一种源网荷储互动调度方法及系统与流程

1.本发明涉及一种源网荷储互动调度方法及系统，属于配电网调度技术领域。


背景技术：

2.近年来，世界各国以全球协约的方式减排温室气体；随着化石能源的日益枯竭，常规能源的供应日趋紧张，应对气候变化及环境保护的意愿越来越强烈，负碳技术及新能源的开发和利用成为了备受关注的研究热点；目前，负碳技术还处在研发和示范阶段，应用成本较高，以光伏、风力等新能源发电为主的分布式能源系统得到了快速的发展；然而，随着新能源发电装机容量快速增加，难以有序消纳问题导致发电过程中有较高的弃光/风率。
3.传统的“源随荷动”的调度控制模式下，部分负荷的弹性及调节潜力未能充分调动利用，造成电网中可调资源的浪费。


技术实现要素：

4.本发明的目的在于提供一种源网荷储互动调度方法及系统，解决现有技术中新能源难以有序消纳导致的较高弃光/风率的问题，避免不必要的火力发电及二氧化碳排放，提高可靠性，更加环保。
5.为实现以上目的，本发明是采用下述技术方案实现的：
6.第一方面，本发明提供了一种源网荷储互动调度方法，包括：
7.获取信息交互情况和微网的电能调度能力并据此选择微网执行策略；
8.运用改进的粒子群优化算法对预设的源网荷储调度模型进行优化求解，得到微网中各分布式单元的最优有功功率和联络线功率，所述改进为在迭代过程中用个体最优粒子的第d维分量总和的平均值代替第d维分量、在处理越界问题时用预设位置值代替边界值；
9.以微网中各分布式单元的最优有功功率和联络线功率为目标执行微网执行策略，完成调度。
10.结合第一方面，进一步的，还包括以微网群形式整合源网荷储资源构建双层系统运行结构的步骤，所述双层系统运行结构包括上层的全局调控中心和下层由各区域调控中心分别管控的多个微网；
11.所述微网执行策略包括全局最优策略和局部最优策略；当微网中的区域调控中心无法与全局调控中心进行信息交互或因检修导致各微网之间无法关联时或微网内电能调度能力足够时，选择局部最优策略，剩余情况均选择全局最优策略。
12.结合第一方面，进一步的，通过对微网执行局部最优策略的判断指标的判断来衡量微网的电能调度能力：
[0013][0014]
其中，t为调度周期内的时段数，第一个判断指标为微网内整体的弃光/风率，第二个判断指标为微网内市电总供电功率占负荷总功率之比，和分别为对应的阈值，和分别为t时段内光伏和风机的发电功率，为t时段内弃光/风的总功率，为t时段内市电供电功率，为t时段负荷功率；当微网同时满足上述两个判断指标时，微网的电能调度能力足够支持选择局部最优策略，从而完成调度。
[0015]
结合第一方面，进一步的，所述源网荷储调度模型以供电成本最小为目标建立：
[0016][0017]
其中，f为目标函数，n为微网数量，t为调度周期内的时段数，其中，f为目标函数，n为微网数量，t为调度周期内的时段数，和分别表示第i个微网t时段向市电购电成本、与其他微网互济电能的成本、燃气轮机运行成本、电动汽车参与调控的补偿成本、储能充放电损耗成本、切负荷补偿成本和弃光/风的损失。
[0018]
结合第一方面，进一步的，所述各项成本和损失通过以下方法计算：
[0019][0020][0021][0022][0023][0024][0025][0026]
其中，和分别表示第i个微网t时段向市电购电成本、与其他微网互济电能的成本、燃气轮机运行成本、电动汽车参与调控的补
偿成本、储能充放电损耗成本、切负荷补偿成本和弃光/风的损失；和分别为第i个微网t时段向市电购电的电价和功率；q为第i个微网之外微网的集合，和分别为第i个微网t时段和第q个微网之间电能互济的成本系数和功率；和分别为第i个微网t时段燃气轮机燃料成本系数和功率；为第i个微网t时段电动汽车参与电能调度的初始补偿，和分别为第i个微网t时段电动汽车和储能的运行成本系数，η
ev
和η
bat
分别为电动汽车和储能的充放电效率，和分别为第i个微网t时段电动汽车的充放电功率，和分别为第i个微网t时段储能的充放电功率；和分别为第i个微网t时段削减单位负荷的成本系数和负荷削减量；和分别为第i个微网t时段弃光/风的成本系数和弃的总量。
[0027]
结合第一方面，进一步的，所述源网荷储调度模型还构建了约束条件，包括：
[0028]
各微网功率平衡约束：
[0029][0030]
其中，i∈[1,n]，n为微网数量，在第i个微网t时段，和分别为光伏和风机发电功率，表示和市电交互的功率，表示和第q个微网之间电能互济的功率，为燃气轮机功率，和分别为电动汽车和储能充放电功率，为弃光/风的功率总和，和分别为总负荷功率和切负荷功率。
[0031]
结合第一方面，进一步的，所述改进的粒子群优化算法，改进了对速度和位置的更新过程：
[0032][0033][0034]
其中，v
j,d
和x
j,d
为粒子的速度和位置，为个体最优粒子的第d维分量总和的平均值，m为粒子总数，w为惯性权重，和是第j个粒子的第d维分量的上下限，r1、r2、r3和r4为满足[0,1]的随机数，p
j,d
表示第j个个体最优粒子的第d维分量，p
g,d
表示全局最优粒子的第d维分量，c1和c2是学习因子。
[0035]
第二方面，本发明还提供了一种源网荷储互动调度系统，包括：
[0036]
策略选择模块：用于获取信息交互情况和微网的电能调度能力并据此选择微网执行策略；
[0037]
功率求解模块：用于运用改进的粒子群优化算法对预设的源网荷储调度模型进行优化求解，得到微网中各分布式单元的最优有功功率和联络线功率，所述改进为在迭代过程中用个体最优粒子的第d维分量总和的平均值代替第d维分量、在处理越界问题时用预设位置值代替边界值；
[0038]
策略执行模块：用于以微网中各分布式单元的最优有功功率和联络线功率为目标执行微网执行策略，完成调度。
[0039]
与现有技术相比，本发明所达到的有益效果是：
[0040]
本发明提供的一种源网荷储互动调度方法及系统，根据信息交互情况和微网的电能调度能力选择微网执行策略，完成微网执行策略的自适应调整，提高本发明方法及系统的可靠性；运用的粒子群优化算法进行过改进，在迭代过程中，用个体最优粒子的第d维分量总和的平均值代替第d维分量，从而提高算法摆脱局部最优解的能力，在处理越界问题时用预设位置值代替边界值，解决位置越界后取边界值容易陷入边界上局部最优解的问题，增加粒子的跳跃能力；运用改进的粒子群优化算法对预设的源网荷储调度模型进行优化求解，以得到的微网中各分布式单元的最优有功功率和联络线功率为目标执行微网执行策略，实现微网内自足及微网间互济，有序消纳光伏、风力等新能源，避免不必要的火力发电及二氧化碳排放。
附图说明
[0041]
图1是本发明实施例提供的一种源网荷储互动调度方法的流程图；
[0042]
图2是本发明实施例提供的双层系统运行结构的示意图；
[0043]
图3是本发明实施例提供的微网执行策略的自适应调整流程图；
[0044]
图4是本发明实施例提供的改进的粒子群优化算法的求解流程图；
[0045]
图5是本发明实施例提供的微网1中关于光伏、风机和负荷的预测功率曲线；
[0046]
图6是本发明实施例提供的微网2中关于光伏、风机和负荷的预测功率曲线；
[0047]
图7是本发明实施例提供的采用改进的粒子群优化算法进行优化过程供电成本随迭代次数变化曲线图；
[0048]
图8是本发明实施例提供的电动汽车和储能的荷电量变化曲线；
[0049]
图9是本发明实施例提供的微网1中各分布式单元的最优有功功率及联络线功率；
[0050]
图10是本发明实施例提供的微网2中各分布式单元的最优有功功率及联络线功率。
具体实施方式
[0051]
下面结合附图对本发明作进一步描述，以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
[0052]
实施例1
[0053]
如图1所示，本发明实施例提供的一种源网荷储互动调度方法，包括以下步骤：
[0054]
s1、获取信息交互情况和微网的电能调度能力并据此选择微网执行策略。
[0055]
首先，以微网群形式整合源网荷储资源构建如图2所示的双层系统运行结构，上层为全局调控中心，下层是由各区域调控中心(区域调控中心1、区域调控中心2、区域调控中心3)分别管控的多个微网，区域调控中心1管控微网1，区域调控中心2管控微网2，以此类推。
[0056]
每个微网包含多个分布式单元，比如光伏、风机、燃气轮机、电动汽车、储能和负荷等；考虑光伏、风力等新能源发电具有随机性、波动性、间歇性的特性以及市电的分时电价，在确保系统安全稳定运行的前提下，合理管理电动汽车和储能充放电行为将大幅增加新能源的可调度性，此时每个微网内及多微网之间都有具有较强的供用电调节能力，可以减少弃光/风率，稳步提高新能源发电的渗透率，有效解决新能源消纳难的问题，同时可以降低对市电的依赖，减少火力发电机组的压力，实现减排。
[0057]
各区域调控中心采集本区域相关信息，包括光伏、风机在调度周期内的功率，燃气轮机功率，电动汽车参与调度时段及功率，储能装置的荷电状态、额定容量和最大充放电功率，不可控负荷和可转移负荷参与调度时段及功率等，然后上报给全局调控中心。
[0058]
然后，获取双层系统运行结构上下层之间的信息交互情况和微网的电能调度能力来选定微网执行策略；微网执行策略包括全局最优策略和局部最优策略；全局最优策略执行时，全局调控中心负责多个微网电能的优化调度计算，然后将计算结果下发到对应的区域调控中心去完成设备调控；局部最优策略执行时，区域调控中心负责该微网内电能的优化调度计算以及设备调控。
[0059]
理想状态下整个配电系统应采用全局最优策略，即关联多个微网内的源网荷储资源进行协调控制，尽量让电能满足微网内自足的前提下，实现微网间互济，使运行成本最低达到全局最优；但是，当遇到极端天气导致下层微网的区域调控中心无法与上层全局调控中心进行信息交互时，就直接执行单微网的局部最优策略，以及因为检修导致微网无法关联其他微网参与全局调控或者单微网内电能调度能力足够时，区域调控中心会给上层全局调控中心上报，自动请求脱离全局最优策略，去执行单微网的局部最优策略，即仅调控该微网内资源。
[0060]
本发明方法提出了微网执行局部最优策略的判断指标，来衡量微网的电能调度能力，具体如下：
[0061][0062]
其中，t为调度周期内的时段数，第一个判断指标为微网内整体的弃光/风率，第二个判断指标为微网内市电总供电功率占负荷总功率之比，和分别为对应的阈值，和分别为t时段内光伏和风机的发电功率，为t时段内弃光/风的总功率，为t时段内市电供电功率，为t时段负荷功率；当微网同时满足上述两个判断指标时，微网的电能调度能力足够支持选择局部最优策略，此时微网选择局部最优策略并执行，从
而完成调度，可以避免较高的弃光/风率，保障新能源的就地消纳，以及减少市电供电。
[0063]
如图3所示，微网执行策略的自适应调整流程，包括：
[0064]
(1)区域调控中心发起请求，接收到全局调控中心下发的信号info；
[0065]
(2)判断info是否存在，若存在则进入下一步，若不存在表示信息交互不正常，区域调控中心所在微网执行单微网的局部最优策略；
[0066]
(3)判断info是否为1，若不为1则进入下一步，若为1表示系统正在检修，区域调控中心所在微网执行单微网的局部最优策略；
[0067]
(4)判断info是否为2，若不为2则进入下一步，区域调控中心所在微网参与多微网的全局最优策略，若为2表示微网的电能调度能力足够，区域调控中心所在微网执行单微网的局部最优策略；
[0068]
(5)判断是否终止，若终止则调整完成，若不终止则回到第(1)步继续调整。
[0069]
s2、运用改进的粒子群优化算法对预设的源网荷储调度模型进行优化求解，得到微网中各分布式单元的最优有功功率和联络线功率，所述改进为在迭代过程中用个体最优粒子的第d维分量总和的平均值代替第d维分量、在处理越界问题时用预设位置值代替边界值。
[0070]
首先，考虑各分布式单元的运行模型，以供电成本最小为目标预先建立源网荷储调度模型，包括目标函数和约束条件。
[0071]
目标函数f满足以下公式：
[0072][0073]
其中，f为目标函数，n为微网数量，t为调度周期内的时段数，其中，f为目标函数，n为微网数量，t为调度周期内的时段数，和分别表示第i个微网t时段向市电购电成本、与其他微网互济电能的成本、燃气轮机运行成本、电动汽车参与调控的补偿成本、储能充放电损耗成本、切负荷补偿成本和弃光/风的损失。
[0074]
所述满足：
[0075][0076]
其中，和分别为t时段系统向市电购电的电价和功率。
[0077]
所述满足：
[0078][0079]
其中，q为第i个微网之外微网的集合，和分别为第i个微网t时段和第q个微网之间电能互济的成本系数和功率。
[0080]
所述满足：
[0081][0082]
其中，和分别为第i个微网t时段燃气轮机燃料成本系数和功率。
[0083]
所述和满足：
[0084][0085][0086]
其中，为第i个微网t时段电动汽车参与电能调度的初始补偿，和分别为第i个微网t时段电动汽车和储能的运行成本系数，η
ev
和η
bat
分别为电动汽车和储能的充放电效率，和分别为第i个微网t时段电动汽车的充放电功率，和分别为第i个微网t时段储能的充放电功率。
[0087]
所述满足：
[0088][0089]
其中，和分别为第i个微网t时段削减单位负荷的成本系数和负荷削减量。
[0090]
所述满足：
[0091][0092]
其中，和分别为第i个微网t时段弃光/风的成本系数和弃的总量。
[0093]
系统运行需要满足各微网功率平衡，也包括光伏、风机和燃气轮机功率，微网间电能互济时线路功率，电动汽车和储能充放电功率，以及具体设备参与调度时间范围等方面的约束。
[0094]
各微网功率平衡约束：
[0095][0096]
其中，i∈[1,n]，n为微网数量，在第i个微网t时段，和分别为光伏和风机发电功率，表示和市电交互的功率，表示和第q个微网之间电能互济的功率，为燃气轮机功率，和分别为电动汽车和储能充放电功率，为弃光/风的功率总和，和分别为总负荷功率和切负荷功率。
[0097]
光伏发电约束：
[0098][0099]
其中，为第i个微网t时段光伏发电功率，和0分别为第i微网光伏发电功率的上下限。
[0100]
风机发电约束：
[0101][0102]
其中，为第i个微网t时段风机发电功率，和0分别为第i微网风机发电功率的上下限。
[0103]
微网和市电交互约束：
[0104][0105]
其中，为第i微网t时段微网和市电交互功率，和0分别为第i微网和市电交互功率的上下限，仅限于向市电购电。
[0106]
线路功率约束：
[0107][0108]
其中，表示第i个微网t时段和第q个微网之间电能互济功率，和分别为互济功率上下限。
[0109]
电动汽车在调度周期各时间范围内的工作特性，表述为：
[0110][0111]
其中，考虑电车汽车的日常使用情况，state
i,k
＝0，1，2分别表示第i个微网第k个时间范围内，电动汽车的工作状态可按用户意愿选择充电、放电或者作为一般储能使用，按调度需求进行充放电；和表示充放电的功率上下限。
[0112]
表示第i个微网内电动汽车在调度周期中有k个可参与调控的时间范围，每个时间范围可以涉及一个或多个时段，每个时间范围内电动汽车工作状态的选择是依据新能源预测发电功率曲线和负荷曲线的差值曲线来确定的，引导电动汽车在正值区间充电，在负值区间放电。
[0113]
为了尽可能消纳差值曲线正值区间峰时段的新能源以及缓解负值区间谷时段的供电压力，通过隶属度函数来划分充放电的补偿等级，其中分别采用偏大型半梯度隶属度函数和偏小型半梯度隶属度函数计算差值曲线t时段的峰隶属度u
f,t
和谷隶属度u
g,t
，如下：
[0114][0115]
其中，q
t
为t时段的差值功率，b为各时段差值功率中的最大值，a为各时段差值功率中的最小值。
[0116]
正值区间和负值区间分开计算，通常确定70％为峰时段和平时段的分界线， 30％为平时段和谷时段的分界线。
[0117]
正值区间充电时，峰、平和谷的补偿等级依次降低，引导电动汽车在新能源较多的时段充电；负值区间放电时，峰、平和谷的补偿等级依次升高，引导电动汽车在新能源发电较少的时段放电。
[0118]
在调度周期内，用户可以根据自己需求以及补偿等级的引导，选择合适的参与时间范围以及合理安排电动汽车的工作状态，在不影响生活和工作的前提下，更加灵活的参与电能的调度。
[0119]
电动汽车及储能充放电约束：
[0120]
电动汽车电池充放电功率不能超过额定功率，且某一时段只能处于充电或者放电状态，可表述为：
[0121][0122]
其中，和分别为电动汽车充放电功率，为充放电额定功率，为充放电最低功率。
[0123]
电动汽车荷电量的状态转移要满足荷电容量约束，这里忽略自放电损耗，电动汽车接入后各时段电量递推公式，可表述为：
[0124][0125]
其中，和分别为在t和t 1时段的荷电量，表示t时段的电量增量，和分别为荷电容量的上下限，η
ev
为电动汽车的充放电效率，和分别为第i个微网t时段电动汽车的充放电功率；将放电方向取为负，充电方向取为正。
[0126]
电动汽车参与电能优化调度工作时间不一定是一直连续的，允许是多个间断的时间范围；储能参与电能优化调度的过程是连续的，储能充放电约束和电动汽车类似，但为了不影响出行，额外假设电动汽车的充放电深度要小于储能。
[0127]
负荷特性及约束：
[0128]
依据负荷自身特性，将负荷分为不可控负荷和可转移负荷两类，不可控负荷不参与需求响应，可转移负荷作为可调负荷参与需求响应，从而增加了电能优化调度的灵活性。
[0129]
不可控负荷，第i个微网的不可控负荷定义如下：
[0130][0131]
其中，表示第i个微网t时段不可控负荷功率，n表示微网数量，t表示调度周期
内的时段数。
[0132]
可转移负荷，第i个微网的可转移负荷定义如下：
[0133][0134]
其中，表示第i个微电网t时段可转移负荷功率，t表示调度周期内的时段数。
[0135]
可转移负荷有更加灵活的工作时间范围，可以根据用电成本决定当前时段用电量，具体特性如下：
[0136][0137]
其中，在第i个微网t时段,和是可转移负荷的功率上下限，和是可转移负荷的工作时间范围，是可转移负荷的需求量，即完成任务所需最小耗电量。
[0138]
的具体约束如下：
[0139][0140]
由上述可得：其中，为第i个微网t时段负荷总功率，δ
i,t
为第i个微网t时段可转移负荷的转移系数。
[0141]
可转移负荷的工作时间也允许是多个间断的时间范围。
[0142]
综上所述，源网荷储调度方法体现在四个互动：“源储互动”，即利用电动汽车或者储能的充放电特性，将源端超出负荷所需的新能源转移到其他时段再供给；“源源互动”，即使用燃气轮机配合光伏和风力发电，通过多能源互补的方式来保证系统供电的稳定性；“源荷互动”，即利用可转移负荷具有灵活工作时间范围这一特性让该部分负荷转移到光伏、风力等新能源大发的时段再消耗；“网网互动”，即使微网间电能调度满足各微网内自足的前提下，通过微网间互济，促使整体经济效益最优。
[0143]
为获得各分布式单元在调度周期内每个时段的具体出力情况，运用改进的粒子群优化算法对预设的源网荷储调度模型进行优化求解，得到微网中各分布式单元的最优有功功率和联络线功率。
[0144]
改进的粒子群优化算法的流程图如图4所示，其中，初始化粒子群参数部分，包括粒子群规模，粒子维度，迭代次数，惯性权重，学习因子等；终止条件，包括达到最大的迭代次数或者达到两次迭代之间适应值的最小差值。
[0145]
为了加快算法的收敛速度，避免陷入局部最优解，改进了原始的粒子群优化算法中对速度和位置的更新过程。
[0146][0147][0148]
其中，v
j,d
和x
j,d
为粒子的速度和位置，为个体最优粒子的第d维分量总和的平均值，m为粒子总数，w为惯性权重，和是第j个粒子的第d维分量的上下限，r1、r2、r3和r4为满足[0,1]的随机数，p
j,d
表示第j个个体最优粒子的第d维分量，p
g,d
表示全局最优粒子的第d维分量，c1和c2是学习因子。
[0149]
在迭代过程中，为了避免陷入局部最优解，从两个方面改进算法：一是，为了更好利用种群多样性信息，更新速度时，用所有粒子的含有高斯扰动因子的个体最优粒子的第d维分量总和的平均值代替第j个个体最优粒子的第d维分量p
j,d
，从而提高算法摆脱局部最优解的能力；二是，为了解决位置越界后取边界值容易陷入边界上局部最优解的问题，通过来处理越界问题，用预设位置值代替边界值，增加粒子的跳跃能力。
[0150]
s3、以微网中各分布式单元的最优有功功率和联络线功率为目标执行微网执行策略，完成调度。
[0151]
为了简化运算，整合两个微网(微网1和微网2)的资源进行调度。
[0152]
市电设定的峰时段为：08:00-11:00、16:00-21:00，平时段为：06:00-8:00、 11:00-16:00、21:00-23:00，谷时段为23:00-00:00、00:00-06:00，峰平谷电价依次为0.3、0.6和0.9，单位：元。
[0153]
参考图5和图6中实际预测的新能源和不可控负荷情况，图5中pv1、wt1、 load1和pv1 wt1分别为区域调控中心1管控的光伏、风机、负荷和光伏风机总和，图6中pv2、wt2、load2和pv2 wt2分别为区域调控中心2管控的光伏、风机、负荷和光伏风机总和；考虑“源储互动”、“源源互动”、“源荷互动”和“网网互动”等特性完成优化调度，迭代过程如图7所示，优化求解后微网中各分布式单元的最优有功功率及联络线功率如图9和图10所示。
[0154]
具体特性表述如下：
[0155]
(1)“源储互动”：由图8所示，为了增加电动汽车和储能在下个周期中的调节能力，故保证调度前后电能相等，图8中，ev为电动汽车，bat为储能， soc为荷电量；由图9和图10所示，假设按用户意愿规定电动汽车在负荷的峰时段8:00-11:00和16:00-21:00放电，其他时段都是作为储能参与调度；通过图 8中两者的荷电量曲线可知，其均在市电电价较低的00:00-6:00时段内充电，然后在负荷的峰时段内放电；图9中g为市电，mg1为微网1，mg2为微网2， gt为燃气轮机，ev为电动汽车；图10中g为市电，mg1为微网1，mg2为微网2，bat为储能，cl为切负荷。
[0156]
(2)“源源互动”：由于燃气轮机发电成本较高，故发电功率为0，通过电动汽车和储能的放电来配合市电完成多能互补。
[0157]
(3)“源荷互动”：供电足够且切负荷成本较高，故切负荷功率为0；由于微网1中10:00-15:00期间新能源大发，优化后将峰时段8:00-11:00期间的洗衣机工作负荷平均后加到平时段12:00-15:00。
[0158]
(4)“网网互动”：如图9和图10所示，微网1中将10:00-15:00期间多余新能源通过功率联络线mg1-mg2将电能传送给微网2，刚好满足微网2中供电需求，且避免了市电和储能的供电。
[0159]
实施例2
[0160]
本发明实施例还提供了一种源网荷储互动调度系统，包括：
[0161]
策略选择模块：用于获取信息交互情况和微网的电能调度能力并据此选择微网执行策略；
[0162]
功率求解模块：用于运用改进的粒子群优化算法对预设的源网荷储调度模型进行优化求解，得到微网中各分布式单元的最优有功功率和联络线功率，所述改进为在迭代过程中用个体最优粒子的第d维分量总和的平均值代替第d维分量、在处理越界问题时用预设位置值代替边界值；
[0163]
策略执行模块：用于以微网中各分布式单元的最优有功功率和联络线功率为目标执行微网执行策略，完成调度。
[0164]
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。
[0165]
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。
[0166]
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。
[0167]
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。
[0168]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人
员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。