一种电力负荷预测方法、装置、设备及存储介质与流程

1.本发明实施例涉及电力负荷预测技术领域，尤其涉及一种电力负荷预测方法、装置、设备及存储介质。


背景技术：

2.在电力体制改革的不断深化的背景下，全社会对电网以及整个电力工业安全、节能、高效运作的要求日益提高。在调度部门研究未来时段的计划运行方式时，首先要进行需求分析，分析未来用电负荷情况，不仅需要总量信息，更重要的是要分析这些用电负荷的分布情况，进行负荷预测。负荷预测为电力生产提供精细化的需求分析数据和分析结果，为实现调度计划流程的精益化管理奠定基础。
3.电力负荷影响因素众多(如社会因素、政策因素、气象因素、节假日因素等)。电力负荷预测极为复杂，现有的预测结果精度不高。


技术实现要素：

4.本发明提供一种电力负荷预测方法、装置、设备及存储介质，以提高模型的预测准确度。
5.第一方面，本发明提供了一种电力负荷预测方法，包括：
6.获取待预测日之前的至少一个历史日的影响电力系统的负荷的因素数据；
7.将所述因素数据映射转换为待输入数据；
8.从预训练的电力负荷预测模型的多个子预测模型中选择与所述待输入数据关联度最高的第一子预测模型，其中，所述电力负荷预测模型包括基于多种预测算法搭建的多个子预测模型；
9.将所述待输入数据输入所述第一子预测模型中，得到所述电力负荷预测模型输出的负荷预测结果。
10.可选的，所述待输入数据包括所述因素数据中各因素的表达向量，从预训练的电力负荷预测模型的多个子预测模型中选择与所述表达向量关联度最高的第一子预测模型，包括：
11.对所述因素数据中各因素的表达向量进行加权计算，得到综合权重值；
12.基于所述综合权重值从预训练的电力负荷预测模型的多个子预测模型中选择与所述待输入数据关联度最高的第一子预测模型。
13.可选的，每一所述子预测模型关联一个权重范围，多个所述子预测模型的权重范围构成权重空间，基于所述综合权重值从预训练的电力负荷预测模型的多个子预测模型中选择与所述待输入数据关联度最高的第一子预测模型，包括：
14.将所述综合权重值映射至所述权重空间；
15.将所述综合权重值落入的权重范围对应的子预测模型作为与所述待输入数据关联度最高的第一子预测模型。
16.可选的，所述因素数据包括温度数据、湿度数据、降雨量数据和日期数据。
17.可选的，所述电力负荷预测模型的训练过程包括：
18.获取电力系统的历史负荷样本和与所述历史负荷样本对应的因素数据；
19.将所述历史负荷样本对应的因素数据映射转换为待输入数据样本；
20.从电力负荷预测模型的多个子预测模型中选择与所述待输入数据样本关联度最高的第二子预测模型；
21.以所述历史负荷样本和所述待输入数据样本作为训练样本训练所述第二子预测模型。
22.可选的，以所述历史负荷样本和所述待输入数据样本作为训练样本训练所述第二子预测模型，包括：
23.将所述待输入数据样本输入所述第二子预测模型中，得到所述电力负荷预测模型输出的负荷预测结果；
24.计算所述负荷预测结果与所述历史负荷样本的损失值；
25.在所述负荷预测结果与所述历史负荷样本的损失值大于预设值时，更新所述第二子预测模型的模型参数，并返回执行获取电力系统的历史负荷样本和与所述历史负荷样本对应的因素数据的步骤；
26.在所述负荷预测结果与所述历史负荷样本的损失值小于或等于预设值时，确定所述第二子预测模型训练完毕。
27.可选的，更新所述第二子预测模型的模型参数，包括：
28.采用点对点倍比法更新所述第二子预测模型的模型参数，所述点对点倍比法的逐点平滑系数的选取范围为0.1-0.99。
29.第二方面，本发明还提供了一种电力负荷预测装置，包括：
30.第一数据获取模块，用于获取待预测日之前的至少一个历史日的影响电力系统的负荷的因素数据；
31.第一数据转换模块，用于将所述因素数据映射转换为待输入数据；
32.第一子预测模型确定模块，用于从预训练的电力负荷预测模型的多个子预测模型中选择与所述待输入数据关联度最高的第一子预测模型，其中，所述电力负荷预测模型包括基于多种预测算法搭建的多个子预测模型；
33.预测结果确定模块，用于将所述待输入数据输入所述第一子预测模型中，得到所述电力负荷预测模型输出的负荷预测结果。
34.可选的，所述第一子预测模型确定模块包括：
35.加权子模块，用于对所述因素数据中各因素的表达向量进行加权计算，得到综合权重值；
36.第一子预测模型确定子模块，用于基于所述综合权重值从预训练的电力负荷预测模型的多个子预测模型中选择与所述待输入数据关联度最高的第一子预测模型。
37.可选的，每一所述子预测模型关联一个权重范围，多个所述子预测模型的权重范围构成权重空间，所述第一子预测模型确定子模块包括：
38.权重值映射单元，用于将所述综合权重值映射至所述权重空间；
39.第一子预测模型确定单元，用于将所述综合权重值落入的权重范围对应的子预测
模型作为与所述待输入数据关联度最高的第一子预测模型。
40.可选的，所述因素数据包括温度数据、湿度数据、降雨量数据和日期数据。
41.可选的，电力负荷预测装置还包括电力负荷预测模型训练模块，用于所述电力负荷预测模型进行训练，电力负荷预测模型训练模块包括：
42.第二数据获取模块，用于获取电力系统的历史负荷样本和与所述历史负荷样本对应的因素数据；
43.第二数据转换模块，用于将所述历史负荷样本对应的因素数据映射转换为待输入数据样本；
44.第二子预测模型确定模块，用于从电力负荷预测模型的多个子预测模型中选择与所述待输入数据样本关联度最高的第二子预测模型；
45.模型训练子模块，用于以所述历史负荷样本和所述待输入数据样本作为训练样本训练所述第二子预测模型。
46.可选的，所述模型训练子模块包括：
47.预测结果确定单元，用于将所述待输入数据样本输入所述第二子预测模型中，得到所述电力负荷预测模型输出的负荷预测结果；
48.损失值计算单元，用于计算所述负荷预测结果与所述历史负荷样本的损失值；
49.模型更新单元，用于在所述负荷预测结果与所述历史负荷样本的损失值大于预设值时，更新所述第二子预测模型的模型参数，并返回执行获取电力系统的历史负荷样本和与所述历史负荷样本对应的因素数据的步骤；
50.模型确定单元，用于在所述负荷预测结果与所述历史负荷样本的损失值小于或等于预设值时，确定所述第二子预测模型训练完毕。
51.可选的，所述模型更新单元采用点对点倍比法更新所述第二子预测模型的模型参数，所述点对点倍比法的逐点平滑系数的选取范围为0.1-0.99。
52.第三方面，本发明还提供了一种计算机设备，包括：
53.一个或多个处理器；
54.存储装置，用于存储一个或多个程序；
55.当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明第一方面提供的电力负荷预测方法。
56.第四方面，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明第一方面提供的电力负荷预测方法。
57.本发明提供的电力负荷预测方法，包括：获取待预测日之前的至少一个历史日的影响电力系统的负荷的因素数据，将因素数据映射转换为待输入数据，从预训练的电力负荷预测模型的多个子预测模型中选择与待输入数据关联度最高的第一子预测模型，其中，电力负荷预测模型包括基于多种预测算法搭建的多个子预测模型，将待输入数据输入第一子预测模型中，得到电力负荷预测模型输出的负荷预测结果。本发明实施例中，电力负荷预测模型包括基于多种预测算法搭建的多个子预测模型，根据待输入数据从预训练的电力负荷预测模型的多个子预测模型中选择与待输入数据关联度最高的第一子预测模型，从而提高模型的预测准确度。
附图说明
58.图1为本发明实施例一提供的一种电力负荷预测方法的流程图；
59.图2本发明实施例二提供的一种电力负荷预测装置的结构示意图；
60.图3为本发明实施例三提供的一种计算机设备的结构示意图。
具体实施方式
61.下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
62.实施例一
63.图1为本发明实施例一提供的一种电力负荷预测方法的流程图，本实施例可适用于对电力负荷进行预测的情况，该方法可以由本发明实施例提供的电力负荷预测装置来执行，该装置可以由软件和/或硬件的方式实现，通常配置于计算机设备中，如图1所示，该方法具体包括如下步骤：
64.s101、获取待预测日之前的至少一个历史日的影响电力系统的负荷的因素数据。
65.在本发明实施例中，待预测日可以是当前日期之后的一天或多天，历史日可以是当前日期之前的一天或多天。
66.影响电力系统的负荷的因素数据有多种，在本发明实施例中，影响电力系统的负荷的因素数据包括温度数据、湿度数据、降雨量数据和日期数据。在电力负荷预测中，很多因素不同程度地影响着电力荷的预测值。有些因素因自然而变化，比如气象。有些因按地区条件产生差异，如工农业发展速度。有些因素是无法估计的重大事件，如严重灾害等，并且各个因素对负荷的影响可能是不一样的，而且同一因素的不同水平对负荷的影也是不同的。
67.气象因素包括温湿度、雨量等在内的气象因素都会直接影响负荷波动，尤其在居民负荷占据较高比例的地区，这种影响更大。
68.节假日及特殊条件的影响，较之正常工作日，一般节假日的负荷都会明显降低，以春节为例，春节期间的负荷曲线一般会出现大幅度的下降变形，而其变化周期也大致与假日周期吻合。
69.大工业用户突发事件的影响对于大工业用户装接容量占用电负荷较高的地区，大工业用户在负荷预测偏差中起到的影响作用也比较大。
70.需要说明的是，上述影响电力系统的负荷的因素数据为对本发明的示例性说明，在本发明的其他实施例中，影响电力系统的负荷的因素数据还可以包括其他因素，本发明实施例在此不做限定。
71.s102、将因素数据映射转换为待输入数据。
72.在本发明实施例中，可以对因素数据进行特征提取(例如，词向量嵌入、数据映射等操作)，将因素数据映射转换为待输入数据，待输入数据包括因素数据中各因素的表达向量。实际应用中，由于各个因素数据(特征量)的量纲各不相同，因此需要把不同量纲的值通过无量纲化处理，映射到特定的区间，使各个量之间可以有数值上的可比性，从而方便相似度和差异度的定量计算。
73.s103、从预训练的电力负荷预测模型的多个子预测模型中选择与待输入数据关联度最高的第一子预测模型。
74.在本发明实施例中，电力负荷预测模型包括基于多种预测算法搭建的多个子预测模型，以适应不同的类型的输入数据。在本发明实施例中，在将因素数据映射转换为待输入数据之后，从预训练的电力负荷预测模型的多个子预测模型中选择与待输入数据关联度最高的子模型作为第一子预测模型。所谓关联度最高，即最适合处理待输入数据的子预测模型。示例性的，某一子预测模型最适合用于处理温度数据占比重最高的待输入数据，如果待输入数据中，温度数据占比重最高，则可以选择该子预测模型作为与待输入数据关联度最高的子模型作为第一子预测模型。
75.示例性的，在本发明的一些实施例中，从预训练的电力负荷预测模型的多个子预测模型中选择与表达向量关联度最高的第一子预测模型，包括如下步骤：
76.1、对因素数据中各因素的表达向量进行加权计算，得到综合权重值。
77.具体的，根据各因素对电力负荷的影响程度设置对应的权重，例如，温度影响较大，则温度对应的权重就比较大。将因素数据中各因素的表达向量与对应的权重相乘，并将各乘积相加，得到综合权重值。
78.2、基于综合权重值从预训练的电力负荷预测模型的多个子预测模型中选择与待输入数据关联度最高的第一子预测模型。
79.示例性的，在得到综合权重值之后，根据综合权重值的大小确定该因素对应的子预测模型，即为与待输入数据关联度最高的第一子预测模型。
80.示例性的，每一子预测模型关联一个权重范围，多个子预测模型的权重范围构成权重空间，基于综合权重值从预训练的电力负荷预测模型的多个子预测模型中选择与待输入数据关联度最高的第一子预测模型，包括：
81.将综合权重值映射至权重空间，将综合权重值落入的权重范围对应的子预测模型作为与待输入数据关联度最高的第一子预测模型。
82.s104、将待输入数据输入第一子预测模型中，得到电力负荷预测模型输出的负荷预测结果。
83.在确定与待输入数据关联度最高的第一子预测模型之后，将待输入数据输入第一子预测模型中，得到电力负荷预测模型输出的负荷预测结果，从而预测得到当前日期之后多日的电力负荷形成的负荷曲线。
84.本发明实施例提供的电力负荷预测方法，包括：获取待预测日之前的至少一个历史日的影响电力系统的负荷的因素数据，将因素数据映射转换为待输入数据，从预训练的电力负荷预测模型的多个子预测模型中选择与待输入数据关联度最高的第一子预测模型，其中，电力负荷预测模型包括基于多种预测算法搭建的多个子预测模型，将待输入数据输入第一子预测模型中，得到电力负荷预测模型输出的负荷预测结果。本发明实施例中，电力负荷预测模型包括基于多种预测算法搭建的多个子预测模型，根据待输入数据从预训练的电力负荷预测模型的多个子预测模型中选择与待输入数据关联度最高的第一子预测模型，从而提高模型的预测准确度。
85.在本发明的一些实施例中，电力负荷预测模型的训练过程包括：
86.1、获取电力系统的历史负荷样本和与历史负荷样本对应的因素数据。
87.具体的，历史负荷样本即为历史日的电力负荷，历史负荷样本对应的因素数据即为影响历史负荷样本的因数数据。如前文所述，影响电力系统的负荷的因素数据有多种，在本发明实施例中，影响电力系统的负荷的因素数据包括温度数据、湿度数据、降雨量数据和日期数据，本发明实施例在此不再赘述。
88.2、将历史负荷样本对应的因素数据映射转换为待输入数据样本。
89.示例性的，对历史负荷样本对应的因素数据进行特征提取(例如，词向量嵌入、数据映射等操作)，将历史负荷样本对应的因素数据映射转换为待输入数据样本，待输入数据样本包括因素数据中各因素的表达向量。实际应用中，由于各个因素数据(特征量)的量纲各不相同，因此需要把不同量纲的值通过无量纲化处理，映射到特定的区间，使各个量之间可以有数值上的可比性，从而方便相似度和差异度的定量计算。
90.3、从电力负荷预测模型的多个子预测模型中选择与待输入数据样本关联度最高的第二子预测模型。
91.在本发明实施例中，电力负荷预测模型包括多个基于不同预测算法的子预测模型，以适应不同的类型的输入数据。在本发明实施例中，在将历史负荷样本对应的因素数据映射转换为待输入数据样本之后，从预训练的电力负荷预测模型的多个子预测模型中选择与待输入数据关联度最高的子模型作为第二子预测模型。具体的，从预训练的电力负荷预测模型的多个子预测模型中选择与待输入数据关联度最高的子模型作为第二子预测模型的过程与从预训练的电力负荷预测模型的多个子预测模型中选择与前述实施例中待输入数据关联度最高的子模型作为第一子预测模型的过程类似，本发明实施例在此不再赘述。
92.4、以历史负荷样本和待输入数据样本作为训练样本训练第二子预测模型。
93.将历史负荷样本和待输入数据样本整理成训练样本，训练第二子预测模型。
94.示例性的，训练过程如下：
95.4.1、将待输入数据样本输入第二子预测模型中，得到电力负荷预测模型输出的负荷预测结果。
96.4.2、计算负荷预测结果与历史负荷样本的损失值。
97.在本发明实施例中，可以计算负荷预测结果与历史负荷样本的平方损失、绝对值损失，本发明实施例在此不做限定。
98.4.3、在负荷预测结果与历史负荷样本的损失值大于预设值时，更新第二子预测模型的模型参数，并返回执行获取电力系统的历史负荷样本和与历史负荷样本对应的因素数据的步骤。
99.具体的，采用点对点倍比法更新第二子预测模型的模型参数，点对点倍比法的逐点平滑系数的选取范围为0.1-0.99。
100.4.4、在负荷预测结果与历史负荷样本的损失值小于或等于预设值时，确定第二子预测模型训练完毕。
101.在进行短期预测的过程中，为了能够准确地得到预测结果，必须认真收集各种信息和相关数据，依靠准确的数学物理模型提高精度，从而每次计算得到较好的结果。
102.但随着近年来经济持续快速发展、供电形势的紧张，母线负荷的随机性较大，母线负荷预测的难度较高。对母线历史负荷规律性和稳定度辨识的结果发现，母线负荷序列在不同的地区、不同的季节、不同的时刻有着不同的规律性。
103.传统的预测方式往往依靠经验，在选定数学模型、固定了模型参数后，才得到预测结果。固定参数的模型，显然对不同的地区、不同的时间母线历史负荷规律性有不同的体现。对于不同地区、不同季节，如何进行模型的参数选择，是母线负荷预测准确与否的关键。
104.本发明实施例在模型训练过程中不断更新模型参数，最终把得到最佳预测效果的参数作为最终的模型参数，用于未来日的负荷预测。如此，大大提高了模型的预测准确度。
105.实施例二
106.图2本发明实施例二提供的一种电力负荷预测装置的结构示意图，如图2所示，该装置包括：
107.第一数据获取模块201，用于获取待预测日之前的至少一个历史日的影响电力系统的负荷的因素数据；
108.第一数据转换模块202，用于将所述因素数据映射转换为待输入数据；
109.第一子预测模型确定模块203，用于从预训练的电力负荷预测模型的多个子预测模型中选择与所述待输入数据关联度最高的第一子预测模型，其中，所述电力负荷预测模型包括基于多种预测算法搭建的多个子预测模型；
110.预测结果确定模块204，用于将所述待输入数据输入所述第一子预测模型中，得到所述电力负荷预测模型输出的负荷预测结果。
111.可选的，所述第一子预测模型确定模块203包括：
112.加权子模块，用于对所述因素数据中各因素的表达向量进行加权计算，得到综合权重值；
113.第一子预测模型确定子模块，用于基于所述综合权重值从预训练的电力负荷预测模型的多个子预测模型中选择与所述待输入数据关联度最高的第一子预测模型。
114.可选的，每一所述子预测模型关联一个权重范围，多个所述子预测模型的权重范围构成权重空间，所述第一子预测模型确定子模块包括：
115.权重值映射单元，用于将所述综合权重值映射至所述权重空间；
116.第一子预测模型确定单元，用于将所述综合权重值落入的权重范围对应的子预测模型作为与所述待输入数据关联度最高的第一子预测模型。
117.可选的，所述因素数据包括温度数据、湿度数据、降雨量数据和日期数据。
118.可选的，电力负荷预测装置还包括电力负荷预测模型训练模块，用于所述电力负荷预测模型进行训练，电力负荷预测模型训练模块包括：
119.第二数据获取模块，用于获取电力系统的历史负荷样本和与所述历史负荷样本对应的因素数据；
120.第二数据转换模块，用于将所述历史负荷样本对应的因素数据映射转换为待输入数据样本；
121.第二子预测模型确定模块，用于从电力负荷预测模型的多个子预测模型中选择与所述待输入数据样本关联度最高的第二子预测模型；
122.模型训练子模块，用于以所述历史负荷样本和所述待输入数据样本作为训练样本训练所述第二子预测模型。
123.可选的，所述模型训练子模块包括：
124.预测结果确定单元，用于将所述待输入数据样本输入所述第二子预测模型中，得
到所述电力负荷预测模型输出的负荷预测结果；
125.损失值计算单元，用于计算所述负荷预测结果与所述历史负荷样本的损失值；
126.模型更新单元，用于在所述负荷预测结果与所述历史负荷样本的损失值大于预设值时，更新所述第二子预测模型的模型参数，并返回执行获取电力系统的历史负荷样本和与所述历史负荷样本对应的因素数据的步骤；
127.模型确定单元，用于在所述负荷预测结果与所述历史负荷样本的损失值小于或等于预设值时，确定所述第二子预测模型训练完毕。
128.可选的，所述模型更新单元采用点对点倍比法更新所述第二子预测模型的模型参数，所述点对点倍比法的逐点平滑系数的选取范围为0.1-0.99。
129.上述电力负荷预测装置可执行本发明任意实施例所提供的电力负荷预测方法，具备执行电力负荷预测方法相应的功能模块和有益效果。
130.实施例三
131.本发明实施例三提供了一种计算机设备，图3为本发明实施例三提供的一种计算机设备的结构示意图，如图3所示，该计算机设备包括处理器301、存储器302、通信模块303、输入装置304和输出装置305；计算机设备中处理器301的数量可以是一个或多个，图3中以一个处理器301为例；计算机设备中的处理器301、存储器302、通信模块303、输入装置304和输出装置305可以通过总线或其他方式连接，图3中以通过总线连接为例。上述处理器301、存储器302、通信模块303、输入装置304和输出装置305可以集成在计算机设备的控制主板上。
132.存储器302作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本实施例中的电力负荷预测方法对应的模块。处理器301通过运行存储在存储器302中的软件程序、指令以及模块，从而执行计算机设备的各种功能应用以及数据处理，即实现上述实施例提供的电力负荷预测方法。
133.存储器302可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器302可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器302可进一步包括相对于处理器301远程设置的存储器，这些远程存储器可以通过网络连接至计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
134.通信模块303，用于与外界设备(例如智能终端)建立连接，并实现与外界设备的数据交互。输入装置304可用于接收输入的数字或字符信息，以及产生与计算机设备的用户设置以及功能控制有关的键信号输入。
135.本实施例提供的一种计算机设备，可执行本发明上述任意实施例提供的电力负荷预测方法，具体相应的功能和有益效果。
136.实施例四
137.本发明实施例四提供了一种包含计算机可执行指令的存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明上述任意实施例提供的电力负荷预测方法，该方法包括：
138.获取待预测日之前的至少一个历史日的影响电力系统的负荷的因素数据；
139.将所述因素数据映射转换为待输入数据；
140.从预训练的电力负荷预测模型的多个子预测模型中选择与所述待输入数据关联度最高的第一子预测模型，其中，所述电力负荷预测模型包括基于多种预测算法搭建的多个子预测模型；
141.将所述待输入数据输入所述第一子预测模型中，得到所述电力负荷预测模型输出的负荷预测结果。
142.当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明实施例所提供的电力负荷预测方法中的相关操作。
143.需要说明的是，对于装置、设备和存储介质实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
144.通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，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，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、闪存(flash)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是机器人，个人计算机，服务器，或者网络设备等)执行本发明任意实施例所述的电力负荷预测方法。
145.值得注意的是，上述装置中，所包括的各个模块、子模块、单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
146.应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行装置执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
147.在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
148.注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。