一种基于数据驱动的风光电源消纳优化方法

：
1.本发明属于风电和光伏发电技术领域，尤其涉及一种基于数据驱动的风光电源消纳优化方法。


背景技术：

2.为了实现“双碳”目标，必须发展高比例的风电和光伏发电。不过，风、光发电具有强烈的间歇性、多变性和不确定性，为了实现对负荷的安全供电和对新能源的有效消纳，必须通过日前经济调度等工具科学地制定风、光电能的最优消纳方案，其难点在于如何对系统中源侧、荷侧的不确定性进行有效建模。相比于对不确定性开展传统的概率性建模，数据驱动的建模方法可以实现参数的动态调整，且具有更好的靶向性。数据驱动的随机过程分析和不确定性预测受到越来越多的关注，利用数据驱动的方法制定风光电源的消纳方案成为电力领域的研究热点。
3.针对负荷预测具有不确定性的问题，目前进行电力系统负荷预测的传统方法有：基于自回归移动平均模型的预测方法，其要求时序数据具有较高的稳定性，而且只能对时序数据中的线性关系有较好的捕捉能力；逐步回归分析法，在使用何种因子和该因子采用表达式的选择具有很强的主观经验性；基于灰色模型的预测方法，仅对于时序数据呈指数增长的预测比较有效。随着计算机技术的快速发展，越来越多的人工智能预测模型被应用在负荷预测领域，通过学习大量历史负荷数据中的隐含规律，再通过这种隐含规律去快速预测未来数据。简单循环神经网络在处理长时间序列数据时可能会发生梯度爆炸或梯度消失的问题，导致在信息处理时时序数据中靠前的信息对后面信息的更新不起作用。为了克服这个问题，本专利选择循环神经网络的派生模型长短期记忆学习模型(long short-term memory,lstm)进行负荷预测，其通过引入遗忘门机制来对简单的循环神经网络可能产生的梯度爆炸和梯度消失问题进行了改良，这种对序列信息选择性结构在一定程度上缓解了长期历史依赖的问题。
4.针对风、光发电具有不确定性的问题，目前处理可再生能源功率预测不确定性的主要方法有：增加旋转备用，这种方法简单可靠，但由于目前风电功率的预测误差仍然较大，预留旋转备用的容量大小难以确定；鲁棒优化方法，鲁棒优化的思想是将风电的不确定性转化为不确定解集的形式，考虑最恶劣的场景，往往使得调度结果比较保守；基于机会约束规划的随机建模方法，这种方法对于规模较大的电力系统难以推导出解析的机会约束模型，而且设置何种置信水平也难以确定。基于场景集的随机优化方法，场景集中的每个场景代表一组可能的风电出力时间序列。因此，风电出力场景集实质上是由大量的、可以覆盖所有风电可能出力场景的时间序列组成的，这些时间序列可以根据风电功率的概率分布得到，或者根据风电功率的点预测值及其预测误差的概率分布得到。该方法存在如下优势：可以考虑各个风电出力场景的概率及其对调度结果的影响；该类方法一般包含场景生成和场景削减两个阶段，和鲁棒优化方法相比，避免了最终的调度结果过于保守，但在确定预测偏差的时候往往根据经验确定其分布函数的参数，为了充分挖掘历史数据中的信息，本专利
通过对大量历史数据分析得到风光出力预测值和量测值每一时间断面的偏差率分布密度函数，使得风、光电量预测更加精准，从而使得最终电能消纳方案更具合理性。


技术实现要素：

5.针对现有技术中存在的技术问题，本发明提出了一种基于数据驱动的风光电源消纳优化方法；该方法填充了历史量测数据中的缺失值，查找并处理数据集中的离群点。使用历史相同时间断面的负荷数据构建训练集，基于lstm模型进行训练并对未来负荷进行预测。通过对大量历史数据分析得到风光出力预测值和量测值每一时间断面的偏差率分布密度函数，从而基于场景聚类的方法得到了具有代表性的最终场景集，合理计及风、光出力的不确定性。建立以系统总成本最小为目标函数的联合调度线性优化模型，调用cplex完成对该含0-1变量的混合整数非线性优化模型进行求解，制定最终电能消纳优化方案。
6.本发明为了得到在可再生能源高渗透率场景下的电能消纳方案，针对所面临的负荷预测和风、光发电不确定性问题分别提出了应对策略。针对负荷预测问题，基于长短期记忆学习模型，训练系统的历史负荷数据，并对模型的超参数进行优化，得到更准确的日前负荷预测数据。针对风、光出力预测问题，基于历史量测数据和历史预测数据统计预测偏差的概率分布，生成大量计及预测偏差时变性的初始偏差场景集，通过k-mean场景聚类的方法得到具有代表性的最终场景集，从而合理计及风、光发电不确定性。最后，建立含风光电源的线性日前经济调度模型，制定风、光电源的消纳方案。
7.为了解决现有技术存在的技术问题，本发明采用如下技术方案：
8.一种基于数据驱动的风光电源消纳优化方法，其特征在于，
9.步骤1：获取历史数据并进行数据预处理；
10.步骤2：基于长短期记忆学习方法建立日前负荷预测模型；其中：所述日前负荷预测模型由四个模块构成，分别是遗忘门、输入门、细胞状态和输出门组成；所述日前负荷预测模型中使用两种激活函数，即σ激活函数和tanh激活函数，其中：所述σ函数将相应的输入映射至[0,1]范围内，用在各个门结构上，函数产生的0～1之间的数代表着对信息的选择性， 0代表将对应位置的信息完全遗忘，1代表将对应位置的信息完全保留；tanh激活函数将相应的输入映射至[-1,1]范围内；
[0011]
步骤3：基于场景聚类方法的可再生能源出力场景集生成和缩减；其中：通过随机数抽样生成可再生能源出力预测误差的场景集，所述场景集中每个误差场景叠加可再生能源出力的预测值，从而得到可再生能源出力原始场景集，利用场景聚类方法进行场景削减获得用于经济调度的最终场景集；
[0012]
步骤4：制定风、光电源最优消纳方案。
[0013]
进一步，所述步骤s1获取历史数据并进行数据预处理过程；
[0014]
101、获取历史数据
[0015]
从系统中各种类型的测量设备和计算机中获取历史系统负荷和风光出力的真实量测数据和相应预测值。
[0016]
102、补充缺失值
[0017]
补充历史数据中i位置上的缺失值xi，可由前后位置历史数据的平均值表示，计算如下：
[0018]
xi＝(x
i-1
x
i 1
)/2
[0019]
103、对历史负荷数据进行归一化处理，归一化的计算公式如下：
[0020][0021][0022][0023]
其中，x
*
表示归一化后的历史负荷数据向量，x表示原始历史负荷数据向量，μ表示负荷数据的平均值，σ表示负荷数据的标准差；
[0024]
104、处理离群点
[0025]
经过归一化后的数据集服从(0，1)正态分布，根据正态分布的性质可知，样本中在[-2σ， 2σ]范围之外的概率小于5％，如下式所示：
[0026]
p(|x
*-μ|》2σ)≤0.05
ꢀꢀ
(5)。
[0027]
所述步骤2中日前负荷预测模型训练过程：
[0028]
使用经过数据预处理的训练数据对日前负荷预测模型进行训练，将预测值反归一化；其具体步骤如下所示：
[0029]
201、所述日前负荷预测模型在时刻t的第一步运算就是决定对t-1时刻细胞状态信息的筛选，计算通过遗忘门来完成，其计算过程如下所示：
[0030]ft
＝σ(wf[x
t
,h
t-1
] bf)
[0031]
其中，x
t
表示t时刻给lstm模型的输入，h
t-1
表示t-1时刻隐含层的输出，wf表示遗忘门的权重矩阵，bf表示遗忘门的偏置，f
t
表示遗忘门在时刻t下的计算结果，该计算结果由是范围在[0，1]之间的数组成的向量；
[0032]
202、决定让多少新的信息加入到细胞状态中来，需要输入门实现这步骤的运算，需要一个σ激活函数决定需要信息更新，同时一个tanh函数生成一个向量也就是备选的用来更新的内容g
t
，其计算过程如下所示：
[0033]it
＝σ(wi[x
t
,h
t-1
] bi)
[0034]gt
＝tanh(wg[x
t
,h
t-1
] bg)
[0035]
其中，i
t
表示输入门的计算结果是由范围在[0，1]之间的数组成的向量，wi、wg和bi、bg分别表示对应激活函数运算时的权重矩阵和偏置矩阵；
[0036]
203、更新t时刻的细胞状态c
t
，在该细胞状态中遗忘了不重要的信息，并且增加了在时刻t输入的重要信息，其计算过程如下所示：
[0037][0038]
其中，表示矩阵中对应位置元素相乘；
[0039]
204、确定t时刻隐含层的输出h
t
，其计算过程如下所示：
[0040]ot
＝σ(wo[x
t
,h
t-1
] bo)
ꢀꢀ
(10)
[0041][0042]
其中，o
t
表示输出门的计算结果由范围在[0，1]之间的数组成的向量，wo和bo分别表示输出门的权重矩阵和偏置矩阵；以上权重矩阵和偏置矩阵都是经过lstm训练自动生成的。进一步，所述步骤s3中基于场景聚类方法的可再生能源出力场景集生成和缩减过程：
[0043]
301、统计风、光出力预测的偏差率
[0044]
使用过去一年可再生能源出力的历史量测数据及预测数据和矩估计法得到每一个时间断面的标准差。每天第t时刻可再生能源的历史量测数据记为p
ttrue
，可用下式表示：
[0045][0046]
每天第t时刻可再生能源的历史预测数据记为p
tfore
，可用下式表示：
[0047][0048]
则可得到每天第t时刻预测误差的偏差率，记为x
t
，可用下式表示：
[0049]
x
t
＝[x
1,t x
2,t ... x
365,t
]
[0050]
其计算方法如下：
[0051]
x
t
＝(p
ttrue-p
tfore
)./p
ttrue
*100％
[0052]
其中，./表示两个向量对应元素的比值；
[0053]
将第t时刻样本均值和样本二阶中心矩m
t
作为总体均值μ
t
和方差的矩估计，用下式计算：
[0054][0055]
则可得到每个时间断面预测误差的偏差率的正态分布参数，即服从正态分布
[0056]
302、抽样预测偏差原始场景集
[0057]
根据得到的每个时间断面预测误差的偏差率的分布参数，通过随机数抽样方法生成j个场景的预测偏差率，其中第j个场景的预测误差率记为xj，可用下式表示：
[0058][0059]
303、风、光出力预测原始场景集
[0060]
使用预测误差叠加可再生能源出力预测值便可到用于开展联合调度的风、光出力大小。下一个调度周期可再生能源的预测出力记为pp
fore
，可用下式表示：
[0061][0062]
则第j个场景可再生能源出力记为可用下式计算：
[0063][0064]
304、场景聚类
[0065]
利用k-means聚类方法对j个可再生能源出力原始场景集进行削减，得到具有代表
性的、保有原始场景集特征的、小规模的最终场景集。
[0066]
进一步，所述步骤s4中制定风、光电源最优消纳过程：
[0067]
401、建立联合调度线性优化模型
[0068]
对于含风机、光伏和火电机组的电力系统，各类型机组的实际有功出力分别记为p
w,t
、p
pv,t
和p
c,t
，负荷的有功功率记为p
l,t
，火电机组为风机和光伏提供可用调节容量以实现功率平衡，可由下式表示：
[0069][0070]
其中，t为时间变量，通常表示第t个时间间隔；表示第i种型号的第j台机组在时刻t的有功出力，n表示火电机组的种类；mi表示第i种型号机组的台数。要受技术和运行方面的约束，主要包括最小/最大出力约束、最大爬坡速率约束、最小开机/停机时长约束等：
[0071][0072][0073][0074]
其中，表示第i种型号的第j台机组在时刻t的启停状态，开启为1，停机为0；和分别表示第i种型号的第j台机组在时刻t的最小出力和最大出力；表示第i 种型号的第j台机组的最大爬坡功率；和分别表示第i种型号的第j台机组的最小运行和最小停机时长；和分别表示第i种型号的第j台机组已经持续的运行和停机时长；
[0075]
402、求解火电机组启停状态及出力
[0076]
对于火电装机一定的某电力系统，当风光装机容量较小时，能够实现风光电量的100％消纳；当风光装机容量增加到某一临界值时，风光机组的尖峰出力不能被消纳，开始出现弃风弃光现象；采用如下约束条件：
[0077][0078]
其中，p
w,t,max
和p
pv,t,max
分别表示t时刻风机和光伏设备的预测出力；该约束表示允许弃置部分风、光功率；
[0079]
多种机组联合优化调度的目标函数一般为系统总成本最小：
[0080][0081]
其中，t表示优化周期的长度，即时间间隔的数量；f(
·
)表示火电机组的运行成本函数； c
i,j
表示第i种型号的第j台机组的启停成本；
[0082]
使用matlab调用cplex软件对上述该含0-1变量的混合整数非线性优化模型进行
求解；
[0083]
403、制定消纳方案
[0084]
根据火力发电机组每个小时的启停状态和出力情况得到第t小时可再生能源弃风弃光后的出力p
r,t
，其计算方法如下：
[0085][0086]
为使风、光电源均匀承担弃光弃光，最终风、光电源消纳方案可根据下式制定：
[0087][0088]
有益效果：
[0089]
本发明与现有技术相比，其优点：
[0090]
①
利用电力系统的多元量测数据对不确定性进行建模；
[0091]
②
提出了一种基于长短期记忆学习(lstm)模型的负荷预测方法，其特点是利用历史相同时间断面的负荷数据提高日前负荷预测精度；
[0092]
③
提出了一种基于历史预测偏差的风、光电源出力场景聚类方法，其特点是计及了风、光电源日前出力预测精度的时变性；
[0093]
④
建立了多类型电源联合调度线性优化模型，快速确定风、光电源的最优消纳方案。
附图说明：
[0094]
图1是确定风、光电源最优消纳方案流程图
[0095]
图2是长短期记忆学习模型结构图
具体实施方式
[0096]
本发明中提出了一种基于数据驱动的风光电源消纳优化方法，以下结合图1对本发明专利的实施过程做进一步详细说明。
[0097]
本发明中提出了一种基于数据驱动的风光电源消纳优化方法，以下结合附图1对本发明专利的实施过程做进一步详细说明。
[0098]
1.获取历史数据并进行数据预处理
[0099]
1.1获取历史数据
[0100]
从系统中各种类型的测量设备和计算机中获取历史系统负荷和风光出力的真实量测数据和相应预测值。
[0101]
1.2补充缺失值
[0102]
补充历史数据中i位置上的缺失值xi，可由前后位置历史数据的平均值表示，计算如下：
[0103]
xi＝(x
i-1
x
i 1
)/2
ꢀꢀ
(1)
[0104]
1.3数据集归一化
[0105]
对历史负荷数据进行归一化处理，为查找离群点做准备，归一化的计算公式如下：
[0106][0107][0108][0109]
其中，x
*
表示归一化后的历史负荷数据向量，x表示原始历史负荷数据向量，μ表示负荷数据的平均值，σ表示负荷数据的标准差。
[0110]
1.4处理离群点
[0111]
经过归一化后的数据集服从(0，1)正态分布，根据正态分布的性质可知，样本中在[-2σ， 2σ]范围之外的概率小于5％，如式(5)所示。在量测系统负荷场景下我们认为这样的样本是离群点，将这样的值使用1.2节所述方法处理。数据预处理还可以提高lstm模型的收敛速度和精度，同时减少梯度爆炸现象的产生。
[0112]
p(|x
*-μ|》2σ)≤0.05
ꢀꢀ
(5)
[0113]
2.基于lstm的日前负荷预测
[0114]
lstm模型是基于rnn模型的改进模型之一，相较于普通rnn模型其增加了记忆模块和门控制模块，通过对历史信息的选择性记忆可以缓解rnn模型的梯度消失和梯度爆炸现象。同样地， lstm模型和rnn模型在每一轮训练或预测过程中都共享其权值。
[0115]
如图2所示，lstm模型由四个模块构成，分别是遗忘门、输入门、细胞状态和输出门组成。 lstm模型中使用两种激活函数，即σ激活函数和tanh激活函数，其中σ函数将相应的输入映射至[0,1]范围内，用在各个门结构上，函数产生的0～1之间的数代表着对信息的选择性，0 代表将对应位置的信息完全遗忘，1代表将对应位置的信息完全保留；tanh激活函数将相应的输入映射至[-1,1]范围内。
[0116]
2.1构建数据集
[0117]
在国内某变电站一年的负荷监测数据中，选取训练集和测试集，在本文中为充分计及负荷波动的日周期性，故在训练集中以第i-1天的0时刻负荷预测第i天0时刻的负荷，以第 i-1天的1时刻负荷预测第i天1时刻的负荷，以此类推。
[0118]
2.2设置优化器
[0119]
选取adam优化器并设置超参数，如lstm模型层数，批次数、学习率以及模型的训练次数。
[0120]
2.3训练与预测
[0121]
使用经过数据预处理的训练数据对lstm模型进行训练，将预测值反归一化。其具体步骤如下所示：
[0122]
(1)lstm模型在时刻t的第一步运算就是决定对t-1时刻细胞状态信息的筛选，这
步计算通过遗忘门来完成，其计算过程如下所示：
[0123]ft
＝σ(wf[x
t
,h
t-1
] bf)
ꢀꢀ
(6)
[0124]
其中，x
t
表示t时刻给lstm模型的输入，h
t-1
表示t-1时刻隐含层的输出，wf表示遗忘门的权重矩阵，bf表示遗忘门的偏置，f
t
表示遗忘门在时刻t下的计算结果，该计算结果由是范围在[0，1]之间的数组成的向量。
[0125]
(2)决定让多少新的信息加入到细胞状态中来，需要输入门实现这步骤的运算，需要一个σ激活函数决定哪些信息需要更新，需要一个tanh函数生成一个向量也就是备选的用来更新的内容g
t
，其计算过程如下所示：
[0126]it
＝σ(wi[x
t
,h
t-1
] bi)
ꢀꢀ
(7)
[0127]gt
＝tanh(wg[x
t
,h
t-1
] bg)
ꢀꢀ
(8)
[0128]
其中，i
t
表示输入门的计算结果是由范围在[0，1]之间的数组成的向量，wi、wg和bi、bg分别表示对应激活函数运算时的权重矩阵和偏置矩阵。
[0129]
(3)更新t时刻的细胞状态c
t
，在该细胞状态中遗忘了不重要的信息，并且增加了在时刻t输入的重要信息，其计算过程如下所示：
[0130][0131]
其中，表示矩阵中对应位置元素相乘。
[0132]
(4)我们需要确定t时刻隐含层的输出h
t
。这个输出基于我们的细胞状态c
t
，其计算过程如下所示：
[0133]ot
＝σ(wo[x
t
,h
t-1
] bo)
ꢀꢀ
(10)
[0134][0135]
其中，o
t
表示输出门的计算结果由范围在[0，1]之间的数组成的向量，wo和bo分别表示输出门的权重矩阵和偏置矩阵。以上权重矩阵和偏置矩阵都是经过lstm训练自动生成的。
[0136]
2.4模型评价
[0137]
对比预测值和真实值，并采取平均绝对百分比误差(meap)和均方根误差(rmse)进行模型评价。其表达式如下：
[0138][0139][0140]
若meap和rmse满足预期要求，则日前负荷预测完成，否则则进入2.2节重新选取超参数继续训练和预测。
[0141]
3.基于k-means的可再生能源出力场景集生成和缩减
[0142]
利用场景聚类方法可有效处理风、光电源出力的不确定性。采用随机数抽样方法生成可再生能源出力预测误差的场景集，每个误差场景叠加可再生能源出力的预测值，从而得到可再生能源出力原始场景集，利用k-means聚类方法进行场景削减，从而得到用于经济调度的最终场景集。
[0143]
3.1统计风、光出力预测的偏差率
[0144]
本发明使用过去一年可再生能源出力的历史量测数据及预测数据和矩估计法得到每一个时间断面的标准差。每天第t时刻可再生能源的历史量测数据记为p
ttrue
，可用下式表示：
[0145][0146]
每天第t时刻可再生能源的历史预测数据记为p
tfore
，可用下式表示：
[0147][0148]
则可得到每天第t时刻预测误差的偏差率，记为x
t
，可用下式表示：
[0149]
x
t
＝[x
1,t x
2,t ... x
365,t
]
ꢀꢀ
(16)
[0150]
其计算方法如下：
[0151]
x
t
＝(p
ttrue-p
tfore
)./p
ttrue
*100％
ꢀꢀ
(17)
[0152]
其中，./表示两个向量对应元素的比值。
[0153]
将第t时刻样本均值和样本二阶中心矩m
t
作为总体均值μ
t
和方差的矩估计，用下式计算：
[0154][0155]
则可得到每个时间断面预测误差的偏差率的正态分布参数，即服从正态分布
[0156]
3.2抽样预测偏差原始场景集
[0157]
根据得到的每个时间断面预测误差的偏差率的分布参数，通过随机数抽样方法生成j个场景的预测偏差率，其中第j个场景的预测误差率记为xj，可用下式表示：
[0158][0159]
3.3风、光出力预测原始场景集
[0160]
使用预测误差叠加可再生能源出力预测值便可到用于开展联合调度的风、光出力大小。下一个调度周期可再生能源的预测出力记为pp
fore
，可用下式表示：
[0161][0162]
则第j个场景可再生能源出力记为可用下式计算：
[0163][0164]
3.4k-means场景聚类
[0165]
利用k-means聚类方法对j个可再生能源出力原始场景集进行削减，得到具有代表性的、保有原始场景集特征的、小规模的最终场景集，主要步骤如下：
[0166]
(1)设定要聚类的类别数目k，随机选择k个中心点，令j＝1；
[0167]
(2)对第j个生成的场景样本，计算与k个中心点的距离，将其与距离最近的中心点
聚为一类；
[0168]
(3)j＝j 1，判断j是否大于j，如果是，则进行下一步骤，否则返回(2)；
[0169]
(4)判断聚类前后的样本点的类别情况是否与之前的相同，如果相同，则算法终止，否则进入(5)；
[0170]
(5)针对每个类别中的样本点，计算这些样本点的中心点，当作该类的新的中心点，继续(2)。
[0171]
4.制定风、光电源最优消纳方案
[0172]
4.1建立联合调度线性优化模型
[0173]
对于含风机、光伏和火电机组的电力系统，各类型机组的实际有功出力分别记为p
w,t
、p
pv,t
和p
c,t
，负荷的有功功率记为p
l,t
，火电机组为风机和光伏提供可用调节容量以实现功率平衡，可由下式表示：
[0174][0175]
其中，t为时间变量，通常表示第t个时间间隔；表示第i种型号的第j台机组在时刻t的有功出力，n表示火电机组的种类；mi表示第i种型号机组的台数。要受技术和运行方面的约束，主要包括最小/最大出力约束、最大爬坡速率约束、最小开机/停机时长约束等：
[0176][0177][0178][0179]
其中，表示第i种型号的第j台机组在时刻t的启停状态，开启为1，停机为0；和分别表示第i种型号的第j台机组在时刻t的最小出力和最大出力；表示第i 种型号的第j台机组的最大爬坡功率；和分别表示第i种型号的第j台机组的最小运行和最小停机时长；和分别表示第i种型号的第j台机组已经持续的运行和停机时长。
[0180]
对于日前机组组合问题，由于风速和光照强度的预测存在误差，负荷的预测值也存在误差，为了应对预测误差要求火电机组留有一定容量的上、下备用空间，如下式所示：
[0181][0182]
其中，α和β分别表示可再生能源功率和负荷功率的备用系数。
[0183]
对于火电装机一定的某电力系统，当风光装机容量较小时，能够实现风光电量的100％消纳；当风光装机容量增加到某一临界值时，风光机组的尖峰出力不能被消纳，开始
出现弃风弃光现象。因此，还存在如下约束：
[0184][0185]
其中，p
w,t,max
和p
pv,t,max
分别表示t时刻风机和光伏设备的预测出力。该约束表示允许弃置部分风、光功率。
[0186]
多种机组联合优化调度的目标函数一般为系统总成本最小：
[0187][0188]
其中，t表示优化周期的长度，即时间间隔的数量；f(
·
)表示火电机组的运行成本函数；c
i,j
表示第i种型号的第j台机组的启停成本。
[0189]
4.2模型求解
[0190]
使用matlab调用cplex软件对上述该含0-1变量的混合整数非线性优化模型进行求解。经过求解可得火力发电机组每个小时的启停状态和出力情况。
[0191]
4.3制定消纳方案
[0192]
根据火力发电机组每个小时的启停状态和出力情况得到第t小时可再生能源弃风弃光后的出力p
r,t
，其计算方法如下：
[0193][0194]
为使风、光电源均匀承担弃光弃光，最终风、光电源消纳方案可根据下式制定：
[0195][0196]
本发明并不限于上文描述的实施方式。以上对具体实施方式的描述旨在描述和说明本发明的技术方案，上述的具体实施方式仅仅是示意性的，并不是限制性的。在不脱离本发明宗旨和权利要求所保护的范围情况下，本领域的普通技术人员在本发明的启示下还可做出很多形式的具体变换，这些均属于本发明的保护范围之内。