:] print(f训练集样本数: {len(X_train)}, 测试集样本数: {len(X_test)})这里绝不使用sklearn的train_test_split并带上shuffleTrue——那会把时间顺序打乱让未来数据混进训练集。负荷预测里最隐蔽的数据泄漏就出在这种不起眼的划分环节。模型在训练时“见过”未来评估指标好看是假象一到生产环境就露出原形。这个坑太多人踩过后面避坑章节会专门展开。3.2 网络结构设计隐藏层数与神经元数的选择依据网络结构用一句话概括输入层等于特征维度输出层为1隐藏层一层起步。隐藏层神经元数没有严格的数学公式但有两条工程经验经验规则一隐藏层神经元数约为输入维度的1.5到2倍。对24维输入16到32是合理的起步区间。经验规则二从小开始逐步增加。先设8个看验证集误差加到16再加到32。如果16到32误差几乎不变停在16即可多出来的计算量纯粹是浪费。from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense from tensorflow.keras.optimizers import Adam def build_model(input_dim, hidden_neurons): model Sequential([ Dense(hidden_neurons, activationtanh, input_shape(input_dim,)), Dense(1, activationlinear) ]) model.compile(optimizerAdam(learning_rate0.001), lossmse, metrics[mae]) return model model build_model(input_dim24, hidden_neurons16) model.summary()Dense层的第一个参数是神经元数量activation指定激活函数。输入层的维度在第一个Dense层通过input_shape指定为24也就是之前的滑动窗口大小。第二个Dense层的1代表输出为单一的预测负荷值。输出层activationlinear的选择理由要再强调一遍用电量预测是一个回归任务预测值需要落在连续实数范围内。如果你把输出层也设成tanh或sigmoid预测值就被强行压缩到固定区间——模型即使学得很好输出也无法表达超出该区间的真实负荷。这是源码里最常见的“看起来合理但实际致命”的参数错误。还需要注意的是优化器。代码里用Adam学习率0.001这是适合大多数负荷数据集的默认起点。如果你用的还是最原始的SGD随机梯度下降收敛速度会慢很多而且对学习率的设置非常敏感。Adam的自适应学习率机制让它在小规模回归问题上表现稳定不需要你手动做太多学习率衰减的工程。关于是否需要两层隐藏层我的经验是对小时级负荷预测一层通常够了。深层非线性在这个任务上不会带来明显收益却会成倍增加训练成本和过拟合风险。如果单层16个神经元的验证集MAPE已经低于5%不用再考虑加深结构。只有当误差明显偏高且排除了特征和数据问题后再尝试两层结构。3.3 训练循环学习率、损失函数与早停设定网络搭建完成进入训练。训练时最需要调的是学习率和batch_size。Adam优化器默认学习率0.001对大多数负荷数据有效但如果你发现loss曲线震荡优先把learning_rate降到0.0001。epochs 200 batch_size 32 history model.fit(X_train, y_train, validation_data(X_test, y_test), epochsepochs, batch_sizebatch_size, verbose1)epochs200是相对宽裕的设置。如果数据量只有几千条200个epoch内模型通常能收敛。但只看训练集loss下降没有意义要看验证集loss的变化趋势。如果验证集loss在第40个epoch后开始回升说明模型正在过拟合到训练集噪声上。过拟合的控制手段不是简单减少epochs而是引入EarlyStopping在验证集loss停止改善时自动终止训练from tensorflow.keras.callbacks import EarlyStopping early_stop EarlyStopping(monitorval_loss, patience20, restore_best_weightsTrue) history model.fit(X_train, y_train, validation_data(X_test, y_test), epochs200, batch_size32, callbacks[early_stop], verbose1)EarlyStopping三个参数的含义monitor指定监控指标是val_losspatience20说明连续20个epoch验证集loss没有改善就停止restore_best_weights确保训练结束后的模型权重是历史最优状态而不是最后一步的瞬时状态。这在训练因为震荡而过拟合时相当于一颗后悔药——不需要手动记住第几个epoch最好回调会自动恢复最佳权重。训练完成后保存模型保存格式建议用keras原生格式model.save(bp_load_model.h5)同时把scaler保存下来。很多人在部署阶段翻车是因为只存了模型没存归一化器。预测新数据时需要先用同一个scaler对新输入做归一化再用模型预测最后用scaler的反变换还原为真实负荷值。scalet的保存方式可以用Python的pickle或joblib这里不再展开。总之记住一句话模型和归一化器是绑定的一对缺一个预测链路就断了。4. 预测效果评估MAE、RMSE、MAPE怎么算曲线怎么解读4.1 反归一化之后才算指标三个指标各看什么模型训练完接下来是在测试集上做预测并计算误差指标。这里有个高频错误直接在归一化空间算误差。误差0.05在归一化空间看起来很小但还原到真实负荷量纲后可能是50kW的偏差——评价标准完全不同不做反归一化就说误差多少完全是误导。# 预测并还原到真实量纲 y_pred model.predict(X_test) y_test_inv scaler.inverse_transform(y_test.reshape(-1, 1)).flatten() y_pred_inv scaler.inverse_transform(y_pred.reshape(-1, 1)).flatten() # 三个核心指标全部在真实量纲上计算 mae np.mean(np.abs(y_test_inv - y_pred_inv)) rmse np.sqrt(np.mean((y_test_inv - y_pred_inv) ** 2)) mape np.mean(np.abs((y_test_inv - y_pred_inv) / y_test_inv)) * 100 print(fMAE: {mae:.2f} kW, RMSE: {rmse:.2f} kW, MAPE: {mape:.2f}%)三个指标各有侧重不能只挑一个看指标对误差的处理方式特别适合的场景MAE平均绝对误差所有误差等权日常平均偏差评估RMSE先平方再开方大误差权重更高高峰负荷预测、安全性敏感场景MAPE相对百分比误差跨项目可比行业基准对比、成果汇报MAE反映平均绝对误差最直观RMSE对大误差惩罚更强烈当模型存在个别大幅偏差时RMSE会明显大于MAE两者差值越大说明误差分布越不均衡MAPE以百分比表示相对误差便于在不同量级的数据集之间做横向对比。要注意的是小负荷值会拉爆MAPE。当真实负荷接近零比如深夜、工厂停工MAPE的分母趋于零即使绝对误差很小MAPE也会变成一个巨大的百分比。遇到这种情况建议把MAPE计算限制在负荷值高于某个阈值比如50kW的样本上同时结合MAE综合判断。只报MAPE而忽略这个分母陷阱汇报时会被业务方追问得很狼狈。4.2 预测曲线与误差分布识别偏差的形态指标数值只能告诉你错多少可视化才能告诉你是怎么错的。我的评估代码里永远包含两张图预测与真实曲线对比、误差分布直方图。import matplotlib.pyplot as plt plt.figure(figsize(12, 4)) plt.plot(y_test_inv[:200], labelactual) plt.plot(y_pred_inv[:200], labelpredicted) plt.xlabel(hour) plt.ylabel(load (kW)) plt.legend() plt.title(Prediction vs Actual (first 200 test points)) plt.figure(figsize(12, 4)) errors y_test_inv - y_pred_inv plt.hist(errors, bins50, edgecolorwhite) plt.xlabel(prediction error (kW)) plt.ylabel(count) plt.show()取前200个测试点画曲线是因为整条测试集曲线太长看不出局部形态。200个点大约覆盖8天的小时级数据能同时看到工作日和周末的形态差异。如果曲线在前半段拟合得很好后半段突然发散优先怀疑测试集后面那段是否遇到了训练集里没有的特征分布——气温骤变、节假日都可能是诱因。误差分布直方图的解读方法如果直方图接近以零为中心的正态分布说明误差是随机的模型已经学到了数据的规律没有系统性偏差。如果直方图整体右偏说明预测值比真实值系统性偏低左偏则相反。偏态的出现通常指向特征缺失——比如模型不知道今天是节假日后一天它的预测就会系统性偏高。4.3 不同场景下的指标基准参考行业里常用MAPE评估负荷预测。经验参考小时级负荷预测的MAPE在5%以下是可用水平2%到3%是较好水平超过8%就要审视数据和特征合理性。但基准与数据本身强相关工业负荷比居民负荷好预测因为工业负荷规律性强包含温度数据比不包含温度数据的模型好一个档位因为制冷和取暖负荷对温度极敏感。如果你的测试集MAPE在5%到8%之间优先检查两件事一是输入特征是否包含了节假日、调休日等异常日期信息二是滑动窗口大小是否匹配数据的周期——对小时级数据窗口24比12通常更合理因为它覆盖了完整的日周期。窗口太小模型看不到一个完整周期的形态窗口太大又把上一周的异常波动带入当前预测。5. 用电量预测避坑指南5个高频问题与排查思路5.1 数据泄漏训练集混入未来数据验证指标虚高现象训练和验证时loss都低得离谱测试集MAPE只有2%但模型部署后一到真实场景就偏差巨大预测值滞后实际值一拍。原因源头几乎都是划分方式错了。有人用train_test_split(X, y, random_state42)这个函数默认shuffleTrue会对样本整体随机打乱训练集里自然混入了时间上靠后的数据。模型在训练时已经见过测试时间段的总体形态验证结果当然乐观。这不算模型的真实泛化能力只是数据泄漏制造的假象。解决必须按时间顺序划分。先按时间排序再切片训练集取前70%测试集取后30%。更严格的做法是保证测试集的日期范围完全在训练集之后甚至在构造特征时就确保每条样本不包含未来信息——注意检查滑动窗口取的是t-24到t-1不是t-24到t。注意数据泄漏不会报错不会打印警告它只会让你的模型在考试时偷偷看到了答案上线后原形毕露。5.2 归一化与激活函数不匹配预测范围被压扁现象预测曲线的大形态拟合到了但高峰和低谷被削平整体变化幅度比真实值小像经过了低通滤波。原因归一化范围与激活函数输出范围不匹配。比如数据归一化到[0,1]但隐藏层用了tanh——tanh的输出范围是[-1,1][0,1]的输入只覆盖正半段等于浪费了一半表达能力。或者归一化到[-1,1]输出层用了sigmoidsigmoid输出只能落在(0,1)模型无法表达负归一化值对应的真实负荷。解决隐藏层用tanh输入数据归一化到[-1,1]输出层用linear不用任何压缩型激活函数。这一组搭配可以处理绝大多数负荷预测场景。改完参数后重新训练观察误差直方图是否从单侧偏态变为零中心对称分布。5.3 网络过深导致收敛慢、泛化差现象把隐藏层加到三层验证集误差不降反升训练时间成倍增加甚至loss出现NaN。原因BP的误差反向传播在多层结构里梯度逐层相乘靠近输入层的权重更新信号大幅衰减。负荷预测这个任务的复杂度不需要三层隐藏层来拟合。loss出现NaN通常是学习率过大加上梯度在深层网络中累计放大导致参数溢出。解决回到单隐藏层16个神经元起步。如果需要加层只在单层明显欠拟合时尝试两层。怀疑梯度异常时把learning_rate从0.001降到0.0001观察loss是否恢复稳定。不要为了显得专业去堆深度工程里稳定和可解释比复杂度重要得多。5.4 学习率过大导致训练震荡现象loss曲线在前几十个epoch快速下降然后开始锯齿状来回跳动最终验证集指标不如平滑收敛的结果。原因Adam优化器的默认学习率0.001在大部分情况下工作良好但某些数据分布下偏大。学习率大了参数更新步长跨过最优区域在低损失区域两边来回摆荡。尤其当输入特征之间存在较大尺度差异时这个问题更明显——比如温度特征的数值范围远大于归一化后的负荷特征。解决把learning_rate改成0.0002到0.0005之间重新训练。同时可以配合EarlyStopping的patience从20增加到30给平滑下降更宽容的时间窗口。也可以把batch_size从32提到64让每个batch的梯度估计更加稳定。多试两次通常能找到稳定组合。调整学习率后观察loss曲线是否变成平滑下降这是最直观的判断。5.5 时间划分忽略周期边界测试集太特殊现象训练集MAPE很好测试集MAPE很差而且不同批次的数据上反复出现类似问题。原因简单按7比3切分后如果总数据从3月到8月测试集恰好落在7月到8月——夏季负荷高峰。训练集学到的是春季到初夏的规律夏季高温引起的负荷激增是训练集从未见过的预测自然偏差大。这不是模型的问题而是数据划分的运气问题。解决如果数据覆盖一年以上用滚动验证每个月切一次验证集依次评估各月的预测表现。或者至少保证训练集和测试集的月份分布一致。判断方法很简单——打印测试集的时间范围看它覆盖了什么季节再确认训练集是否包含类似季节的数据。不看时间范围就评估误差是对模型的不公平。6. 让预测模型真正上线的三个进阶改动模型跑通、指标达标之后还有三件事需要做滚动预测、误差监控、定期重训。滚动预测解决的是预测步长问题。用模型预测未来一小时很容易但实际业务往往需要未来几个小时甚至一天的负荷曲线。做法是把预测结果当作已知值拼到输入窗口末尾再预测下一点不断迭代。代价是误差随步长累积一般预测未来3小时问题不大预测24小时就要有误差放大的心理准备——每往前推一步基于的是上一步的预测值而不是真实值误差一层层叠加上去。误差监控是生产部署后才显现价值的环节。建议把每次预测的真是值收集起来按日期计算滚动MAPE。阈值可以设为验证集MAPE的1.5倍——如果验证集是4%生产环境超过6%就触发告警。负荷数据是非平稳的工厂扩产、新能源占比提高、区域经济波动都会改变用电规律再好的模型也会随时间老化。不监控误差你根本不知道模型什么时候开始失效。定期重训是最朴素的维护方式。BP的优势在这里体现得最明显训练快、不需要GPU、模型文件小。每周用最近三个月的真实负荷数据重训一次普通服务器上就能完成。重训时保留上次的模型作为起点设置较低的学习率做增量训练可以让新旧模型之间平滑过渡不至于因为单周异常数据导致预测跳变。我自己的习惯是把所有关键配置写进一个config文件look_back大小、归一化范围、隐藏层神经元数、学习率、训练集时间范围。每次调整都更新并保留版本半年后回来看模型时这份配置能帮你快速恢复所有决策上下文。这个习惯帮我省掉了大量重复排查问题的时间也推荐你试试。希望帮到你。本文还有配套的精品资源点击获取