基于衛星遙感的超短期分布式光伏功率預測

劉曉艷 王 玨 姚鐵錘 張 沛 遲學斌

基于衛星遙感的超短期分布式光伏功率預測

劉曉艷1,2王 玨1,2姚鐵錘1,2張 沛3遲學斌1,2

（1. 中國科學院計算機網絡信息中心 北京 100190 2. 中國科學院大學 北京 100040 3. 華東交通大學 南昌 330013）

光伏功率預測對于電網調度具有重要意義。該文針對缺少輻照度測量裝置的分布式光伏電站，提出一種基于衛星遙感的超短期分布式光伏功率預測方法。首先基于Res-UNet模型對短波輻照（SWR）網格進行時空預測；然后對預測的SWR網格進行空間插值得到地面分布式站點的未來輻照度；最后構建基于編解碼器的長短期記憶（LSTM）模型預測光伏出力。其中Res-UNet可以充分學習SWR網格的時空相關性，LSTM通過引入日編碼和時間編碼可以更好地學習輻照度的年周期性和日周期性。在真實光伏電站上的功率實驗表明，與以數值天氣預報輻照度為輸入的光伏功率預測方法相比，以Res-UNet+插值預測的輻照度為輸入的光伏功率預測方法實現了更高精度的超短期光伏功率預測。

超短期光伏功率預測 衛星遙感 Res-UNet 輻照度 時空相關性 短波輻照（SWR）

0 引言

近年來，可再生能源的開發和應用受到越來越多的重視，而光伏發電是對太陽能這種可再生能源最主要的應用方式之一[1-2]。光伏電站包含集中式和分布式兩類，其中分布式光伏的裝機容量占比逐年上升，發展迅速[3-4]。分布式光伏往往安裝在行政單位、工商業和住宅屋頂等載體之上，與集中式光伏相比，其綠色環保、成本適宜、隨發隨用的特點得到更好體現，在自發自用的同時，還可以做到余電并網[3,5]。但由于分布式光伏安裝地點較為分散，裝機容量小，缺少氣象量測裝置，無法獲得當地的輻照度等氣象數據，因此面臨無氣象數據的功率預測挑戰。精準的超短期光伏發電功率預測對于光伏電站的優化運行、光伏電力系統的調度安排以及電網的安全穩定與經濟運行發揮著重要作用[6-9]。因此針對分布式電站的超短期光伏功率預測有著十分重要的意義[10]。

隨著人工智能技術的發展，許多學者采用機器學習、深度學習方法對光伏出力進行預測。影響光伏出力的主要因素是太陽輻照度[11-12]，對于集中式光伏，往往以歷史光伏功率和輻照度等氣象數據構建輸入特征進行預測。文獻[13]以歐氏距離進行相似時的選取，以歷史相似時的光伏出力、太陽輻照度、相對濕度和溫度，以及未來待預測時刻的太陽輻照度等數值天氣預報（Numerical Weather Prediction, NWP）預測值作為最小二乘支持向量機模型（Least Square Support Vector Machine, LS-SVM）的輸入，對未來以15min為步長的1h進行光伏出力的預測。文獻[14]結合長短期記憶（Long Short-Term Memory, LSTM）單元與注意力（Attention）機制，預測下一個15min的光伏功率，該模型以歷史時刻的光伏功率、實測輻照度和溫度作為輸入特征，以Attention機制對LSTM的輸入特征賦予不同的權重，使得預測更加精準。

針對分布式光伏電站的功率預測方法與集中式不完全相同。由于分布式站點小而分散，往往沒有氣象測量裝置，因此部分站點采用數值天氣預報的結果，但數值天氣預報每12h更新一次的輻照度預測結果，與實地量測的誤差較大，無法有效支撐分布式光伏的超短期預測；還有部分分布式站點出于成本考慮沒有付費購買數值天氣預報數據，因此分布式光伏的歷史序列往往缺失輻照度這一主要特征，造成預測精度的損失[15]。除上述方法外，文獻[16]提出的超短期分布式功率預測方法考慮了站點間的空間相關性，首先采用層次聚類（Hierarchical Clustering）方法得到電站間的空間相關性，進一步獲得所求電站與其相關電站間的空間映射關系，然后使用神經網絡（Neural Network, NN）方法預測相關光伏電站的未來功率，最后結合相關電站的功率預測值和空間映射關系，獲得所求電站的預測功率。但絕大多數分布式光伏電站周圍無法找到具有氣象信息的相關光伏站點，該方法適用性還存在一些問題。

研究太陽輻照度的預測對于預測分布式光伏發電功率具有重要意義[17]。衛星遙感數據的獲取依賴衛星，覆蓋范圍大且有公開數據集支持，適合于無輻照度測量值的分布式光伏站點。文獻[18]結合“風云四號”衛星的云覆蓋率等產品，將光伏站點地面觀測氣象數據中的3h變壓、溫度、相對濕度等一起作為門循環單元（Gate Recurrent Unit, GRU）模型的輸入，進行了時間分辨率為1h的輻照度預測，由于“風云四號”衛星每1h進行一次全盤觀測，所以無法在更小的時間尺度上進行功率的預測；文獻[19]通過識別兩個連續圖像中的匹配區域來確定云運動矢量，從而實現逐15min的輻照度預測，然后基于統計分析的組合方法與NWP模型的結果進行加權組合作為最終預測結果，實驗結果表明基于云運動矢量的預測方法優于NWP方法，組合預測優于單一預測。但上述方法只考慮了時間相關性而沒有考慮空間相關性，且均需要對圖像進行處理，增加了算法復雜度，另外也沒有考慮衛星數據的獲取延遲。

云層厚度及太陽高度角是影響太陽輻照度大小的主要因素，相近位置上的太陽輻照度在相近的太陽高度角和相近的云層厚度作用下，具有空間相關性。本文基于深度學習方法提取衛星遙感數據的時空特征用于超短期分布式功率預測。該方法采用Res-UNet模型對短波輻照（Short Wave Radiation, SWR）網格進行時空預測，得到分布式站點的未來輻照度，然后在預測的輻照度基礎上使用LSTM[20-21]模型進行功率預測。SWR產品是在日本地球同步衛星“葵花8”號（Himawari-8）探測的遙感數據基礎上計算得到的，可近實時獲取。Himawari-8每隔10min獲取一次數據，探測范圍為東經80°～西經160°，南緯60°～北緯60°，經緯度步長均為0.05°，對應到地面上約為5km，探測的數據均為2 401×2 401的矩陣，SWR網格同樣是2 401×2 401的矩陣，對應每個經緯度位置上的太陽輻照度。SWR網格的引入彌補了站點無氣象測量的不足。

1 基于衛星遙感的超短期分布式光伏功率預測方法

為更準確地完成對分布式光伏發電功率的預測，考慮加入站點未來時刻的輻照度特征。SWR網格由于其低延遲、覆蓋范圍大、分辨率高、公開免費的特點，適合用于構建分布式站點的輻照度特征。基于衛星遙感的超短期分布式光伏發電功率預測框架如圖1所示，基于衛星遙感的超短期分布式光伏功率預測的實現需要三個模塊：模塊1是基于Res-UNet的SWR網格預測；模塊2是基于雙線性插值（Bilinear Interpolation）[22]的分布式站點輻照度估算；模塊3是基于LSTM的分布式光伏功率預測。首先模塊1以歷史SWR網格序列作為Res-UNet模型的輸入，對未來時刻的SWR網格進行預測；然后模塊2將模塊1輸出的未來時刻SWR網格點上的輻照度映射到分布式站點上，從而得到分布式站點的未來輻照度，該模塊是為了解決SWR網格點和分布式站點不重合的問題；最后模塊3將模塊2得到的站點未來輻照度作為LSTM輸入特征之一，對未來的光伏發電功率進行預測，進而獲得功率預測值。下面將具體闡述以上三個模塊。

圖1 基于衛星遙感的超短期分布式光伏發電功率預測框架

1.1 基于Res-UNet的SWR網格預測

SWR網格的時空預測本質上是一個網格到網格的生成問題，U-Net網絡[23]的編碼器-解碼器（Encoder-Decoder）結構可以解決該問題。如圖1所示，Res-UNet采用了U-Net的編碼器-解碼器的結構，網絡左半部分為編碼器，右半部分解碼器。由于輸入的SWR網格時空特征復雜且尺寸較大，實現逐像素點的輻照度預測要求網絡能夠擬合復雜的映射公式，而加深網絡層數是提升網絡表達能力的有效方式。Res-UNet網絡在UNet網絡基礎上引入殘差塊（Residual Block[24]，記為Res-block）結構，有效地解決了網絡加深帶來的梯度彌散。

圖2 SWR網格獲取延遲的示意圖

1）殘差塊

圖3中的殘差塊為模型使用的殘差塊，貫穿網絡結構中。

圖3 殘差塊

2）編碼器

3）解碼器

1.2 基于雙線性插值的分布式站點輻照度估算

圖4 SWR網格點與地面站點的空間插值示意圖

1.3 基于LSTM的分布式光伏功率預測

在地球的公轉和自轉的作用下，光伏發電功率變化呈現周期性[25]，在光伏功率預測模型中加入日期編碼和時間編碼可以更好地學習光伏發電的年周期性和日周期，從而實現更精準的預測。

一天和一年的秒數分別為

1.4 基于衛星遙感的超短期分布式光伏功率預測流程

基于衛星遙感的超短期分布式光伏功率預測流程如圖5所示，基于衛星遙感的超短期分布式光伏功率預測流程主要包括四個模塊：數據預處理模塊、基于Res-UNet的SWR網格預測模塊、基于雙線性插值的分布式站點估算模塊及基于LSTM的分布式光伏功率預測模塊。數據預處理模塊包含SWR矩陣的剪裁、時序文件的生成以及對訓練集和測試集的劃分等。數據預處理后的SWR網格序列會作為基于Res-UNet的SWR網格預測模塊的輸入。

圖5 基于衛星遙感的超短期分布式光伏功率預測流程

基于Res-UNet的SWR網格預測模塊以歷史SWR網格序列為輸入，輸出SWR網格在未來多個時刻的預測值。基于雙線性插值的輻照度估算模塊則是在Res-UNet預測的SWR網格基礎上，結合地面站點的經緯度信息，對分布式站點進行輻照度估算。以上兩個模塊完成了對分布式站點未來輻照度的預測。基于LSTM的分布式光伏功率預測模塊結合分布式站點的發電功率、發電時間信息和基于雙線性插值的輻照度估算模塊輸出的分布式站點的未來輻照度，完成對分布式站點未來功率的預測。三個模塊均采用離線模型，保證線上推斷的時效性，并定期利用新數據進行模型微調，提高模型的預測能力和泛化性。

2 案例分析

2.1 分布式站點輻照度預測結果對比分析

表1 Res-UNet的網絡參數設置

Tab.1 Network parameter setting of Res-UNet

光伏站點的輻照度預測實驗結果見圖6和表2。圖6展示了2h輻照度預測實驗的預測對比結果，短劃線為站點的NWP輻照度曲線，實線為Res-UNet+雙線性插值方法在該站點的2h輻照度預測結果，點線為站點實測輻照度曲線。顯然，相比NWP，Res-UNet+雙線性插值方法能夠更好地預測輻照度的抖動性和峰值。表2展示了該模型在五個不同電站上的2h輻照度預測結果。Res-UNet+雙線性插值方法在五個電站上的MAE為86.89，平均RMSE為122.87，相比NWP方法，分別降低了31.31%和22.18%，該實驗表明Res-UNet+雙線性插值方法優于數值天氣預報方法。

圖6 2h輻照度預測實驗的結果對比

表2 2h輻照度預測實驗的誤差對比

Tab.2 Error comparison of 2-hour irradiance prediction experiment

2.2 分布式光伏功率預測結果對比分析

光伏站點的2h功率預測實驗見圖7和表3。圖7藍色短劃線為以NWP輻照度為輸入預測的站點功率曲線，橙色實線為以Res-UNet+雙線性插值預測的輻照度為輸入預測的站點功率曲線，灰色點線為站點真實功率。顯然橙色實線能更好地貼合真值且能更好地預測功率抖動性。表3為劃分天氣類型的相對誤差（相對光伏容量）統計結果，分別統計了基于Res-UNet+雙線性插值預測的輻照度為輸入和基于NWP預測的輻照度為輸入的光伏功率預測模型在晴天、多云和雨天三種天氣類型上的預測誤差對比結果。結果顯示在以上五個站點構成的測試集上，以Res-UNet+雙線性插值預測的輻照度為輸入的光伏功率預測方法具有最優的實驗結果。相比于以NWP輻照度輸入的功率預測方法，以Res-UNet+雙線性插值預測的輻照度為輸入的光伏功率預測方法，在晴天時，MAE下降20.89%，RMSE下降22.91%；在多云時，MAE下降16.91%，RMSE下降15.01%；在雨天時，MAE下降11.29%，RMSE下降8.98%。

圖7 2h功率預測實驗的結果對比

表3 不同輻照度輸入來源的2h光伏功率預測方法在多個天氣類型下的對比結果

Tab.3 Comparison results of 2-hour photovoltaic power prediction methods with different irradiance input sources under multiple weather types

案例分析表明，基于Res-UNet+雙線性插值預測的輻照度明顯優于NWP預測的輻照度，且以Res-UNet+雙線性插值預測的輻照度為輸入的功率預測方法取得了優于NWP輻照度為輸入的效果。

3 結論

隨著“碳達峰”“碳中和”目標的落實，光伏的裝機容量和占比會持續上漲，分布式光伏的快速增長給電網運行和消納帶來挑戰。分布式光伏預測精度提升有利于電網調度運行，促進新能源消納。為提高無輻照度測量裝置的分布式站點的超短期功率預測準確度，本文提出了基于衛星遙感的超短期分布式光伏功率預測方法。該方法引入衛星產品SWR網格彌補分布式站點無實測輻照度的不足。基于Res-UNet的SWR網格預測模塊學習SWR網格的時間相關性和空間相關性，完成對未來時刻SWR網格序列的預測，為構建站點輻照度特征提供數據基礎。基于LSTM的分布式光伏功率預測模塊引入時間和日期的編碼，學習光伏發電的周期性。案例分析表明本文提出的方法相比以NWP輻照度為輸入的功率預測模型有著更高的精度。未來將考慮結合衛星遙感數據與地面觀測數據，進一步提高輻照度預測精度，從而提升光伏功率預測精度。

致謝：本文中實驗數據的測量記錄工作是在國家電網公司的大力支持下完成的，在此表示衷心的感謝。

[1] 徐正陽, 路志英, 劉洪. 基于泄漏積分型回聲狀態網絡的在線學習光伏功率預測[J]. 電力系統及其自動化學報, 2018, 30(2): 1-7.

Xu Zhengyang, Lu Zhiying, Liu Hong. Online-learning PV power forecasting based on leaky-integrator echo state network[J]. Proceedings of the CSU-EPSA, 2018, 30(2): 1-7.

[2] 朱玥, 顧潔, 孟璐. 基于EMD-LSTM的光伏發電預測模型[J]. 電力工程技術, 2020, 39(2): 51-58.

Zhu Yue, Gu Jie, Meng Lu. Photovoltaic power generation prediction model based on EMD-LSTM[J]. Electric Power Engineering Technology, 2020, 39(2): 51-58.

[3] 許建峰, 曹慶仁. 中國分布式光伏并網發電現狀及應用研究[J]. 能源與節能, 2020, 177(6): 51-54.

Xu Jianfeng, Cao Qingren. Research on the status and application of distributed photovoltaic grid-connected powergeneration in China[J]. Energy and Energy Conservation, 2020, 177(6): 51-54.

[4] 李文甲. 光伏—光熱—熱化學互補的太陽能利用理論、方法與系統 [D]. 北京: 中國科學院大學(中國科學院工程熱物理研究所), 2018.

[5] 馬群. 含分布式光伏的配電網無功優化研究[J]. 信息技術, 2020, 44(3): 85-89.

Ma Qun. Reactive power optimization of distribution network with access of distributed photovoltaic[J]. Information Technology, 2020, 44(3): 85-89.

[6] 賴昌偉, 黎靜華, 陳博, 等. 光伏發電出力預測技術研究綜述[J]. 電工技術學報, 2019, 34(6): 1201-1217.

Lai Changwei, Li Jinghua, Chen Bo, et al. Review of photovoltaic power output prediction technology[J]. Transactions of China Electrotechnical Society, 2019, 34(6): 1201-1217.

[7] 時珉, 許可, 王玨, 等. 基于灰色關聯分析和GeoMAN模型的光伏發電功率短期預測[J]. 電工技術學報, 2021, 36(11): 2298-2305.

Shi Min, Xu Ke, Wang Jue, et al. Short-term photovoltaic power forecast based on grey relational analysis GeoMAN model[J]. Transactions of China Electrotechnical Society, 2021, 36(11): 2298-2305.

[8] 周楠, 徐瀟源, 嚴正, 等. 基于寬度學習系統的光伏發電功率超短期預測[J]. 電力系統自動化, 2021, 45(1): 55-64.

Zhou Nan, Xu Xiaoxiao, Yan Zheng, et al. Ultra-short-term forecasting of photovoltaic power generation based on broad learning system[J]. Automation of Electric Power Systems, 2021, 45(1): 55-64.

[9] Giacomuzzi S, Langwasser M, Carne G D, et al. Smart transformer-based medium voltage grid support by means of active power control[J]. CES Transactions on Electrical Machines and Systems, 2020, 4(4): 285-294.

[10] 田劍剛, 張沛, 彭春華, 等. 基于分時長短期記憶神經網絡的光伏發電超短期功率預測[J]. 現代電力, 2020, 37(6): 629-638.

Tian Jiangang, Zhang Pei, Peng Chunhua, et al. Ultra short-term forecast of photovoltaic generation based on time-division long short-term memory neural networks[J]. Modern Electric Power, 2020, 37(6): 629-638.

[11] 許寅, 李佳旭, 王穎, 等. 考慮光伏出力不確定性的園區配電網日前運行計劃[J]. 電力自動化設備, 2020, 40(5): 85-94, 106.

Xu Yin, Li Jiaxu, Wang Ying, et al. Day-ahead operation plan for campus distribution network considering uncertainty of photovoltaic output[J]. Electric Power Automation Equipment, 2020, 40(5): 85-94, 106.

[12] 路志英, 周慶霞, 李鑫, 等. 基于地基云圖圖像特征的光伏功率預測[J]. 電力系統及其自動化學報, 2020, 32(8): 70-76.

Lu Zhiying, Zhou Qingxia, Li Xin, et al. Photovoltaic power prediction based on image features of ground cloud image[J]. Proceedings of the CSU-EPSA, 2020, 32(8): 70-76.

[13] 張華彬, 楊明玉. 基于最小二乘支持向量機的光伏出力超短期預測[J]. 現代電力, 2015, 32(1): 70-75.

Zhang Huabin, Yang Mingyu. Ultra-short-term forecasting for photovoltaic power output based on least square support vector machine[J]. Modern Electric Power, 2015, 32(1): 70-75.

[14] 馬磊, 黃偉, 李克成, 等. 基于Attention-LSTM的光伏超短期功率預測模型[J]. 電測與儀表, 2021, 58(2): 146-152.

Ma Lei, Huang Wei, Li Kecheng, et al. Photovoltaic ultra-short-term power prediction model based on Attention-LSTM[J]. Electrical Measurement & Instrumentation, 2021, 58(2): 146-152.

[15] 張小萌, 白愷, 柳玉, 等. 大規模分布式光伏短期集群功率預測綜述[J]. 華北電力技術, 2017 (6): 1-7.

Zhang Xiaomeng, Bai Kai, Liu Yu, et al. Overview for large-scale distributed photovoltaic power prediction with clustered method[J]. 華北電力技術, 2017(6): 1-7.

[16] 張柏林, 拜潤卿, 智勇, 等. 基于空間相關性的分布式光伏超短期預測技術研究[J]. 陜西電力, 2017, 45(5): 22-26.

Zhang Bolin, Bai Runqing, Zhi Yong, et al. Distributed PV ultra-short term power forecast technology based on spatial correlation[J]. Shanxi Electric Power, 2017, 45(5): 22-26.

[17] 艾逸陽. 基于地基云圖的超短期光伏電站輻照度預測研究[D]. 杭州：浙江大學, 2018.

[18] 楊春熙, 韓威, 高志球. 基于GRU神經網絡的太陽輻照度短期預測[J]. 中國科技論文, 2020, 15(1): 8-14.

Yang Chunxi, Han Wei, Gao Zhiqiu. Short-term forecasting for solar irradiance using GRU neural network[J]. China Sciencepaper, 2020, 15(1): 8-14.

[19] Lorenz E, Kühnert J, Heinemann D. Short term forecasting of solar irradiance by combining satellite data and numerical weather predictions[C]// Proceedings of the 27th European PV Solar Energy Conference (EUPVSEC), Frankfurt, Germany, 2012: 4401-4405.

[20] 李冬輝, 尹海燕, 鄭博文, 等. 改進的LSTM方法在冷水機組傳感器故障檢測中的應用[J]. 電工技術學報, 2019, 34(11): 2324-2332.

Li Donghui, Yin Haiyan, Zheng Bowen, et al. Application of improved LSTM method in sensor fault detection of the chiller[J]. Transactions of China Electrotechnical Society, 2019, 34(11): 2324-2332.

[21] 孫丙香, 任鵬博, 陳育哲, 等. 鋰離子電池在不同區間下的衰退影響因素分析及任意區間的老化趨勢預測[J]. 電工技術學報, 2021, 36(3): 666-674.

Sun Bingxiang, Ren Pengbo, Chen Yuzhe, et al. Analysis of influencing factors of degradation under different interval stress and prediction of aging trend in any interval for lithium-ion battery[J]. Transactions of China Electrotechnical Society, 2021, 36(3): 666-674.

[22] Kirkland E J. Advanced computing in electron microscopy[M]. Boston: Springer, 2010.

[23] Ronneberger O, Fischer P, Brox T. U-net: convolutional networks for biomedical image segmentation[C]//International Conference on Medical Image Computing and Computer-Assisted Intervention, Springer, Cham, 2015: 234-241.

[24] He Kaiming, Zhang Xiangyu, Ren Shaoqing, et al. Deep residual learning for image recognition[C]// Proceedings of the IEEE conference on computer vision and pattern recognition, Las Vegas, NV, USA, 2016: 770-778.

[25] 馬原, 張雪敏, 甄釗, 等. 基于修正晴空模型的超短期光伏功率預測方法[J]. 電力系統自動化, 2021, 45(11): 44-51.

Ma Yuan, Zhang Xuemin, Zhen Zhao, et al. Ultra-short-term photovoltaic power prediction method based on modified clear-sky model[J]. Automation of Electric Power Systems, 2021, 45(11): 44-51.

[26] 王晨, 寇鵬. 基于卷積神經網絡和簡單循環單元集成模型的風電場內多風機風速預測[J]. 電工技術學報, 2020, 35(13): 2723-2735.

Wang Chen, Dou Peng. Wind speed forecasts of multiple wind turbines in a wind farm based on integration model built by convolutional neural network and simple recurrent unit[J]. Transactions of China Electrotechnical Society, 2020, 35(13): 2723-2735.

Ultra Short-Term Distributed Photovoltaic Power Prediction Based on Satellite Remote Sensing

Liu Xiaoyan1,2Wang Jue1,2Yao Tiechui1,2Zhang Pei3Chi Xuebin1,2

（1. Computer Network Information Center Beijing 100190 China 2. University of Chinese Academy of Sciences Beijing 100040 China 3. East China Jiaotong University Nanchang 330013 China）

Photovoltaic (PV) output prediction is of great significance for power grid dispatching. In this paper, an ultra short-term distributed PV power prediction method based on satellite remote sensing is proposed for the distributed PV power station without irradiance measurement device. Firstly, the SWR grid is spatio-temporal predicted based on Res-UNet model, and then the predicted SWR grid is spatially interpolated to obtain the future irradiance of the ground distributed stations. Finally, the LSTM model with codec is constructed to predict the PV output. Res-UNet can fully learn the spatio-temporal correlation of the SWR grid, and LSTM can better learn the annual and daily periodicity of irradiance by introducing daily coding and time coding. The power experiments on real PV power stations show that, compared with the PV power prediction method that takes the irradiance of numerical weather forecast as the input, the PV power prediction method that takes the irradiance predicted by the Res-UNet+ interpolation as the input realizes ultra short term power prediction with higher accuracy.

Ultra short-term photovoltaic power prediction, satellite remote sensing, Res-UNet, irradiance, spatio temporal correlation, short wave radiation(SWR)

10.19595/j.cnki.1000-6753.tces.210311

TM615

劉曉艷 女，1996年生，碩士研究生，研究方向為人工智能、光伏發電功率預測。E-mail：liuxiaoyan@cnic.cn

王 玨 男，1981年生，博士，副研究員，研究方向為人工智能算法與應用軟件、高性能計算。E-mail：wangjue@sccas.cn（通信作者）

中國科學院戰略性先導科技專項（A類）資助項目（XDA27000000）。

2021-03-11

2021-07-10

（編輯 赫蕾）