一种面向灾后快速复电的空间负荷预测方法及系统与流程

1.本发明属于电力系统恢复力提升技术领域，具体涉及一种面向灾后快速复电的空间负荷预测方法及系统。


背景技术：

2.随着终端电气化进程的不断推进，人类社会赖以生存的各种关键基础设施对电能的依赖程度越来越高，电能已成为人类社会正常运行的最重要能源形式，保障电力的安全可靠持续供应至关重要。然而，随着全球气候的变化，台风灾害日益频发，已导致多起大规模停电事故，由此造成了巨大的经济损失和政治社会影响。配电网处于连接电力系统与用户的最末端，其安全可靠运行直接关系到用户的安全可靠供电，配电网在台风灾害下故障后快速恢复供电的能力极为重要。然而，台风中配电系统计量设备可能发生故障，使系统可观性下降，无法获得确定故障抢修顺序、制定恢复策略的关键负荷数据。


技术实现要素：

3.本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种面向灾后快速复电的空间负荷预测方法及系统，在台风灾害后快速进行空间负荷预测，解决灾害中关键负荷数据缺失，无法制定恢复策略的问题。
4.一种面向灾后快速复电的空间负荷预测方法，包括以下步骤：
5.s1、根据台风灾害信息确定预测前时段t1及负荷预测目标时段t2；
6.s2、根据步骤s1确定的预测前时段t1和预测目标时段t2获取受灾地区供电网格的负荷数据，负荷数据包括预测前时段t1的实时负荷数据x
c
(t1)、预测前时段的历史负荷数据x
h
(t1)、目标预测时段的历史负荷数据x
h
(t2)；
7.s3、基于步骤s2的预测前时段t1所对应的历史负荷数据x
h
(t1)，通过模糊均值聚类得到t1时段供电网格的历史典型负荷曲线c
h
(t1)及相应的隶属度矩阵u
h
；根据模糊均值聚类结果c
h
(t1)以及步骤s2的实时负荷数据x
c
(t1)构建预测前时段实时负荷数据x
c
(t1)对于历史典型负荷曲线c
h
(t1)的隶属度矩阵u
c
；
8.s4、基于步骤s3构建的隶属度矩阵u
h
、u
c
，以及步骤s2中目标预测时段的历史负荷数据x
h
(t2)构建目标时段的负荷x
c
(t2)，对目标时段的负荷进行预测。
9.具体的，步骤s2中，预测前实时负荷数据x
c
与历史日负荷数据x
h
具有相同的采样频率。
10.具体的，步骤s3具体为：
11.s301、供电网格数量为n，给定聚类中心数量k，初始隶属度矩阵u
h(0)
，加权指数m，迭代阙值ε，迭代次数t＝0；
12.s302、根据隶属度矩阵计算聚类中心c
h(t 1)
(t1)；
13.s303、更新隶属度；
14.s304、若||c
hi(t 1)
(t1)
‑
c
hi(t)
(t1)||＜ε，满足收敛条件，停止迭代，输出聚类中心c
h
(t1)及隶属度矩阵u
h
；
15.s305、根据实时负荷数据x
c
(t1)及历史典型负荷曲线c
h
(t1)构建预测前时段实时负荷数据x
c
(t1)对于历史典型负荷曲线c
h
的隶属度矩阵u
c
。
16.进一步的，步骤s304中，如果不满足收敛条件，迭代次数t＝t 1，并返回步骤s302继续迭代；若满足收敛条件则转至步骤s305。
17.进一步的，步骤s305中，隶属度矩阵u
c
为：
[0018][0019][0020]
其中，1≤i≤n,1≤j≤k，μ
cij
为第i个供电网格实时负荷对于第j个历史典型负荷的隶属度，x
ci
(t1)为第i个供电网格在t1时段的实时负荷数据，c
hj
(t1)为第j个历史典型负荷，m为模糊均值聚类中的加权指数，m＝2，n为供电网格数量，k为聚类中心数量。
[0021]
具体的，步骤s4具体为：
[0022]
s401、基于步骤s2中的历史负荷数据中目标时段对应的负荷x
h
(t2)和步骤s3中的隶属度矩阵u
h
构建t2时段的历史典型负荷曲线c
h
(t2)；
[0023]
s402、基于步骤s401中t2时段的历史典型负荷曲线c
h
(t2)以及步骤s3中的隶属度矩阵u
c
，构建目标时段的负荷x
c
(t2)。
[0024]
进一步的，步骤s401中，t2时段的历史典型负荷曲线c
h
(t2)：
[0025]
c
h
(t2)＝{c
h1
(t2),c
h2
(t2)...,c
hk
(t2)}
[0026][0027]
其中，μ
hij
为第i个供电网格历史负荷对于第j个历史典型负荷的隶属度，在步骤s3中得到；x
hi
(t2)为第i个供电网格在t2时段的历史负荷；m为模糊均值聚类中的加权指数，m＝2；k为聚类中心数量。
[0028]
进一步的，步骤s402中，构建目标时段的负荷x
c
(t2)：
[0029]
x
c
(t2)＝u
c
·
c
h
(t2)。
[0030][0031]
具体的，步骤s4完成后，重新确定预测前时段t1及负荷预测目标时段t2并进行负荷预测，直至全面复电。
[0032]
本发明的另一技术方案是，一种面向灾后快速复电的空间负荷预测系统，包括：
[0033]
时间模块，根据台风灾害信息确定预测前时段t1及负荷预测目标时段t2；
[0034]
负荷模块，根据时间模块确定的预测前时段t1和预测目标时段t2获取受灾地区供电网格的负荷数据，负荷数据包括预测前时段t1的实时负荷数据x
c
(t1)、预测前时段的历史
负荷数据x
h
(t1)、目标预测时段的历史负荷数据x
h
(t2)；
[0035]
矩阵模块，基于负荷模块的预测前时段t1所对应的历史负荷数据x
h
(t1)，通过模糊均值聚类得到t1时段供电网格的历史典型负荷曲线c
h
(t1)及相应的隶属度矩阵u
h
；根据模糊均值聚类结果c
h
(t1)以及负荷模块的实时负荷数据x
c
(t1)构建预测前时段实时负荷数据x
c
(t1)对于历史典型负荷曲线c
h
(t1)的隶属度矩阵u
c
；
[0036]
预测模块，基于矩阵模块构建的隶属度矩阵u
h
、u
c
，以及负荷模块中目标预测时段的历史负荷数据x
h
(t2)构建目标时段的负荷x
c
(t2)，对目标时段的负荷进行预测。
[0037]
与现有技术相比，本发明至少具有以下有益效果：
[0038]
本发明一种面向灾后快速复电的空间负荷预测方法，将隶属度矩阵应用于空间负荷预测，方便后续电力公司针对性地制定灾害后配电系统抢修顺序和恢复策略，通过历史数据挖掘进新负荷预测，数据来源简单，算法复杂度低，可以达到快速负荷的目的；通过滚动预测可以随抢修工作的推进持续进行负荷预测，满足台风灾害后配电系统恢复供电时对负荷数据的需求；通过预测结果校正实时负荷数据中的缺失数据，解决台风灾害下计量设备故障导致的数据缺失问题。
[0039]
进一步的，步骤s2中，预测前实时负荷数据x
c
与历史日负荷数据x
h
具有相同的采样频率设置的好处为在进行模糊均值聚类时无需进行数据维数规整，减小数据损失带来的误差。
[0040]
进一步的，步骤s3为通过模糊均值聚类，使用隶属度简单有效地表征历史负荷和实时负荷的特征，得到历史负荷和实时负荷之间的映射关系。
[0041]
进一步的，如果不满足收敛条件，迭代次数t＝t 1，并返回步骤s302继续迭代为判断模糊均值聚类是否收敛。
[0042]
进一步的，设置隶属度矩阵u
c
为通过实时负荷对历史典型负荷的隶属度表征实时负荷的特征。
[0043]
进一步的，根据步骤s3中获得的历史负荷与实时负荷的映射关系，对目标时段的负荷进行预测。
[0044]
进一步的，步骤s401中t2时段的历史典型负荷曲线c
h
(t2)设置的目的是根据s3中获得t1时段的历史负荷与历史典型负荷的关系，构建t2时段的历史典型负荷。
[0045]
进一步的，步骤s402中构建目标时段的负荷x
c
(t2)是通过t2时段的历史典型负荷以及试试负荷与历史负荷的关系，得到目标时段的负荷x
c
(t2)，即需要预测的负荷。
[0046]
进一步的，步骤s4完成后，重新确定预测前时段t1及负荷预测目标时段t2并进行负荷预测，直至全面复电是指随着时间发展，动态地预测下一时段的负荷，为台风灾害后的复电决策提供数据依据，直至所有供电网格的电力供应恢复正常。
[0047]
综上所述，本发明基于模糊均值聚类，充分考虑负荷的模糊性与复杂性，可以获得准确的预测结果，时间复杂度较低，计算简便，程序清晰，符合台风后快速复电的需求，负荷预测结果可用于元件故障抢修顺序的优化与供电恢复策略的制定中。
[0048]
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
[0049]
图1为本发明流程图；
[0050]
图2为本发明实施例的负荷预测结果图；
[0051]
图3为供电网格的负荷预测结果图；
[0052]
图4为滚动预测结果图。
具体实施方式
[0053]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0054]
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
[0055]
还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
[0056]
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
[0057]
在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
[0058]
本发明提供了一种面向灾后快速复电的空间负荷预测方法，涉及了配电系统下供电网格的历史数据及实时数据，首先获取供电网格负荷数据及台风影响时段，然后通过模糊均值聚类建立预测前时段负荷与历史负荷的映射关系，通过模糊均值聚类计算得到历史数据和实时数据相对于典型用电行为的隶属度矩阵，并根据隶属度矩阵对目标时间段的负荷进行预测，最后基于历史负荷数据对目标时段负荷进行预测；得到在目标时间段的空间负荷分布。
[0059]
请参阅图1，本发明一种面向灾后快速复电的空间负荷预测方法，包括以下步骤：
[0060]
s1、根据台风灾害信息确定预测前时段t1及负荷预测目标时段t2；
[0061]
第一次预测时，步骤s1中t1为预测前时间段：
[0062]
t1＝{t0,t1,...,t
a
}
[0063]
负荷预测目标时段t2满足：
[0064]
t2＝{t
a 1
,t
a 2
,...,t
a b
}
[0065]
b＜a
[0066]
其中，为。
[0067]
s2、获取受灾地区供电网格的负荷数据，包括预测前实时负荷数据x
c
及历史日负荷数据x
h
；
[0068]
预测前实时负荷数据x
c
与历史日负荷数据x
h
该具有相同的采样频率，即x
c
与x
h
具
有相同的维度s。
[0069]
s3、基于步骤s1历史负荷数据中预测前时段t1所对应的负荷数据x
h
(t1)，通过模糊均值聚类得到t1时段供电网格的历史典型负荷曲线c
h
(t1)及相应的隶属度矩阵u
h
；构建预测前时段实时负荷数据x
c
(t1)对于历史典型负荷曲线c
h
(t1)的隶属度矩阵u
c
；
[0070]
s301、供电网格数量为n，给定聚类中心数量k，初始隶属度矩阵u
h(0)
，加权指数m，迭代阙值ε，迭代次数t＝0，其中，隶属度矩阵：
[0071][0072]
满足：
[0073][0074]
若t＝0，则随机选取初始隶属度矩阵；初始隶属度矩阵满足下列条件：
[0075][0076]
满足：
[0077][0078]
s302、根据隶属度矩阵计算聚类中心c
h(t 1)
(t1)，计算公式如下所示：
[0079][0080]
其中，
[0081]
s303、更新隶属度，计算公式如下：
[0082][0083]
其中，
[0084]
s304、若即满足收敛条件，停止迭代，否则迭代次数t＝t 1,并返回步骤s302继续迭代；
[0085]
s305、构建预测前时段实时负荷数据x
c
(t1)对于历史典型负荷曲线c
h
的隶属度矩
阵u
c
：
[0086][0087]
其中，μ
cij
为第i个供电网格实时负荷对于第j个历史典型负荷的隶属度，x
ci
(t1)为第i个供电网格在t1时段的实时负荷数据，c
hj
(t1)为第j个历史典型负荷，m为模糊均值聚类中的加权指数，m＝2，n为供电网格数量，k为聚类中心数量。
[0088]
s4、基于步骤s3构建的隶属度矩阵u
c
及历史日负荷数据中目标时段对应的负荷x
h
(t2)，构建目标时段的负荷x
c
(t2)，即对目标时段的负荷进行预测；
[0089]
s401、基于隶属度矩阵u
h
和历史日负荷数据中目标时段对应的负荷x
h
(t2)构建t2时段的历史典型负荷曲线c
h
(t2)：
[0090][0091]
其中，μ
hij
为第i个供电网格历史负荷对于第j个历史典型负荷的隶属度，在步骤s3中得到；x
hi
(t2)为第i个供电网格在t2时段的历史负荷，m为模糊均值聚类中的加权指数，m＝2，k为聚类中心数量。
[0092]
s402、基于t2时段的历史典型负荷曲线c
h
(t2)以及隶属度矩阵u
c
，构建目标时段的负荷x
c
(t2)：
[0093]
x
c
(t2)＝u
c
·
c
h
(t2)
[0094]
s5、随着抢修工作的推进，负荷不断恢复，重新确定预测前时段及目标时段并进行负荷预测，直至全面复电。
[0095]
随着时间增长，t1及t2的维度不变，增加新增的时间节点，并删去初始时间节点：
[0096]
t1'＝{t1,t2,...,t
a 1
}
[0097]
t2'＝{t
a 2
,t
a 3
,...,t
a b 1
}
[0098]
若预测前时段实时负荷新增节点数据x
c
(t1',t
a 1
)因计量设备故障而无法获取，可使用上一次预测结果中的节点数据x
c
(t2,t
a 1
)替代。
[0099]
本发明再一个实施例中，提供一种面向灾后快速复电的空间负荷预测系统，该系统能够用于实现上述面向灾后快速复电的空间负荷预测方法，具体的，该面向灾后快速复电的空间负荷预测系统包括时间模块、负荷模块、矩阵模块以及预测模块。
[0100]
其中，时间模块，根据台风灾害信息确定预测前时段t1及负荷预测目标时段t2；
[0101]
负荷模块，根据时间模块确定的预测前时段t1和预测目标时段t2获取受灾地区供电网格的负荷数据，负荷数据包括预测前时段t1的实时负荷数据x
c
(t1)、预测前时段的历史负荷数据x
h
(t1)、目标预测时段的历史负荷数据x
h
(t2)；
[0102]
矩阵模块，基于负荷模块的预测前时段t1所对应的历史负荷数据x
h
(t1)，通过模糊均值聚类得到t1时段供电网格的历史典型负荷曲线c
h
(t1)及相应的隶属度矩阵u
h
；根据模糊均值聚类结果c
h
(t1)以及负荷模块的实时负荷数据x
c
(t1)构建预测前时段实时负荷数据
x
c
(t1)对于历史典型负荷曲线c
h
(t1)的隶属度矩阵u
c
；
[0103]
预测模块，基于矩阵模块构建的隶属度矩阵u
h
、u
c
，以及负荷模块中目标预测时段的历史负荷数据x
h
(t2)构建目标时段的负荷x
c
(t2)，对目标时段的负荷进行预测。
[0104]
本发明再一个实施例中，提供了一种终端设备，该终端设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor、dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field
‑
programmable gatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于面向灾后快速复电的空间负荷预测方法的操作，包括：
[0105]
根据台风灾害信息确定预测前时段t1及负荷预测目标时段t2；根据预测前时段t1和预测目标时段t2获取受灾地区供电网格的负荷数据，负荷数据包括预测前时段t1的实时负荷数据x
c
(t1)、预测前时段的历史负荷数据x
h
(t1)、目标预测时段的历史负荷数据x
h
(t2)；基于预测前时段t1所对应的历史负荷数据x
h
(t1)，通过模糊均值聚类得到t1时段供电网格的历史典型负荷曲线c
h
(t1)及相应的隶属度矩阵u
h
；根据模糊均值聚类结果c
h
(t1)以及实时负荷数据x
c
(t1)构建预测前时段实时负荷数据x
c
(t1)对于历史典型负荷曲线c
h
(t1)的隶属度矩阵u
c
；基于隶属度矩阵u
h
、u
c
，以及目标预测时段的历史负荷数据x
h
(t2)构建目标时段的负荷x
c
(t2)，对目标时段的负荷进行预测。
[0106]
本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(memory)，所述计算机可读存储介质是终端设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括终端设备中的内置存储介质，当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速ram存储器，也可以是非不稳定的存储器(non
‑
volatile memory)，例如至少一个磁盘存储器。
[0107]
可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关面向灾后快速复电的空间负荷预测方法的相应步骤；计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤：
[0108]
根据台风灾害信息确定预测前时段t1及负荷预测目标时段t2；根据预测前时段t1和预测目标时段t2获取受灾地区供电网格的负荷数据，负荷数据包括预测前时段t1的实时负荷数据x
c
(t1)、预测前时段的历史负荷数据x
h
(t1)、目标预测时段的历史负荷数据x
h
(t2)；基于预测前时段t1所对应的历史负荷数据x
h
(t1)，通过模糊均值聚类得到t1时段供电网格的历史典型负荷曲线c
h
(t1)及相应的隶属度矩阵u
h
；根据模糊均值聚类结果c
h
(t1)以及实时负荷数据x
c
(t1)构建预测前时段实时负荷数据x
c
(t1)对于历史典型负荷曲线c
h
(t1)的隶属度矩阵u
c
；基于隶属度矩阵u
h
、u
c
，以及目标预测时段的历史负荷数据x
h
(t2)构建目标时段的
负荷x
c
(t2)，对目标时段的负荷进行预测。
[0109]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0110]
对供电网格进行负荷预测，供电网格的负荷时序数据为从当天00:00开始到当天23:30结束每半个小时采样得到的48点日负荷时序数据。所有供电网格具有台风当日前一年的历史负荷数据。选取预测前时段t1为00:00～05:00，目标预测时段t2为05:00～10:00，记历史日负荷数据为x
h
，预测前实时负荷数据x
c
，其中历史数据为48维，预测前实时负荷数据为预测前时段t1的负荷数据，当t1为00:00～05:00时为10维。
[0111]
x
h
＝{x
h1
,x
h2
,...,x
h48
}
[0112]
x
c
＝{x
c1
,x
c2
,...x
ct1
}
[0113]
通过模糊均值聚类得到t1时段供电网格的历史典型负荷曲线c
h
及相应的隶属度矩阵u
h
。
[0114]
请参阅图2，展示了基于历史数据得到的典型负荷模式，及其某日负荷曲线相对于所有负荷模式的隶属度。
[0115]
构建预测前时段实时负荷数据x
c
(t1)对于历史典型负荷曲线c
h
(t1)的隶属度矩阵u
c
，基于隶属度矩阵及历史日负荷数据中目标时段对应的负荷x
h
(t2)，构建目标时段的负荷x
c
(t2)。
[0116][0117][0118]
x
c
(t2)＝u
c
·
c
h
(t2)
[0119]
图3展示了供电网格的负荷预测结果。
[0120]
选取预测时长为4h，可对全天负荷进行滚动预测。图4展示了滚动预测结果。
[0121]
综上所述，本发明一种面向灾后快速复电的空间负荷预测方法，基于模糊均值聚类，充分考虑负荷的模糊性与复杂性，因而可以获得准确的预测结果。同时，方法的时间复杂度较低，符合台风后负荷空间分布预测需求。负荷预测结果可用于灾后故障抢修顺序的优化与供电恢复策略的制定中。
[0122]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实
施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd
‑
rom、光学存储器等)上实施的计算机程序产品的形式。
[0123]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0124]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0125]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0126]
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。