一种短期风电功率预测方法及装置与流程

1.本发明涉及电力工程技术领域，具体涉及一种短期风电功率预测方法及装置。


背景技术：

2.随着能源匮乏和环境污染问题日益严峻，节能减排战略是促使绿色发展的关键措施，可再生能源愈加受到人们的青睐，近年来累计并网装机容量占全部发电装机容量的占比逐日递增。
3.由于风能具有随机性、波动性、间歇性和不确定性，而风电场的接入能否保障电力系统的稳定安全运行主要取决于风电功率预测的准确性。
4.目前，在进行风电功率预测时，大多数风电功率预测模型仅采用单一数据预处理方法，但是由于风电功率预测精度影响因素诸多，现有方法最终的风电功率预测结果准确性低，不利于电力系统的稳定运行和电力行业的长期发展。


技术实现要素：

5.针对现有技术的不足，本发明的目的是提供一种短期风电功率预测方法及装置，该方法及装置将与风电功率相关的气象因素历史数据和重构后的风电功率历史数据的分量序列训练得到各核极限学习机，根据各核极限学习机输出的风电功率的分量预测值实现对短期风电功率的准确预测，保障电力系统的安全稳定运行。
6.本发明的目的是采用下述技术方案实现的：
7.本发明提供一种短期风电功率预测方法，其改进之处在于，包括以下步骤：
8.获取未来时刻与风电功率相关的气象因素预测数据；
9.将所述未来时刻与风电功率相关的气象因素预测数据分别输入至预先训练的各核极限学习机，获取各核极限学习机输出的风电功率的分量预测值；
10.根据各核极限学习机输出的风电功率的分量预测值确定未来时刻的风电功率；
11.所述各核极限学习机是基于与风电功率相关的气象因素历史数据和重构后的风电功率历史数据的分量序列训练得到的。
12.优选的，所述各核极限学习机是基于与风电功率相关的气象因素历史数据和重构后的风电功率历史数据的分量序列训练得到的，包括：
13.根据各类气象因素与风电功率的关联系数获取与风电功率相关的气象因素的历史数据{x1,x2,
…
x
t
}；
14.采用完备总体经验模态分解算法对风电功率历史数据{p1,p2,
…
,p
t
}进行分解，获取所述风电功率历史数据的分量序列{imf1,imf2,
…
,imf
n-1
，r}；
15.采用样本熵理论计算所述风电功率历史数据的分量序列中各分量的样本熵值，并根据所述各分量的样本熵值对所述风电功率历史数据的分量序列进行重构，获取重构后的风电功率历史数据的分量序列{h1,h2,
…
,hf}；
16.根据重构后的风电功率历史数据的分量序列中分量的个数构建相应数量的前馈
神经网络，将所述与风电功率相关的气象因素的历史数据作为各前馈神经网络的输入数据，将重构后的风电功率历史数据的分量序列中各分量分别作为相应前馈神经网络的输出数据，采用和声搜索算法优化各前馈神经网络的参数，直至满足预设的结束条件获得训练好的f个核极限学习机；
17.其中，t为历史数据的采样点总数，n为完备总体经验模态分解算法中预设分解的分量序列总数，x
t
为第t个采样点的与风电功率相关的气象因素的历史数据，p
t
为第t个采样点的风电功率历史数据，所述风电功率历史数据的分量序列中的{imf1,imf2,
…
,imf
n-1
}为风电功率历史数据的本征模态函数分量，r为风电功率历史数据的残余分量，imf
n-1
为风电功率历史数据的第n-1个本征模态函数分量，imf
n-1
＝{imf
n-1，1
，imf
n-1，2
......imf
n-1，t
}，imf
n-1，t
为风电功率历史数据的第n-1个本征模态函数分量中第t个采样点对应的分量值，f为重构后的风电功率历史数据的分量序列中重构分量总数，1≤f≤n，hf为重构后的风电功率历史数据的分量序列中第f个重构分量。
18.进一步的，所述根据各类气象因素与风电功率的关联系数获取与风电功率相关的气象因素的历史数据{x1,x2,
…
x
t
}，包括：
19.利用皮尔森相关性分析法分别计算各类气象因素与风电功率的关联系数；若第i类气象因素与风电功率的关联系数不小于预设阈值，则第i类气象因素为所述与风电功率相关的气象因素；获取所述与风电功率相关的气象因素的历史数据；其中，i∈[1,i]，i为气象因素总类数。
[0020]
进一步的，所述预设阈值为0.75。
[0021]
进一步的，所述气象因素包括：风速、风向、温度、湿度、气压和降水量。
[0022]
进一步的，所述根据所述风电功率历史数据的分量序列中各分量序列的样本熵值对所述风电功率历史数据的分量序列进行重构，获取重构后的风电功率历史数据的分量序列{h1,h2,
…
,hf}，包括：
[0023]
将所述风电功率历史数据的分量序列中样本熵值相差满足预设条件的分量的相同采样点对应的分量值相加，获取重构后的风电功率历史数据的分量序列。
[0024]
优选的，所述根据各核极限学习机输出的风电功率的分量预测值确定未来时刻的风电功率，包括：
[0025]
按下式确定未来时刻的风电功率g：
[0026][0027]
上式中，f∈[1,f]，gf为第f个核极限学习机的输出值。
[0028]
本发明提供一种短期风电功率预测装置，其改进之处在于，包括：
[0029]
第一获取模块，用于获取未来时刻与风电功率相关的气象因素预测数据；
[0030]
第二获取模块，用于将所述未来时刻与风电功率相关的气象因素预测数据分别输入至预先训练的各核极限学习机，获取各核极限学习机输出的风电功率的分量预测值；
[0031]
预测模块，用于根据各核极限学习机输出的风电功率的分量预测值确定未来时刻的风电功率；
[0032]
所述各核极限学习机是基于与风电功率相关的气象因素历史数据和重构后的风电功率历史数据的分量序列训练得到的。
[0033]
优选的，所述各核极限学习机是基于与风电功率相关的气象因素历史数据和重构后的风电功率历史数据的分量序列训练得到的包括：
[0034]
筛选单元，用于根据各类气象因素与风电功率的关联系数获取与风电功率相关的气象因素的历史数据{x1,x2,
…
x
t
}；
[0035]
分解单元，用于采用完备总体经验模态分解算法对风电功率历史数据{p1,p2,
…
,p
t
}进行分解，获取所述风电功率历史数据的分量序列{imf1,imf2,
…
,imf
n-1
，r}；
[0036]
重构单元，用于采用样本熵理论计算所述风电功率历史数据的分量序列中各分量的样本熵值，并根据所述各分量的样本熵值对所述风电功率历史数据的分量序列进行重构，获取重构后的风电功率历史数据的分量序列{h1,h2,
…
,hf}；
[0037]
训练单元，根据重构后的风电功率历史数据的分量序列中分量的个数构建相应数量的前馈神经网络，将所述与风电功率相关的气象因素的历史数据作为各前馈神经网络的输入数据，将重构后的风电功率历史数据的分量序列中各分量分别作为相应前馈神经网络的输出数据，采用和声搜索算法优化各前馈神经网络的参数，直至满足预设的结束条件获得训练好的f个核极限学习机；
[0038]
其中，t为历史数据的采样点总数，n为完备总体经验模态分解算法中预设分解的分量序列总数，x
t
为第t个采样点的与风电功率相关的气象因素的历史数据，p
t
为第t个采样点的风电功率历史数据，所述风电功率历史数据的分量序列中的{imf1,imf2,
…
,imf
n-1
}为风电功率历史数据的本征模态函数分量，r为风电功率历史数据的残余分量，imf
n-1
为风电功率历史数据的第n-1个本征模态函数分量，imf
n-1
＝{imf
n-1，1
，imf
n-1，2
......imf
n-1，t
}，imf
n-1，t
为风电功率历史数据的第n-1个本征模态函数分量中第t个采样点对应的分量值，f为重构后的风电功率历史数据的分量序列中重构分量总数，1≤f≤n，hf为重构后的风电功率历史数据的分量序列中第f个重构分量。
[0039]
进一步的，所述筛选单元，包括：
[0040]
计算子单元，用于利用皮尔森相关性分析法分别计算各类气象因素与风电功率的关联系数；
[0041]
判断子单元，用于若第i类气象因素与风电功率的关联系数不小于预设阈值，则第i类气象因素为所述与风电功率相关的气象因素；
[0042]
获取子单元，用于获取所述与风电功率相关的气象因素的历史数据；其中，i∈[1,i]，i为气象因素总类数。
[0043]
进一步的，所述预设阈值为0.75。
[0044]
进一步的，所述气象因素包括：风速、风向、温度、湿度、气压和降水量。
[0045]
进一步的，所述重构单元，用于：
[0046]
将所述风电功率历史数据的分量序列中样本熵值相差满足预设条件的分量的相同采样点对应的分量值相加，获取重构后的风电功率历史数据的分量序列。
[0047]
优选的，所述预测模块，具体用于：
[0048]
按下式确定未来时刻的风电功率g：
[0049][0050]
上式中，f∈[1,f]，gf为第f个核极限学习机的输出值。
[0051]
与最接近的现有技术相比，本发明具有的有益效果：
[0052]
(1)本发明提供的技术方案中，获取未来时刻与风电功率相关的气象因素数据；将所述未来时刻与风电功率相关的气象因素数据分别输入至预先训练的各核极限学习机，获取各核极限学习机输出的风电功率的分量预测值；根据各核极限学习机输出的风电功率的分量预测值确定未来时刻的风电功率；所述各核极限学习机是基于与风电功率相关的气象因素历史数据和重构后的风电功率历史数据的分量序列训练得到的；提高了风电功率预测的准确性，可以为电网调度计划、电力市场交易提供决策参考，保障电力系统的稳定性、安全性。
[0053]
(2)本发明提供的技术方案中，通过对风电功率历史数据进行分解、重构，不仅提高了模型的输入数据质量还对风电功率历史数据进行降噪有效减小计算量。
[0054]
(3)本发明提供的技术方案中，通过对采集的气象因素样本数据进行关联性分析，剔除相关程度较低的数据，降低了数据冗余。
[0055]
(4)本发明整体的技术方案减少了系统的旋转备用容量，降低发电成本，提高风电场的经济效益和用户对风电的利用率；同时，为电力市场参与者降低了由风电不确定性带来的风险，也为电力市场条件下并网风电功率趸售提供相关依据，促进省际间优先消纳新能源。
附图说明
[0056]
图1是一种短期风电功率预测方法流程图；
[0057]
图2(a)是本发明实施例中风电功率历史数据p和完备总体经验模态分解算法分解序列imf1～imf3分量序列结果图；
[0058]
图2(b)是本发明实施例中完备总体经验模态分解算法分解序列imf4～imf7分量序列结果图；
[0059]
图2(c)是本发明实施例中完备总体经验模态分解算法分解序列imf8～imf11分量序列结果图；
[0060]
图2(d)是本发明实施例中完备总体经验模态分解算法分解序列imf12和r分量序列结果图；
[0061]
图3是本发明实施例中各分量序列的样本熵值结果图；
[0062]
图4(a)是本发明实施例中重构后的风电功率历史数据的h1～h4分量序列结果图；
[0063]
图4(b)是本发明实施例中重构后的风电功率历史数据的h5～h8分量序列结果图；
[0064]
图5(a)是本发明实施例中重构后的风电功率历史数据的分量g1～g4预测结果图；
[0065]
图5(b)是本发明实施例中重构后的风电功率历史数据的分量g5～g8预测结果图；
[0066]
图5(c)是本发明实施例中风电功率数据预测结果图；
[0067]
图6(a)是构建的elm模型的预测结果图；
[0068]
图6(b)是构建的kelm模型的预测结果图；
[0069]
图6(c)是构建的hs-kelm模型的预测结果图；
[0070]
图6(d)是构建的emd-se-hs-kelm模型的预测结果图；
[0071]
图6(e)是本发明实施例中的ceemd-se-hs-kelm模型的预测结果图；
[0072]
图7是一种短期风电功率预测装置结构图。
具体实施方式
[0073]
下面结合附图对本发明的具体实施方式作进一步的详细说明。
[0074]
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。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它实施例，都属于本发明保护的范围。
[0075]
本发明提供了一种短期风电功率预测方法，如图1所示，包括：
[0076]
步骤101，用于获取未来时刻与风电功率相关的气象因素预测数据；
[0077]
步骤102，用于将未来时刻与风电功率相关的气象因素预测数据分别输入至预先训练的各核极限学习机，获取各核极限学习机输出的风电功率的分量预测值；
[0078]
步骤103，用于根据各核极限学习机输出的风电功率的分量预测值确定未来时刻的风电功率；
[0079]
各核极限学习机是基于与风电功率相关的气象因素历史数据和重构后的风电功率历史数据的分量序列训练得到的。
[0080]
优选的，各核极限学习机是基于与风电功率相关的气象因素历史数据和重构后的风电功率历史数据的分量序列训练得到的，包括：
[0081]
步骤a：根据各类气象因素与风电功率的关联系数获取与风电功率相关的气象因素的历史数据{x1,x2,
…
x
t
}；
[0082]
在本发明的实施例中，选取某地区风电场某月实测风电功率数据为实验样本，该风电场的额定装机容量为49mw，样本采样频率为每5min一个点，取该月下半旬连续17天的数据，即实验样本为4608个采样点，其中，前4322个采样点为预测模型的训练集，后288个采样点为测试集。
[0083]
将原始采样数据集分为2类，一类为历史气象数据，一类为历史风电功率数据；对数据集皮尔森相关性分析，得到各类气象因素与风电功率的关联程度。
[0084]
步骤b：采用完备总体经验模态分解算法对风电功率历史数据{p1,p2,
…
,p
t
}进行分解，获取所述风电功率历史数据的分量序列{imf1,imf2,
…
,imf
n-1
，r}；
[0085]
在本发明的实施例中，经过完备总体经验模态分解算法或经验模态分解算法分解处理后，原始数据信号的特征变化由高频到低频的分解结果如图2(a)～图2(d)所示，分解后得到12个imf分量和1个残余量r。
[0086]
步骤c：采用样本熵理论计算所述风电功率历史数据的分量序列中各分量的样本熵值，并根据所述各分量的样本熵值对所述风电功率历史数据的分量序列进行重构，获取重构后的风电功率历史数据的分量序列{h1,h2,
…
,hf}；
[0087]
本发明的实施例中，采用样本熵理论计算风电功率历史数据的分量序列中各分量序列的样本熵值，计算结果如图3所示，选择样本熵相差0.1以内的风电功率历史数据的分量序列进行归类重构，得到如图4(a)～图4(b)所示的8个重构后的风电功率历史数据的分量序列。
[0088]
步骤d：根据重构后的风电功率历史数据的分量序列中分量的个数构建相应数量的前馈神经网络，将所述与风电功率相关的气象因素的历史数据作为各前馈神经网络的输入数据，将重构后的风电功率历史数据的分量序列中各分量分别作为相应前馈神经网络的
输出数据，采用和声搜索算法优化各前馈神经网络的参数，直至满足预设的结束条件获得训练好的f个核极限学习机；
[0089]
在本发明的实施例中，针对得到的8个重构后的风电功率历史数据对应的分量序列，训练出8个核极限学习机。
[0090]
其中，t为历史数据的采样点总数，n为完备总体经验模态分解算法中预设分解的分量序列总数，x
t
为第t个采样点的与风电功率相关的气象因素的历史数据，p
t
为第t个采样点的风电功率历史数据，所述风电功率历史数据的分量序列中的{imf1,imf2,
…
,imf
n-1
}为风电功率历史数据的本征模态函数分量，r为风电功率历史数据的残余分量，imf
n-1
为风电功率历史数据的第n-1个本征模态函数分量，imf
n-1
＝{imf
n-1，1
，imf
n-1，2
......imf
n-1，t
}，imf
n-1，t
为风电功率历史数据的第n-1个本征模态函数分量中第t个采样点对应的分量值，f为重构后的风电功率历史数据的分量序列中重构分量总数，1≤f≤n，hf为重构后的风电功率历史数据的分量序列中第f个重构分量。
[0091]
为了进一步优化技术方案，步骤a，包括：
[0092]
步骤a-1，用于利用皮尔森相关性分析法分别计算各类气象因素与风电功率的关联系数；
[0093]
步骤a-2，用于若第i类气象因素与风电功率的关联系数不小于预设阈值，则第i类气象因素为所述与风电功率相关的气象因素；获取所述与风电功率相关的气象因素的历史数据；其中，i∈[1,i]，i为气象因素总类数。
[0094]
为了进一步优化上述技术方案，预设阈值为0.75。
[0095]
在本发明的实施例中，各类气象因素与风电功率的关联程度如表1所示：
[0096]
表1
[0097][0098]
其中，依据关联程度分析可得，风速与风电功率耦合程度较高，相关系数均大于0.75，认定风速与风电功率之间存在显著相关，因此选取不同高度的风速作为模型输入变量。
[0099]
为了进一步优化技术方案，气象因素包括：风速、风向、温度、湿度、气压和降水量。
[0100]
为了进一步优化技术方案，根据风电功率历史数据的分量序列中各分量序列的样本熵值对风电功率历史数据的分量序列进行归类重构，获取重构后的风电功率历史数据的分量序列{h1,h2,
…
,hf}，包括：将风电功率历史数据的分量序列中样本熵值相差满足预设条件的分量的相同采样点对应的分量值相加，获取重构后的风电功率历史数据对应的分量序列。
[0101]
在本发明的实施例中，样本熵对于imf序列归类的判别标准约为原始序列标准差的0.2倍左右，通过对子序列复杂程度标准差的计算，得到其标准差为0.25，因此对子序列进行重构的相似度差值为0.12，向下取整后为0.1，将风电功率数据对应的分量序列中样本熵值相差0.1以内的分量序列归类，因imf2和imf3序列的样本熵相差较小，可将这2个分量
序列归为一类，重构后作为一个新的序列进行训练和预测，归类结果如表2所示：
[0102]
表2
[0103][0104]
优选的，步骤103，用于：按下式确定未来时刻的风电功率g：
[0105][0106]
上式中，f∈[1,f]，gf为第f个核极限学习机的输出值。
[0107]
本发明的实施例中，选择某一天的数据并对其风电功率进行预测，对8个重构后的风电功率数据对应的分量序列分别进行训练与预测，将最终各个分量序列图5(a)～图5(b)的预测结果集成处理后，得到如图5(c)所示的风电功率预测输出值。
[0108]
为验证本发明技术方案的有效性，根据详尽可能性模型(elaboration likelihood model，简称elm)、核函数极限学习机(extreme learning machine with kernel，简称kelm)、完备总体经验模态分解(complementary ensemble empirical mode decomposition，简称ceemd)、样本熵(sampen，简称se)和和声搜索(harmony search，简称hs)，分别建立elm、kelm、hs-kelm、emd-se-hs-kelm、ceemd-se-hs-kelm，这5种模型进行对比分析；将其分别命名为configuration#1～#5；kelm结构为“6-20-1”形式，目标误差设定为0.01，最大训练次数500；为避免随机性对预测结果的影响，各个模型独立运行50次后取平均值，并与实际风电功率进行对比，预测结果如6(a)～图6(e)；
[0109]
为更加直观地评价不同模型的预测精度，分别计算均方根误差(root mean square error,简称rmse)、平均绝对误差(mean absolute error,简称mae)及确定系数r2：
[0110][0111]
式中，n为样本数量，pi为风电功率实际值，pi'为风电功率预测值，为风电功率的预测平均值；
[0112]
模型的误差指标计算结果如表3所示；
[0113]
表3
[0114][0115]
根据指标计算结果所示，运用本发明技术方案的ceemd-se-hs-kelm模型对风电功率进行预测，kelm模型比elm模型具有更高的预测精度，在风电功率预测中具有广阔的应用前景；与单一kelm模型相比，采用hs对kelm的核参数和惩罚函数进行优化，可获得更高的预测精度，说明hs-kelm模型具备更强的全局搜索能力，具有更稳定的预测性能；与emd-se相比，基于ceemd-se的数据预处理策略具有更优良的性能，有效提高了预测精度。本发明技术方案所提出的混合模型能够较好地适用于短期风电功率预测中。
[0116]
本发明提供一种短期风电功率预测装置，如图7所示，包括：
[0117]
第一获取模块，用于获取未来时刻与风电功率相关的气象因素预测数据；
[0118]
第二获取模块，用于将未来时刻与风电功率相关的气象因素预测数据分别输入至预先训练的各核极限学习机，获取各核极限学习机输出的风电功率的分量预测值；
[0119]
预测模块，用于根据各核极限学习机输出的风电功率的分量预测值确定未来时刻的风电功率；
[0120]
各核极限学习机是基于与风电功率相关的气象因素历史数据和重构后的风电功率历史数据的分量序列训练得到的。
[0121]
优选的，各核极限学习机是基于与风电功率相关的气象因素历史数据和重构后的风电功率历史数据的分量序列训练得到的，包括：
[0122]
筛选单元，用于根据各类气象因素与风电功率的关联系数获取与风电功率相关的气象因素的历史数据{x1,x2,
…
x
t
}；
[0123]
分解单元，用于采用完备总体经验模态分解算法对风电功率历史数据{p1,p2,
…
,p
t
}进行分解，获取所述风电功率历史数据的分量序列{imf1,imf2,
…
,imf
n-1
，r}；
[0124]
重构单元，用于采用样本熵理论计算所述风电功率历史数据的分量序列中各分量的样本熵值，并根据所述各分量的样本熵值对所述风电功率历史数据的分量序列进行重构，获取重构后的风电功率历史数据的分量序列{h1,h2,
…
,hf}；
[0125]
训练单元，用于根据重构后的风电功率历史数据的分量序列中分量的个数构建相应数量的前馈神经网络，将所述与风电功率相关的气象因素的历史数据作为各前馈神经网络的输入数据，将重构后的风电功率历史数据的分量序列中各分量分别作为相应前馈神经网络的输出数据，采用和声搜索算法优化各前馈神经网络的参数，直至满足预设的结束条件获得训练好的f个核极限学习机；
[0126]
其中，t为历史数据的采样点总数，n为完备总体经验模态分解算法中预设分解的分量序列总数，x
t
为第t个采样点的与风电功率相关的气象因素的历史数据，p
t
为第t个采样点的风电功率历史数据，所述风电功率历史数据的分量序列中的{imf1,imf2,
…
,imf
n-1
}为风电功率历史数据的本征模态函数分量，r为风电功率历史数据的残余分量，imf
n-1
为风电功率历史数据的第n-1个本征模态函数分量，imf
n-1
＝{imf
n-1，1
，imf
n-1，2
......imf
n-1，t
}，imf
n-1，t
为风电功率历史数据的第n-1个本征模态函数分量中第t个采样点对应的分量值，f
为重构后的风电功率历史数据的分量序列中重构分量总数，1≤f≤n，hf为重构后的风电功率历史数据的分量序列中第f个重构分量。
[0127]
为了进一步优化技术方案，筛选单元，包括：
[0128]
计算子单元，用于利用皮尔森相关性分析法分别计算各类气象因素与风电功率的关联系数；
[0129]
判断子单元，用于若第i类气象因素与风电功率的关联系数不小于预设阈值，则第i类气象因素为与风电功率相关的气象因素；
[0130]
获取子单元，用于获取与风电功率相关的气象因素的历史数据；其中，i∈[1,i]，i为气象因素总类数。
[0131]
为了进一步优化技术方案，气象因素包括：风速、风向、温度、湿度、气压和降水量。
[0132]
为了进一步优化技术方案，预设阈值为0.75。
[0133]
为了进一步优化技术方案，重构单元，用于：
[0134]
将风电功率历史数据的分量序列中样本熵值相差满足预设条件的分量的相同采样点对应的分量值相加，获取重构后的风电功率历史数据的分量序列。
[0135]
优选的，预测模块，具体用于：
[0136]
按下式确定未来时刻的风电功率g：
[0137][0138]
上式中，f∈[1,f]，gf为第f个核极限学习机的输出值。
[0139]
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。
[0140]
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。
[0141]
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。
[0142]
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。
[0143]
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽
管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。