简介面向智能电网需求侧管理与家用负荷识别应用的一份学术论文资源共1个PDF文件压缩包大小234KB主题为《基于暂态特征与径向基神经网络的家用负荷识别方法》。论文基于非侵入式负荷监测思路阐述了利用变点检测算法差量提取负荷投切过程中暂态特征有功/无功功率变化量、投切时间、最大功率值、谐波畸变率等的方法并构建由输入层、隐含层、输出层组成的径向基神经网络以高斯核函数为基函数、采用Dropout训练算法防止过拟合完成对电水壶、电吹风、电磁炉等常用负荷的识别。文中附有负荷投切功率波形、网络结构及实验验证结果读者可从中获得从暂态特征选取、特征差量提取到RBF网络构建与训练的完整技术路线便于复现或拓展至其他负荷辨识场景。资源已有97人学习适合电力系统、智能用电、机器学习交叉方向的学生和工程技术人员阅读。1. 家用负荷识别这篇论文到底值不值得花时间读做非侵入式负荷监测NILM的人大概率都翻过这篇《基于暂态特征与径向基神经网络的家用负荷识别方法》。它解决的是一个很具体的问题入户处只有一个电表怎么从总功率曲线里分清到底是电水壶在烧水还是空调在启动。论文走的路线很实在——用负荷投切瞬间的暂态特征有功变化量、无功变化量、投切时间、功率峰值、谐波畸变率作为输入交给径向基神经网络做分类再用变点检测把多负荷叠加拆成单负荷识别。实测对象是电水壶、电吹风、电磁炉、空调、电视这五类常用家电识别效果够用训练时间随负荷数量只是近似线性增长。适合三类人读做智能电网需求侧管理的工程师、入门NILM方向的研究生、以及想用轻量级神经网络做设备识别的嵌入式开发者。不堆理论直接看它怎么选特征、怎么建网络、怎么处理叠加场景这三件事是全文最有价值的部分。2. 暂态特征为什么是识别突破口六个特征量与负荷物理结构的对应关系2.1 为什么稳态特征不够用非线性负荷与多状态电器的识别盲区很多入门方案喜欢用稳态有功功率来区分电器思路很直接电水壶1500W、空调1000W按功率区间划分就好。但实际入户数据远没这么干净空调的压缩机启停会导致运行功率大范围波动变频设备在不同工况下功率可以相差数倍电视这类非线性负荷的功率本身很小很容易和待机功耗混淆。更麻烦的是多负荷叠加场景——如果只用稳态特征做识别n个负荷就需要区分2^n种组合状态样本复杂度和网络规模都会指数膨胀。论文里也点明了这个矛盾稳态特征值作为输入时负荷数目稍微一多训练时间就是指数型增长。用暂态特征的核心逻辑是电器投切的瞬间其内部元件电阻丝、电机、开关电源、压缩机对电网呈现的电气特性是独特的。电水壶是纯电阻负载投切时有功基本是阶跃无功只有极短的脉冲尖峰电吹风内部有电机加电热丝启动时会出现功率震荡电磁炉的软启动过程持续约5秒空调启动时有一个持续较长的无功脉冲——这些时间域的波形特征比稳态数值稳定得多而且和电器的物理结构直接挂钩。换句话说暂态特征承载的是电器的“身份指纹”不是单纯的工作状态。2.2 六个暂态特征量的物理含义与量纲从波形到数值论文选用的六个特征量分别是有功功率变化量ΔP、无功功率变化量ΔQ、投切时间t、有功功率最大值Pmax、无功功率最大值Qmax、谐波畸变率HDI。我拆开说每个量的物理含义和提取注意点。ΔP和ΔQ是负荷投切前后稳态值的差值反映的是该电器在稳态时对电网的功率需求。电水壶这种纯阻性负载ΔP基本等于额定功率ΔQ接近0空调这类含压缩机电机感性负载的电器ΔQ就会明显大于0。差值提取的好处是天然消除了基线负荷的影响不用关心在它之前已经开了多少电器。投切时间t的定义是从暂态起始到进入稳态的过渡时长。论文图1给出了一组直观数据电吹风关闭时需要约2秒让无功功率降为零电磁炉开启过程持续约5秒这些时间差异本身就是强区分特征。Pmax和Qmax捕捉的是暂态过程中瞬时功率冲击的程度对于启动电流大的设备空调、电磁炉Pmax会明显高于稳态功率。HDI是谐波畸变率开关电源类设备电视、电脑是主要谐波源而电阻类设备谐波含量极低这个特征对识别电子设备特别有效。采集数据时要注意以上特征必须在同一时间窗口内对齐因为Pmax出现的时刻和ΔP计算时刻往往不同粗心一点就会把时间轴错开导致特征向量失真。2.3 特征组合的选型理由为什么是这六个而不是更多从信号处理的角度看这六个特征其实覆盖了负荷暂态过程的三个维度能量维度ΔP、ΔQ、时间维度t、峰值与波形畸变维度Pmax、Qmax、HDI。没有选择电流有效值、功率因数等稳态指标也没有把整个暂态波形直接送进网络原因有两个。第一特征维度要匹配样本量。论文对每类负荷只采集了10组样本五类负荷一共50组。如果直接用原始波形做输入维度高达数千50个样本完全无法支撑网络训练。压缩成六个标量特征后每个样本的输入维度是6输出是5位二进制编码网络规模非常小训练速度快且不容易过拟合。第二特征之间要尽量解耦。ΔP和Pmax虽然有相关性但Pmax捕捉的是暂态冲击信息ΔP反映稳态功率两者物理含义不同谐波畸变率与前面几个功率特征基本正交。这六个特征的组合本质上是人工构造了一个低维但信息密度高的特征空间后续神经网络的分类任务就被大幅简化了。这就是文献里强调“结合各负荷的暂态特性”的深层含义——特征不是拍脑袋定的每一个都能在图1的波形里找到依据。3. 变点检测与差量提取把多负荷叠加拆成单负荷识别的关键操作3.1 变点检测在负荷识别里的作用定位投切时刻的数学工具前文说过多负荷叠加场景下如果直接用总稳态特征做识别状态组合数是2^n这是不可行的。论文的思路是把叠加场景下每一次负荷投切视为一个独立事件利用变点检测算法在总功率曲线上定位该事件的起点t_start和稳态点t_end然后差量提取出这个事件对应的特征值。这样不管原来叠加了几个负荷每次只识别“刚刚投切的这一个”多负荷问题就退化为单负荷问题。变点检测算法选的是基于滑动窗的双边累积和CUSUM。CUSUM的核心思想是累积偏差当信号均值发生微小偏移时累积和会持续增长直至超过阈值从而判定变点位置。相比直接对差分序列设阈值CUSUM对小幅漂移更敏感抗噪声能力也更强。双边CUSUM同时检测均值上升和下降两种情况正好对应负荷的开启和关闭两个方向。3.2 差量提取的数学表达与实现步骤设采样序列为功率值p(t)滑动窗口内分别计算前向累积和S_f(t)和后向累积和S_b(t)当两者中任一超过预设门限时判定该点为投切起始点t_start。然后继续往后扫描直到均值恢复平稳记录稳态点t_end。两点之间的特征向量差量就是该负荷的暂态特征F_event F(t_end) - F(t_start)其中F代表特征函数包括六个维度——有功功率、无功功率、时间、峰值等。对于有功功率这类累积量直接用差量对于Pmax这类事件内极值取(t_start, t_end)窗口内的最大值对于HDI需要单独在窗口内做谐波分析后提取。这块容易出问题的点是有功功率变化量和Pmax的提取窗口不一致差量法处理时需要分开计算不能统一套用F(t_end) - F(t_start)。3.3 从原始功率序列到特征向量的完整流程Python伪代码下面给出一个简化但可运行的差量特征提取流程输入是采样率1kHz的有功功率序列输出是六维特征向量。import numpy as np def detect_event(power_seq, window_size100, threshold5.0): 基于滑动窗口的双边CUSUM变点检测 power_seq: 1D numpy数组有功功率序列 window_size: 滑动窗口长度采样点数 threshold: 累积和门限归一化单位 n len(power_seq) mean np.mean(power_seq[:window_size]) # 基线均值 cumsum_pos 0 # 正向累积和 cumsum_neg 0 # 负向累积和 start_idx None for i in range(window_size, n): diff power_seq[i] - mean cumsum_pos max(0, cumsum_pos diff - threshold * 0.01) cumsum_neg max(0, cumsum_neg - diff - threshold * 0.01) if cumsum_pos threshold: start_idx i - window_size break if cumsum_neg threshold: start_idx i - window_size # 负向变点对应负荷关闭 break return start_idx def extract_features(power_seq, reactive_seq, t_start, t_end, sampling_rate1000): 差量提取六维暂态特征 返回: [delta_p, delta_q, t_duration, p_max, q_max, HDI] # 稳态均差 delta_p np.mean(power_seq[t_end:]) - np.mean(power_seq[max(0, t_start-50):t_start]) delta_q np.mean(reactive_seq[t_end:]) - np.mean(reactive_seq[max(0, t_start-50):t_start]) # 投切持续时间 t_duration (t_end - t_start) / sampling_rate # 窗口内峰值 window slice(t_start, t_end) p_max np.max(power_seq[window]) q_max np.max(reactive_seq[window]) # 谐波畸变率在稳态窗口内做FFT steady_window power_seq[t_end:t_end 1000] spectrum np.abs(np.fft.rfft(steady_window)) hdi np.sqrt(np.sum(spectrum[2:]**2)) / (spectrum[0] 1e-6) # 基波归一化 return [delta_p, delta_q, t_duration, p_max, q_max, hdi]逻辑说明detect_event函数维护两个累积量正向累加超过门限则判定为负荷开启事件负向则判定为关闭事件。threshold的取值取决于功率序列的噪声水平——如果入户电表的测量噪声在±20W左右threshold设太小会把噪声波动误判为投切事件设太大则漏检小功率负荷。我一般先把threshold设为噪声标准差的5倍再根据误检率微调。参数说明window_size控制基线均值的估计窗口采样率1kHz下100个点等于100ms这个窗口长度能平滑掉瞬态尖峰又不掩盖真实变点。后续提取特征时t_end的判定可以简单用CUSUM收敛后的首次过零点也可以用滑动窗口内方差降低到基线水平的方式来判定后者在波形震荡场景下更稳。3.4 差量特征提取对多负荷场景的意义做完这一步原来的“总功率序列识别”就变成了“事件序列识别”每个事件对应一个负荷投切动作。识别过程的输入不需要知道当前有几个负荷在运行只需要对每个事件给出分类结果。论文里展示了训练时间对比差量特征提取方式下样本复杂度为n每个负荷单独样本训练时间随负荷数目近似线性增长而用总的稳态特征时样本复杂度是2^n训练时间呈指数增长。这个结论对实际系统设计很关键——线性增长意味着系统可以持续接入新负荷类型不需要重新设计网络结构而指数增长意味着每加一类负荷就要成倍扩充样本和网络容量。4. 径向基神经网络搭建与Dropout训练从网络结构到可复现参数4.1 RBF神经网络的三层结构与高斯核函数径向基神经网络是一个三层前向网络输入层、隐含层、输出层。输入层不执行计算只做信号分发隐含层用径向基函数RBF对输入做非线性映射输出层对隐含层输出做线性加权求和。论文中最核心的改进在于隐含层基函数的选择——没有直接用标准高斯函数而是用了带类别概率加权的高斯核函数。标准高斯核函数是 φ(x) exp(-‖x - x_j‖² / (2s²))其中x_j是核中心s是窗口宽度参数。论文中的变体在每个类别上额外加权了N(C_k)/N即该类样本在总样本库中的占比。这样做的目的很直接样本多的负荷类别在隐含层占据更大的响应权重提升网络对该类别的敏感度。代价是基函数不再是“纯几何距离度量”而是带先验概率的贝叶斯式响应所以论文特意强调这个设计是为了“进一步提高抗扰动能力”。隐含层神经元个数的确定在原文中没有展开但按RBF网络的常规做法每个训练样本或者每类负荷的中心都可以作为一个神经元的中心。五类负荷、每类10组样本就是50个中心每个类别用多个中心能覆盖同类负荷在不同工况下的特征散布范围。隐含层宽度参数s如果设太小每个核只对紧邻中心有响应网络过拟合设太大所有核的响应趋同失去区分度。经验值是在特征归一化后的欧氏距离中位数附近扫描选取。4.2 输出层二进制编码与误差度量输出层的编码方案是二进制位宽度等于负荷类别数每位对应一个负荷类别位值为1表示该负荷被识别出来。表1给出了具体编码电水壶对应10000电吹风01000电磁炉00100空调00010电视00001。这种编码的优势在于支持“多标签输出”——如果未来需要识别两个设备同时投切实际场景中几乎不会同时投切两个设备但存在短时间内连续投切的情况输出编码可以为多个位置1。网络输出层的激活函数用线性激活训练误差度量用均方误差MSE。网络输出表达式为y Σ W_i * φ_i(x) b其中W_i是输出层到第i个隐含神经元的权重b是偏置项。由于输出是线性层整个网络的训练参数集中在W_i和b上数量远小于多层感知机所以训练速度非常快。这也是选择RBF而不是BP网络的核心原因——收敛快、结构简单、在样本量小的场景下不容易陷入局部极小值。4.3 Dropout训练算法抑制过拟合的工程手段原文中训练算法第一次出现时写的是“Drought”结合上下文和后续行文可以确认这是Dropout的笔误或排版问题。Dropout的做法是在每次训练迭代中按设定概率p随机丢弃一部分隐含层神经元将其输出置零本次前向计算和反向传播只更新未被丢弃的神经元。丢弃是临时的每个batch重新随机选择这样整个网络在训练过程中不断以不同的子网络结构进行学习迫使每个神经元都学到更鲁棒的特征表达避免过度依赖某一个神经元节点。论文数据量很小——每类负荷只有10组样本五类一共50组。这种规模下如果用全连接网络做训练过拟合几乎是必然的。Dropout的引入把隐含层从“固定集成结构”变成了“随机子网络集成”相当于在训练阶段做了模型融合泛化能力显著提升。4.4 可复现的RBF网络训练代码Python下面给出一个基于numpy的手写RBF网络训练流程重点展示Dropout在其中的应用方式。实际操作中用scikit-learn的GaussianProcess或者TensorFlow/Keras都行但手写能清楚看到每个参数的作用。import numpy as np class RBFNetwork: def __init__(self, n_centers, sigma1.0, dropout_rate0.2): n_centers: 隐含层神经元个数RBF中心个数 sigma: 高斯核窗口宽度参数 dropout_rate: 训练时丢弃神经元比例 self.sigma sigma self.dropout_rate dropout_rate self.centers None self.W None self.b 0.0 def _rbf_kernel(self, x): 高斯核函数输出每个样本到每个中心的距离响应 # x: (n_samples, n_features), centers: (n_centers, n_features) diff x[:, np.newaxis, :] - self.centers[np.newaxis, :, :] # 广播计算欧氏距离 dist_sq np.sum(diff**2, axis-1) return np.exp(-dist_sq / (2 * self.sigma**2)) def fit(self, X, y, epochs100, lr0.01): 训练流程随机初始化中心用最小二乘或梯度下降迭代权重 n_samples, n_features X.shape # 直接从训练样本中随机抽取中心RBF网络的常见初始化方式 idx np.random.choice(n_samples, sizemin(n_samples, 50), replaceFalse) self.centers X[idx] # 初始化输出层权重 n_centers self.centers.shape[0] n_outputs y.shape[1] self.W np.random.randn(n_centers, n_outputs) * 0.1 for epoch in range(epochs): # 前向传播 phi self._rbf_kernel(X) # (n_samples, n_centers) # Dropout生成掩码训练时只用部分神经元 mask np.random.binomial(1, 1 - self.dropout_rate, sizephi.shape) phi_dropped phi * mask / (1 - self.dropout_rate) # 缩放保持期望不变 # 输出与误差 y_pred np.dot(phi_dropped, self.W) self.b error y_pred - y # (n_samples, n_outputs) # 反向传播梯度下降 grad_W np.dot(phi_dropped.T, error) / n_samples grad_b np.mean(error, axis0) self.W - lr * grad_W self.b - lr * np.mean(grad_b) # 每轮结束后调整学习率简单衰减 lr * 0.99 def predict(self, X): 推理时不做Dropout使用全部神经元 phi self._rbf_kernel(X) return np.dot(phi, self.W) self.b逻辑说明fit方法中每个epoch都会生成一个二值掩码mask被丢弃的神经元输出置零同时除以(1 - dropout_rate)做缩放——这是Inverted Dropout的标准做法目的是让训练阶段和推理阶段的输出尺度保持一致。如果不做这个缩放训练时网络输出会偏小推理时不Dropout又会导致输出偏大需要在部署时额外补偿。参数说明sigma的取值直接影响高斯核的响应范围。特征经过标准化后均值为0方差为1欧氏距离的典型范围在1~5之间sigma取1~2能保证核有适度重叠sigma太大则所有核输出接近常数网络退化为线性模型。dropout_rate在样本量只有50的情况下建议取0.15~0.3太高会导致每个batch有效信息太少训练不稳定。lr0.01配合指数衰减在100轮内足够收敛如果loss曲线震荡可以降低到0.005。4.5 训练流程与性能评估具体训练时先把六个特征维度各自做z-score标准化避免ΔP数值可达数千瓦在距离计算中主导所有维度把HDI数值通常在0~0.5之间完全淹没。每类负荷10组数据可以按7:3划分训练测试集或者用留一法LOOCV——50个样本的规模留一法并不会导致训练成本过高但评估结果方差更小。论文的实验用DL750示波记录仪采集数据采样频率足以捕捉完整的暂态过程。工程复现时如果用普通电能表要确认采样带宽是否足够——很多电能表的更新率只有1Hz根本捕捉不到投切瞬间的功率尖峰建议至少用1kHz采样率的设备做数据采集。5. 实操中的常见问题与避坑样本采集到特征提取的五条踩坑记录5.1 现象空调识别率低频繁被误判为电磁炉原因空调的运行功率受外界温度影响波动范围非常大论文也明确点出“空调的运行功率会随外界环境因素例如温度等发生较大的变化”。当环境温度适中时空调启动后的稳态功率可能只有几百瓦和电磁炉的低档位功率区间重叠温度高时功率可能到两千瓦以上又和电水壶区间交叉。如果训练样本只采集了一个温度条件下的数据差异就更明显。解决办法采集空调数据时尽量覆盖不同室外温度条件至少分三档采集——高温制冷、常温运行、低温制热。如果做不到可以在特征提取后对空调样本做类内增强处理比如在ΔP和Pmax两个维度上施加±20%的随机扰动人为扩大样本分布范围。5.2 现象多负荷叠加场景下暂态特征严重畸变识别准确率明显下降原因论文原文指出多负荷情况中“负荷投切过程未完全结束就开启其他负荷时投切特征会发生较大的畸变”。例如电磁炉开启过程约5秒在它完全进入稳态前又启动了电吹风两个暂态波形叠加在一起差量提取出来的特征既不属于电磁炉也不属于电吹风而是两者的混合体。解决办法在流程上增加事件间隔校验——如果检测到新的变点出现在前一事件的稳态点之前则将前一个事件标记为“无效事件”丢弃等待全部投切完成后重新提取。工程上也可以设置最小事件间隔时间比如2秒间隔过短的事件直接合并处理不做单独识别。这个限制在真实家庭场景中容易满足正常用户不会刻意在2秒内连续开关两个大功率电器。5.3 现象CUSUM变点检测频繁误报把噪声波动当成负荷投切原因CUSUM的门限threshold如果设置过小空调压缩机启动时引起的基线功率波动就会被累积和放大触发虚假变点。特别是老式空调的压缩机启动电流冲击大功率序列会出现持续时间数百毫秒的显著波动这种波动不是负荷投切但会被检测为一次事件。解决办法不要直接在原始功率序列上跑CUSUM先做中值滤波或滑动平均预平滑滤掉高频毛刺后再检测。门限值的选择建议用背景噪声的统计数据取一段安静时段的功率数据算标准差σthreshold取5σ~10σ然后用标注好的真实开关事件做一次校准找到误检率和漏检率的平衡点。需要注意的是CUSUM门限和窗口大小要一起调窗口太大响应慢窗口太小抗噪能力差一般1kHz采样率下窗口取100~200点比较合理。5.4 现象RBF网络训练loss下降很慢输出结果始终偏向某一类原因最大可能性是特征量纲没有归一化。六个特征里ΔP的量级是kWHDI是0.x如果直接送进网络高斯核的欧氏距离会被ΔP一个维度主导其他特征完全不起作用。网络实际只在拿功率一个维度做分类其他特征维度形同虚设。再就是RBF核中心初始化的方式问题——直接从样本里随机抽取中心如果某类样本特征分布偏在一侧初始中心可能没有覆盖该类导致梯度方向长期偏移。解决办法训练前必须做z-score标准化或者min-max归一化到[-1,1]区间。标准化参数均值和标准差只用训练集计算测试集沿用训练集的参数做同样的变换避免数据泄漏。5.5 现象加了Dropout后训练集准确率反而低于不加Dropout的情况原因Dropout本身就是为了牺牲训练集拟合度换取泛化能力训练集准确率略降是正常现象。但如果下降幅度过大比如训练集准确率低于80%说明dropout_rate设太高了。50个样本的网络本身参数就少大量神经元被丢弃后每个batch实际上只有很少的神经元参与学习有效信息不足。解决办法先跑一个dropout_rate0的基线记录训练集和测试集准确率。然后逐步增加rate0.1、0.15、0.2、0.3观察测试集准确率的变化。测试集准确率开始下降的那个点就是过大的临界值。样本量小的情况下0.1~0.2是一个比较安全的区间。6. 多负荷叠加场景下的工程化验证复现实验时应该怎么评估效果复现这篇论文时评估方案的设计决定了结论的可信度。论文的实验分两层单负荷识别精度和多负荷叠加识别精度。单负荷层面每类负荷单独投切多次统计分类准确率多负荷层面随机组合两个或三个负荷在不同的叠加状态下投切新负荷验证差量特征提取RBF方案的泛化能力。我复现时的做法是单负荷每种电器采集30组数据按7:3划分多负荷场景采集50组叠加事件数据只做最终验证不做训练。评估指标不只看整体准确率更要看混淆矩阵。论文中提到空调误判率偏高原因在于环境和多负荷畸变混淆矩阵能直接告诉你哪些类别容易被混淆——如果电水壶和电磁炉频繁互判多半是Pmax和ΔP特征区分度不足需要检查这两个设备是不是存在功率区间重叠如果电视识别率低多半是HDI在特征向量中占比不够可以考虑把谐波分量的具体频段分布也纳入特征。每个类别的准确率单独统计比一个汇总准确率有用得多。多负荷场景还要关注的是事件检测的漏检率和误检率。漏检意味着有负荷投切没有被捕捉到误检意味着电路噪声被当成负荷投切这两个指标在工程部署中直接影响系统的可用性。验证时还有一个常被忽略的环节确认特征提取的时间对齐。差量提取时ΔP和ΔQ的提取窗口必须严格对应——有功和无功不是同一时刻变化到稳态的特别是电机类负荷无功功率滞后于有功功率变化。如果两路信号采样不同步提取出来的特征向量不符合训练数据的分布识别效果会下降。用DL750这类示波记录仪采集时要确认电压和电流通道的时间戳对齐精度用普通采集卡需要做软件同步校准。做多负荷实验时还要记录一个关键参数——“投切间隔时间”。论文原文指出负荷投切过程未完成就开启其他负荷时特征会畸变所以验证阶段必须记录每次事件的间隔分析识别错误时先看是不是间隔过短导致的。如果项目对实时性有要求比如做嵌入式在线识别还需要评估CUSUM检测到特征提取的延迟这个延迟决定了系统能在负荷投切后多久给出识别结果。论文的pipeline是离线式的没有讨论延迟问题工程落地时建议用滑动窗口流式处理的方式改造每次检测到变点后只提取最近一个窗口的特征做识别不必等全部稳态点确定——但代价是投切持续时间长的设备如电磁炉5秒启动过程在稳态到达前给出的识别结果精度会略降。这是精度与延迟的取舍没有标准答案取决于实际应用是离线分析还是实时监测。我那段时间在复现这篇论文时踩得最深的坑是拿真实入户数据跑效果却始终比论文里的识别率低8%左右。排查了很久才发现不是算法问题而是数据采集设备——用的电表采样频率标称1kHz实际有效带宽只有几十Hz开关电源类负荷的高频暂态和大部分谐波分量都被抗混叠滤波器滤掉了HDI特征形同虚设。从那以后我每次做负荷识别实验都会先拉起几个已知电阻负载和整流性负载量出来看一眼原始波形和频谱确认采集链路的带宽和失真在可接受范围内再开始跑算法。这个习惯帮我避开了后面好几个项目的返工。这篇论文的方法虽然基础但原理扎实、流程完整对照它做一版自己的实现收获不会小。希望帮到你。本文还有配套的精品资源点击获取