序列线性规划(SLP)在可再生能源系统优化中的应用与挑战

1. 从“一团乱麻”到“清晰路径”：SLP如何为可再生能源系统“排兵布阵”

想象一下，你是一个大型风光储混合能源电站的调度员。每天，你面前的控制台都像一张复杂的棋盘：风力发电机的功率预测曲线像过山车一样起伏不定，光伏板的出力随着云层飘过而忽明忽暗，储能电池的电量需要精打细算，既要满足电网的实时负荷要求，又要考虑设备自身的运行约束和磨损成本。你的目标很简单——用最低的成本，让整个系统平稳、可靠地运行24小时。但这背后的计算，却复杂得像在解一个多维度的魔方。

这就是典型的混合可再生能源系统运营计划问题。它本质上是一个**非线性规划（NLP）**问题。为什么是非线性？因为现实世界中的关系很少是简单的直线。比如，风力发电机的功率与风速是三次方关系，光伏逆变器的效率随温度和功率点变化呈曲线，电池的充放电效率与当前荷电状态（SOC）和功率大小有关，这些都不是简单的加减乘除能描述的。直接用传统的线性规划方法去套，就像用直尺去量一个弯曲的湖岸线，结果肯定不准确。

而序列线性规划（SLP），就是解决这类“弯曲”问题的“化曲为直”高手。它的核心思想非常巧妙：既然整个问题太复杂，一次性解决不了，那我就“分而治之”。SLP不会试图一口吃掉整个非线性问题，而是像一位经验丰富的登山者，在复杂的地形中，每次只规划眼前一小段最稳妥、最直接的路径。

具体来说，SLP的工作流程是这样的：首先，它会在当前运营计划点（比如，基于上一时刻的调度方案）停下来，对这个复杂的非线性系统进行一次“局部体检”。它利用数学中的泰勒展开，将目标函数（总运营成本）和所有非线性约束（设备出力曲线、效率曲线等）在当前点附近进行一阶线性近似。这就好比在一个复杂地形图的某个点附近，画上一条短短的、笔直的切线，用来代表这一小片区域的走向。

于是，原本那个令人头疼的NLP问题，在当下这个“局部”视角里，就暂时变成了一个相对简单的**线性规划（LP）**问题。线性规划可是运筹学里的“老将”，求解方法（如单纯形法）非常成熟，计算速度快，而且能轻松处理成千上万个变量和约束。我们快速求解这个局部LP问题，就能得到一个针对当前情况的“优化建议”——比如，建议风机稍微降点功率，让光伏多发一点，同时启动储能放电。

但SLP聪明的地方在于，它知道这个“建议”是基于局部近似得出的，走太远可能会出错。所以，它会给自己设定一个“步长边界”或“移动限制”，确保新的计划点不会离当前点太远，以免线性近似误差太大。接受这个新点后，SLP会把这里作为新的起点，再次进行线性近似、求解、移动。如此反复，一步一步，像走台阶一样，逐渐逼近整个复杂问题的最优解。

我在参与一个风光储微电网项目时，就深刻体会到了这种方法的实用性。项目初期，我们尝试使用通用的NLP求解器直接求解全天的优化问题，经常因为模型非凸性而陷入局部最优，或者计算时间长达数小时，根本无法用于实时调度。后来引入SLP框架后，我们将24小时划分为96个15分钟时段，每个时段作为一个SLP迭代的起点。通过合理的步长控制，算法能在几分钟内给出一个成本显著降低、且完全可行的调度方案。虽然它不是理论上“最快”的算法，但在工程上，这种将复杂问题分解为一系列可快速求解子问题的思路，带来了极高的成本效益和可靠性。

2. 核心实战：SLP如何一步步降低你的运营账单

理解了SLP“迭代逼近”的哲学后，我们来看看它到底是如何在混合可再生能源系统中具体运作，真金白银地帮你省钱的。我们以一个包含风机、光伏、储能和燃气轮机的微网为例，拆解整个优化过程。

2.1 问题构建：把你的运营目标翻译成数学语言

首先，我们需要把调度员的直觉，翻译成SLP能听懂的数学公式。一个典型的运营成本最小化问题包含以下部分：

决策变量：这是我们要优化的对象。对于每个时间点t（比如未来24小时，以15分钟为间隔，共96个点），我们都需要决定：

• P_wind(t): 风电场实际发出的功率
• P_pv(t): 光伏电站实际发出的功率
• P_batt_ch(t),P_batt_dis(t): 储能电池的充电和放电功率
• P_gas(t): 燃气轮机的发电功率
• E_batt(t): 储能电池的剩余电量（SOC状态）

目标函数：这就是我们要最小化的“总账单”。它通常是这样的：

Minimize: 总成本 = Σ [C_gas * P_gas(t) + C_wind_curt * (P_wind_predict(t) - P_wind(t)) + ... ]

其中，C_gas是燃气发电的燃料成本（元/千瓦时），P_gas(t)是燃气发电量。C_wind_curt是弃风惩罚成本，P_wind_predict(t)是风电预测功率，P_wind(t)是实际调度功率，两者的差值就是弃风量。同理，也有弃光惩罚。目标就是让昂贵的燃气发电和惩罚性的弃风弃光越少越好。

约束条件：这是确保系统安全运行的“交通规则”，也是非线性的主要来源。

1. 功率平衡约束：在任何时刻，发电总量必须等于负荷总量。这是线性的：P_wind + P_pv + P_batt_dis - P_batt_ch + P_gas = P_load。
2. 设备运行约束：每个设备都有上下限，如风机、光伏出力不能超过预测值，也不能为负；燃气轮机有最小技术出力等。这些一般是线性的。
3. 储能动态约束：这是非线性的核心。电池电量变化方程为：E_batt(t) = E_batt(t-1) + (η_ch * P_batt_ch(t) - (1/η_dis) * P_batt_dis(t)) * Δt。其中，充放电效率η_ch和η_dis往往不是常数，它们可能与充电功率、当前电量有关，这就引入了非线性。同时，电池电量本身有上下限（如20%~90%），充放电功率不能同时为正（不能既充又放），这个逻辑约束通常用0-1变量或互补约束描述，也是非线性的。
4. 线路潮流与网络约束：对于大型系统，还需考虑输电线路的容量限制，这涉及到更复杂的交流或直流潮流方程，是强非线性的。

看到这里，你就能明白这个优化问题的复杂性了。它混合了连续变量、整数变量（如果精确建模充放电状态）、非线性等式和不等式约束。直接求解非常困难。

2.2 SLP的“化功大法”：将非线性约束线性化

现在，SLP要登场施展它的“化功大法”了。假设我们从一个初始的、可行的调度方案X0开始（比如，所有设备按平均负荷分配）。在X0这一点，我们对所有非线性部分进行一阶泰勒展开。

以关键的储能电量方程为例。假设在初始点X0，我们粗略地认为充放电效率是固定值η_ch0和η_dis0。那么，在X0附近，电量方程可以近似为：

E_batt(t) ≈ E_batt0(t-1) + [η_ch0 * (P_batt_ch(t) - P_batt_ch0(t)) + 0 * (η_ch - η_ch0)] ... （后续项）

注意，这里我们对变量P_batt_ch(t)进行了线性化，但将效率η_ch暂时视为在X0点取值的常数η_ch0。这就把关于P_batt_ch(t)和η_ch的非线性乘积项，简化成了P_batt_ch(t)的线性项和一个常数项。虽然这个近似忽略了效率随功率变化的部分，但在X0点附近的小范围内，误差是可接受的。

对于弃风/弃光惩罚项，如果惩罚成本与弃电量是简单的线性关系，那这部分本身就是线性的。但如果惩罚是分段函数或二次函数（例如，弃风超过一定阈值后惩罚加重），也需要在X0点进行线性近似。

经过这一番操作，在X0这个“局部”视角下，原本的非线性规划（NLP）问题，就变成了一个关于功率微调量ΔP的**线性规划（LP）**问题。这个LP问题的变量是各个设备功率相对于X0的变化量，约束是线性化后的平衡与安全约束，目标是最小化成本的变化量。

2.3 迭代求解与成本优化

求解这个LP问题，我们会得到一组功率调整建议ΔX。比如，LP求解器可能告诉我们：“在当前预测下，建议下一时刻将风电出力增加50kW，光伏减少30kW，同时让储能开始充电20kW，这样可以降低总成本5元。”

但是，我们不能直接全盘接受这个ΔX。因为我们的线性化是在X0点做的，如果步子迈得太大（ΔX太大），线性近似的误差就会变得很大，这个“建议”可能就不准了，甚至会导致新的点违反真实的非线性约束（比如电池实际充入的电量远低于线性模型预测）。

所以，我们必须引入步长边界。我们可以设定一个比例δ（比如0.1），规定每个变量的变化不能超过其当前值的一定比例：|ΔP_wind| ≤ δ * |P_wind0|，对于储能电量变化也有类似限制。这样，我们得到的是一个受步长限制的、新的可行点X1 = X0 + ΔX（其中ΔX已被步长边界裁剪）。

以X1作为新的起点，重复上述过程：在X1点重新线性化所有非线性函数，构建并求解新的LP问题，得到新的调整量ΔX‘，再用步长边界控制移动，得到X2。

如此迭代下去，每步都在做局部成本优化。你会观察到总成本随着迭代一步步下降。这个过程会持续到满足停止条件，比如连续几步成本下降非常微小（小于某个阈值），或者步长边界已经收缩到极小的值。这时得到的调度方案X_final，就是SLP为我们找到的、在工程上非常接近最优的运营计划。

我曾在仿真中对比过，对于一个24小时调度问题，使用成熟的商业NLP求解器（如IPOPT）直接求解，可能需要数百次迭代和数分钟时间。而采用SLP，通常只需20-50次迭代，在几十秒内就能得到一个成本差距在1%以内的优质解。对于需要快速滚动更新的实时调度来说，SLP的这种计算速度与求解可靠性的平衡，显得尤为宝贵。

3. 步长边界：SLP算法中的“油门与刹车”

如果说SLP的迭代过程是一辆寻找最低成本路径的赛车，那么步长边界就是控制这辆赛车的“油门和刹车”。它的设置直接决定了算法是能稳健地驶向终点，还是在半路打转甚至翻车。这是SLP在实际应用中最关键、也最需要经验调参的部分。

3.1 步长边界过大或过小会怎样？

我们通过一个简单的比喻来理解。假设你要用一系列短线段的拼接，去近似拟合一条光滑的曲线。步长边界就是你允许每段短线段的长度。

• 步长边界太大（油门踩到底）：每段直线都很长。优点是前进速度快，可能用很少的迭代次数就跨越很大的搜索范围。但缺点极其致命：因为每步的线性近似误差随着距离增加而急剧增大，你用长直线去拟合弯曲部分，必然会产生巨大的偏差。反映在算法上，就是新得到的解X_new可能严重违反真实非线性约束（在可再生能源优化中，可能就是电池过充过放、设备超限运行），或者目标函数值（成本）不降反升。SLP会“拒绝”这个糟糕的点，然后被迫缩小步长重试。更坏的情况是，算法可能在不同的糟糕解之间来回振荡，永远无法收敛，就像赛车在原地画圈。
• 步长边界太小（刹车踩死）：每段直线都非常短。优点是近似精度高，每一步移动都很稳妥，几乎不会违反约束。但缺点是前进速度极慢，需要非常多的迭代次数才能接近最优解。在可再生能源优化这种大规模问题中，每一步迭代都要重新构建并求解一个LP问题，计算开销不小。过小的步长会导致总计算时间过长，无法满足调度实时性的要求。这就好比赛车用步行的速度在赛道上挪动，虽然稳，但失去了优化的意义。

在我早期的一个项目中，就曾因为步长边界设置不当而踩坑。我们为储能系统的充放电功率设置了一个固定的、相对宽松的步长边界（比如最大功率的30%）。结果在风光功率剧烈波动的时段，算法为了追踪最优解，频繁地让储能在大功率充电和放电之间切换。几步迭代后，线性近似累积的误差导致模型中的电池电量与实际物理模型严重脱节，优化出的调度方案根本无法执行，出现了“储能同时充电和放电”的荒谬指令。这就是步长过大导致约束违反的典型例子。

3.2 动态调整步长：让算法自己学会“驾驶”

既然固定步长不好用，聪明的做法就是让算法根据当前“路况”动态调整步长。这就是SLP中步长边界更新策略的精髓。一个经典的自适应策略基于“模型可信度”的概念。

在每一步迭代中，我们实际上有两个“成本”：

1. 预测的改善量（r）：在求解局部LP问题时，我们预测从当前点X_k移动到新点X_{k+1}，目标函数（成本）能降低多少。这个值r = f_LP(X_k) - f_LP(X_{k+1})，其中f_LP是线性化后模型的目标值。
2. 实际的改善量（q）：当我们真正用完整的、原始的非线性模型去评估新点X_{k+1}时，实际成本降低了多少。这个值q = f_NLP(X_k) - f_NLP(X_{k+1})，其中f_NLP是原始非线性模型的目标值。

计算比值ρ = q / r。这个ρ就是衡量我们线性模型在当前这一步有多“可信”的指标。

• 如果ρ接近1（比如在0.8到1.2之间），说明我们的线性近似非常准确，预测的改善和实际改善差不多。这是一个好信号，意味着我们可以更“自信”一点，适当增大步长边界，让下一步走得更快些。
• 如果ρ很小（比如小于0.2），甚至为负数，说明线性模型预测的改善很大，但实际根本没改善甚至变差了。这明显是步长太大、线性近似失效了。此时应该果断拒绝这个新点X_{k+1}，并显著减小步长边界，退回X_k重新计算一个更保守的移动方向。
• 如果ρ是一个中等正值（比如0.3到0.8），说明有改善，但线性模型过于乐观。可以接受新点，但保持或略微减小步长边界，以更稳健的步伐前进。

这种自适应的机制，使得SLP算法具备了自我调节的能力。在风光出力平稳、系统运行点变化平滑的区域，ρ值通常会很好，算法可以加速搜索；在天气突变、负荷陡增等导致非线性剧烈的区域，ρ值会变差，算法会自动收紧步长，小心翼翼地进行微调。

在实际编程实现时，我们通常会设定步长边界的上下限（如最大变化不超过当前值的50%，最小不低于1%），并设计一个平滑的更新公式，例如新步长 = 旧步长 * (1 + α*(ρ-1))，其中α是一个调节系数。通过精心调试这些参数，SLP算法就能在大多数场景下表现出稳健且高效的收敛特性。这比固定步长策略需要的人工干预少得多，也更适合处理可再生能源系统中固有的不确定性。

4. 收敛性挑战：当最优解不在“角落”里

SLP有一个著名的理论特性：如果原始非线性规划问题的最优解，恰好位于其可行域的顶点（或者说“角落”里），那么SLP算法通常能很好地收敛到这个解。这是因为线性规划的最优解总是在顶点取得，SLP用一系列LP去逼近，自然容易锁定顶点解。

但在可再生能源系统优化中，我们面临的情况往往没那么“规矩”。系统的最优运行点，常常不在可行域的顶点上，而是在某条边界的中部，甚至是在可行域的内部。这时，SLP就会面临严峻的收敛性挑战。

4.1 为什么最优解常常不在顶点？

我们考虑一个简单的场景：一个由光伏、储能和负载组成的微网。中午时分，光伏发电功率远超负载需求。此时，最优调度策略显然不是让光伏满发（顶点之一），也不是让储能满功率充电（另一个顶点），而很可能是一个“折中”点：光伏适当弃掉一部分光（减少出力），储能以某个最优的、低于最大功率的速率充电，使得弃光损失和储能充电损耗的综合成本最低。这个“最优充电功率”点，就是可行域内某条边界（光伏最大出力约束与储能最大充电功率约束围成的边界）上的一个点，而非顶点。

再比如，考虑设备磨损成本。燃气轮机的运行成本不仅是燃料成本，频繁启停和低负荷运行都会增加维护费用。因此，其最优出力点可能避开最低技术出力这个顶点，而选择一个更平滑、更经济的中间点。电池的充放电效率曲线是弧形的，最佳效率点往往在额定功率的50%-80%之间，而不是最大功率点。

当最优解位于边界或内部时，SLP的迭代过程可能会出现问题。算法在顶点之间“跳跃”，却始终无法稳定在那个非顶点的最优点上。它可能会围绕最优点产生振荡：这一步迭代找到一个方向使成本下降，下一步又跳向另一个方向。即使采用了自适应步长，收敛速度也可能变得非常缓慢，或者最终停留在一个次优的顶点解上。

4.2 超基本变量：理解收敛困难的关键

要深入理解这个困难，需要引入线性规划中的一个概念：超基本变量。在线性规划的最优解中，变量可以分为三类：

1. 基本变量：取值在上下界之间的变量（非边界值）。
2. 非基本变量：取值固定在其上界或下界的变量。
3. 超基本变量：这是一类特殊的非基本变量，虽然当前被固定在边界上，但稍微放松它的边界（让它离开边界一点点），就有可能进一步优化目标函数。

在顶点解中，超基本变量的数量是零。但在一个非顶点的边界最优解或内点最优解中，往往存在一个或多个超基本变量。经典的SLP算法在每次迭代中，只解决一个紧致的LP子问题（所有变量都被步长边界严格限制），它缺乏有效机制去识别和释放这些“有潜力”的超基本变量，从而无法沿着可行域的边界或内部进行更精细的搜索。这就好比你的搜索被限制在了一个个以当前点为中心的小方格内，而最优解可能就在两个小方格之间的那条线上，你却总是擦肩而过。

4.3 应对策略：改进算法与工程实践

面对收敛性挑战，研究者和工程师们发展出了多种改进策略：

1. 引入松弛变量和惩罚项：在构建LP子问题时，可以有意识地放松某些约束，并引入惩罚项。例如，允许储能电量约束有微小的违反，但在目标函数中对其施加一个很大的惩罚成本。这样，LP求解器可能会试探性地让一些变量离开边界（变成超基本变量），从而探索非顶点的方向。通过迭代调整惩罚权重，可以引导算法走向边界最优解。

2. 结合内点法思想：现代的一些SLP变种算法，会借鉴内点法的思想，在目标函数中加入一个“障碍函数”，迫使搜索路径远离可行域的边界，在内部行进，从而更容易找到内点最优解或边界内部的解。这对于处理可再生能源系统中大量的“软约束”（如尽量不弃风弃光）特别有效。

3. 采用序列二次规划（SQP）或更高级的近似：对于最优解高度非顶点化的问题，有时需要更精确的局部模型。序列二次规划（SQP）不仅对约束进行一阶线性化，还对目标函数进行二阶近似（考虑曲率）。虽然每一步计算更昂贵，但搜索方向更准，收敛到非顶点解的能力更强。在实际项目中，我们常采用一种混合策略：在优化初期使用SLP快速下降，接近最优区域后，切换为更精细的SQP进行最后收敛。

4. 工程上的“可行化”与“温热启动”：很多时候，我们并不需要数学上绝对的最优解，一个高质量的、可行的次优解就足够了。SLP迭代过程中产生的中间解，即使不是最优，也通常是可行的（只要步长控制得当）。我们可以设置一个合理的迭代次数上限或时间上限。当达到上限时，直接取当前得到的最好可行解作为调度方案。同时，在滚动优化中（如每15分钟重新做一次未来24小时优化），我们可以将上一轮优化的解作为本轮SLP迭代的初始点，这就是“温热启动”。由于系统状态在短时间内变化是连续的，这个初始点已经非常接近最优，SLP只需很少的迭代就能找到一个满意的更新方案，完美避开了深度的收敛性问题。

从我个人的项目经验来看，对于大规模的混合可再生能源系统日优化问题，追求数学上的完美收敛往往不切实际，也非必要。采用自适应步长的SLP框架，结合工程化的停止准则和温热启动，能够在可接受的时间内（几分钟内）持续产生成本显著低于规则基策略的高质量调度方案，这才是其在工业界得以广泛应用的根本原因。它可能找不到那个“最好”的点，但总能高效地找到一堆“非常好”的点中的一个，这对于运营效益的提升已经足够了。

5. 超越理论：SLP在能源系统中的真实应用与考量

理论很美好，但现实往往更复杂。将SLP应用于实际的混合可再生能源系统优化，不仅仅是套用一个算法模板，更需要考虑模型精度、计算效率、不确定性处理等一系列工程化问题。

5.1 模型保真度与线性近似的权衡

SLP的基石是局部线性近似。但我们应该对哪些部分进行线性化，又该保留哪些非线性呢？这是一个需要权衡的艺术。

• 必须线性化的核心非线性：像电池动态方程、燃气轮机的燃料消耗曲线（通常是功率的二次函数）、变压器或线路的损耗（与电流平方成正比）等，这些是影响成本和安全的核心非线性，必须纳入模型并通过SLP处理。
• 可以简化的复杂非线性：例如，光伏板的出力与光照、温度的关系非常复杂，但在调度时间尺度（15分钟）上，我们通常直接使用预测的功率曲线，将其作为随时间变化的参数而非变量，这样就避免了将其建模为非线性函数。风机类似，我们优化的是其实际调度值，这个值以预测值为上界，其间的非线性气动特性在调度层面可以简化。
• 需要谨慎处理的整数/逻辑约束：储能不能同时充放电，这是一个“或”的逻辑关系。最精确的建模需要引入0-1整数变量，但这会将问题变成混合整数非线性规划（MINLP），SLP无法直接处理。常见的工程处理是引入一个很小的互补惩罚项到目标函数中，或者采用连续松弛加后处理修正的方法。虽然不严格，但在步长控制下通常能保证实际运行中不同时充放电。

我的经验是，建立一个“足够好”的模型比建立一个“完全精确”的模型更重要。一开始可以构建一个包含主要非线性的详细模型，通过仿真测试SLP的表现。如果发现某些非线性项导致收敛困难，但其对最终优化结果影响甚微，就可以考虑将其简化或作为常数处理。模型复杂度、计算速度和求解稳定性之间的平衡，是工程成功的关键。

5.2 处理预测不确定性：鲁棒优化与滚动时域

可再生能源最大的挑战在于其出力的不确定性。基于单一点预测做出的“最优”计划，一旦预测偏差，可能变得不再最优甚至不可行。SLP如何与不确定性共处？

一种主流方法是滚动时域优化。我们不是一次性优化未来24小时，而是只执行优化出的第一个时段（如下一个15分钟）的指令。然后，时间向前滚动一个时段，我们获取最新的风光功率超短期预测和负荷预测，以当前实际系统状态为初始点，重新运行SLP，优化下一个24小时。如此反复。这样，SLP不断根据最新信息调整计划，就像一个不断修正航向的舵手，对预测误差具有天然的鲁棒性。

更进一步，可以将SLP与鲁棒优化或随机规划的思想结合。例如，在构建LP子问题时，不是使用单一的风光预测场景，而是考虑多个可能的情景（如“高预测”、“中预测”、“低预测”），并在约束中要求调度方案在所有或大多数情景下都可行。这样得到的调度计划会更加保守，但也更安全。SLP的迭代框架可以自然地扩展到处理这种多场景的线性化子问题。

5.3 与现有能源管理系统（EMS）的集成

在实际的电站或微网中，优化算法通常作为上层决策模块，嵌入到整体的能源管理系统（EMS）中。SLP在这里的优势就体现出来了：

• 求解器依赖简单：SLP底层只需要一个可靠的LP求解器（如开源GLPK、CLP，或商业CPLEX、Gurobi）。这些求解器经过数十年发展，极其稳定、高效，且易于集成。相比直接集成一个复杂的NLP或MINLP求解器，SLP方案的技术风险和维护成本低得多。
• 中间解可行：在迭代过程中，即使未完全收敛，SLP产生的中间解通常也满足所有线性化后的约束，经过简单的可行性修正（如对储能电量进行前向仿真校验）后，往往可以直接作为备用调度指令，增强了系统的可靠性。
• 易于调试和解释：调度人员如果对优化结果有疑问，可以检查某一步迭代的LP模型。LP模型的约束和目标都是线性的，比复杂的非线性模型更直观，更容易理解“算法为什么做出这个决策”。

在参与一个工业园区微网项目时，我们就将SLP优化模块封装成一个服务，通过标准API与EMS平台交互。EMS负责数据采集、预测、设备监控和指令下发，而SLP模块每15分钟被触发一次，接收最新的预测和状态数据，在后台运行20-30次迭代（耗时约30-40秒），然后将优化出的首个时段指令和未来计划曲线返回给EMS。这种松耦合的架构，既保证了优化算法的专业性，又不影响EMS核心功能的稳定运行。

说到底，SLP在可再生能源领域的成功，不在于它是一个理论上最完美的算法，而在于它在理论严谨性、计算效率、工程可实现性以及应对不确定性的灵活性之间找到了一个极佳的平衡点。它可能不是那把最锋利的“手术刀”，但绝对是能源调度工程师手中最趁手、最可靠的“瑞士军刀”。面对瞬息万变的可再生能源世界，这种稳健而实用的工具，正是我们所需要的。