国内首个行业级燃机智慧运维云平台是如何炼成的?

通用电气9HA.02燃气轮机数字孪生技术深度解析:工业设备智能化转型的标杆实践 GE在9HA.02重型燃气轮机上应用数字孪生技术,构建了包含3000+传感器的多物理场监测体系,通过高保真模型实现预测性维护。该技术使非计划停机减少68%,维护成本降低23%,热效率保持64%。案例展示了从单体智能到群体智能的演进路径,为工业数字化提供可复制的技术路线图,但模型泛化、边缘计算等挑战仍需突破。该实践标志着能源装备向智能化的重大转型,将为全球能源革命提供核心支撑。 阅读详情

在未来的能源结构转型中,燃气发电将发挥重要作用。

这似乎颠覆了人们日常认知。众所周知,在碳达峰/碳中和的环保目标下,我国能源结构正迎来根本性变革,传统化石能源占比将逐步下降,绿色低碳的新能源占比将持续提升,为何还要推动燃气发电的发展?

这绝非虚言。在没有完全解决新能源发电消纳问题之前,传统能源与新能源仍将“携手同行”较长时间,而燃气发电具有清洁、稳定、灵活等特点,无疑是近中期能源结构转型中弥补新能源关键技术竞争力不足的重要选择。

不过,燃机核心部件被国外垄断和随之而来的高昂运维成本却是燃气发电发展中不可忽视的拦路虎。如何利用云计算、大数据、人工智能、物联网等新一代数字技术,在数字化的大浪潮下实现运维成本和管理决策的新跃迁,就成为燃气发电当下最紧迫的挑战。

基于此,华电电科院携手中国电子云、国电南自华盾公司合作开发出国内首个行业级自主可控燃机智慧运维云平台,填补行业空白,为燃气发电运维插上智慧的翅膀,给中国电力行业的数字化和智能化发展打了个样。

运维成本,燃气发电不能承受之痛

在煤电时代,燃气发电就因为占地面积少、建设周期短、运行灵活,扮演着电力与经济发展削峰填谷的角色;如今,煤电占比下降已成大势所趋,燃气发电堪比能源结构转型中的稳定器,作用愈发突出。

《2021年中国燃气发电报告》也显示,2020年中国燃气发电量位居世界第三,但在中国发电总量的占比只有3.2%,未来市场空间巨大。

“近年来,中国燃气发电一直处于微亏或者微盈的状况。燃气发电两大关键因素:一是天然气价格,二是运维成本。”华电电力科学研究院有限公司汽机及燃机技术部主任赵玉柱如是说,“以运维成本为例,F级燃机每年检修费用五千万左右,一个大修周期(大概10年)下来,燃气电厂赚的钱几乎都支付了维护费用。”

因此,要想推动燃气发电的长远发展,降低运维成本是关键,但这绝非易事:

  • 其一,燃气轮机核心部件被国外厂商所垄断,技术垄断很容易产生高昂的检修维护费用。例如,燃气轮机高温部件工作环境恶劣,加上燃气轮机由于承担电网调峰而频繁启停,很容易因为热疲劳而发生损坏,维修和更换部件成本极其高昂。
  • 其二,国外厂商核心部件的实时数据和算法逻辑犹如黑盒子,用户并不知晓燃机系统真实运行情况,“维修过剩”的情况比比皆是,用户对于维护没有自主权,无法实现对燃机设备可用率和运行条件优化的掌控。
  • 其三,电力行业专家拥有丰富的模型、经验和数据,却缺乏运用大数据、AI等数字化技术的能力,无法将专家的各项能力进行沉淀和构建其符合未来趋势的运维体系。

如何扭转这种局面?现在看燃气发电行业利用数字化技术手段来降低成本是必然之路。“我们需要将电科院多年在电力行业服务的经验、知识和算法与各种数字化技术相融合,实现燃气轮机等各种设备的检测、预警诊断和优化决策。”赵玉柱表示道。

1+N模式为智慧运维打个样

在数字化时代,燃气发电的运维管理方式正在发生革命性变革。远程监测与故障诊断这种基于实时数据和状态的维护方式被认为是最重要的发展方向。

如何理解远程监测与故障诊断?即实时采集燃机运行过程所产生的各种数据,然后将数据传输、存储和管理,再通过监测模型和诊断模型对数据内在价值进行分析与挖掘,从而预测燃机性能衰退及未来运行状态,并给予科学的决策建议,以降低维护成本和优化燃气运行条件。

事实上,国外燃机设备厂商近年来纷纷加码远程监测与故障诊断的布局,正在构筑新的垄断优势。赵玉柱直言:“燃机的控制系统和运维已经成为卡脖子问题,必须解决这个瓶颈。”

但解决“卡脖子”仅仅依靠科学研究并不够,还需要技术、工程和产业各方面协同推进。为此,华电电科院携手中国电子云、国电南自华盾公司联合攻关,打造出国内首个行业机燃机智慧运维平台,填补国内空白。

据悉,该平台基于国产化自主可控的设备和技术,采用“1+N”云边协同、运管分离的部署架构,在电厂侧重点建设预警诊断、性能分析、运行优化等9大业务模块;在集团侧重点建设决策中心、监管中心等4大中心;在行业侧重点建设燃机诊断运维服务平台和生态,支持新产业、新模式。

该平台充分利用云边协同场景的优势和特点,构建起全新的燃机运维体系,犹如为运维打造了“眼、手、脑”,实现燃机设备的全面感知,并且进行分析优化和预测预警:

  • 端侧各种物联网设备犹如一双智慧的眼睛,通过不断采集设备的热力、温度、压力脉动等实时数据,做到对于设备运行状态的全面与实时监控;
  • 边缘侧恰似一双勤劳的手,运行各种算法和模型,确保电厂侧各种决策的执行;
  • 云侧就是一颗智慧的大脑,部署了集合数据中台和人工智能算法平台的信息智能化算法平台,负责与所有电厂数据进行交互、处理和存储,并不断训练和迭代各种算法与模型,然后将模型下发边缘侧,实现云边协同。

目前,该平台已经部署在五家电厂十余台机组,并且在实际运维过程中得到成功检验。例如,在浙江某机组中,该平台预警模块准确预测到三号机组燃烧排烟温度分散度异常、联合循环系统凝结水泵线圈温度异常和速比阀故障预警,避免设备非停和更大的设备隐患。“仅仅一个运行指标的管控与优化,就可以避免运行方式不当导致的损失,每年能够节约50-100万。”赵玉柱补充道。

据悉,后续华电集团20多家电厂60余台机组也将陆续接入该智慧运营平台。

启示,电力行业数字化转型该如何做

电力行业关系到国计民生,电力企业数字化转型的重要性毋庸置疑。

如今,在云计算、大数据、AI、物联网等数字化技术的驱动下,电力企业的数字化转型明显提速,业务开始全面走向数字化、网络化和智能化,并且积极探索管理和商业模式的创新。与此同时,电力企业的数字化转型不仅仅是在技术层面对于各种新数字化技术的应用,更是组织架构、业务模式的一场变革。

而中国电子云与中国华电在燃机智慧运维上联合攻关,犹如为电力企业的数字化和智能化提供一把钥匙,为电力行业数字化转型打造一个极好范例。

首先,中国电子云能够“读懂”行业数字化转型的趋势。大批资深行业顾问,对于各大行业的业务现状和发展趋势有着极深理解,可以为包括电力企业在内的各种央企数字化转型提供专业建议与方案。

以数据治理为例,不把数据标准统一,很难在云端进行机器学习和数据价值的挖掘。但是燃气电厂部署了各种信息系统,数据库类型也是多种多样,信息孤岛丛生,数据标准不统一,数据价值实现困难。为此,中国电子云从发电行业业务角度出发,实现华电燃气发电企业的数据规范性、标准化,构建起安全、完善的数据治理体系。

中国系统副总裁邓东旭介绍,“在发电能源的数据治理领域需要两类顾问:其一,需要有行业背景,能理解燃机发电业务;其二需要懂得数据要素和数据治理相关产品与服务的技术顾问。”

其次,中国电子云基于先进的PKS全栈技术体系,从底层芯片、操作系统、数据库到数据中台、AI中台、运维应用体系,在基础设施领域每一个环节都能够提供专业的技术、产品和方案,并且在供应链、服务等各方面提供完善保障。

“去年整个IT产品的供应链极为紧张。但是,中国电子云与华电电科院紧密配合,在服务器硬件产品下线、部署安装、系统调试上线等方面全力合作,确保了智慧运维云平台的顺利上线。”邓东旭补充道。

第三,类似燃机智慧运维云平台这样的联合攻关项目,有利于整个电力行业的数字化转型和长远发展。燃机智慧运维云平台定位就是行业级的燃机运维平台,致力于整合燃机产业链的上下游资源,通过数据要素的的聚合和流通赋能产业链,解决上至设备制造、下到设备检修维护等整个产业链条的挑战。

“类似燃机智慧运维云平台的方案对于整个中国电力行业发展都极具意义与价值。中国电子云希望在垂直领域构建更多类似方案,从应用到基础设施实现全栈一体化的自主可控。这也是中国电子集团一定要承担的使命与责任。”邓东旭最后表示道。

一次实时数据链路丢数排查:从 MQTT 队列积压到 SQL 统计开销 本文通过一次实时数据链路压测,排查了从MQTT到ClickHouse的端到端数据丢失问题。核心方法是为每条消息添加序号,建立独立观察点(MQTT订阅端、Kafka消费者),结合转发服务阶段统计与线程栈分析,定位到下游处理速度不足源于Druid SQL合并统计的高开销。优化措施包括关闭SQL合并、扩容代理队列、增强生产侧失败处理,并验证15分钟内实现全链路对账一致,显著缓解积压与丢包。关键收获:数据可对账、明确各阶段“成功”定义、关注客户端队列状态。 阅读详情

相关推荐

PnP 单目相机位姿估计(二):solvePnP利用二维码求解相机世界坐标

前言 原理简介 输入参数准备 1 objectPoints特征点世界坐标 2 imagePoints特征点在摄像头下的像素点坐标 3cameraMatrixdistCoeffs内参矩阵和畸变矩阵 相机世界坐标的求解 1求世界坐标中的点在相机坐标系下的坐标 2求相机在世界坐标中的坐标 3效果求解相机在世界坐标系下的坐标点 4求解代码1.前言  很多时候,当我们利用单目相机获取图像时,往往只能获取图像中

cocoaqin的博客 5万+

Flink 学习日志 03:自定义一个SourceFunction,完成对Redis中数据的读取

本文介绍了在Flink中自定义SourceFunction读取Redis数据的完整流程:通过Jedis客户端连接WSL2中的Redis服务,编写RedisSource实现循环读取所有Key-value并逐条输出,结合Thread.sleep()实现每秒一条的流式效果。关键步骤包括环境准备、添加Jedis依赖、配置IDEA运行时加载provided依赖,并注意生产环境中应避免使用阻塞的keys *,改用scan命令。最终实现动态读取、实时打印,验证了Flink与Redis的数据集成能力。

木木的学习笔记 403

工程师必看:如何用MINITAB快速计算传感器寿命(附详细步骤)

本文为工程师提供了使用MINITAB软件快速计算传感器寿命的详细实战指南。文章重点阐述了如何通过数据预处理、回归分析拟合阿伦尼斯模型,并最终预测平均寿命与置信区间,帮助工程师高效处理加速寿命试验数据,提升可靠性分析工作的准确性与效率。

weixin_29296241的博客 246

Elasticsearch ingest pipeline 被禁用之后:性能代价、安全治理与数据入库时间的四种替代方案

生产环境为什么禁用 Elasticsearch ingest pipeline?写入路径同步执行的开销、Painless 脚本的安全治理是根因;而 _ingest.timestamp 出不了 pipeline,ES 8/9 也没有原生入库时间字段。本文给出四种替代方案:采集端注入时间戳、bulk 响应后回写、refresh=wait_for 近似、最小 set pipeline 白名单,附选型对比与踩坑清单。

Sayai的专栏 339

SAP MM委外加工保姆级教程:从BOM配置到MIGO发货的完整避坑指南

本文提供SAP MM模块中委外加工的完整操作指南,涵盖从BOM配置到MIGO发货的全流程。详细解析委外采购和工序委外两种模式,包括主数据配置、采购订单创建及物料移动等关键步骤,帮助用户规避常见错误,提升供应链管理效率。特别适合制造业企业实施SAP外包业务参考。

weixin_26905487的博客 527

C语言实战:最小二乘法在传感器数据校准中的应用(附完整代码)

本文详细介绍了如何使用C语言实现最小二乘法,对传感器数据进行线性校准。通过模拟带噪声的传感器数据,手把手演示了从核心算法实现、参数计算到效果验证的完整流程,并提供了可直接编译运行的完整源码,帮助嵌入式开发者解决传感器数据不准的常见问题,提升系统测量精度。

weixin_28025327的博客 515

Day3 - Flink 窗口与时间语义:从滚动窗口到迟到数据处理

水位线是一个特殊的时间戳,代表"小于这个时间戳的数据都已经到齐了比如水位线推进到 10:00:05,就告诉 Flink:10:00:05 之前的数据应该都到了,如果还有晚于这个时间到达但时间戳小于 10:00:05 的数据,就是"迟到数据"。窗口大小固定,窗口之间不重叠,数据只属于一个窗口。时间线: 0 10 20 30 40 50 60窗口1: [--------)窗口2: [--------)窗口3: [--------)窗口4: [--------)

YEEMOLY的博客 71

计算机视觉之ResNet

RestNet是2015年由微软团队提出的,在当时获得分类任务,目标检测,图像分割第一名。该论文的四位作者何恺明、张祥雨、任少卿和孙剑如今在人工智能领域里都是响当当的名字,当时他们都是微软亚研的一员。实验结果显示,残差网络更容易优化,并且加深网络层数有助于提高正确率。在ImageNet上使用152层的残差网络(VGG net的8倍深度,但残差网络复杂度更低)。对这些网络使用集成方法实现了3.75%的错误率。获得了ILSVRC 2015竞赛的第一名。原文链接这是一篇计算机视觉领域的经典论文。

十年以上架构设计经验,专注于软件架构和人工智能领域,对机器视觉、NLP、音视频等领域都有涉猎 2万+

智能问诊的流程

本文介绍基于FastAPI构建的医疗多Agent系统MediAgent,通过症状分析、诊断推理与治疗建议等模块协同,实现从问诊到报告生成的完整工作流。系统采用前后端分离架构,结合MySQL、RabbitMQ与Docker实现工程化部署,支持异步化验结果接入。虽当前状态暂存于内存,但已具备可扩展性,未来可通过Redis持久化、消息队列联动及医疗安全机制完善,应用于慢病管理、辅助决策等场景,推动AI在医疗流程中的落地应用。

Joey 的工作空间~ 250

uniapp [全端兼容] - 详细实现用户电子签名 “逐字校验“ 将姓名按字拆开分别手写签署签字,把客户名字自动拆成单独的文字并由用户逐个依次签名与汉字笔画校验,支持汉字格、田字格、米字格、方格等!

uniapp,h5移动端网页,微信小程序,支付宝小程序,Android安卓,苹果ios,app,nvue,手写签名,电子签署,逐个字挨着写,写名字,将客户姓名分成单独的文字并依次手写,在田字格里写名字,米字格,方格,合同,书写轨迹,验证手写的文字是否正确,如何在uni-app做姓名拆分成独立的文字后手写每一个字,校验正确性,画板,汉字生成在米字格里并且让用户去写,如何画一个汉字田字格,vue把姓名拆分单独写签名,文字,拆掉,中文汉字网格,一个字一个字签名,一次只签名一个文字,判断签名的文字笔画是否正确,Un

🏆 前端领域优质创作者 1万+

uniapp [全端兼容] - 详细实现接入使用海康威视监控云端显示及控制功能,网站集成安装海康监控及实时监控显示、摄像头控制,实时推流、回放、放大缩小画面、视频画面截图、截屏抓拍及播放器解决延迟教程

uniapp,h5移动端网页,微信小程序,支付宝小程序,Android安卓,苹果ios,app,nvue,vue,海康威视,海康监控,摄像头监控,实时监控画面,海康插件,无法连接,报错,uniApp对接海康处理接口认证规则,监控实时预览和回放功能,海康api接口,安全认证,海康开放平台,官方文档,播放海康摄像头的监控视频,海康实时监控播放详细步骤,web,黑屏,视频播放,回放,视频流地址,取流协议,视频sdk播放,hik,rtsp,rtmp,hls,ws,网站,网页,h5页面,后台管理系统,对接海康监控设备

🏆 前端领域优质创作者 1万+

行业研究报告采购避坑指南:从需求拆解到机构选型的实操逻辑

先说结论:买行业研究报告这件事,坑不在“哪家便宜”,而在“你拿到的数据能不能回答你的问题”。作为一个经常帮企业做采购决策的顾问,我见过太多花了几万块买回一堆PDF却用不上的案例。这篇文章把采购流程拆成五步,每一步告诉你该看什么、该避什么,尽量帮你少交学费。

2601_96585642的博客 220

利用恒源云在云端租用GPU服务器训练YOLOv10模型(包括Linux系统命令讲解)

为当涉及到深度学习的训练任务时,GPU的计算能力是不可或缺的。相对于传统的中央处理器(CPU),图形处理器(GPU)具有更强大的并行计算能力,能够显著加速深度学习模型的训练过程。深度学习算法通常涉及大量的矩阵运算和张量操作,而GPU的并行计算架构使得它们能够高效地执行这些计算,从而加速模型训练的速度。恒源云是一个经济高效的云计算平台,您可以通过恒源云的控制台或者命令行界面来管理实例、上传和下载数据、执行训练任务等。

Snu77的博客 1891

代购系统改造:服务无状态化、分级隔离

代购系统因链路长、流量脉冲、写放大等特点,高可用设计需聚焦“消灭单点”。通过服务无状态化、分级隔离、数据库与消息队列容灾、监控告警与混沌工程验证,实现MTTR降至3分钟内,支付成功率超99.9%。核心经验:缓存雪崩防于过期策略,跨地域用短TTL GeoDNS,支付降级必须幂等。高可用本质是持续检验“无单点”假设的闭环体系。

2601_95706522的博客 160

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

ubuntu安装hadoop系统

本文详细介绍了基于VMware克隆虚拟机搭建三节点Hadoop分布式集群的全过程:使用同一Ubuntu镜像克隆出master、worker1、worker2三台虚拟机,依次配置主机名、固定IP(如192.168.82.10/11/12)、SSH服务及免密登录,确保节点间网络互通。随后安装Java,下载配置Hadoop并分发至各节点,最终初始化启动集群,验证其存储与计算功能,实现高效的大数据环境部署。

qq_43592674的博客 315

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

Elasticsearch:稠密向量字段类型

dense_vector字段用于存储稠密向量,支持k近邻搜索(kNN),默认启用索引并使用余弦相似度。可接受浮点数数组或Base64编码字符串输入,支持自动量化(如int8、int4、bbq)以降低内存占用。通过index_options配置索引类型(如hnsw、bbq_disk),并可启用过采样与重新评分提升精度。向量默认不存储于_source中以节省空间,可通过fields或_source.exclude_vectors显式返回。支持bit向量及GPU加速索引,适用于高维向量场景。

Elastic 中国社区官方博客 257

【消息队列】ACK确认了什么:消息队列可靠投递的完整链路

本文剖析消息系统中ACK机制在生产者、Broker、消费者三段链路中的作用,指出即使三段确认均正确配置,系统仍只能提供“至少一次”可靠性。原因在于重试、崩溃、重平衡等场景会导致重复投递,而“恰好一次”需依赖业务侧幂等性保障。关键结论:ACK仅保证不丢,不重复需靠唯一键、去重表或状态机等业务设计实现。

2503_94545876的博客 674

Day2 - Flink DataStream API 与转换算子:从 Source 到 Sink

实现或@Override// 发射数据@Override// 使用用自定义逻辑聚合,比 sum/min/max 更灵活。// 求每个用户的总消费金额reduce 的输入和输出类型必须相同。Flink 会把满足条件的相邻算子合并成一个 Task,在同一个线程里执行,减少线程切换和网络开销。合并条件上下游并行度相同;分区策略是 Forward;没有被用户手动断开。

YEEMOLY的博客 39

kafka指定分区消费

【代码】kafka指定分区消费。

hy_208的博客 50

数据科学与大数据技术专业有哪些比较好考的证书?

如果目前还没有明确方向,建议先完成Python与SQL基础学习,再选择一张与目标岗位最接近的证书。不要为了增加简历条目,在同一阶段同时准备多个不同技术方向。以数据分析方向为例,可以参考2025版CDA证书大纲安排基础学习:先掌握业务数据结构、数据库应用和统计分析,再进入指标体系、看板和用户分析。具备一定项目经验后,再学习二级涉及的统计检验、模型评估及数据治理。2025版教材介绍强调了思维、技术和实践的结合,适合用于组织学习;2027年的具体考试范围、报名条件和安排,则应依据届时发布的信息制定计划。

YangYang9YangYan的博客 308

如何在用户认证系统中使用 ElasticSearch 提升

本文介绍了如何在一个典型的企业级应用——用户认证与权限管理系统内引入并运用 ElasticSearch 技术来提高查找效率并降低数据库负载压力。读者可以通过了解其基础架构原理、正确配置方式以及典型应用场景从而掌握该工具的基本用法。如果你正在寻找一种更灵活高效的检索方案用于自己的项目当中,请考虑从以下几个方面入手实践: 1. 确认是否有必要引入新的全文搜索引擎;2. 设计好适用于该项目的数据模型以及索引规则;3. 持续优化你的 DSL 查询语句并监控运行状态;

wuchangjian的专栏 168

【Kafka】零基础学习教程

Kafka 是一个「只能追加、可以重复读」的分布式日志,不是传统意义上「读完就删」的队列。生产者写进去,消费者按自己的进度读。每个消费组自己记一个 offset(读到哪了),互不干扰。Kafka 快,是因为顺序写磁盘 + 批量 + 零拷贝;Kafka 难,主要难在「分区、副本、消费组」这几个概念和运维。Kafka 是一个分布式的、只能追加的日志(append-only log),生产者往里写,消费者按自己的进度读,消息按策略保留而不是读完就删。分布式:可以多台机器组成集群,水平扩展。只能追加。

2503_94545876的博客 298

头部车企基于 EMR Serverless Spark 的多模态大规模打标实践

某汽车头部客户基于阿里云 EMR Serverless Spark AI Function,在分合流、红绿灯等场景中开展多模态数据处理,并将向量化结果衔接至下游数据库,为后续场景检索、样本筛选及训练数据集构建提供支撑。

科技很有意思 178

BI(商业智能)

区分【通用 BI】和【时序 / 地图 IoT 专用可视化】

160

最新大数据毕业设计选题推荐-基于大数据的蛋黄酱零售价格区域与时间多维数据可视化分析-大数据-Spark-Hadoop-Bigdata

本文介绍《基于大数据的蛋黄酱零售价格区域与时间多维数据可视化分析》系统,适用于大四计算机专业毕业设计。系统采用Hadoop+Spark进行分布式数据处理,结合Django/Spring Boot后端与Vue+ECharts前端,实现从数据采集、清洗、存储到多维分析与可视化展示的全流程。功能涵盖时间走势、规格对比、区域分析等,支持按时间、区域、规格多维度下钻,界面清晰,技术路线完整,适合作为大数据方向实践课题,提供源码及文档支持。

IT研究室的博客 360

大数据Spark(八十五):Stage及Spark计算模式

本文详解Spark中Stage的划分机制与Pipeline计算模式。Stage依据RDD宽依赖(Shuffle)划分为ShuffleMapStage和ResultStage,同一Stage内通过迭代器串联多个RDD,实现数据内存流转,减少落盘开销,提升效率。并行度由最后一步RDD的分区数决定,可通过Shuffle算子调优。结合SparkUI可直观分析性能瓶颈,是优化作业的关键基础。

Lansonli(蓝深李)的博客 591
上一篇: 场景共同体:浪潮存储的生态突围秘诀
下一篇: 三年上一大台阶,联想凌拓做对了什么?
大数据在线
博客等级 码龄8年 823粉丝 553原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值