电池模型参数的辨识方法、装置及计算机存储介质与流程

1.本发明涉及电池模型技术领域，尤其涉及电池模型参数的辨识方法、装置及计算机存储介质。


背景技术：

2.动力电池作为电动汽车动力系统的关键组成部分，对整车安全性、动力性及经济性至关重要。电池荷电状态(state of charge，soc)预测是电池管理系统(battery management system，bms)的核心功能之一。有效的soc预测对电池更安全、更合理地使用，延长使用寿命，提高能量利用效率具有重要的意义，而建立良好的电池模型是提高soc预测准确性的重要途径，因此开展对锂电池参数辨识方法的研究极具价值。
3.带遗忘因子的最小二乘法(forgetting factor recursive least squares，ffrls)是电池模型中最常见的在线参数辨识方法，具有较高精确性。带遗忘因子的最小二乘法均是采用固定数值的遗忘因子，然而在实际应用过程中，电池内部的状态会随着外部环境(电流、电压以及温度等)的变化而变化，采用固定数值的遗忘因子并不能很好地适应电池动态系统，会使得电池模型参数的辨识精度较低。
4.上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。


技术实现要素：

5.本发明的主要目的在于提供一种电池模型参数的辨识方法、装置及计算机存储介质，旨在提高电池模型参数的辨识精度。
6.为实现上述目的，本发明提供一种电池模型参数的辨识方法，所述电池模型参数的辨识方法包括以下步骤：
7.获取电池的二阶电阻-电容模型的辨识方程；
8.获取上一时刻最小二乘法的遗忘因子；
9.根据上一时刻的所述遗忘因子获取当前时刻所述最小二乘法的增益，其中，采用当前时刻所述最小二乘法的增益，基于所述最小二乘法，确定在当前时刻所述辨识方程的模型参数；
10.根据当前时刻所述最小二乘法的增益、预测误差以及协方差矩阵确定当前时刻所述最小二乘法的遗忘因子。
11.可选地，所述根据当前时刻所述最小二乘法的增益、预测误差以及协方差矩阵确定当前时刻所述最小二乘法的遗忘因子的步骤之后，还包括：
12.根据当前时刻的所述遗忘因子获取下一时刻所述最小二乘法的增益，其中，采用下一时刻所述最小二乘法的增益，基于所述最小二乘法，确定下一时刻所述辨识方程的模型参数。
13.可选地，所述根据上一时刻的所述遗忘因子获取当前时刻所述最小二乘法的增益
的步骤与所述根据当前时刻所述最小二乘法的增益、预测误差以及协方差矩阵确定当前时刻所述最小二乘法的遗忘因子的步骤之间，还包括：
14.获取上一时刻所述最小二乘法的协方差矩阵；
15.根据上一时刻的所述遗忘因子、当前时刻所述最小二乘法的增益以及上一时刻的所述协方差矩阵确定当前时刻所述最小二乘法的协方差矩阵。
16.可选地，所述根据上一时刻的所述遗忘因子获取当前时刻所述最小二乘法的增益的步骤包括：
17.获取当前时刻所述辨识方程的输入观测量对应的矩阵；
18.根据上一时刻的所述遗忘因子、当前时刻所述输入观测量对应的矩阵以及上一时刻所述最小二乘法的协方差矩阵获取当前时刻所述最小二乘法的增益。
19.可选地，所述根据上一时刻的所述遗忘因子获取当前时刻所述最小二乘法的增益的步骤与所述根据当前时刻所述最小二乘法的增益、预测误差以及协方差矩阵确定当前时刻所述最小二乘法的遗忘因子的步骤之间，还包括：
20.获取当前时刻所述辨识方程的输入观测量对应的矩阵；
21.获取当前时刻所述二阶电阻-电容模型的开路电压；
22.根据当前时刻所述输入观测量对应的矩阵以及当前时刻的所述开路电压确定当前时刻所述最小二乘法的预测误差，其中，采用当前时刻所述最小二乘法的增益、所述预测误差以及上一时刻所述辨识方程的模型参数，基于所述最小二乘法，确定在当前时刻所述辨识方程的模型参数。
23.可选地，所述获取当前时刻所述二阶电阻-电容模型的开路电压的步骤包括：
24.获取上一时刻所述辨识方程的模型参数；
25.采用上一时刻所述辨识方程的模型参数更新卡尔曼滤波算法的离散化状态空间方程；
26.采用更新后的离散化状态空间方程以及开路电压-荷电状态的曲线确定当前时刻所述二阶电阻-电容模型的开路电压。
27.可选地，所述采用上一时刻所述辨识方程的模型参数更新卡尔曼滤波算法的离散化状态空间方程的步骤包括：
28.获取所述离散化状态空间方程的过程噪声以及观测噪声；
29.采用上一时刻所述辨识方程的模型参数更新所述过程噪声以及观测噪声，以更新所述离散化状态空间方程。
30.此外，为实现上述目的，本发明还提供一种电池模型参数的辨识装置，所述电池模型参数的辨识装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的电池模型参数的辨识程序，所述电池模型参数的辨识程序被所述处理器执行时实现如上所述中任一项所述的电池模型参数的辨识方法的步骤。
31.此外，为实现上述目的，本发明还提供一种计算机存储介质，所述计算机存储介质上存储有电池模型参数的辨识程序，所述电池模型参数的辨识程序被处理器执行时实现如上所述中任一项所述的电池模型参数的辨识方法的步骤。
32.本发明实施例提出的电池模型参数的辨识方法、装置及计算机存储介质，获取电池的二阶电阻-电容模型的辨识方程；获取上一时刻最小二乘法的遗忘因子；根据上一时刻
的所述遗忘因子获取当前时刻所述最小二乘法的增益，其中，采用当前时刻所述最小二乘法的增益，基于所述最小二乘法，确定在当前时刻所述辨识方程的模型参数；根据当前时刻所述最小二乘法的增益、预测误差以及协方差矩阵确定当前时刻所述最小二乘法的遗忘因子。本发明通过在根据上一时刻的遗忘因子获取当前时刻最小二乘法的增益之后，根据当前时刻最小二乘法的增益、预测误差以及协方差矩阵重新确定遗忘因子，使得遗忘因子随着最小二乘法的递推逐渐变化，提高电池模型参数的辨识精度。
附图说明
33.图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图；
34.图2为本发明电池模型参数的辨识方法的一实施例的流程示意图；
35.图3为本发明电池模型参数的辨识方法另一实施例的流程示意图；
36.图4为本发明电池模型参数的辨识方法再一实施例的流程示意图；
37.图5为本发明电池模型参数中的r0参数的辨识结果的一种示意图；
38.图6为本发明电池模型参数中的r1参数的辨识结果的一种示意图；
39.图7为本发明电池模型参数中的r2参数的辨识结果的一种示意图；
40.图8为本发明电池模型参数中的c1参数的辨识结果的一种示意图；
41.图9为本发明电池模型参数中的c2参数的辨识结果的一种示意图；
42.图10为本发明电池模型的电压误差分析的一种示意图。
43.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
44.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
45.本发明实施例提供一种解决方案，通过在根据上一时刻的遗忘因子获取当前时刻最小二乘法的增益之后，根据当前时刻最小二乘法的增益、预测误差以及协方差矩阵重新确定遗忘因子，使得遗忘因子随着最小二乘法的递推逐渐变化，提高电池模型参数的辨识精度。
46.如图1所示，图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图。
47.本发明实施例终端为电池模型参数的辨识装置。
48.如图1所示，该终端可以包括：处理器1001，例如cpu、dsp、mcu，通信总线1002，存储器1003。其中，通信总线1002用于实现这些组件之间的连接通信。存储器1003可以是高速ram存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1003可选的还可以是独立于前述处理器1001的存储装置。
49.本领域技术人员可以理解，图1中示出的终端结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
50.如图1所示，作为一种计算机存储介质的存储器1003中可以包括电池模型参数的辨识程序。
51.在图1所示的终端中，处理器1001可以用于调用存储器1003中存储的电池模型参数的辨识程序，并执行以下操作：
52.获取电池的二阶电阻-电容模型的辨识方程；
53.获取上一时刻最小二乘法的遗忘因子；
54.根据上一时刻的所述遗忘因子获取当前时刻所述最小二乘法的增益，其中，采用当前时刻所述最小二乘法的增益，基于所述最小二乘法，确定在当前时刻所述辨识方程的模型参数；
55.根据当前时刻所述最小二乘法的增益、预测误差以及协方差矩阵确定当前时刻所述最小二乘法的遗忘因子。
56.进一步地，处理器1001可以调用存储器1003中存储的电池模型参数的辨识程序，还执行以下操作：
57.根据当前时刻的所述遗忘因子获取下一时刻所述最小二乘法的增益，其中，采用下一时刻所述最小二乘法的增益，基于所述最小二乘法，确定下一时刻所述辨识方程的模型参数。
58.进一步地，处理器1001可以调用存储器1003中存储的电池模型参数的辨识程序，还执行以下操作：
59.获取上一时刻所述最小二乘法的协方差矩阵；
60.根据上一时刻的所述遗忘因子、当前时刻所述最小二乘法的增益以及上一时刻的所述协方差矩阵确定当前时刻所述最小二乘法的协方差矩阵。
61.进一步地，处理器1001可以调用存储器1003中存储的电池模型参数的辨识程序，还执行以下操作：
62.获取当前时刻所述辨识方程的输入观测量对应的矩阵；
63.根据上一时刻的所述遗忘因子、当前时刻所述输入观测量对应的矩阵以及上一时刻所述最小二乘法的协方差矩阵获取当前时刻所述最小二乘法的增益。
64.进一步地，处理器1001可以调用存储器1003中存储的电池模型参数的辨识程序，还执行以下操作：
65.获取当前时刻所述辨识方程的输入观测量对应的矩阵；
66.获取当前时刻所述二阶电阻-电容模型的开路电压；
67.根据当前时刻所述输入观测量对应的矩阵以及当前时刻的所述开路电压确定当前时刻所述最小二乘法的预测误差，其中，采用当前时刻所述最小二乘法的增益、所述预测误差以及上一时刻所述辨识方程的模型参数，基于所述最小二乘法，确定在当前时刻所述辨识方程的模型参数。
68.进一步地，处理器1001可以调用存储器1003中存储的电池模型参数的辨识程序，还执行以下操作：
69.获取上一时刻所述辨识方程的模型参数；
70.采用上一时刻所述辨识方程的模型参数更新卡尔曼滤波算法的离散化状态空间方程；
71.采用更新后的离散化状态空间方程以及开路电压-荷电状态的曲线确定当前时刻所述二阶电阻-电容模型的开路电压。
72.进一步地，处理器1001可以调用存储器1003中存储的电池模型参数的辨识程序，还执行以下操作：
73.获取所述离散化状态空间方程的过程噪声以及观测噪声；
74.采用上一时刻所述辨识方程的模型参数更新所述过程噪声以及观测噪声，以更新所述离散化状态空间方程。
75.参照图2，在一实施例中，电池模型参数的辨识方法包括以下步骤：
76.步骤s10，获取电池的二阶电阻-电容模型的辨识方程；
77.在本实施例中，电池soc(state of charge，荷电状态)估算研究中使用的电池模型主要有电化学模型、神经网络模型和等效电路模型。电化学模型涉及化学机理反应，复杂程度较高，适用于专业人员用，在实际应用中难以实现。神经网络模型需要大量的实验数据支撑，对历史数据依赖较强。等效电路模型通过电路元件来表征电池的内部反应，且计算量相对较少，简单易用。等效电路模型包括：rint(内阻)模型、pngv(partnership for a new generation of vehicle，新一代汽车伙伴计划)模型、thevenin(戴维宁)模型及rc(电阻-电容)模型。考虑到二阶rc模型结构简单且参数易于确定，本实施例选用二阶rc模型进行参数辨识方法的验证。
78.当电池放电时，等效电路模型对应的表达式为：
79.u
t
(t)＝u
oc
(t)-i
lr0-u
1-...un(n＝1,2,...)
80.i
l
＝u1/r1 c1du1/dt＝un/rn cndun/dt(n＝1,2,...)
81.其中，u
t
为端电压，u
oc
为开路电压，r0为欧姆内阻，un为c
nrn
两端的电压，i
l
为放电电流。当n＝2代表模型为二阶rc模型。
82.进行离散化处理，可得到：
83.u
t
(k)＝u
oc
(sock)-i
l
(k)r
0-u1(k)-...un(k)(n＝1,2,...)
[0084][0085]
进行拉普拉斯变换可得：
[0086][0087]
当n＝2时，电池模型表达式为：
[0088][0089]
令时间常数τ1＝r1c1，τ2＝r2c2，得到：
[0090][0091]
进一步转化得到：
[0092]
y(k)＝b1y(k-1) b2y(k-2) b3i
l
(k) b4i
l
(k-1) b5i
l
(k-2)
[0093]
式中，a1、a2、a3、a4和a5是与二阶rc模型参数有关的常数，令：
[0094]
[0095]
θ2＝[a
1 a
2 a
3 a
4 a5]
[0096]
二阶rc模型的辨识方程为：
[0097][0098]
步骤s20，获取上一时刻最小二乘法的遗忘因子；
[0099]
在本实施例中，在递推最小二乘法中常加入遗忘因子可降低矩阵中的旧数据占有量，从而防止rls算法出现数据饱和现象及增强算法的跟踪能力和修正能力。遗忘因子的选取对算法的收敛能力、鲁棒性、跟踪能力等产生直接的影响。当前时刻为k，上一时刻为k-1，上一时刻最小二乘法的遗忘因子为：λ(k-1)。
[0100]
步骤s30，根据上一时刻的所述遗忘因子获取当前时刻所述最小二乘法的增益，其中，采用当前时刻所述最小二乘法的增益，基于所述最小二乘法，确定在当前时刻所述辨识方程的模型参数；
[0101]
在本实施例中，根据上一时刻的遗忘因子、上一时刻最小二乘法的协方差矩阵以及当前时刻辨识方程的输入观测量对应的矩阵计算当前时刻最小二乘法的增益。当前时刻最小二乘法的增益可通过以下公式进行计算：
[0102][0103]
其中，k(k)为当前时刻最小二乘法，p
affrls
(k-1)为上一时刻最小二乘法的协方差矩阵，为当前时刻辨识方程的输入观测量对应的矩阵。
[0104]
可选地，在确定在当前时刻辨识方程的模型参数时，可根据当前时刻最小二乘法的增益、当前时刻最小二乘法的预测误差以及上一时刻辨识方程的模型参数来计算，具体公式示例如下：
[0105][0106]
其中，为当前时刻辨识方程的模型参数，e(k)为当前时刻最小二乘法的预测误差。
[0107]
可选地，a1、a2、a3、a4和a5是与电池模型参数有关的常数，表达式如下：
[0108]
对锂电池等效电路模型的差分方程进行参数辨识，得到模型系数κ1～κ5的值，进而将κ1～κ5的值代入上式，得到锂电池模型参数的值r1～c2，从而实现对于电池模型参数的辨识。
[0109]
步骤s40，根据当前时刻所述最小二乘法的增益、预测误差以及协方差矩阵确定当前时刻所述最小二乘法的遗忘因子。
[0110]
在本实施例中，由于电池内部状态是一个时变、动态的系统，为提高电池模型参数的动态辨识精度，本实施例提出一种基于自适应遗忘因子的最小二乘法(adaptive forgetting factor recursive least squares，affrls)。根据当前时刻最小二乘法的增益、预测误差以及协方差矩阵确定当前时刻最小二乘法的遗忘因子，即是随着最小二乘法的递推不断更新遗忘因子，实现遗忘因子的自适应。自适应的遗忘因子的公式如下：
[0111][0112]
其中，e(k)为当前时刻最小二乘法的预测误差，p
affrls
(k)为当前时刻最小二乘法的协方差矩阵，k(k)为当前时刻最小二乘法的增益。
[0113]
随着时间的推移，当前时刻的最小二乘法的遗忘因子更新为上一时刻的遗忘因子，从而返回执行步骤s20。具体地，根据当前时刻的遗忘因子获取下一时刻最小二乘法的增益，其中，采用下一时刻最小二乘法的增益，基于最小二乘法，确定下一时刻辨识方程的模型参数。
[0114]
可选地，在步骤s30与步骤s40之间，还可先当前时刻最小二乘法的协方差矩阵。具体地，可获取上一时刻最小二乘法的协方差矩阵，并根据上一时刻的遗忘因子、当前时刻最小二乘法的增益以及上一时刻的协方差矩阵确定当前时刻最小二乘法的协方差矩阵，具体公式如下：
[0115][0116]
在本实施例公开的技术方案中，在根据上一时刻的遗忘因子获取当前时刻最小二乘法的增益之后，根据当前时刻最小二乘法的增益、预测误差以及协方差矩阵重新确定遗忘因子，使得遗忘因子随着最小二乘法的递推逐渐变化，提高电池模型参数的辨识精度。
[0117]
在另一实施例中，如图3所示，在上述图2所示的实施例基础上，步骤s30与步骤s40之间，还包括：
[0118]
步骤s50，获取当前时刻所述辨识方程的输入观测量对应的矩阵；
[0119]
在本实施例中，二阶rc模型的辨识方程为：
[0120][0121]
当前时刻辨识方程的输入观测量对应的矩阵的表达式如下：
[0122][0123]
可选地，可采集当前时刻电池的输入电流和输出电压，根据当前时刻电池的输入电流和输出电压更新矩阵得到当前时刻辨识方程的输入观测量对应的矩阵。
[0124]
步骤s60，获取当前时刻所述二阶电阻-电容模型的开路电压；
[0125]
在本实施例中，可采用ocv(open circuit voltage，开路电压)-soc(state of charge，荷电状态)估算研究中使用的电池模型主要有电化学模型、神经网络模型和等效电路模函数关系式，确定当前时刻电池模型的开路电压u
oc
(k)。
[0126]
步骤s70，根据当前时刻所述输入观测量对应的矩阵以及当前时刻的所述开路电压确定当前时刻所述最小二乘法的预测误差，其中，采用当前时刻所述最小二乘法的增益、
所述预测误差以及上一时刻所述辨识方程的模型参数，基于所述最小二乘法，确定在当前时刻所述辨识方程的模型参数。
[0127]
在本实施例中，根据当前时刻输入观测量对应的矩阵获取当前时刻辨识方程的预测输出电压，根据当前时刻辨识方程的预测输出电压以及当前时刻的开路电压确定当前时刻最小二乘法的预测误差，其中，当前时刻辨识方程的预测输出电压u(k)的公式如下：
[0128][0129]
当前时刻最小二乘法的预测误差e(k)的公式如下：
[0130][0131]
其中，y(k)＝v
oc
(sock)-v(k)
[0132]
在得到当前时刻最小二乘法的预测误差后，即可采用当前时刻最小二乘法的增益、预测误差以及上一时刻辨识方程的模型参数，基于最小二乘法，预估在当前时刻辨识方程的模型参数：
[0133][0134]
在本实施例公开的技术方案中，根据当前时刻输入观测量对应的矩阵以及当前时刻的开路电压确定当前时刻最小二乘法的预测误差，以基于最小二乘法，确定在当前时刻辨识方程的模型参数，实现了当前时刻辨识方程的模型参数的预估。
[0135]
在再一实施例中，如图4所示，在图3所示实施例的基础上，步骤s60包括：
[0136]
步骤s61，获取上一时刻所述辨识方程的模型参数；
[0137]
步骤s62，采用上一时刻所述辨识方程的模型参数更新卡尔曼滤波算法的离散化状态空间方程；
[0138]
在本实施例中，在获取当前时刻二阶电阻-电容模型的开路电压时，可在基于自适应遗忘因子最小二乘法(adaptive forgetting factor recursive least squares，affrls)的基础上，结合自适应卡尔曼滤波算法(adaptive extended kalman filter，aekf)，通过自适应卡尔曼滤波算法对高斯噪声的滤波效果，提高电池模型参数的辨识精度。
[0139]
以二阶rc模型为例，假设k时刻模型的输入u为动力电池的工作电流i
l
，输出y为动力电池的工作电压u
t
，状态变量x为u1、u2、soc，考虑到噪声的影响，加入过程噪声和观测噪声分别表示为wk和vk，离散化状态空间方程如下：
[0140]
[0141]
式中，
[0142]dk
＝r
0,k
，cn为电池容量。
[0143]
考虑到自适应卡尔曼滤波算法对高斯噪声的滤波效果，在不增加程序复杂量的情况下，引入aekf算法可提高affrls算法的辨识精度。
[0144]
过程噪声以及观测噪声的更新如下所示：
[0145][0146][0147][0148][0149]
步骤s63，采用更新后的离散化状态空间方程以及开路电压-荷电状态的曲线确定当前时刻所述二阶电阻-电容模型的开路电压。
[0150]
在本实施例中，在将辨识出的参数值用于aekf算法的状态更新后，采用更新后的离散化状态空间方程以及开路电压-荷电状态的曲线确定当前时刻二阶电阻-电容模型的开路电压，使得电池模型参数的辨识精度更高。
[0151]
在本实施例公开的技术方案中，在基于自适应遗忘因子最小二乘法的基础上，结合自适应卡尔曼滤波算法，通过自适应卡尔曼滤波算法对高斯噪声的滤波效果，提高电池模型参数的辨识精度。
[0152]
在一示例性说明中，在图2至图4任一实施例的基础上，电池模型参数的辨识方法示例如下：
[0153]
采用affrls算法对电池模型参数r0、r1、r2、c1、c2进行在线辨识，将辨识出的参数值用于aekf算法的状态估计，根据aekf算法和ocv-soc函数关系式得出此刻的u
oc
(k)，在用于下一步的模型参数辨识。依次可递推出每个时刻的电池模型参数值。具体步骤：
[0154]
(1)电池模型参数的初始化：θ(0)、p
affrls
(0)、采样时间t；
[0155]
(2)采集输入电流和输出电压，更新矩阵
[0156]
(3)利用aekf算法结合osc-soc函数关系式，求出当前时刻的开路电压u
oc
(k)；
[0157]
(4)预测输出电压u(k)：
[0158]
(5)计算估计误差e(k)：
[0159]
式中，y(k)＝v
oc
(sock)-v(k)。
[0160]
(6)计算卡尔曼滤波增益：
[0161]
(7)参数估计：
[0162]
(8)更新协方差矩阵：
[0163]
(9)计算可变遗忘因子的值：
[0164]
重复(2)-(9)，直到辨识结束。
[0165]
式中，a1、a2、a3、a4和a5是与电池模型参数有关的常数，表达式如下：
[0166][0167]
对锂电池等效电路模型的差分方程进行参数辨识，得到模型系数κ1～κ5的值，进而将κ1～κ5的值代入上式，得到锂电池模型参数的值r1～c2。
[0168]
仿真分析如下：
[0169]
为了验证affrls-aekf算法与ffrls算法的电池参数辨识效果，探讨affrls-aekf算法中的λ取值是否会影响识别的准确性，在参数辨识的过程中，将λ的初始值分别设置为0.98和1。图5至图9为二阶rc电池模型的r0～c2辨识结果，图10为电池模型的电压误差分析结果。
[0170]
二阶rc模型辨识过程中对电压误差的性能比较结果如下表所示：
[0171] maermseffrls:λ＝0.980.13320.0054ffrls:λ＝10.14530.0101affrls-aekf:λ＝0.980.05740.0023affrls-aekf:λ＝10.07530.0034
[0172]
因此，上述四组实验中，采用affrls-aekf辨识算法且λ＝0.98时，电池模型的电压误差mae和rmse均达到最小值，参数辨识精度达到最佳。验证了本技术所提出的基于affrls-aekf算法的电池模型参数辨识方法的有效性。
[0173]
此外，本发明实施例还提出一种电池模型参数的辨识装置，所述电池模型参数的辨识装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的电池模型参数的辨识程序，所述电池模型参数的辨识程序被所述处理器执行时实现如上各个实施例所述的电池模型参数的辨识方法的步骤。
[0174]
此外，本发明实施例还提出一种计算机存储介质，所述计算机存储介质上存储有
电池模型参数的辨识程序，所述电池模型参数的辨识程序被处理器执行时实现如上各个实施例所述的电池模型参数的辨识方法的步骤。
[0175]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
[0176]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0177]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
[0178]
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。