用于电网的预测方法和控制器与流程

1.本发明涉及电气工程技术领域，具体地涉及一种用于电网的预测方法和控制器。


背景技术：

2.输电线路舞动是一种较为常见但威胁极大的电网灾害，轻则造成金具损坏、线路跳闸，重则造成倒塔断线，严重威胁冬季安全可靠供电。虽然舞动发生在覆冰环境下，但是舞动灾害在发生条件更为复杂，不仅要求覆冰厚度值、水平风速值在某个特定区间内，而且灾害发生位置更加分散，防护难度明显增大。为了强化舞动灾害防护针对性，电网舞动预测技术，特别是典型舞动微地形隐患点的灾害发生和演变特征预测，受到了电网运维的重要需求。现有的电网舞动主要以气象数值预报为基础，受到气象数据分辨率的尺度影响，舞动预测精细化程度严重受限，对微地形精细化的舞动防护的指导意义存在越来越明显的瓶颈。因此，急需提出一种技术方案来解决现有技术中的上述技术问题。


技术实现要素：

3.本发明实施例的目的是提供一种用于电网的预测方法和控制器，解决现有技术中区域线路易舞动条件下舞动灾害的发生和迁移难以准确预测的技术问题。
4.为了实现上述目的，本发明第一方面提供一种用于电网的预测方法，包括：获取待预测地区的地形数据和气象预测数据；根据地形数据和气象预测数据建立初始场结构数据；以及根据初始场结构数据和优化蚁群算法确定待预测地区的电网舞动隐患点和电网舞动隐患点之间的延伸路径。
5.在本发明实施例中，地形数据包括舞动微地形分布数据，气象预测数据包括覆冰厚度预测数据和风速分布预测数据。
6.在本发明实施例中，根据地形数据和气象预测数据建立初始场结构数据包括：将覆冰厚度预测数据、风速分布预测数据和舞动微地形分布数据进行网格化处理，以得到处理后覆冰厚度预测数据、处理后风速分布预测数据和处理后舞动微地形分布数据，其中处理后覆冰厚度预测数据、处理后风速分布预测数据和处理后舞动微地形分布数据的网格分辨率一致且网格对应的区域一致；以及根据处理后覆冰厚度预测数据、处理后风速分布预测数据和处理后舞动微地形分布数据建立初始场结构数据。
7.在本发明实施例中，在覆冰厚度预测数据的网格分辨率小于风速分布预测数据的网格分辨率的情况下，处理后风速分布预测数据的网格分辨率、处理后舞动微地形分布数据与覆冰厚度预测数据的网格分辨率一致且网格对应的区域一致，处理后覆冰厚度预测数据为覆冰厚度预测数据；以及在覆冰厚度预测数据的网格分辨率大于风速分布预测数据的网格分辨率的情况下，处理后覆冰厚度预测数据的网格分辨率、处理后舞动微地形分布数据与风速分布预测数据的网格分辨率一致且网格对应的区域一致，处理后风速分布预测数据为风速分布预测数据。
8.在本发明实施例中，根据处理后覆冰厚度预测数据、处理后风速分布预测数据和
处理后舞动微地形分布数据建立初始场结构数据包括：根据处理后舞动微地形分布数据中网格的舞动微地形数目确定处理后舞动微地形分布数据中节点的舞动微地形启发因子，以得到舞动微地形网格数据；以及根据舞动微地形网格数据、处理后覆冰厚度预测数据、处理后风速分布预测数据建立初始场结构数据，其中初始场结构数据包括节点的经度坐标、节点的纬度坐标、节点的覆冰厚度、节点的风速和节点的微地形启发因子。
9.在本发明实施例中，根据处理后舞动微地形分布数据中网格的舞动微地形数目确定处理后舞动微地形分布数据中节点的舞动微地形启发因子包括：根据处理后舞动微地形分布数据中网格的舞动微地形数目确定处理后舞动微地形分布数据中网格的舞动微地形系数；以及根据网格的舞动微地形系数确定节点的舞动微地形启发因子。
10.在本发明实施例中，根据处理后舞动微地形分布数据中网格的舞动微地形数目确定处理后舞动微地形分布数据中网格的舞动微地形系数包括：当网格中不存在舞动微地形时，确定网格的舞动微地形系数为1；当网格中存在1处舞动微地形时，确定网格的舞动微地形系数为3；当网格中存在2处舞动微地形时，确定网格的舞动微地形系数为5；以及当网格中存在3处以上舞动微地形时，确定网格的舞动微地形系数为10；根据网格的舞动微地形系数确定节点的舞动微地形启发因子包括：将节点的相邻网格的舞动微地形系数求均值，以得到节点的舞动微地形启发因子。
11.在本发明实施例中，根据初始场结构数据和优化蚁群算法确定待预测地区的电网舞动隐患点和电网舞动隐患点之间的延伸路径包括：根据初始场结构数据中节点的舞动微地形启发因子确定电网舞动隐患点；依次以每一个电网舞动隐患点为备选延伸路径的起始节点，根据电网舞动隐患点的初始场结构数据和优化蚁群算法确定多条备选延伸路径；以及根据预设筛选规则从多条备选延伸路径中选择一条备选延伸路径作为电网舞动隐患点之间的延伸路径。
12.在本发明实施例中，优化蚁群算法的转移概率被定义为：其中，k为蚂蚁序号，i为蚂蚁当前所在节点，j为蚂蚁下一步计划节点，t为路径序号，τj(t)为节点j对节点i的信息素因子，α为信息素因子重要性指数，ηj(t)为节点j对节点i的距离启发因子，β为距离启发因子重要性指数，tj(t)为节点j对节点i的覆冰厚度启发因子，γ为覆冰厚度启发因子的重要性指数，hj(t)为节点j对节点i的风速启发因子，δ为风速启发因子的重要性指数，mj(t)为节点j的舞动微地形启发因子，为微地形启发因子的重要性指数，τa(t)为节点a对节点i的信息素因子，ηa(t)为节点a对节点i的距离启发因子，ta(t)为节点a对节点i的覆冰厚度启发因子，ha(t)为节点a对节点i的风速启发因子，ma(t)为节点a的舞动微地形启发因子，allowedk为第k只蚂蚁下一步可选择的节点；为第k只蚂蚁下一步可选择的节点；为第k只蚂蚁在节点i，j之间的路径所留下的信息素，m为蚂蚁总数，ρ为衰减因子经验常数，c为信
息素因子经验常数；lk为第k只蚂蚁完成的路径的总长度，q为信息素经验常数；xi、yi分别为节点i的经度坐标和纬度坐标，xj、yj分别为节点j的经度坐标和纬度坐标；wi和wj分别为节点i和节点j的覆冰厚度，t0为覆冰厚度经验常数；
13.hi和hj分别为节点i和节点j的风速，h0为风速经验常数。
14.本发明第二方面提供一种控制器，被配置成执行前述实施例的用于电网的预测方法。
15.本发明前述实施例通过其技术方案可以快速、高效、全面地分析气象和地形数据特征，精细化定位电网舞动隐患点，准确预测电网舞动隐患点之间的延伸路径，可操作性强，实用性高，可以指导电网防冻融冰工作。
16.本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
17.附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：
18.图1是本发明实施例的用于电网的预测方法100的流程示意图；以及
19.图2是本发明示例预测的电网舞动隐患点之间的延伸路径显示结果示意图。
具体实施方式
20.以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。
21.需要说明，若本技术实施方式中有涉及方向性指示(诸如上、下、左、右、前、后
……
)，则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
22.另外，若本技术实施方式中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的
技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施方式之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本技术要求的保护范围之内。
23.如图1所示，在本发明实施例中，提供一种用于电网的预测方法100，包括以下步骤：
24.步骤s110：获取待预测地区的地形数据和气象预测数据。
25.步骤s130：根据地形数据和气象预测数据建立初始场结构数据。以及
26.步骤s150：根据初始场结构数据和优化蚁群算法确定待预测地区的电网舞动隐患点和电网舞动隐患点之间的延伸路径。例如还可以在该步骤之后进一步包括将电网舞动隐患点之间的延伸路径进行显示的步骤。
27.具体地，地形数据例如包括舞动微地形分布数据。气象预测数据例如包括覆冰厚度预测数据和风速分布预测数据。舞动微地形分布数据例如包括待预测地区内舞动微地形分布的经度坐标和纬度坐标。覆冰厚度预测数据例如包括待预测地区内各个点的经度坐标、纬度坐标和对应点的覆冰厚度。风速分布预测数据例如包括待预测地区内各个点的经度坐标、纬度坐标和对应点的风速。
28.具体地，根据地形数据和气象预测数据建立初始场结构数据，也即步骤s130例如包括以下步骤：
29.(a1)将覆冰厚度预测数据、风速分布预测数据和舞动微地形分布数据进行网格化处理，以得到处理后覆冰厚度预测数据、处理后风速分布预测数据和处理后舞动微地形分布数据。其中，处理后覆冰厚度预测数据、处理后风速分布预测数据和处理后舞动微地形分布数据的网格分辨率一致且网格对应的区域一致。以及
30.(a2)根据处理后覆冰厚度预测数据、处理后风速分布预测数据和处理后舞动微地形分布数据建立初始场结构数据。
31.具体地，覆冰厚度预测数据和风速分布预测数据例如均为网格数据。舞动微地形分布数据例如为非网格数据，具体例如可为数组形式的数据。当然，本发明实施例并不局限于此，覆冰厚度预测数据、风速分布预测数据和舞动微地形分布数据例如还可以是其他数据形式的组合，例如可以均为数组形式，也可以均为网格形式。
32.具体地，在覆冰厚度预测数据的网格分辨率小于风速分布预测数据的网格分辨率的情况下，处理后风速分布预测数据的网格分辨率、处理后舞动微地形分布数据例如与覆冰厚度预测数据的网格分辨率一致且网格对应的区域一致，处理后覆冰厚度预测数据例如为覆冰厚度预测数据。以及在覆冰厚度预测数据的网格分辨率大于风速分布预测数据的网格分辨率的情况下，处理后覆冰厚度预测数据的网格分辨率、处理后舞动微地形分布数据例如与风速分布预测数据的网格分辨率一致且网格对应的区域一致，处理后风速分布预测数据例如为风速分布预测数据。
33.也即可选择覆冰厚度预测数据和风速分布预测数据中网格分辨率比较小的一个作为网格化处理的参照对象，将网格分辨率比较大的网格数据进行网格化处理例如抽稀处理等最终转化为与参照对象的网格分辨率一致且网格对应的区域一致的网格数据。当然，本发明实施例并不局限于此，还可以是选择另外的参照对象例如待预测地区的数值高程地
形数据作为参照对象，把覆冰厚度预测数据、风速分布预测数据和舞动微地形分布数据分别网格化为与参照对象的网格分辨率一致且网格对应的区域一致的网格数据。
34.具体地，根据处理后覆冰厚度预测数据、处理后风速分布预测数据和处理后舞动微地形分布数据建立初始场结构数据，也即(a2)例如包括以下步骤：
35.(a21)根据处理后舞动微地形分布数据中网格的舞动微地形数目确定处理后舞动微地形分布数据中节点的舞动微地形启发因子，以得到舞动微地形网格数据。也即通过该步骤将处理后舞动微地形分布数据中的每个节点均赋予了对应的舞动微地形启发因子，得到了舞动微地形网格数据。以及
36.(a22)根据舞动微地形网格数据、处理后覆冰厚度预测数据、处理后风速分布预测数据建立初始场结构数据。
37.具体地，初始场结构数据例如包括节点的经度坐标、节点的纬度坐标、节点的覆冰厚度、节点的风速和节点的微地形启发因子。节点为舞动微地形网格数据、处理后覆冰厚度预测数据和处理后风速分布预测数据的中的节点，因为舞动微地形网格数据、处理后覆冰厚度预测数据和处理后风速分布预测数据的网格分辨率和对应区域均一致，因此，只需将舞动微地形网格数据、处理后覆冰厚度预测数据和处理后风速分布预测数据进行合并，即可得到每个节点对应的经度坐标、纬度坐标、覆冰厚度、风速和微地形启发因子也即初始场结构数据。具体例如可将舞动微地形网格数据、处理后覆冰厚度预测数据和处理后风速分布预测数据分别转换为数组形式的数据，然后简单合并数组中的不同数据即可方便地得到初始场结构数据。
38.具体地，根据处理后舞动微地形分布数据中网格的舞动微地形数目确定处理后舞动微地形分布数据中节点的舞动微地形启发因子，也即(a21)例如包括以下步骤：
39.(a211)根据处理后舞动微地形分布数据中网格的舞动微地形数目确定处理后舞动微地形分布数据中网格的舞动微地形系数。以及
40.(a212)根据网格的舞动微地形系数确定节点的舞动微地形启发因子。
41.具体地，网格的舞动微地形系数例如与网格中舞动微地形的数目成正相关。正相关是指网格中舞动微地形的数目越大其对应的舞动微地形系数越大。
42.具体地，根据处理后舞动微地形分布数据中网格的舞动微地形数目确定处理后舞动微地形分布数据中网格的舞动微地形系数，也即(a211)例如包括以下步骤：
43.(a2111)当网格中不存在舞动微地形时，确定网格的舞动微地形系数为1。
44.(a2112)当网格中存在1处舞动微地形时，确定网格的舞动微地形系数为3。
45.(a2113)当网格中存在2处舞动微地形时，确定网格的舞动微地形系数为5。以及
46.(a2114)当网格中存在3处以上舞动微地形时，确定网格的舞动微地形系数为10。
47.当然，网格的舞动微地形系数与网格中舞动微地形的数目之间的对应关系并不局限以上对应关系，网格的舞动微地形系数与网格中舞动微地形的数目之间的对应关系还可以是其他对应关系，例如还可以直接以舞动微地形的数目作为网格的舞动微地形系数，或者以舞动微地形的数目加上一数值作为网格的舞动微地形系数等等。
48.具体地，根据网格的舞动微地形系数确定节点的舞动微地形启发因子，也即(a212)例如包括步骤：
49.利用插值算法将网格的舞动微地形系数插入到节点，以得到节点的舞动微地形启
发因子。
50.具体地，根据网格的舞动微地形系数确定节点的舞动微地形启发因子，也即(a212)例如包括步骤：
51.将节点的相邻网格的舞动微地形系数求均值，以得到节点的舞动微地形启发因子。举例来说，若一个节点的四个相邻网格的舞动微地形系数分别为1、3、1、5，四个相邻网格的舞动微地形系数之和求均值为2.5，那么该节点的舞动微地形启发因子为2.5。
52.具体地，根据初始场结构数据和优化蚁群算法确定待预测地区的电网舞动隐患点和电网舞动隐患点之间的延伸路径，也即步骤s150例如包括以下步骤：
53.(b1)根据初始场结构数据中节点的舞动微地形启发因子确定电网舞动隐患点。具体地，例如若一个节点的相邻网格内存在舞动微地形，该节点即被确定电网舞动隐患点。更具体地，例如在(a211)包括步骤(a2111)、(a2112)、(a2113)和(a2114)且将节点的相邻网格的舞动微地形系数求均值作为节点的舞动微地形启发因子的情况下，可将舞动微地形启发因子大于1的节点确定为电网舞动隐患点，此种情况下，舞动微地形启发因子大于1说明节点的四个相邻网格中至少有一个网格存在舞动微地形。当然，本发明实施例并不局限于此，还可以将一些人为指定的节点作为电网舞动隐患点。确定得到的所有电网舞动隐患点即作为所要规划路径的对象。
54.(b2)依次以每一个电网舞动隐患点为备选延伸路径的起始节点，根据电网舞动隐患点的初始场结构数据和优化蚁群算法确定多条备选延伸路径。也即分别以确定的所有电网舞动隐患点中的每一个电网舞动隐患点作为要规划路径的起始节点，根据电网舞动隐患点的初始场结构数据和优化蚁群算法来规划得到以该节点为起始节点的所有电网舞动隐患点之间的备选延伸路径。举例来说，若有n个电网舞动隐患点，那么可以得到n条所有电网舞动隐患点之间的备选延伸路径。以及
55.(b3)根据预设筛选规则从多条备选延伸路径中选择一条备选延伸路径作为电网舞动隐患点之间的延伸路径。
56.具体地，根据预设筛选规则从多条备选延伸路径中选择一条备选延伸路径作为电网舞动隐患点之间的延伸路径，也即(b3)例如包括以下步骤：
57.(b31)计算每一条备选延伸路径中节点的转移概率之和。以及
58.(b32)将转移概率之和最大的备选延伸路径作为电网舞动隐患点之间的延伸路径。当然，本发明实施例并不局限于此，还可以设置其他合适的筛选规则来从备选延伸路径中选择最终的延伸路径。
59.具体地，优化蚁群算法的转移概率例如被定义为：
[0060][0061]
其中，k为蚂蚁序号，i为蚂蚁当前所在节点，j为蚂蚁下一步计划节点，t为路径序号，τj(t)为节点j对节点i的信息素因子，α为信息素因子重要性指数，ηj(t)为节点j对节点i的距离启发因子，β为距离启发因子重要性指数，tj(t)为节点j对节点i的覆冰厚度启发因
子，γ为覆冰厚度启发因子的重要性指数，hj(t)为节点j对节点i的风速启发因子，δ为风速启发因子的重要性指数，mj(t)为节点j的舞动微地形启发因子，为微地形启发因子的重要性指数，τa(t)为节点a对节点i的信息素因子，ηa(t)为节点a对节点i的距离启发因子，ta(t)为节点a对节点i的覆冰厚度启发因子，ha(t)为节点a对节点i的风速启发因子，ma(t)为节点a的舞动微地形启发因子，allowedk为第k只蚂蚁下一步可选择的节点。
[0062][0062]
为第k只蚂蚁在节点i，j之间的路径所留下的信息素，m为蚂蚁总数，ρ为衰减因子经验常数，c为信息素因子经验常数。
[0063]
lk为第k只蚂蚁完成的路径的总长度，q为信息素经验常数。
[0064]
xi、yi分别为节点i的经度坐标和纬度坐标，xj、yj分别为节点j的经度坐标和纬度坐标。
[0065]
wi和wj分别为节点i和节点j的覆冰厚度，t0为覆冰厚度经验常数。
[0066]hi
和hj分别为节点i和节点j的风速，h0为风速经验常数。
[0067]
路径序号例如可以是第几次进行延伸路径规划的序号，在确定的电网舞动隐患点数目为n的情况下，延伸路径规划的次数例如为n。
[0068]
信息素因子重要性指数α、距离启发因子重要性指数β、覆冰厚度启发因子的重要性指数γ、风速启发因子的重要性指数δ、微地形启发因子的重要性指数衰减因子经验常数ρ、信息素经验常数q、信息素因子经验常数c、覆冰厚度经验常数t0和风速经验常数h0例如均为通过多次试验也即多次进行电网舞动隐患点延伸路径预测得到的能使得利用本发明实施例的优化蚁群算法进行电网舞动隐患点延伸路径预测效果更好也即预测结果准确率更高的常数值。
[0069]
具体地，信息素因子重要性指数α的取值范围例如为0《α《5，例如1、2、3等。
[0070]
距离启发因子重要性指数β的取值范围例如为0《β《5，例如1、2、3等。
[0071]
覆冰厚度启发因子的重要性指数γ的取值范围例如为0《γ《10，例如3、5、6、7、8
等。
[0072]
风速启发因子的重要性指数δ的取值范围例如为0《δ《10，例如3、4、6等。
[0073]
微地形启发因子的重要性指数的取值范围例如为例如5、7、8等。
[0074]
衰减因子经验常数ρ的取值范围例如为0《ρ《1，例如0.3、0.6、0.7等。
[0075]
信息素经验常数q的取值范围例如为0《q≤10，例如1、3、5、6等。
[0076]
信息素因子经验常数c的取值范围例如为c》0，例如25、30等。
[0077]
覆冰厚度经验常数t0的取值范围例如为0《t0《5，例如1.2、1.56、2.32等。
[0078]
风速经验常数h0的取值范围例如为0《h0《3，例如1.58、2.31、2.51等。
[0079]
在本发明实施例中，提供一种控制器，其例如被配置成执行根据任意一项前述实施例的用于电网的预测方法100。其中，用于电网的预测方法100的具体功能和细节可参考前述实施例的相关描述，在此不再赘述。
[0080]
具体地，控制器例如可为工控机、笔记本电脑、平板电脑、嵌入式系统、微处理器、手机、可编程逻辑器件等控制设备。
[0081]
下面结合具体示例来说明本发明实施例的用于电网的预测方法的执行过程。
[0082]
收集2020年2月环渤海地区电网舞动过程的相关数据，包括环渤海地区的地形数据和电网舞动前一天预测的未来7天的气象预测数据。地形数据取辽宁、河北、天津、山东、北京等省份的微地形经纬度坐标数据，也即舞动微地形分布数据。气象预测数据取覆冰厚度、风速等预报数据。
[0083]
将前面获取的气象预测数据包括覆冰厚度和风速以及舞动微地形分布数据网格化为网格对应的区域和网格的分辨率大小一致的网格数据。
[0084]
将前面获取的舞动微地形分布数据统计在同一网格内的微地形数量，计算网格的舞动微地形系数，按照舞动微地形启发因子建立规则，进一步得到节点的舞动微地形启发因子以赋予给网格化后的舞动微地形分布数据，得到舞动微地形网格数据。
[0085]
根据网格化后的覆冰厚度和风速数据以及舞动微地形网格数据，建立初始场结构数据。具体地，以所选易舞动地区的经纬度坐标为基础，增加覆冰厚度、风速和舞动微地形启发因子这些信息，形成舞动环境的五维数组，作为初始场结构数据。
[0086]
建立覆冰厚度启发因子和风速启发因子计算公式。
[0087]
根据微地形启发因子、覆冰厚度启发因子、风速启发因子，并结合蚁群算法原有的距离启发因子和信息素因子，建立优化蚁群算法，编写对应的计算机程序并将初始场结构数据代入程序计算。
[0088]
根据初始场数据作为优化蚁群算法的输入输出的电网舞动隐患点之间的延伸路径显示结果如图2所示。
[0089]
人工蚁群算法是一种基于机器学习的路径规划算法，它立足于数据特征延伸的多源优化路径分析，不仅可以充分融合和挖掘不同种类的数据，还可以跳出常规的物理建模分析预测思路，形成一种从数据特征出发、更容易理解和掌握的建模新思路，从而可以大大改善对电网舞动的预测能力。
[0090]
本发明实施例的用于电网的预测方法具有如下有益效果：
[0091]
(1)将基于蚁群算法的路径规划方法引入电网舞动预测，能够通过对舞动关键的气象和地形指标的分析挖掘，直接给出电力企业最关心的舞动高风险区位置及其变化，实
现了对现有的输电线路舞动预测方法的改进。
[0092]
(2)实用性强，通用性好，可以有效规避物理模型的建立和求解难题，计算原理可以适用于多种电网数据，为电力运维决策提供一种切实可行的技术，对维护电网的安全稳定及防灾减灾有重要作用，对交通、建筑等行业开展调度管理也有一定的启发意义。
[0093]
综上所述，本发明前述实施例的用于电网的预测方法建立在对人工蚁群算法进行优化后得到的优化蚁群算法的基础上，能够快速、高效、全面地分析气象和地形数据特征，精细化定位电网舞动隐患点，准确预测电网舞动隐患点之间的延伸路径，可操作性强，实用性高，可以指导电网防冻融冰工作。
[0094]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。
[0095]
本发明是参照根据本发明实施例的方法、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。
[0096]
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。
[0097]
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。
[0098]
在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
[0099]
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。存储器是计算机可读介质的示例。
[0100]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算
机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0101]
还需要说明的是，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、商品或者设备不仅包括那些要素，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、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0102]
以上仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。