考虑V2G的风光荷储微电网多目标优化调度及改进灰狼算法实现

做微电网优化调度这块最让人头疼的不是调度策略本身有多复杂而是怎么把“省钱”“减排”“稳电网”这几个互相打架的目标放在同一个框架里协调。前段时间我在Matlab里完整搭建并跑通了一套考虑V2G技术的风、光、荷、储微电网多目标日前优化调度模型核心用的是改进后的多目标灰狼优化算法MOGWO。这篇文章想把整个思路从问题拆解、数学建模、算法改进到落地代码、调参避坑从头到尾讲一遍适合正在做微电网调度或V2G课题的研究生也适合刚入门优化算法仿真、想找个完整参考案例的工程师。这个模型解决的问题其实很具体在已知未来24小时风电、光伏出力预测和负荷预测的前提下提前制定微燃机出力、储能充放电、电动汽车充放电以及与电网的购售电计划让系统运行成本最低、碳排放最少同时让联络线功率波动尽量小。加入V2G之后电动汽车不再只是“充电的负荷”在电价高峰或者系统需要削峰的时候它还能反向放电这就给调度带来了新的自由度。下面按我实际推进项目的顺序把这件事完整拆解一遍。1. 微电网日前调度到底在调什么为什么难1.1 微电网的“微”和“网”分别指什么微电网可以理解成一个能自我管理的小型电力系统里面同时有分布式电源风电、光伏、微燃机、储能设备、本地负荷还可以挂接数量可观的电动汽车。它既能并网运行也能在极端情况下孤岛运行。这里说的“网”不是单纯的电力线路物理连接更关键的是它的调度逻辑源、网、荷、储、车要在同一个优化框架下协调运行。我负责的这套模型里风电和光伏是典型的间歇性电源出力受天气影响调度计划必须跟着预测走微燃机是可控电源能补缺口但烧气有成本和碳排放储能是“缓冲池”既能充电也能放电电动汽车则是一群比较特殊的“移动储能”通过V2G技术可以和电网双向互动。这些元素耦合在一起就是标题里说的“风、光、荷、储”微电网。1.2 日前调度的核心任务和时间尺度日前调度简单说就是在前一天的中午或下午根据次日24小时的预测数据把每个时段通常按1小时划分的各设备出力提前规划好。这属于“计划层面”的工作比实时控制要提前很多但恰恰因为提前所以对预测精度和模型稳定性要求很高。调度计划里要定下来几个东西微燃机每个时段发多少电、储能是充电还是放电、电动汽车群是充电还是放电、系统是从电网买电还是卖电。所有决策都必须满足即时功率平衡也就是任何时候发电加购电要等于负荷加充电消耗。如果提前计划做得不好到实时运行时再调整成本会明显上升甚至可能出现功率缺额或弃风弃光。1.3 V2G技术让问题变复杂也让优化空间变大V2GVehicle-to-Grid说白了就是让电动汽车具备双向充放电能力不仅可以从电网充电还能在特定时间把电池里的电反送给电网。这个功能放到微电网调度里意义非常大。负荷高峰期电网购电价格高如果电动汽车能在这个时段放电就能减少购电成本负荷低谷期电价便宜又可以让车集中充电相当于“低买高卖”。但V2G也不是免费午餐。电池循环充放电是有寿命损耗的频繁深度放电会加速电池老化。所以调度模型里必须把电动汽车电池损耗折算成成本否则算法会倾向于让车“无脑放电”得到的结果看着经济实际算上电池更换费用就不划算了。这也是V2G调度比单纯储能调度更难的根源多了电池寿命这个隐形成本。1.4 为什么必须用多目标优化而不是把指标加权成一个数微电网调度天然存在多个目标经济性想省钱环保性想少排碳电网侧想平稳。这三个目标很难同时达到最优。想省钱可能就多用便宜的燃煤电碳排放上去了想减排可能就多买绿电、多让储能充放运行成本又抬高了。把多个目标强行加权成单目标最大的问题是权重怎么定没有标准答案而且不同权重组合下结果差别非常大。多目标优化的思路不一样它直接找一组“帕累托最优”解。所谓帕累托最优就是在这组解里你再怎么改进一个目标都必然要以牺牲另一个目标为代价。最后调度人员可以根据实际情况在帕累托前沿上挑一个倾向性方案。比如今天电价高就选偏经济的点明天有环保考核就选偏低碳的点。这就是我选用多目标优化的直接原因。2. 数学建模风光荷储车怎么抽象成可计算的公式2.1 风电、光伏和负荷的预测数据怎么用建模的第一步是把风电、光伏和负荷的预测曲线转换成模型输入。这里有个常见的误区有的人直接把预测值当成实际出力上限这没问题但要注意风电和光伏在有预测出力时是“不可控电源”调度模型只能决定“用不用、弃不弃”不能决定让它多发。在我的模型里风电和光伏的建模方式比较朴实给定未来24小时的预测出力序列P_w(t)和P_pv(t)作为时段t的最大可用出力实际调度时允许弃风弃光即实际出力小于等于预测值。负荷侧由于没有主动负荷管理也直接作为刚性需求序列。预测误差本身不在这个模型里展开如果后面要做鲁棒优化再叠加不确定性集合。2.2 储能系统模型SOC递推是必须写对的核心储能模型是整个微电网建模里最需要细心的地方尤其是SOC荷电状态的递推关系。SOC(t)表示t时段结束时电池剩余电量比例计算公式是SOC(t) SOC(t-1) (P_ch(t)·η_ch - P_dis(t)/η_dis)·Δt / E_cap其中P_ch和P_dis分别是充电和放电功率η_ch、η_dis是充放电效率E_cap是储能额定容量Δt取1小时。这里最关键的是放电时要除以效率意味着实际从电池放出的电能要比充进去的电能少一块损耗。很多人写代码时把效率乘除搞反结果SOC曲线越算越离谱。储能约束包括SOC上下限约束一般取10%~90%不能过充过放、充放电功率上下限约束、以及充放电状态互斥约束。在代码实现里我通常用“正数为充电、负数为放电”的统一变量来编码这样就不存在同时充电又放电的尴尬情况也少一个约束维度。2.3 V2G电动汽车集群模型聚合成“大电池”如果逐一建模每辆电动汽车计算量会爆炸。实际项目里我都把电动汽车聚合成一个集群模型用“等效大电池”的方式处理。假设可参与V2G的车辆总数是N单台电池容量是E_bat那么集群总容量E_total N·E_bat·可调度系数其中可调度系数表示同时在线并愿意参与V2G的比例。集群的充放电功率上下限按车辆数量乘以单台充放电功率上限得到。另外还需要一个关键约束一天内集群的最终SOC不能低于初始SOC太多因为车辆有行驶里程需求。我会把全天的行驶耗电量折算成一个固定的“基础放电量”比如按每辆车日均行驶50公里、百公里耗电15千瓦时计算单日总耗电约7.5千瓦时这部分电量必须通过充电补回来。这个约束能防止优化算法把电动汽车电池放干导致用户第二天没法开车。2.4 三个目标函数成本、碳排放、联络线波动目标函数一系统运行总成本最小。包括几个部分向电网购电的费用售电给电网的收益这里购售电价不是同一个价用分时电价区分微燃机燃料成本一般用二次函数拟合储能充放电带来的电池损耗折算成本以及V2G放电造成的电动汽车电池损耗成本。燃料成本函数C a b·P c·P²a、b、c是燃机特性系数P是出力功率。目标函数二碳排放最小。主要来源是微燃机发电按天然气排放因子折算和向电网购电按火电平均排放因子折算。如果购电来源包含绿电这个排放因子可以人为调低反映绿电占比提升的效果。目标函数三联络线功率波动最小。这个目标我直接取P_grid(t)序列的方差其中P_grid(t)负荷储能充电功率-EV放电功率-风机出力-光伏出力。联络线功率看的是微电网与外部电网交换的功率方差越小说明微电网自身“削峰填谷”能力越强对外部电网的冲击越小。2.5 约束条件功率平衡和各类设备上下限约束条件看着多整理清楚就几条。第一是功率平衡约束每个时段发电加购电必须等于负荷加充电消耗这是等式约束。第二是联络线功率传输上下限不能超过变压器容量。第三是微燃机出力上下限和爬坡约束。第四是储能SOC范围约束以及充放电功率上限。第五是EV集群功率和电量约束以及行驶电量需求约束。这几类约束在Matlab里实现时我统一用“约束违反量”来判断解是否可行。等式约束的违反量取功率偏差的绝对值不等式约束的违反量取越限量。所有违反量加总后乘上一个大系数加到目标函数里就构成罚函数。这套处理方式在多目标优化里非常常见后面代码部分还会细说。2.6 决策变量有多少维怎么编码我这里的调度周期是24个时段决策变量包括微燃机出力P_MT(t)24维储能充放电功率P_ES(t)24维EV集群充放电功率P_EV(t)24维联络线功率P_grid(t)24维。理论上合计96维。但实际上用功率平衡公式可以消掉P_grid只要前三个变量定了P_grid就由等式算出来了。所以最终编码维度是72维这能明显降低算法搜索难度。这里要特别提醒一点编码方式直接影响算法收敛速度。如果直接把72维向量交给灰狼算法每一维都需要边界约束建议把每个决策变量归一化到区间[0,1]内算法每次更新后映射回实际值域收敛效率会好很多。我在第一次做的时候没归一化直接拿真实功率值去跑结果种群分布散得厉害后期才反应过来。3. 改进多目标灰狼优化算法为什么改怎么改3.1 灰狼优化算法的基本盘灰狼优化算法GWO是模拟灰狼捕猎行为的群体智能算法。狼群里有四个角色α、β、δ是狼群里的“领导层”分别对应最优解、次优解、第三优解剩下的ω狼跟着领导层更新位置。每次迭代ω狼根据α、β、δ的位置做加权移动同时用两个随机系数A和C模拟“包围”“追踪”和“攻击”猎物。GWO的优点很突出结构简单、参数少、收敛速度快特别适合做连续优化。但直接拿标准GWO做多目标问题是不行的因为多目标问题里没有“唯一最优解”只有一组互相不可比较的非支配解。这就要求在算法结构上做改造。3.2 多目标改造外部档案和拥挤距离多目标灰狼优化算法的核心改动有两个一是引入外部档案External Archive存储当前找到的所有非支配解当档案容量超限时按拥挤距离删除冗余解保证解的分布均匀性二是在选择领导狼时不再直接选α、β、δ而是从档案中按稀疏程度选——相当于优先选择那些周围解密度最低的区域引导搜索往空旷区域跑让帕累托前沿铺得更开。拥挤距离的计算思路不难对某个解看它左右两个相邻解在各个目标方向上的距离之和距离越大说明这个解周围越空旷也越应该保留。这个策略原本来自多目标NSGA-II算法直接借鉴到灰狼优化里非常实用。3.3 改进策略一Tent混沌映射初始化种群标准GWO用随机数初始化种群容易造成初始个体扎堆比如都集中在一小片区域后续搜索就很难跳出这个区域。我改用Tent混沌映射生成初始位置公式是x(n1)2x(n)当x(n)0.5时x(n1)2(1-x(n))当x(n)≥0.5时。Tent映射产生的是[0,1]区间内均匀分布的序列比伪随机数序列的分布更均匀等于给种群一个更好的“起跑位置”。这一步改动成本极低只动初始化那几行代码但种群多样性肉眼可见地提高。如果把初始种群画在决策空间里Tent映射生成的点几乎是均匀铺满整个搜索空间而随机初始化会看到不少空白区域。对微电网调度这种72维的高维问题均匀初始化对后续收敛非常有帮助。3.4 改进策略二非线性收敛因子调节标准GWO的收敛因子a是随迭代次数线性从2减到0的。这个线性递减速率的步子太“死板”迭代前期希望多探索把搜索空间翻个底朝天但线性下降可能过快进入开发阶段迭代后期希望集中开发把局部区域挖深但线性下降又可能让开发力度不够。我把收敛因子改成非线性递减形式a 2·(1 - (t/T)^2)其中t是当前迭代次数T是总迭代次数。这个公式的特点是前期a下降慢狼群更倾向于大范围移动探索后期a下降快狼群快速转入精细开发。实测下来非线性形式在ZDT1和ZDT2标准测试函数上的收敛精度比线性形式好不少在微电网调度模型上也表现稳定。3.5 改进策略三差分进化变异扰动标准GWO还有一个短板迭代后期整个狼群会快速向领导狼聚拢一旦领导狼陷入局部帕累托前沿整个种群很难跳出去。我借鉴差分进化算法的思路在每次迭代中对一部分狼引入变异操作从当前种群中随机挑三个个体做差分后再添加到目标个体上生成一个扰动个体如果扰动个体在非支配关系和拥挤距离上都优于原个体就替换掉它。这个操作让种群在迭代后期依然有“冒出新解”的能力。要注意的是变异率不能太高太高会破坏收敛性一般设在0.1~0.3之间。我实测下来0.2效果不错既维持了种群多样性又不会拖慢收敛速度。3.6 整体算法流程和复杂度整套改进多目标灰狼优化算法的流程可以这样概括先用Tent混沌映射生成狼群初始位置然后计算每个狼对应的三个目标函数值把所有非支配解存入外部档案在档案里根据拥挤距离选出α、β、δ三代“领导狼”其余狼按灰狼位置更新公式移动并用非线性收敛因子控制步长按变异率对部分狼做差分变异扰动更新外部档案剔除被支配的解超容量时删拥挤距离小的解。循环迭代直到达到最大迭代次数最后输出档案中的解集作为帕累托前沿。整体复杂度还是O(N·T·D)量级N是种群规模T是迭代次数D是决策变量维度。在72维、种群40、迭代300次的设置下Matlab跑一轮大约需要几十秒到一两分钟属于完全可以接受的量级。4. Matlab代码实现与实操细节4.1 代码结构怎么搭我的Matlab工程结构按模块划分主程序是main.m负责加载数据、设置参数、调用算法并输出结果。算法部分单独放一个文件夹里面有初始化函数、目标函数计算、约束检查、外部档案更新、领导者选择、位置更新等函数文件。数据部分用结构体统一存放风电预测、光伏预测、负荷预测、分时电价以及设备参数。这种结构的好处是后续做方案对比非常方便比如想对比“无V2G”和“有V2G”两种场景只需要改一个开关变量不用把代码复制粘贴两份。我一开始图省事把全流程都写在一个脚本里后面改参数、换算法对比时痛苦不堪老老实实重构了一次。4.2 初始化种群和决策变量映射初始化时每个狼的位置是一个72维的向量每个维度取值在[0,1]之间。计算目标函数时先把位置向量映射回实际功率值第1~24维映射到微燃机出力区间第25~48维映射到储能充放电功率区间第49~72维映射到EV集群充放电功率区间。然后由功率平衡公式算联络线功率再判断约束是否成立。这里有个映射细节储能充放电和EV充放电都是有符号的变量正值表示充电负值表示放电但优化算法生成的都是[0,1]区间的数。我采用的简单办法是先映射到[-P_max, P_max]区间再设置一个死区阈值比如|P|0.1P_max时直接置零这样能避免算法在0附近产生大量无效的微小功率。4.3 目标函数和罚函数怎么编目标函数文件接收一个位置向量解码后得到各设备功率序列然后依次计算三个目标值。第一项成本里购电成本是分时电价乘以购电功率的积分购售电状态由P_grid的正负决定微燃机燃料成本用二次函数储能和EV的损耗成本分别按每千瓦时充放电循环对应的折旧费折算。罚函数的实现思路是每个约束算出一个违反量比如SOC越界量、功率平衡绝对偏差、联络线越限量所有违反量线性加权后乘一个大罚系数分别加到三个目标函数上。这个罚系数我设为1000经过多次试验这个量级对三个目标都能形成足够的“排斥力”不会出现目标函数值很小但约束明显不满足的“伪优解”。4.4 灰狼位置更新和领导者选择代码核心位置更新代码要同时处理多个领导狼的引导作用。简化后的关键逻辑如下% a为非线性收敛因子随迭代递减 a 2 * (1 - (t / Tmax)^2); A1 2 * a * rand - a; A2 2 * a * rand - a; A3 2 * a * rand - a; C1 2 * rand; C2 2 * rand; C3 2 * rand; D_alpha abs(C1 * Alpha_pos - Positions(i, :)); D_beta abs(C2 * Beta_pos - Positions(i, :)); D_delta abs(C3 * Delta_pos - Positions(i, :)); X1 Alpha_pos - A1 * D_alpha; X2 Beta_pos - A2 * D_beta; X3 Delta_pos - A3 * D_delta; Positions(i, :) (X1 X2 X3) / 3; Positions(i, :) max(Positions(i, :), 0); Positions(i, :) min(Positions(i, :), 1);这里最后两行是边界约束修正位置向量任何维度超出[0,1]就拉回边界。灰狼算法本身不做边界处理不加这两行很容易出现狼群飞出可行域的情况。4.5 外部档案更新和帕累托前沿输出外部档案更新是每次迭代的重点。先把当前种群的所有非支配解加入档案然后整个档案再互相检查支配关系删掉被支配的个体如果档案超过容量上限按拥挤距离从小到大删除直到容量满足要求。最终输出的帕累托前沿其实就是外部档案里的所有解。每个解对应一套完整的日前调度方案可以画成三维散点图横轴是运行成本纵轴是碳排放第三维是联络线波动。因为三个目标不是一个数量级我画图前都会分别做归一化处理这样帕累托前沿的轮廓才看得清楚。4.6 参数设置建议根据我的调试经验给一份可以直接照抄的参数设置表参数名称建议取值说明种群规模 N40太小多样性不足太大计算慢最大迭代次数 T300本问题约200次后基本收敛外部档案容量80解集太密反而难以决策变异率0.2差分进化变异扰动比例罚函数系数1000按目标函数量级调整储能效率0.95充放电各0.95EV效率0.93充放电各0.93如果电脑性能一般建议先把种群规模降到30、迭代次数降到200快速验证代码能跑通再加大规模做正式实验。我一开始直接上60个种群、500次迭代跑一趟得好几分钟调参效率很低。5. 仿真结果分析V2G到底带来了什么5.1 三种场景对比的设计方法为了看清楚V2G在微电网调度里的真实价值我设计了三个场景做对比场景A完全没有电动汽车参与场景B电动汽车参与但只是无序充电场景C电动汽车以V2G模式参与优化调度。三个场景用同一组风光负荷预测数据和同一套算法参数保证对比公平。实际操作时场景A直接把EV相关决策变量从模型里删掉场景B的EV充电功率作为固定负荷序列提前叠加到负荷曲线上不参与优化场景C把EV当成可调度资源充放电功率作为决策变量参与优化。这样一对比V2G的贡献就能很直观地体现出来。5.2 帕累托前沿的经济性和环保性分析场景C的帕累托前沿整体上比场景A、B更靠近“成本低、排放低”的角落。在算例的参数条件下从帕累托前沿中段取折中解对比考虑V2G之后运行成本下降了8%左右碳排放也下降了接近10%。这个结果的来源很直接电动汽车在电价低谷充电在电价高峰放电替代了一部分原本要高价买电或者让微燃机多发的高成本高排放电量。我看了一下最优经济方案的各设备出力曲线很有意思微燃机的出力明显被“压”下来了EV在晚间负荷高峰时段集中放电光伏出力最大的中午时段EV和储能一起吸收多余电量防止向电网倒送功率。这基本就是削峰填谷的直观体现。5.3 改进算法与标准算法的收敛性对比为了验证改进策略的有效性我把标准MOGWO、随机初始化版本和改进版本放在同一个微电网算例下对比。从收敛曲线看改进版在迭代到100代左右时目标值就明显优于标准版迭代到250代后改进版找到的帕累托前沿分布更均匀覆盖范围更广。定量指标我用IGD反向世代距离和HV超体积来评估。改进版的IGD比标准版降低了约15%~20%HV提高了约10%。这说明三个改进策略并非锦上添花而是实打实提升了算法的搜索能力和解集分布质量。尤其在高维的微电网调度问题上这种提升更加明显。5.4 从帕累托前沿里选方案的思路很多人拿到帕累托前沿之后不知道选哪个解。我的做法是引入“满意度”概念把每个目标的值做归一化然后按调度者的偏好做加权求和得分最高的解就是折中推荐方案。如果今天电价较高购电成本影响大就把经济目标的权重调高如果有减排考核就把环保目标权重调高。也可以直接从图上判断如果帕累托前沿存在明显的“拐点”通常会选拐点附近的解因为再往前走一点某个目标会急剧恶化但另一个目标只能获得很微小的改善性价比不划算。这个拐点法在给项目组汇报时非常好用比讲一堆公式直观得多。6. 常见问题与避坑清单6.1 决策变量维度过高导致算法搜索效果差一个最常见的问题是直接把所有设备的24小时功率都当作决策变量导致维度轻松破百算法搜起来像无头苍蝇。我的建议是先用功率平衡等式消去联络线功率把维度从96降到72如果还想降可以把储能和EV在相邻时段的变化量作为决策变量进一步减少搜索空间。如果问题规模再大建议把优化分解为“日前计划日内调整”两层不要指望一个模型把所有事都解决。6.2 储能和EV的SOC越界问题SOC约束是调试过程中最容易碰到的坎。放电效率、充电效率、容量基准量纲不一致经常导致SOC在优化结果里出现负值或者超过100%的情况。我的排查技巧是先把SOC可视化逐时段核对递推公式尤其检查放电时是不是除了效率。还有一种隐蔽问题初始SOC设置太高导致一天内几乎没有充电空间算法会把储能SOC强行绑在上限上看起来约束满足了实际上根本没调度价值。6.3 V2G电池损耗参数怎么定才合理V2G模型中电池损耗参数的设定直接影响调度结果。损耗成本设太低算法会让EV频繁深度放电结果表面风光实际缩短电池寿命设太高EV干脆不参与放电V2G形同虚设。比较普适的做法是把电池更换成本除以全生命周期总放电量得到单位放电量的损耗成本。比如电池更换成本4万元总循环寿命12万千瓦时那么单位损耗成本约0.33元/kWh。这个数值在不同车型上有差异建议做敏感性分析看结果对参数变化的稳定程度。6.4 Matlab代码运行慢的排查方向如果Matlab跑算法特别慢先检查是不是在目标函数里写了大量逐时段循环。我最初写目标函数时循环了24个时段里面又嵌套判断购售电状态跑一次计算要好几毫秒300次迭代乘40个种群就是天文数字。改成向量化计算之后整个程序提速至少5倍。另外注意Matlab的变量预分配动态扩充数组是非常影响性能的坏习惯。6.5 中文注释乱码和环境问题Matlab新版默认UTF-8编码但如果从老版本或别的编辑器中打开脚本中文注释很可能显示乱码。如果只是显示问题可以在Matlab的“预设项-字体-自定义”里调整字体编码如果是代码文件本身编码不对可以用文本编辑器转换编码后重开。这里我多说一句封装好的函数脚本和主脚本最好保持同一套编码混用时很容易出现主脚本正常、调用的函数乱码的情况。6.6 常见报错和解决方案速查报错现象可能原因解决方案数组维度不一致解码时位置向量维度与决策变量数不匹配检查输入位置向量长度是否为72SOC出现负值储能放电时未除以效率核对SOC递推公式帕累托前沿集中在一点拥挤距离排序失效或网格太小检查档案更新逻辑适当增加变异率罚函数未起作用罚系数过小逐步增大罚系数观察约束违反量变化种群位置全部变为边界值边界修正过强改为初始化时限制范围更新后按一定概率修正7. 几个关于工程落地的补充想法这套代码跑通后我最大的体会是优化算法只是“解题器”真正决定结果质量的是模型写得好不好。风光预测数据、储能效率参数、EV可调度比例这些输入条件如果拍脑袋定再优秀的算法也救不回来。建议在正式跑优化前先把设备参数和历史运行数据核对清楚哪怕只校准两三组典型日数据结果的可信度都会高很多。调试的时候可以先用简单的两目标版本跑通再增加第三个目标这样出问题容易定位。比如先把经济性和环保性优化好看帕累托前沿是否正常再加上联络线波动目标。我调试时三次改动里至少有两次是因为多目标数量太多找不到到底是哪个目标函数写错了。另外场景对比时的变量控制非常重要。很多论文里对比“有无V2G”但连微燃机参数、分时电价都跟着改了结果对比图看起来漂亮实际没有说服力。自己在做对比实验时最好把公共参数统一封装在一个配置结构体里不同场景只改一个开关量这样得出的结论才能让人信服。最后再分享一个小技巧跑完优化后不要只看帕累托前沿的散点图一定要把选出方案的设备出力曲线、SOC曲线、联络线功率曲线全部画出来看一眼。有一次我的结果看起来很好帕累托前沿分布也漂亮但把SOC曲线拉出来一看储能整条曲线都是一条接近99%的直线完全是废的。后来检查发现储能效率递推公式里单位写错了。所以任何优化结果的合理性最终都要回到实际物理过程里去验证。