企业官网建设流程全解析

做新能源并网项目的人应该都对这张图不陌生：大风天里光伏和风电同时出力飙升，净负荷曲线像过山车一样往下冲，火电机组慌慌张张往下压；到了晚上风停了、光伏也没了，净负荷又陡增，机组又得拼命往上顶。这种反复大幅度的爬坡，带来的是调峰压力、备用容量占用、甚至频率越限风险。风电光伏出力波动平抑，本质上拼的是两件事：一是你能不能预判风光联合出力的极端场景，二是你有没有足够的灵活性手段在实时运行中把波动吸收掉。

我这次要分享的课题，是围绕“Copula相关性建模 + 热泵灵活性调度”来做的风-光出力波动平抑优化策略研究，整套方法用Matlab实现。Copula这部分解决的是“预判”——风、光不是独立随机变量，它们在地理邻近区域会受同一天气系统驱动，极端同发、同伏场景是真实存在的，忽略这个相关性，优化结果在真实场景下往往会偏差很大；热泵这部分解决的是“吸收”——建筑热惯性加蓄热罐，使得热泵的用电功率在一定范围内可平移、可调节，相当于一个不需要额外投资太多储能的灵活性资源。整个研究链路从相关性建模、典型场景生成，到优化调度模型搭建、Matlab代码落地，再到算例验证，是一套相对完整的参考实现。适合正在做新能源消纳、需求侧灵活性、电力系统优化调度方向的研究生和相关工程师参考。

1. 为什么是Copula：风电光伏出力相关性建模的真正逻辑

1.1 简单相关系数为什么不够用

很多人一开始会想到用Pearson相关系数来描述风电和光伏出力的关系，但实际做下来会发现这个指标在风-光联合场景里经常“失灵”。Pearson相关系数度量的是线性关联，而且对边缘分布非常敏感。风电出力服从偏态分布，大量时段出力集中在低出力区或者额定出力附近，光伏出力则跟着太阳辐照走，白天有值、晚上恒为零，两个变量放在一起，线性相关关系本身就不稳定。

更重要的是，波动平抑问题的核心关切在“尾部”——也就是风电光伏同时高发、或者同时低发的极端场景。Pearson相关性假设变量服从联合正态分布，而联合正态分布在尾部是渐近独立的，也就是说它本质上刻画不好“极端天气下风光同时大出力”这种情况。但真实运行数据里恰恰相反：同一个冷锋或者同一个高气压系统覆盖一片区域时，风电和光伏可能同时表现得很极端。如果你在优化模型里用了一个低估尾部相关性的联合分布，生成出来的随机场景就会把同发概率压得过低，优化结果自然偏乐观。

1.2 Sklar定理与Copula的基本逻辑

Copula本质上做的事情，是把联合分布拆成“边缘分布”和“相关结构”两部分。Sklar定理是这个领域的基石——任意一个多维联合分布F，都可以写成：

F(x1, x2) = C( F1(x1), F2(x2) )

这里F1、F2分别是风电、光伏出力的边缘分布函数，C就是Copula函数，描述的是两个变量之间的“纯相关结构”，和各自的取值尺度无关。这样做的好处非常直接：你可以先用核密度估计或者经验分布把风电、光伏各自的分布特性拟合好，再单独选择一个合适的Copula函数去拟合秩相关结构，两部分互不干扰，比直接假设“二元正态分布”要灵活得多。

实际建模时，我记得走了这么几步：

• 对历史出力数据做归一化，剔除弃风弃光异常点；
• 用经验分布或核平滑密度估计得到边缘分布；
• 把历史数据通过边缘分布逆变换映射到[0,1]均匀空间；
• 在均匀空间里估计Copula参数（通常用Kendall秩相关系数反推）；
• 用拟合好的Copula生成大量联合场景，再逆变换回出力空间。

1.3 不同Copula函数的选择：Gaussian、t还是Archimedean

选哪种Copula不是拍脑袋，要看数据呈现出来的尾部特征。常用的三类：

• Gaussian Copula：对称、尾部渐进独立，计算最简单，适合相关性较弱、极端同发不突出的场景。但用在这里通常会低估极端风险。
• t Copula：对称但具有尾部相关性，能较好地捕捉“风电光伏同时异常”的联合尾部行为。自由度越小，尾部相关性越强。做风-光相关性建模时，t Copula往往比Gaussian更贴合实际。
• Clayton/Gumbel等Archimedean Copula：非对称结构，能描述单向尾部相关性。比如你发现光伏高发时风电功率也容易偏高，但光伏低发时对风电影响不大，这种场景可以考虑Clayton。

Matlab里可以用copulafit和copulastat工具直接对比。常规做法是分别拟合Gaussian、t、Clayton、Gumbel，然后用极大似然值或者AIC/BIC准则选一个拟合精度最高的。我实际跑下来，t Copula在大多数风-光联合场景里表现最稳，尤其是当秩相关系数大概在0.25到0.45之间、且数据里存在明显的“同时大出力”事件时，优势很明显。

2. 热泵灵活性从哪来：热惯性、蓄热与可调功率的量化

2.1 热泵为什么能当灵活性资源用

热泵这东西在电网调度模型里通常被当成刚性负荷——给定一个热需求曲线，电功率就定死了。但实际工程中它远没有这么死板。热泵的用电功率可以通过改变压缩机频率（变频热泵）或者启停控制来实现连续调节，而且建筑围护结构本身有热惯性，室温在一定范围内变化用户感知不明显。换句话说，热泵在一段时间内可以“多用电”把热量提前存进楼体，也可以“少用电”让室温在舒适区间内缓慢回落，只要热平衡不被破坏就行。

这意味着啥？意味着热泵的用电功率是一个有上下限、有时间耦合约束的可调变量，而不是固定的负荷曲线。在风电光伏出力高、电网需要更多负荷消纳的时候，让热泵提前多用电；在风光出力低、需要少用电的时候，让热泵歇一歇，依靠楼体热惯性维持室温。整个过程中用户取暖体验几乎不受影响。这就是热泵作为“虚拟储能”参与波动平抑的基本原理。

2.2 等效热参数模型：如何把“热惯性”数学化

要把热惯性用进优化模型，得有一个足够简单又足够可信的建筑热动态模型。我采用了一阶等效热参数模型（ETP模型）：

T_in(t+1) = T_in(t) + Δt / (C_bld · R_bld) * [ T_out(t) - T_in(t) + R_bld · Q_hp(t) - R_bld · Q_load(t) ]

其中T_in是室内温度，T_out是室外温度，C_bld是建筑等效热容，R_bld是等效热阻，Q_hp是热泵制热功率，Q_load是室内热负荷。这个模型虽然简化，但用来刻画“提前蓄热、延后放热”的能力已经足够了。实际应用时C_bld和R_bld可以从建筑能耗模拟软件或者实测温升数据辨识出来。

有了这个模型，室内温度可以在调度周期内滚动变化，但必须保持在舒适区间[T_min, T_max]内，比如冬季供暖18到24摄氏度。这就是热泵灵活性的“缓冲空间”——区间越大，可平移的功率越多。工程上如果想让灵活性更大，可以在热泵水系统里加一个蓄热水箱，把热惯性从楼体扩展到水箱，相当于给热泵配了一块“热电池”。

2.3 热泵电功率、制热功率与COP的耦合关系

在优化模型里，热泵的电功率和制热功率之间不是简单的一个常数效率，而是由制热性能系数COP连接：

Q_hp(t) = COP(t) · P_hp(t)

COP这个东西又会随室外环境温度变化。冬天室外很冷的时候，热泵从低温热源提取热量的难度增加，COP会显著下降。建模时我用了简化拟合公式，或者根据厂家样本数据做成分段线性曲线：

COP(t) = η_carnot · T_H(t) / ( T_H(t) - T_L(t) )

其中T_H是室内侧供水温度（冷凝温度），T_L是室外侧环境温度（蒸发温度），η_carnot是考虑压缩机、换热器损失后的实际效率系数，一般在0.35到0.55之间。有一点要注意：如果房间供暖需求不变，室外温度越低，热泵制热功率需求越大、电功率也越大，这时候恰恰也可能是电网负荷高峰，灵活性会被天气条件“吃掉”一部分。所以在优化模型里把COP随室外温度的变化纳入约束，是保证结果落地性的关键一步。

3. 波动平抑优化模型的构建：目标、约束与求解框架

3.1 目标函数怎么设才合理

波动平抑的核心目标可以表述为：让联络线或者净负荷曲线尽量平缓，减少火电等常规机组的调节压力。目标函数的形式有几种常见选择，我最终采用的是“净负荷方差最小化”加“调节成本惩罚”的组合方式：

min J = ω1 · Σ( P_net(t) - P_net_avg )² / N + ω2 · Σ( P_g(t) - P_g(t-1) )²

其中P_net是净负荷，定义为原始负荷减去风电光伏出力，再加上储能/热泵的充放电功率；P_g是火电出力；ω1和ω2是权重系数。第一项衡量净负荷波动程度，第二项度量火电机组爬坡的剧烈程度。这样既照顾了“平抑波动”的物理目标，也兼顾了“火电调节成本”的经济目标。权重可以通过仿真调参，如果更关注电网安全，把ω1调大；如果更关注经济性，把ω2调大。

如果还希望评估系统整体的燃料消耗，可以再叠加一项火电燃料成本，但要注意不要让目标函数里的量纲过于混杂，建议归一化后再加权。

3.2 核心约束：功率平衡、热平衡、设备出力边界

模型里的约束大致分成四个层面，缺一不可：

功率平衡约束是模型的基本骨架：

P_wind(t) + P_pv(t) + P_tp(t) + P_g(t) + P_sto_dis(t) = P_load(t) + P_sto_ch(t)

这里P_tp是热泵电功率，P_sto是储能（如果配置了）的充放功率。需要注意的是，热泵在这里既不是纯粹的负荷也不是电源——它的功率变化会影响净负荷曲线，所以放在平衡方程里时要和负荷、风光放在一起看系统整体的供需关系。

热泵运行约束需要同时限定电功率和制热功率的范围、爬坡能力以及COP耦合关系：

0 ≤ P_tp(t) ≤ P_tp_max -P_tp_ramp ≤ P_tp(t) - P_tp(t-1) ≤ P_tp_ramp Q_hp(t) = COP(t) · P_tp(t)

建筑热动态与舒适度约束，这块是热泵灵活性建模的灵魂：

T_in(t+1) = T_in(t) + Δt/(C_bld·R_bld)·[T_out(t) - T_in(t) + R_bld·Q_hp(t) - R_bld·Q_load(t)] T_min ≤ T_in(t) ≤ T_max

火电出力与爬坡约束：

P_g_min ≤ P_g(t) ≤ P_g_max -R_g ≤ P_g(t) - P_g(t-1) ≤ R_g

火电爬坡约束是波动平抑问题的“压力来源”——正是因为它爬坡能力有限，风光波动才必须用其他资源先吸收掉一层。

3.3 求解框架：为什么用MILP而不是启发式算法

模型里如果只有连续变量，这是一个二次规划（QP）或者带分段线性约束的线性规划（LP），但实际做下来往往会引入二进制变量：比如热泵启停状态、蓄热水箱充放热状态、或者分段COP曲线的区间选择。这就会把问题变成一个混合整数线性规划（MILP）或者混合整数二次规划（MIQP）。

在Matlab里我用的方案是Yalmip + Gurobi。Yalmip用来建模，Gurobi负责求解。如果实验室没有Gurobi，用Matlab自带的intlinprog也能跑，就是求解速度会慢一些，在场景数较多、调度周期较长的时候体验比较明显。为什么不用粒子群或者遗传算法？这类启发式算法在非线性、非凸问题上确实灵活，但MILP求解器能给出全局最优解和最优性间隙，而且代码可复现性更强。对于需要写论文、做对比实验的场景，MILP是更稳妥的底子。

3.4 多场景随机优化：把Copula场景嵌入调度模型

Copula在这里不只是用来做相关性分析，更重要的是生成优化模型的输入场景。流程是这样：

1. 用历史数据拟合Copula参数；
2. 用copularnd生成大量（比如2000个）联合分布采样点；
3. 逆变换回路得到风电、光伏出力场景；
4. 做场景缩减，得到10到20个典型场景及概率；
5. 把典型场景作为随机优化模型的输入，目标函数改成期望值形式。

这里多场景随机优化的目标函数就要考虑不同场景的概率权重：min Σ π_s · J_s，其中π_s是场景s的概率，J_s是场景s下的目标值。约束条件里的功率平衡也需要按场景分别列写；但热泵的决策变量可以设计成可调度变量，即每个场景都需要满足舒适温度约束，而实际调度时根据滚动更新只执行第一步。这种“前瞻优化+实时闭环”的思路，是让Copula场景从“统计工具”变成“调度工具”的关键。

4. Matlab代码实现：从场景生成、模型求解到结果可视化

4.1 第一段关键代码：Copula参数拟合与场景生成

从代码角度，我按模块整理了整个实现。第一个核心模块是Copula的拟合与采样。

% 历史数据读入，wind_hist和pv_hist分别是风电、光伏出力时间序列 wind_norm = ksdensity(wind_hist, wind_hist, 'function', 'cdf'); pv_norm = ksdensity(pv_hist, pv_hist, 'function', 'cdf'); % 在均匀空间估计Copula参数 [rho, nu] = copulafit('t', [wind_norm, pv_norm], 'Method', 'ApproximateML'); % 生成2000个t-Copula场景 copula_samples = copularnd('t', rho, nu, 2000); % 逆变换回出力空间 wind_scen = ksdensity(wind_hist, copula_samples(:,1), 'function', 'icdf'); pv_scen = ksdensity(pv_hist, copula_samples(:,2), 'function', 'icdf');

这一段有三个点值得注意。第一，ksdensity做核密度估计时，如果没有提前剔除弃风弃光时段，边缘分布会在零出力点形成一个很高的尖峰，导致条件采样失真。第二，copulafit用ApproximateML估计t Copula比完整极大似然快很多，但对应的自由度估计会有轻微偏差，样本量足够大时实际影响可接受。第三，逆变换回来之后要做越界截断——比如风电出力不能超过装机容量，光伏夜间出力必须钳位到零。

Copula生成的是统计场景，不是时序场景。如果优化模型要考虑爬坡约束，还需要给随机场景补充时间相关性——常用的做法是让每天的场景从同一组天气模式里提取，或者用马尔可夫过程对日内连续出力做再采样。这一步容易被忽略，但它直接影响到爬坡约束是否“有得救”。

4.2 场景缩减：两千个场景怎么变成十个

两三千个场景直接丢进MILP，求解时间会失控。实际工程里需要用场景缩减算法压缩规模。同步回代消除法是最常见的做法，核心思路是“在保留概率分布特征的前提下，逐步剔除最不典型的场景”。

% 场景缩减的简化实现：K-means聚类 num_scen = 10; [idx, C] = kmeans([wind_scen, pv_scen], num_scen, 'Replicates', 5); % 统计各簇概率 pi_s = histcounts(idx, num_scen) / length(idx); % 取簇中心作为典型场景 wind_typ = C(:,1); pv_typ = C(:,2);

K-means的优点是简单、速度快，但它做的是“几何聚类”而不是“概率距离压缩”，可能导致尾部极端场景被抹平。如果对极端场景的保留有严格要求，建议用同步回代法。Matlab里虽然没有内置函数，但实现起来也就是几十行的事，网上有很多开源版本可以改。

减完之后的10个典型场景，要画出来看一眼——如果场景集里完全没有“风电光伏同时高发”或者“同时低发”的场景，说明聚类过程把尾部削掉了，这在波动平抑问题里是致命的。

4.3 优化模型搭建：Yalmip建模的核心骨架

用Yalmip建模的关键是把变量、约束、目标函数分模块写清楚。我搭的模型骨架大概是这样的：

% 决策变量 P_tp = sdpvar(N, 1); % 热泵电功率 Q_hp = sdpvar(N, 1); % 热泵制热功率 T_in = sdpvar(N+1, 1); % 室内温度 P_g = sdpvar(N, 1); % 火电出力 P_sto = sdpvar(N, 1); % 储能功率（正放负充） Constraints = []; % 功率平衡 Constraints = [Constraints, ... P_wind + P_pv + P_g + P_sto == P_load + P_tp]; % 热泵模型 Constraints = [Constraints, ... Q_hp == COP .* P_tp, ... 0 <= P_tp <= P_tp_max, ... -P_tp_ramp <= diff(P_tp) <= P_tp_ramp]; % 建筑热动态 for t = 1:N Constraints = [Constraints, ... T_in(t+1) == T_in(t) + dt/(C_bld*R_bld) * (T_out(t)-T_in(t)+R_bld*Q_hp(t)-R_bld*Q_load(t))]; end Constraints = [Constraints, ... T_min <= T_in(2:end) <= T_max]; % 目标函数 Objective = w1 * sum((P_wind + P_pv + P_tp - mean(P_wind + P_pv + P_tp)).^2) / N ... + w2 * sum(diff(P_g).^2); % 求解 ops = sdpsettings('solver', 'gurobi', 'verbose', 0); optimize(Constraints, Objective, ops);

这里有一个容易踩的坑：Yalmip里矩阵和向量拼接时，维度一定要对齐。比如diff(P_tp)是N-1维向量，而原向量是N维，约束条件会不匹配。我一般会在后面补一个零值或者直接去掉最后一个时刻的爬坡约束。另外，如果风、光出力是多场景的，那么功率平衡约束要根据场景数量索引写循环，每个场景单独列一条平衡约束，不能直接用均值替代——否则就退化成了确定性优化。

4.4 结果可视化：净负荷曲线、SOC和室内温度

优化跑完之后，可视化至少要有三张图。第一张是原始净负荷与优化后净负荷的对比曲线，这是判断平抑效果最直观的依据；第二张是热泵电功率和室内温度曲线，用来确认热泵灵活性是否在合理范围内使用；第三张是火电出力曲线，看爬坡是否被削弱。

figure; subplot(2,1,1); plot(t_hours, net_load_original, 'LineWidth', 1.5); hold on; plot(t_hours, net_load_optimized, 'LineWidth', 1.5); legend('原始净负荷', '优化后净负荷'); ylabel('功率/MW'); grid on; subplot(2,1,2); yyaxis left; plot(t_hours, value(P_tp), 'LineWidth', 1.5); ylabel('热泵电功率/MW'); yyaxis right; plot(t_hours, value(T_in(2:end)), 'LineWidth', 1.5); ylabel('室内温度/°C');

这张图里如果出现热泵功率长期贴着上限、室内温度一直压在最高允许值，说明热泵的灵活性已经被“吃干榨净”了，这时候如果平抑效果还不达标，就得考虑加蓄热水箱或者增加储能。可视化不只是给人看的，也是快速诊断模型约束是否合理的手段。

5. 算例验证与效果分析：相关性考虑与否差多少

5.1 算例配置与对比方案设计

为了验证Copula相关性和热泵灵活性分别在波动平抑里起到什么作用，我设计了这样一个算例：一个区域系统，风电场装机300MW，光伏电站装机200MW，火电装机400MW，热泵集群总容量50MW，外加一组20MW/40MWh的储能作为参考对照。调度周期取24小时，时间粒度15分钟。负荷曲线采用典型冬季日数据，室外温度取冬季工况序列。

对比方案分成四组：

• 方案A：完全不考虑风光相关性（假设独立），也不启用热泵灵活性；
• 方案B：考虑风-光t-Copula相关性，但不启用热泵灵活性；
• 方案C：不考虑相关性，但启用热泵灵活性；
• 方案D：t-Copula相关性 + 热泵灵活性同时启用，也就是完整方案。

评估指标选了净负荷标准差、最大净负荷峰谷差、火电最大爬坡速率、以及调度周期内火电发电量这几个维度。

5.2 相关性建模对结果的影响

先看方案A和方案B的对比。基于同样的历史数据，方案A在“独立假设”下生成的风光场景里，极端同步出力场景占比明显偏低，因此优化模型倾向于把火电出力安排得相对平缓。但把方案A的调度策略放到真实相关性场景里去做回测，净负荷的标准差反而比方案B高了不少，最大值差距更明显——因为独立假设低估了风光同发的峰值，实际系统里“该压火电的时候没压住”。

这个结果很典型：忽略相关性的优化模型，在建模空间里表现得很好，但一放到真实相关场景里就“露馅”。方案B由于在场景生成阶段就嵌入了尾部相关性，调度策略会预留更充足的调整空间，因此真实场景下的净负荷波动要小得多。换句话说，Copula在这里的价值不是“让效果看起来更好”，而是“让优化结果在真实场景里真的有效”。

5.3 热泵灵活性的平抑效果与量化指标

再对比方案B和方案D，也就是在相关性建模的基础上，把热泵灵活性加进来。热泵的调节能力在白天光伏大发时段尤为明显：如果不加灵活性，光伏出力升高时火电必须大幅压出力；加了热泵灵活性后，热泵可以额外消纳一部分电力、把热能提前存储到楼体和蓄热水箱里，火电的压出力幅度明显减小。傍晚光伏退出、负荷上升时，热泵电功率可以适当下调，把中午存储的热量释放出来维持室温，相当于给电网腾出了一块“削峰填谷”的空间。

从我跑的数据看，方案D相对方案B的净负荷标准差下降了大约22%到30%，火电最大爬坡速率下降了接近四成。不过热泵灵活性也不是无限的，它受制于室温允许波动范围。室温区间放宽到18到24摄氏度时灵活性最大，但如果只允许20到22摄氏度，热泵能提供的调节空间会大幅缩水。调度人员必须在这两者之间找平衡点，而这恰恰是工程落地时要拍板的事情。

5.4 计算效率与实时性评估

最后说一下计算代价。用10个典型场景、96个调度时段、单个热泵集群的MILP模型，Gurobi求解时间大概在5到15秒之间。如果加上完整热泵启停二进制变量和分段COP曲线，求解时间会拉长到一两分钟，这对于日内滚动优化来说仍然在可接受范围内，但如果要做实时闭环控制，建议把调度周期缩短到4到6小时，或者把模型线性化程度再提高一些。

6. 工程化落地中的几个坑与实操建议

6.1 小样本下的相关性估计陷阱

做Copula拟合时，样本量决定了模型的可靠度。如果只有几周或者一两个月的运行数据，秩相关系数估计的置信区间非常宽，t Copula的自由度参数也容易拟合出极端值。这种情况下不推荐直接用Copula生成场景做调度决策。我个人的建议是：至少要有跨越多个季节的一整年数据，如果条件允许，把不同季节分开建模更好——风电和光伏在不同季节的相关结构其实是有差异的，秋冬季节大风天气多，风光同发的尾部相关性更明显。

6.2 边缘分布和Copula，哪个更重要

这一点我体会特别深。在做相关性建模时，很多人把注意力集中在Copula函数类型的选型上，但实际经验是：边缘分布的准确程度对最终场景质量的影响远大于Copula类型选择。如果边缘分布拟合偏差很大，哪怕Copula结构再精细，生成的场景也会在逆变换时被放大误差。所以我的建议是先花大力气把风电、光伏出力的边缘分布拟合好，尤其是出力为零和接近额定出力这两端的概率质量，再去优化Copula的选型。用的方法可以复杂到核密度估计，也可以简单到经验分布加平滑，关键是尾部不能太离谱。

6.3 热泵的启停次数和实际可调性

优化模型里热泵的功率可以任意连续调节，但真实热泵机组有最小运行时间、最小停机时间、启停次数限制等约束。如果完全忽略这些，模型给出的调度指令在实际系统里会打折扣——比如频繁启停会缩短压缩机寿命，也可能导致实际功率波动比指令更大。建议在模型中加入启停次数限制约束，或者至少在后处理阶段做一个“指令平滑”处理。对于集群热泵，还可以用轮询控制策略，让部分机组调节功率、部分机组保持稳定运行，把聚合灵活性和单台设备寿命都照顾到。

6.4 与滚动优化、日前-日内双层调度怎么衔接

最后分享一个工程落地层面的体会：单次开环优化在论文里够用，但在实际系统里一定要配合滚动优化。因为Copula场景是基于统计生成的，它刻画的是“长期概率分布”，而当天实际的风光出力受到短期数值天气预报的决定性影响。工程上常见的做法是“日前计划+日内滚动修正”：日前用Copula场景做机组组合和热泵日前计划，日内每隔15分钟或1小时获取一次最新的天气预报，重新优化热泵功率和储能出力，把模型预测误差实时修正掉。

这套方案真正落地的时候还需要考虑通信延迟、数据质量、控制系统的执行精度。但至少在算法层面，Matlab的整套实现是可以支撑从场景生成、优化决策到结果可视化的完整闭环的，这也是我这套代码最想提供给大家参考的价值。

如果你正在做类似方向的研究，我建议先别急着堆模型复杂度，把Copula场景这一环做扎实，再慢慢加热泵、储能这些灵活性资源。相关性建模的误差会传导到后续每一个环节，这个底子打好了，后面的优化调度才谈得上可信。