构建高效可再生能源混合管理系统仿真

本文还有配套的精品资源，点击获取

简介：本文探讨了基于光伏和风能的混合管理系统仿真模型，使用Simulink工具对风光混合系统进行建模与分析。该模型能够解决单一能源供应的不稳定性，通过互补效应提高能源利用效率，确保电网的稳定电力输出。研究包括了能量存储系统、智能调度算法、电网接入技术、故障检测与恢复策略、经济性分析及环境影响评估等方面，旨在为实际工程应用提供理论支持和参考。

1. 可再生能源混合管理系统的重要性

在当今的能源领域，随着全球气候变化问题的日益严峻，可再生能源混合管理系统的开发与优化成为了推动能源结构转型的关键。混合管理系统不仅为可再生能源的稳定供应提供了技术保障，而且在提高能源使用效率、降低环境污染、促进能源安全等方面具有重要的作用和深远的意义。

可再生能源，如太阳能和风能，在本质上具有间歇性和不稳定性。因此，混合管理系统通过整合多种能源源，可以有效地缓解这一问题。例如，风能和太阳能通常具有互补性：在风力较弱时，太阳能可能较强，反之亦然。混合管理系统可以通过智能调度算法，优化不同能源的输出和储能系统的工作，以实现全天候的能源供给。

此外，可再生能源的普及还需要考虑经济性问题。混合管理系统在减少能源成本、提高系统运行效率方面发挥着关键作用，同时，它还可以降低对传统能源的依赖，增强能源安全。本章将深入探讨混合管理系统在促进可再生能源产业发展中的重要性，并为后续章节中具体技术的应用奠定基础。

2. Simulink仿真模型的应用

2.1 Simulink仿真软件简介

2.1.1 Simulink软件功能概述

Simulink是MathWorks公司推出的一款基于图形界面的多领域仿真和基于模型的设计工具。它允许工程师在MATLAB环境下，以直观的方式建立和模拟动态系统。Simulink可用于电路仿真、信号处理与通信、控制系统设计、图像和视频处理、以及快速原型设计等领域。Simulink支持连续、离散，以及混合信号系统的设计，它提供了丰富的预定义库，包括数学运算、信号源、信号接收器、系统级组件等，这些库中的模块能够以拖放的方式组合成复杂的系统。

通过Simulink，工程师能够构建模型，执行模型仿真，并进行多域系统建模。Simulink的强项在于其具有高度的可扩展性，用户不仅能使用内置库中的模块，还可以创建自定义模块来扩展库的功能。

2.1.2 Simulink与Matlab的集成

Simulink与Matlab的紧密集成是它的一个核心优势。Matlab是科学计算、数据分析以及算法开发的重要工具，它提供了一个高级语言环境，让工程师可以编写脚本、进行数学计算和开发复杂的算法。Simulink作为Matlab的一个附加产品，使得工程师可以在Simulink模型中直接调用Matlab函数、变量和脚本。

集成后，用户可以在Simulink中直接利用Matlab的数值计算和可视化功能，进行数据处理和分析。例如，可以用Matlab编写一个特定的信号处理算法，并在Simulink模型中通过MATLAB Function模块来调用这个算法。此外，Matlab的Simulink Control Design™、Simulink Design Optimization™等工具箱能进一步扩展Simulink在控制系统和优化领域的应用。

2.2 基于Simulink的模型构建

2.2.1 模型创建的基本步骤

使用Simulink构建仿真模型，通常遵循以下基本步骤：

1. 打开Simulink：在Matlab命令窗口输入 simulink ，然后按回车键，打开Simulink库浏览器。
2. 创建新模型：可以通过点击"新建模型"，或者使用 new_system 命令在Matlab命令窗口创建一个新的Simulink模型。
3. 添加模型组件：通过从Simulink库中拖拽所需的模块到模型编辑区域，构建系统的仿真模型。常见的模块包括源模块(source blocks)、数学运算模块、信号接收器模块(sink blocks)等。
4. 配置模块参数：双击模型中的模块，设置适当的参数来定义其行为。
5. 连接模块：通过拖拽鼠标从一个模块的输出端口连接到另一个模块的输入端口，完成模型的信号流路径设置。
6. 运行仿真：在模型窗口中点击"运行"按钮，Simulink将根据模型的配置执行仿真。

2.2.2 模块化设计与仿真效率

模块化设计是Simulink中非常关键的一个概念。通过将复杂系统分解成更小的、可管理的部分，Simulink允许用户在不同的抽象层面上工作。每个模块都可以独立设计和测试，从而简化了设计过程并提高了开发效率。

模块化设计的好处包括：

• 重用性 ：模块可以被多次使用在不同的系统中，节省了设计时间。
• 可维护性 ：系统更加清晰，当需要修改某个特定功能时，工程师只需修改对应的模块。
• 扩展性 ：如果系统需求变化，工程师可以方便地添加新模块或修改现有模块，而不需要重构整个模型。

为了优化仿真效率，Simulink允许设置仿真参数，比如仿真的起始和结束时间、步长大小、求解器类型等。合理配置这些参数，可以提高仿真的精确度和速度，从而达到更高的效率。

2.3 仿真模型的测试与验证

2.3.1 参数调整与模型优化

在进行仿真时，参数调整是必要的步骤，以确保模型能反映真实系统的行为。Simulink提供了丰富的参数调整工具，如参数扫描、参数化仿真等，这有助于识别和优化系统性能。

• 参数扫描 ：通过改变一个或多个参数，可以运行一系列仿真，观察这些参数如何影响系统行为。
• 参数化仿真 ：当系统中某些参数未知或不确定时，可以通过参数化仿真探索参数的最佳值。

模型优化过程可能涉及到对模型结构的调整和参数精细调整。在Simulink中，用户可以使用内置的优化器如Simulink Design Optimization™来自动进行参数优化，该工具通过迭代过程寻找最佳参数，以满足设计规格或性能指标。

2.3.2 结果分析与故障诊断

仿真完成后，通常需要对结果进行分析，以验证模型的正确性，并对潜在问题进行诊断。Simulink提供了丰富的工具和视图用于结果分析，包括时域和频域分析、数据可视化工具等。

• 时域分析 ：检查系统在时间变化下的响应，如系统输出随时间的变化曲线，以确保其满足设计要求。
• 频域分析 ：对系统进行频率响应分析，评估系统在不同频率下的行为，这对于理解系统的稳定性和动态特性非常重要。

故障诊断方面，Simulink允许用户设置断点，单步执行模型运行，这样可以帮助追踪仿真过程中的异常行为和错误。此外，Simulink提供了数据记录和查看功能，用户可以在仿真过程中或完成后捕获关键信号数据，以便进行深入分析。

在Simulink中，通常可以通过以下代码段来实现一个简单的仿真模型并分析结果：

% 打开新模型
new_system('myModel');
open_system('myModel');

% 添加仿真模块并设置参数
add_block('simulink/Sources/Signal Generator', 'myModel/SignalGenerator');
set_param('myModel/SignalGenerator', 'Amplitude', '1', 'Frequency', '5', 'WaveForm', 'sine');

% 添加传递函数模块
add_block('simulink/Continuous/Transfer Fcn', 'myModel/TransferFcn');
set_param('myModel/TransferFcn', 'Numerator', '[1]', 'Denominator', '[1 3 2]');

% 添加示波器显示结果
add_block('simulink/Sinks/Scope', 'myModel/Scope');
add_line('myModel', 'SignalGenerator/1', 'TransferFcn/1');
add_line('myModel', 'TransferFcn/1', 'Scope/1');

% 配置仿真参数并运行仿真
set_param('myModel', 'StopTime', '10');
sim('myModel');

% 打开示波器查看结果
open_system('myModel/Scope');

在上述代码中，我们创建了一个新的Simulink模型 myModel ，添加了一个信号发生器、一个传递函数模块和一个示波器。通过设置参数来配置这些模块，然后运行仿真，并打开示波器来查看系统响应。

通过这种方式，工程师可以快速创建模型，执行仿真，并对结果进行初步的分析。对于更复杂的分析，Simulink提供了高级的功能和工具，如模型检查工具、性能分析工具和报告生成工具等，这些都是在实际工程项目中不可或缺的。

3. 光伏系统的工作原理与影响因素

光伏系统作为可再生能源混合管理系统的重要组成部分，其高效、清洁的特性使其在全世界范围内得到了广泛应用。了解光伏系统的工作原理及其影响因素对于提升光伏系统的效能和实现高效能源管理具有重要意义。

3.1 光伏系统的基础知识

在深入探讨光伏系统的影响因素之前，有必要先了解光伏系统的基础知识，包括光伏效应与发电原理，以及光伏组件的类型和特点。

3.1.1 光伏效应与发电原理

光伏效应（Photovoltaic Effect）是指某些材料在受到光照时，光子的能量被材料吸收，激发出电子，形成自由电子和空穴对，从而产生电位差的现象。半导体材料如硅（Si）是最常见的光伏效应应用材料。

光伏发电系统的运行原理基于光伏效应。当太阳光照射到光伏组件上时，光子的能量将激发光伏组件中的电子，产生电流。电流通过逆变器转换为交流电后，即可供家庭或工业使用。

3.1.2 光伏组件的类型与特点

光伏组件是将多个光伏电池封装在一起，用以产生较大电流和电压的设备。根据光伏电池材料的不同，光伏组件主要分为以下几种类型：

• 单晶硅组件：由于单晶硅材料的纯净度高，其光电转换效率也相对较高，一般在15%-20%之间。
• 多晶硅组件：多晶硅材料的制造成本相对较低，光电转换效率略低于单晶硅组件，但仍然能够达到13%-16%的水平。
• 薄膜组件：使用非晶硅、CdTe或CIGS等薄膜技术制成的光伏组件，成本更低，但效率相对较低，通常为10%-12%。

各种类型的光伏组件各有优缺点，选择合适的光伏组件需要综合考虑成本、效率、环境适应性等因素。

3.2 光伏发电的影响因素

光伏系统的效能受到众多因素的影响，如气候和环境条件、系统设计等。了解这些因素的作用和如何优化这些因素，对于提高光伏发电系统的效率至关重要。

3.2.1 气候与环境对光伏的影响

气候条件，特别是太阳辐射强度和温度，直接影响光伏电池的工作状态和发电效率。太阳辐射强度越高，发电量通常越大。温度升高则会导致光伏电池的效率下降，因为高温会增加载流子的复合概率，减少可利用的电荷载流子数量。

此外，环境因素如灰尘覆盖、阴影遮挡等也会对光伏电池的性能产生不利影响。因此，定期的清洁和维护工作是提高光伏发电系统效率的重要手段。

3.2.2 系统设计对效率的作用

一个良好的光伏系统设计可以最大化利用可用的太阳辐射，从而提高发电效率。系统设计应考虑以下方面：

• 方位和倾斜角：确保光伏组件面向阳光最为充足的方位，并调整适当的倾斜角度，以获得最佳的太阳辐射吸收。
• 组件串并联配置：合理配置组件的串并联方式，以匹配逆变器的最佳工作电压和电流，降低能量损耗。
• 避免遮挡和阴影效应：在设计阶段就考虑到建筑物、树木或其他障碍物可能产生的遮挡问题。

通过精确设计，可以使光伏发电系统达到较高的能源转换效率和经济效益。

3.3 光伏系统的运行与监控

为了确保光伏系统的高效运行，采用先进的技术手段进行监控和控制是必不可少的。例如，最大功率点跟踪技术（MPPT）和数据采集与远程监控策略可以显著提高光伏系统的运行效率。

3.3.1 最大功率点跟踪技术

最大功率点跟踪技术（MPPT）是一种智能算法，它能够在不同的环境条件下动态调整光伏系统的运行点，以确保光伏电池始终在最大功率点工作。MPPT控制算法根据光伏电池的伏安特性曲线，实时计算出最大功率点的位置，并进行相应的电压或电流调整。

常见的MPPT算法包括扰动观察法（P&O）和增量电导法（IncCond）。这些算法的核心思想是通过测量并比较光伏发电系统的输出功率，来追踪最大功率点。

3.3.2 数据采集与远程监控策略

随着信息技术的发展，远程监控和数据采集技术已经成为现代光伏系统不可或缺的一部分。通过远程监控系统，操作人员可以实时监测光伏系统的工作状态，及时发现和解决问题。

远程监控系统通常包括传感器网络、数据通信和管理软件三个核心部分。传感器负责收集光伏组件的温度、电压、电流等关键数据，数据通信模块负责将数据上传到云端或本地监控中心，而管理软件则负责处理数据，提供实时状态监测、数据分析、报警等功能。

以下是一段示例代码，展示如何利用Python语言结合一个简单的传感器数据接口来实现MPPT算法的模拟：

import random

# 假设这是一个用于模拟光伏电池特性的函数
def simulate_pvs_characteristics(Voltages):
    power_at_each_voltage = []
    for v in Voltages:
        # 这里的模拟是简化了的，实际情况会复杂得多
        power = v * (random.uniform(0.8, 1.2) * 10 - 5) # 随机生成一个受温度影响的功率曲线
        power_at_each_voltage.append(power)
    return power_at_each_voltage

# 设置一个目标电压，MPPT将尝试接近这个电压值
target_voltage = 32  # 假定目标电压为32V

# 设置光伏电池电压范围
Voltage_Range = list(range(0, 60))  # 0V到60V
Powers = simulate_pvs_characteristics(Voltage_Range)  # 获得不同电压下的功率值

# 这里使用简单的P&O算法
def MPPT(Voltages, Powers):
    # 选择初始工作点
    i = 0
    working_voltage = Voltages[i]
    working_power = Powers[i]
    next_voltage = working_voltage
    while True:
        next_power = Powers[Voltage_Range.index(next_voltage)]
        if next_power > working_power:
            working_power = next_power
            working_voltage = next_voltage
            # 向左或向右移动一个步长
            next_voltage += 1 if next_voltage < max(Voltage_Range) else -1
        else:
            break
    return working_voltage, working_power

# 运行MPPT算法并打印结果
working_voltage, working_power = MPPT(Voltage_Range, Powers)
print("The MPPT voltage is: {}V, and the working power is: {}W".format(working_voltage, working_power))

代码逻辑分析和参数说明： - simulate_pvs_characteristics 函数模拟了一个简化的光伏电池特性。它接收一系列电压值，并返回每个电压对应的功率输出。 - MPPT 函数实现了扰动观察法（P&O），该函数通过不断扰动（增加或减少电压）来寻找最大功率点。 - 代码使用随机数来模拟实际环境中的不确定性因素，如温度变化对电池性能的影响。

通过上述章节内容的分析和代码示例的展示，读者可以更好地理解光伏发电系统的工作原理和影响因素，并对如何优化光伏系统性能有一个清晰的认识。

4. 风能系统的工作原理与影响因素

风力发电机是一种以风为动力源，将风能转换为机械能，进而转换为电能的设备。风力发电作为全球增长最快的可再生能源技术之一，在推动能源结构转型和减缓气候变化方面发挥着重要作用。本章节将深入探讨风能系统的工作原理、关键影响因素以及运行优化策略，为读者提供全面的风能系统分析框架。

4.1 风能发电的基本原理

风力发电机是将风的动能转换成电能的装置。风能够提供巨大的能量，这种能量的转换效率对风能系统的整体性能至关重要。

4.1.1 风力发电机的工作机制

风力发电机主要由叶片、齿轮箱、发电机、控制器、塔架和基础等部分组成。风力发电机的工作原理基于贝兹(Betz)理论，即在最佳条件下，风力发电机可以捕获风能中的59.3%转化为机械能，进而通过发电机转化为电能。叶片捕获风能并驱动齿轮箱转动，后者再通过减速增扭传递到发电机，最后转换为电能输出。

4.1.2 风能转换效率的评估

风能转换效率是衡量风力发电机性能的重要指标。其评估不仅仅局限于单一的设备效率，还包括整个风力发电系统的性能，包括环境因素、系统布局和维护状态等。通过模拟和实际测试，可以优化风力发电机的设计，提高其效率。

4.2 风能系统的关键影响因素

风力发电系统的设计、安装和运行受多种因素的影响，主要包括风速、风向、气候条件以及系统配置等。

4.2.1 风速和风向的实时监测

风速和风向是影响风力发电性能的两个最重要的外部因素。监测系统需要实时提供准确数据，以便做出相应的调整，确保发电效率最大化。通常使用风速计和风向标进行数据采集，配合高级数据分析方法以预测风力发电的可能输出。

4.2.2 系统配置与环境适应性

风能系统的配置需考虑多方面因素，如地理位置、地形、气候条件等，以确保系统在不同环境条件下的适应性。优化设计包括选择合适的风力发电机型号、布局规划，以及维护策略等，旨在减少环境因素带来的不利影响，增强系统稳定性。

4.3 风能系统的运行优化策略

为了使风能系统更高效、更经济地运行，需要对发电功率控制、维护和可靠性等方面进行优化。

4.3.1 发电功率控制与优化

通过实现有效的发电功率控制，可以最大化风力发电机的功率输出。这通常涉及复杂的控制算法，包括利用预测模型来适应风速变化，以及使用变桨距系统和偏航系统来调整叶片角度和方向，以获得最佳风能捕获效果。

4.3.2 风能系统维护与可靠性提升

风力发电系统的可靠性和维护成本直接关联到系统的经济效益。通过引入预测性维护策略，可以提前发现潜在的故障，减少停机时间。例如，使用振动分析和温度监控等方法，可以实现对叶片、齿轮箱和发电机的持续健康监测。

graph TD;
    A[风速和风向数据采集] --> B[实时分析与预测]
    B --> C[发电功率控制]
    C --> D[风力发电机性能优化]
    D --> E[系统维护决策]
    E --> F[提高系统可靠性]

通过上述流程图我们可以看到，风能系统的工作优化涉及到数据采集、实时分析、功率控制、性能优化和系统维护的综合过程。以上每一个环节都需要精心设计和控制，以确保风能系统能够稳定运行，效率最大化。

在本章节的探讨中，我们详细分析了风能发电的工作原理、关键影响因素以及运行优化策略。下一章节，我们将继续探讨储能系统在可再生能源中的作用与效益。

5. 能量存储系统的作用与效益

在可再生能源领域，能量存储系统（ESS）是确保能源供应连续性和电网稳定性不可或缺的组成部分。随着可再生能源技术的快速发展，尤其是风能和太阳能的广泛应用，ESS的重要性日益凸显。本章将深入探讨储能系统在可再生能源中的地位、技术类型及应用，并着重分析其经济效益，以期为行业内的专业读者提供详尽的参考信息。

5.1 储能系统在可再生能源中的地位

5.1.1 储能技术概述

储能技术为电能的存储提供了多种解决方案，以解决可再生能源发电的间歇性和不稳定性问题。从传统的铅酸电池到现代的锂离子电池，再到未来的固态电池，技术的演进代表了人类对更高效、更安全、更经济的储能方式的不断追求。在可再生能源领域，ESS不仅提高了电力系统的灵活性和效率，还在一定程度上减少了对化石能源的依赖，为实现能源转型贡献了巨大力量。

5.1.2 储能系统与电网稳定性的关系

电网稳定性是指电网在负载变化下仍能保持频率和电压稳定的能力。ESS在其中扮演了重要角色，它可以在电网负载低时存储多余电能，在负载高时释放储存的电能，实现供需平衡。特别是在可再生能源发电占比不断提高的情况下，ESS对于平滑发电波动、减少峰值负荷、降低电网整体成本具有极其重要的意义。

5.2 储能技术的类型与应用

5.2.1 电池储能技术

电池储能技术，尤其是锂离子电池技术，已经成为当前应用最广泛、技术最成熟的储能形式之一。它具有能量密度高、寿命长、维护成本低等特点。锂离子电池在电动汽车、便携式电子产品中得到了广泛应用，并逐步拓展至电网级储能系统。为了解决锂离子电池的某些缺陷，如安全隐患和环境问题，研究人员正在开发固态电池等新型电池技术，以期实现更高的能量密度和安全性。

5.2.2 超级电容器与飞轮储能

除了电池储能，超级电容器和飞轮储能技术也在特定应用场合显示出独特优势。超级电容器能在几秒内充放大量电能，适用于需要快速能量释放的场合，如电力系统中的瞬时功率支撑。飞轮储能则通过加速旋转的飞轮储存机械能，电能存储于磁场中，用于平衡电网负载波动。与电池储能相比，这两种技术具有更高的循环寿命和几乎无维护的特点，但目前成本相对较高，限制了它们的大规模应用。

5.3 储能系统的经济效益分析

5.3.1 成本与效益的评估模型

对储能系统的经济效益分析是决定其市场竞争力的关键因素。评估模型通常涉及初期投资成本、运营维护成本、寿命期限、效率以及相关税收和补贴政策等因素。通过这些参数的综合分析，可以评估ESS在特定应用场景下的成本效益比（C/B比），为决策者提供科学的参考依据。

5.3.2 储能系统在新能源市场的竞争力

储能系统在新能源市场中的竞争力主要体现在其能否为电网运营商提供具有成本效益的服务。随着技术进步和生产规模的扩大，ESS的成本正在逐步降低。此外，ESS还能为电力市场带来一系列间接经济效益，如需求响应服务、频率调节、备用电源等。因此，尽管储能系统本身需要较大的初期投资，但从长远来看，其在提高能源效率、提升电网灵活性等方面展现出巨大潜力，正逐步增强其在市场中的竞争力。

6. 智能调度算法与系统仿真优化

6.1 智能调度算法的理论基础

智能调度算法是现代能源管理系统中的核心技术，它的发展历经了从简单的启发式算法到复杂的机器学习算法的演变。调度算法的分类繁多，按其工作原理可以分为静态调度算法和动态调度算法。

6.1.1 调度算法的发展与分类

• 静态调度算法 ：在系统运行前，根据一系列已知条件进行计划安排，例如优先级调度、轮转调度等。
• 动态调度算法 ：在系统运行中实时收集信息并动态调整调度策略，如基于事件的调度和智能优化算法（遗传算法、粒子群优化等）。

智能调度算法在能源管理中的作用体现在能够根据系统的实时状态，自动调整运行参数，优化系统性能，减少能源浪费。

6.2 智能调度算法在仿真中的应用

在仿真环境中实现智能调度算法，需要构建精确的算法模型，并通过仿真来验证其性能。智能调度算法能够帮助系统管理者更好地理解不同调度策略对系统效率的影响。

6.2.1 算法模型的构建与实现

构建算法模型需要明确模型的目标函数、约束条件以及相关的调度策略。以混合动力汽车的能量管理系统为例，其调度算法模型通常包括：

• 目标函数：最大化能源效率，延长电池寿命。
• 约束条件：电池容量限制、功率需求、行驶速度。
• 调度策略：预测算法、实时调整策略、退化管理。

代码示例（伪代码）展示如何构建一个简单的调度策略：

# 伪代码：简单能源调度策略
def energy_scheduling(battery_level, power_demand):
    if battery_level > threshold and power_demand < low_threshold:
        # 当电池剩余电量高于阈值且功率需求低时
        activate_energy_saving_mode()
    elif battery_level < threshold:
        # 当电池剩余电量低于阈值时
        power_management_to_optimize_efficiency()
    # 其他情况根据实时数据调整策略
    else:
        real_time_adjustment()

# 模拟仿真过程
simulate_scheduling(energy_scheduling)

6.2.2 调度策略的优化与评价

调度策略的优化通常涉及多目标优化问题，需要平衡能源效率、成本、环境影响等多个因素。评价调度策略的性能可以使用一系列指标，如能耗、运行成本、可靠性、响应时间等。

6.3 混合系统的经济性与环境影响分析

评估混合可再生能源系统的经济性和环境影响是系统优化的重要环节。这涉及到多方面的考量，包括系统配置、运行效率、设备寿命等因素。

6.3.1 经济性评估的方法与指标

经济性评估常用的方法有生命周期成本分析(LCCA)、净现值(NPV)、内部收益率(IRR)等。通过这些方法，可以对系统的长期经济效益进行评估。

6.3.2 环境影响评估模型及案例分析

环境影响评估模型包括碳足迹计算、生态系统服务影响评估等。案例分析则需要收集具体系统的运行数据，运用模型进行模拟分析，从而得出系统的环境影响。

通过本章节的讨论，我们不仅深入了解了智能调度算法的理论基础，而且掌握了如何在仿真环境中应用这些算法，以及如何评价和优化混合系统的经济性和环境影响。接下来章节将深入探讨系统的实际应用和未来发展趋势。

本文还有配套的精品资源，点击获取

简介：本文探讨了基于光伏和风能的混合管理系统仿真模型，使用Simulink工具对风光混合系统进行建模与分析。该模型能够解决单一能源供应的不稳定性，通过互补效应提高能源利用效率，确保电网的稳定电力输出。研究包括了能量存储系统、智能调度算法、电网接入技术、故障检测与恢复策略、经济性分析及环境影响评估等方面，旨在为实际工程应用提供理论支持和参考。

本文还有配套的精品资源，点击获取