一种基于数据驱动的综合能源系统鲁棒日内滚动调度方法

1.本技术涉及基于计算机的综合能源调度技术领域，特别是涉及一种基于数据驱动的综合能源系统鲁棒日内滚动调度方法。


背景技术：

2.在“碳达峰”、“碳中和”以及构建以新能源为主体的新型电力系统的目标下，以风电和光伏为主的可再生能源将迎来爆发式增长。并且，为实现能源转型和资源的高效利用，以火电为主的能源结构逐渐演化为气电、水电、风电等多种能源发电并举的局面，综合能源系统逐渐成为能源供应的重要方式。因此，含高比例可再生能源的综合能源系统是我国未来发展的主要趋势。
3.可再生能源的出力具有随机性、间歇性和波动性，其大规模接入将给系统带来显著的安全稳定问题。传统的调度问题通常采用确定性优化方法，该方法仅利用可再生能源确定性的预测结果进行优化，确定性预测的误差难免会使得确定性优化方法获得的调度决策适用性差。近年来，概率预测作为一种新的预测方法逐渐得到关注，该方法可获取预测对象的概率分布，为决策者提供更为全面的预测信息，若能将其与优化方法相结合，可有效提高调度决策的安全性。
4.当前对综合能源系统的研究主要集中于日前调度，且现有数据驱动鲁棒优化及分布鲁棒优化方法常用的可再生能源出力概率分布信息为矩信息。在日前，可再生能源出力的预测较不准确，使用笼统的概率分布信息(如矩信息)较为合适。然而，在日内，随着调度时段的临近，可再生能源出力的预测精度显著提高，其概率分布信息可通过概率预测精确地获得，考虑可再生能源出力粗略的矩信息可能导致调度结果的可靠性不强。


技术实现要素：

5.基于此，有必要针对上述技术问题，提供一种能够提高调度结果的可靠性的基于数据驱动的综合能源系统鲁棒日内滚动调度方法。
6.一种基于数据驱动的综合能源系统鲁棒日内滚动调度方法，所述方法包括：
7.步骤1：在当前调度时段开始前，根据未来预设时段的最新的可再生能源出力信息，对未来预设时段内的可再生能源出力进行概率预测，获得未来预设时段的可再生能源出力的概率分布信息；
8.步骤2：根据所述可再生能源出力概率分布信息，构建基于预测区间的可再生能源出力模糊集和基于数据驱动的综合能源系统鲁棒日内滚动调度模型；
9.步骤3：采用线性决策规则和强对偶理论对所述综合能源系统鲁棒日内滚动调度模型进行转化，获得转化后的模型；
10.步骤4：在通用建模软件中求解所述转化后的模型，获得未来预设时段内综合能源系统的调度决策；
11.步骤5：根据未来预设时段内综合能源系统的调度决策中的当前调度时段的调度
决策，对综合能源系统进行调度；
12.步骤6：将调度时间窗向后移动一个调度时段，并重复步骤(1)-(5)，继续对综合能源系统进行调度。
13.在其中一个实施例中，对未来预设时段内的可再生能源出力进行概率预测的方式为区间预测、分位数预测或概率密度预测方法中的任意一种；
14.当概率预测的方式为区间预测时，所述可再生能源出力的概率分布信息为可再生能源出力的置信区间；
15.当概率预测的方式为分位数预测时，所述可再生能源出力的概率分布信息为可再生能源出力的分位数；
16.当概率预测的方式为概率密度预测方法时，所述可再生能源出力的概率分布信息为可再生能源出力的概率密度函数。
17.在其中一个实施例中，所述根据所述可再生能源出力概率分布信息，构建基于预测区间的可再生能源出力模糊集和基于数据驱动的综合能源系统鲁棒日内滚动调度模型的步骤，包括：
18.根据所述可再生能源出力概率分布信息，构建基于预测区间的可再生能源出力模糊集：
[0019][0020][0021]
式中：t表示调度时段；t0表示当前调度时段；t表示总调度时段；k表示置信区间；e
p
表示取期望值；w
t
为t时段可再生能源的总出力；f为w
t
的模糊集；p为概率；r为w
t
所有可能的情况；i为w
t
的维度；p(ri)为w
t
所有可能的概率分布；wk为w
t
在置信区间k的不确定集；pk为置信区间k的概率；和μ
t
分别为w
t
期望的上限和下限；和w
k,t
分别为置信区间k的上限和下限；p[w
t
∈wk]＝pk表示w
t
落在第k个置信区间的概率为pk；表示w
t
的期望在其上下限范围内；
[0022]
在基于预测区间的可再生能源出力模糊集的基础上，构建基于数据驱动的综合能源系统鲁棒日内滚动调度模型；所述综合能源系统鲁棒日内滚动调度模型包括第一阶段和第二阶段的优化问题，其中，第一阶段的决策变量为当前调度时段的决策变量，第二阶段的决策变量为当前调度时段之后的调度时段的决策变量。
[0023]
在其中一个实施例中，当所述可再生能源出力概率分布信息为可再生能源出力的概率密度函数或分位数时，在构建基于预测区间的可再生能源出力模糊集之前，还包括：
[0024]
通过置信区间、分位数和概率密度函数的之间的转化关系，将可再生能源出力的概率密度函数或分位数转化为可再生能源出力的置信区间。
[0025]
在其中一个实施例中，所述综合能源系统鲁棒日内滚动调度模型的目标函数为：
[0026][0027]
式中：e表示热电联产机组；i表示配电网节点；为热电联产机组e的单位发电成本；为当前时段热电联产机组e的电出力；为电网节点i处的切负荷成本；为当前时
段电网节点i处的切负荷量；sup表示上确界；为t时段热电联产机组e的电出力；为t时段电网节点i处的切负荷量；为第一阶段目标函数；
[0028]
为第二阶段目标函数。
[0029]
在其中一个实施例中，所述综合能源系统鲁棒日内滚动调度模型的约束条件，包括热电联产机组约束、能力枢纽约束、电力系统约束和热力系统约束；
[0030]
所述热电联产机组约束表示为：
[0031][0032][0033][0034][0035]
式中：和分别为t时段热电联产机组e的最大和最小电出力；为t-1时段热电联产机组e的电出力；u
e,t
、v
e,t
和x
e,t
分别表示t时段热电联产机组e是否启动、停止和工作，是则为1，否则为0；x
e,t-1
表示t-1时段热电联产机组e是否工作，是则为1，否则为0；和分别为热电联产机组e的最大向上和向下爬坡率；和分别为热电联产机组e的最大开机时向上和关机时向下爬坡率；
[0036]
能量枢纽约束表示为：
[0037][0038][0039]
式中：为t时段可再生能源机组e的电出力；为t时段可再生能源机组e的弃风弃光量；为t时段热泵e的输入电功率；和分别为t时段能量枢纽e的电和热出力；为热电联产机组e的热电比；为热泵e的电热转化效率；
[0040]
电力系统约束表示为：
[0041][0042][0043][0044]
式中：j和l均表示电网节点；为首端节点为j的支路集合；和分别为t时段电网节点j处的有功和无功输出功率；p
ij,t
和q
ij,t
分别为t时段支路i-j的有功和无功功率；p
jl,t
和q
jl,t
分别为t时段支路j-l的有功和无功功率；和分别为t时段电网节点j处的有功和无功负荷；为t时段电网节点j处的切负荷量；v
i,t
和v
j,t
分别为t时段电网节点i和j处的电压幅值；r
ij
和x
ij
分别为支路i-j的电阻和电抗；v0为额定电压幅值；
[0045]
热力系统约束表示为：
[0046]
[0047][0048][0049][0050][0051]
式中：n表示热网节点；p表示热网管道；和分别为管道始端和末端与热网节点n相连接的热网管道集合；和分别为t时段热网节点n处的热源出力和热负荷；c
p
为水的比热容；和分别为t时段热源和热负荷在热网节点n处的热水质量流率；和分别为t时段热网节点n处的入口和出口温度；和分别为t时段热网管道p的始端和末端温度；t
ta
为t时段的环境温度；e为自然常数；λ
p
为热网管道p的传热系数；l
p
为热网管道p的长度；m
p,t
为t时段热网管道p的热水质量流率；为t时段热网节点n处的混合温度。
[0052]
在其中一个实施例中，所述采用线性决策规则和强对偶理论对所述综合能源系统鲁棒日内滚动调度模型进行转化，获得转化后的模型的步骤，包括：
[0053]
目标函数的转化：
[0054]
通过线性决策规则，将第二阶段的决策变量表示为不确定变量w
t
的线性仿射函数：
[0055][0056][0057]
式中：和表示仿射函数的线性系数，为转化后获得的决策变量；
[0058]
根据模糊集f的定义，将目标函数中的上确界问题sup表示为半无限优化问题：
[0059][0060][0061][0062][0063][0064]
式中：f(w
t
)表示w
t
的概率密度函数；df(w
t
)表示f(w
t
)的微分；αk、β
t
和γ
t
分别为相应约束式的对偶变量；
[0065]
应用强对偶理论，将所述半无限优化问题转化为有限维的对偶问题，表示为：
[0066][0067]
[0068][0069]
将所述线性仿射函数代入公式(27)，并根据不确定集合wk的定义，将公式(27)改写为最恶劣情况的表达式：
[0070][0071][0072][0073]
式中：δ
k,t
和ε
k,t
分别为相应约束式的对偶变量；
[0074]
再次应用强对偶理论，将所述最恶劣情况的表达式改写为对偶问题：
[0075][0076][0077][0078]
至此，目标函数中上确界问题表示为等价形式：
[0079][0080][0081][0082][0083][0084]
约束条件的转化：
[0085]
分别将所述线性仿射函数代入各约束条件，并根据不确定集wk的定义进行转化，获得各转化后的约束条件。
[0086]
在其中一个实施例中，所述在通用建模软件中求解所述转化后的模型，获得未来预设时段内综合能源系统的调度决策的步骤，包括：通过在gams或python通用建模软件中编写转化后的模型，并采用通用建模软件中的cplex、gurobi或mosek求解器求解转化后的模型，获得未来预设时段内综合能源系统的调度决策。
[0087]
上述基于数据驱动的综合能源系统鲁棒日内滚动调度方法，通过构建基于数据驱动的综合能源系统鲁棒日内滚动调度模型，以及对基于数据驱动的综合能源系统鲁棒日内滚动调度模型的转化和求解方法，实现了数据驱动鲁棒优化方法和概率预测的结合，使得所提供的综合能源系统的日内滚动调度决策能适应可再生能源出力的波动性，从而提高综合能源系统日内调度决策的安全性。并且，相比于传统基于矩信息的可再生能源出力模糊集，本发明所构基于预测区间的可再生能源出力模糊集包含的概率分布信息更为精确且全
面，这使得所构模糊集更为精确且更小，所得到的综合能源系统日内滚动调度结果也更为可靠，且保守性更低。
附图说明
[0088]
图1为一个实施例中基于数据驱动的综合能源系统鲁棒日内滚动调度方法的流程示意图；
[0089]
图2为一个实施例中巴厘岛综合能源系统的网络拓扑图；
[0090]
图3为一个实施例中能量枢纽结构图；
[0091]
图4为两种不同数据驱动鲁棒优化方法的目标函数值对比图。
具体实施方式
[0092]
为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
[0093]
在一个实施例中，如图1所示，提供了一种基于数据驱动的综合能源系统鲁棒日内滚动调度方法，以该方法应用于终端为例进行说明，包括以下步骤：
[0094]
步骤1：在当前调度时段开始前，根据未来预设时段的最新的可再生能源出力信息，对未来预设时段内的可再生能源出力进行概率预测，获得未来预设时段的可再生能源出力的概率分布信息。
[0095]
其中，当前调度时段是即将需要调度的时段，未来预设时段是包括当前调度时段以及当前调度时段后连续的若干个调度时段，该未来预设时段的时间长度根据实际情况设定，如：假设每1个小时对综合能源系统进行一次调度，未来预设时段设定为4小时，当前时间处于2：00-3:00之间，需要确定出未来3：00-4:00的调度决策，当前调度时段为3：00-4:00，未来预设时段则为3：00-7:00，则最新的可再生能源出力信息是指3：00-7:00的可再生能源出力的概率分布信息。
[0096]
步骤2：根据可再生能源出力概率分布信息，构建基于预测区间的可再生能源出力模糊集和基于数据驱动的综合能源系统鲁棒日内滚动调度模型。
[0097]
步骤3：采用线性决策规则和强对偶理论对综合能源系统鲁棒日内滚动调度模型进行转化，获得转化后的模型。
[0098]
步骤4：在通用建模软件中求解转化后的模型，获得未来预设时段内综合能源系统的调度决策。
[0099]
步骤5：根据未来预设时段内综合能源系统的调度决策中的当前调度时段的调度决策，对综合能源系统进行调度。
[0100]
其中，通过获得未来预设时段内综合能源系统的调度决策，并选择未来预设时段内综合能源系统的调度决策中的当前调度时段的调度决策，对综合能源系统进行调度，可以可靠性。
[0101]
步骤6：将调度时间窗向后移动一个调度时段，并重复步骤(1)-(5)，继续对综合能源系统进行调度。
[0102]
其中，将调度时间窗向后移动一个调度时段，即t＝t 1。将调度时间窗向后移动一
个调度时段后，直接返回执行步骤(1)，循环对综合能源系统的进行调度，直至调度员下发停止对综合能源系统进行调度的指令，停止执行基于数据驱动的综合能源系统鲁棒日内滚动调度方法。
[0103]
还可以调度时间窗向后移动一个调度时段后，设置循环执行的结束条件，先判断是否需要继续对综合能源系统进行调度，如：设置一个对综合能源系统进行调度的结束时间，判断该调度时段是不是大于结束时间，是，则停止执行基于数据驱动的综合能源系统鲁棒日内滚动调度方法，否，则返回执行步骤(1)，循环对综合能源系统的进行调度。
[0104]
在一个实施例中，对未来预设时段内的可再生能源出力进行概率预测的方式为区间预测、分位数预测或概率密度预测方法中的任意一种；
[0105]
当概率预测的方式为区间预测时，可再生能源出力的概率分布信息为可再生能源出力的置信区间；
[0106]
当概率预测的方式为分位数预测时，可再生能源出力的概率分布信息为可再生能源出力的分位数；
[0107]
当概率预测的方式为概率密度预测方法时，可再生能源出力的概率分布信息为可再生能源出力的概率密度函数。
[0108]
在一个实施例中，根据可再生能源出力概率分布信息，构建基于预测区间的可再生能源出力模糊集和基于数据驱动的综合能源系统鲁棒日内滚动调度模型的步骤，包括：
[0109]
根据可再生能源出力概率分布信息，构建基于预测区间的可再生能源出力模糊集：
[0110][0111][0112]
式中：t表示调度时段；t0表示当前调度时段；t表示总调度时段；k表示置信区间；e
p
表示取期望值；w
t
为t时段可再生能源的总出力；f为w
t
的模糊集；p为概率；r为w
t
所有可能的情况；i为w
t
的维度；p(ri)为w
t
所有可能的概率分布；wk为w
t
在置信区间k的不确定集；pk为置信区间k的概率；和μ
t
分别为w
t
期望的上限和下限；和w
k,t
分别为置信区间k的上限和下限；p[w
t
∈wk]＝pk表示w
t
落在第k个置信区间的概率为pk；表示w
t
的期望在其上下限范围内；
[0113]
在基于预测区间的可再生能源出力模糊集的基础上，构建基于数据驱动的综合能源系统鲁棒日内滚动调度模型；综合能源系统鲁棒日内滚动调度模型包括第一阶段和第二阶段的优化问题，其中，第一阶段的决策变量为当前调度时段的决策变量，第二阶段的决策变量为当前调度时段之后的调度时段的决策变量。
[0114]
在一个实施例中，当可再生能源出力概率分布信息为可再生能源出力的概率密度函数或分位数时，在构建基于预测区间的可再生能源出力模糊集之前，还包括：
[0115]
通过置信区间、分位数和概率密度函数的之间的转化关系，将可再生能源出力的概率密度函数或分位数转化为可再生能源出力的置信区间。
[0116]
在其中一个实施例中，综合能源系统鲁棒日内滚动调度模型的目标函数为：
[0117][0118]
式中：e表示热电联产机组；i表示配电网节点；为热电联产机组e的单位发电成本；为当前时段热电联产机组e的电出力；为电网节点i处的切负荷成本；为当前时段电网节点i处的切负荷量；sup表示上确界；为t时段热电联产机组e的电出力；为t时段电网节点i处的切负荷量；为第一阶段目标函数；为第二阶段目标函数。
[0119]
在其中一个实施例中，综合能源系统鲁棒日内滚动调度模型的约束条件，包括热电联产机组约束、能力枢纽约束、电力系统约束和热力系统约束；
[0120]
热电联产机组约束表示为：
[0121][0122][0123][0124][0125]
式中：和分别为t时段热电联产机组e的最大和最小电出力；为t-1时段热电联产机组e的电出力；u
e,t
、v
e,t
和x
e,t
分别表示t时段热电联产机组e是否启动、停止和工作，是则为1，否则为0；x
e,t-1
表示t-1时段热电联产机组e是否工作，是则为1，否则为0；和分别为热电联产机组e的最大向上和向下爬坡率；和分别为热电联产机组e的最大开机时向上和关机时向下爬坡率；
[0126]
能量枢纽约束表示为：
[0127][0128][0129]
式中：为t时段可再生能源机组e的电出力；为t时段可再生能源机组e的弃风弃光量；为t时段热泵e的输入电功率；和分别为t时段能量枢纽e的电和热出力；为热电联产机组e的热电比；为热泵e的电热转化效率；
[0130]
电力系统约束表示为：
[0131][0132][0133][0134]
式中：j和l均表示电网节点；为首端节点为j的支路集合；和分别为t时段电网节点j处的有功和无功输出功率；p
ij,t
和q
ij,t
分别为t时段支路i-j的有功和无功功率；p
jl,t
和q
jl,t
分别为t时段支路j-l的有功和无功功率；和分别为t时段电网节点j处的有
功和无功负荷；为t时段电网节点j处的切负荷量；v
i,t
和v
j,t
分别为t时段电网节点i和j处的电压幅值；r
ij
和x
ij
分别为支路i-j的电阻和电抗；v0为额定电压幅值；
[0135]
热力系统约束表示为：
[0136][0137][0138][0139][0140][0141]
式中：n表示热网节点；p表示热网管道；和分别为管道始端和末端与热网节点n相连接的热网管道集合；和分别为t时段热网节点n处的热源出力和热负荷；c
p
为水的比热容；和分别为t时段热源和热负荷在热网节点n处的热水质量流率；和分别为t时段热网节点n处的入口和出口温度；和分别为t时段热网管道p的始端和末端温度；t
ta
为t时段的环境温度；e为自然常数；λ
p
为热网管道p的传热系数；l
p
为热网管道p的长度；m
p,t
为t时段热网管道p的热水质量流率；为t时段热网节点n处的混合温度。
[0142]
在一个实施例中，采用线性决策规则和强对偶理论对综合能源系统鲁棒日内滚动调度模型进行转化，获得转化后的模型的步骤，包括：
[0143]
目标函数的转化：
[0144]
通过线性决策规则，将第二阶段的决策变量表示为不确定变量w
t
的线性仿射函数：
[0145][0146][0147]
式中：和表示仿射函数的线性系数，为转化后获得的决策变量；
[0148]
根据模糊集f的定义，将目标函数中的上确界问题sup表示为半无限优化问题：
[0149][0150][0151][0152][0153][0154]
式中：f(w
t
)表示w
t
的概率密度函数；df(w
t
)表示f(w
t
)的微分；αk、β
t
和γ
t
分别为相应约束式的对偶变量；
[0155]
应用强对偶理论，将半无限优化问题转化为有限维的对偶问题，表示为：
[0156][0157][0158][0159]
将线性仿射函数代入公式(27)，并根据不确定集合wk的定义，将公式(27)改写为最恶劣情况的表达式：
[0160][0161][0162][0163]
式中：δ
k,t
和ε
k,t
分别为相应约束式的对偶变量；
[0164]
再次应用强对偶理论，将最恶劣情况的表达式改写为对偶问题：
[0165][0166][0167][0168]
至此，目标函数中上确界问题表示为等价形式：
[0169][0170][0171][0172][0173][0174]
约束条件的转化：
[0175]
分别将线性仿射函数代入各约束条件，并根据不确定集wk(2)的定义进行转化，获得各转化后的约束条件。
[0176]
其中，对约束条件进行转化的方式以约束条件为例进行举例说明：
[0177]
将线性仿射函数代入约束条件并改写为：
[0178][0179]
将(39)表示为最恶劣情况表达式：
[0180]
[0181]
根据不确定集wk的定义可知，因此，公式(40)可由如下两个式子(即约束条件被转化后的表达式)表示：
[0182][0183][0184]
其他的约束条件进行转化的方式相同，不再赘述。
[0185]
在一个实施例中，在通用建模软件中求解转化后的模型，获得未来预设时段内综合能源系统的调度决策的步骤，包括：通过在gams或python通用建模软件中编写转化后的模型，并采用通用建模软件中的cplex、gurobi或mosek求解器求解转化后的模型，获得未来预设时段内综合能源系统的调度决策。
[0186]
上述基于数据驱动的综合能源系统鲁棒日内滚动调度方法，通过构建基于数据驱动的综合能源系统鲁棒日内滚动调度模型，以及对基于数据驱动的综合能源系统鲁棒日内滚动调度模型的转化和求解方法，实现了数据驱动鲁棒优化方法和概率预测的结合，使得所提供的综合能源系统的日内滚动调度决策能适应可再生能源出力的波动性，从而提高综合能源系统日内调度决策的安全性。并且，相比于传统基于矩信息的可再生能源出力模糊集，本发明所构基于预测区间的可再生能源出力模糊集包含的概率分布信息更为精确且全面，这使得所构模糊集更为精确且更小，所得到的综合能源系统日内滚动调度结果也更为可靠，且保守性更低。
[0187]
在一个实施例中，采用实际的巴厘岛综合能源系统作为实施例，其网络拓扑图如图2所示，该系统由9节点电力系统(
①……⑨
)和32节点热力系统(1
……
32)耦合而成。3个能量枢纽(能量枢纽1、能量枢纽2和能量枢纽3)分别接于电力系统的
①
、
⑨
和
⑥
节点以及热力系统的31、1和32节点，能量枢纽的结构如图3所示。热电联产机组的参数见表1。切负荷成本设为500$/mwh。日内滚动优化的未来预设时段设为2h，每个调度时段15min，即未来预设时段内总调度时段数为8。采用gams软件的cplex求解器求解步骤3获得的线性规划模型，cplex的收敛精度设为0。
[0188]
表1热电联产机组参数
[0189][0190]
为说明本发明所述基于数据驱动的综合能源系统鲁棒日内滚动调度方法的优势，与传统基于点预测的确定性优化结果进行比较分析。获取采用连续16个调度时段的调度决策对综合能源系统进行滚动优化，所得确定性优化方法和基于数据驱动的综合能源系统鲁棒日内滚动调度方法的系统成本结果如表2所示。虽然基于数据驱动的综合能源系统鲁棒日内滚动调度方法的热电联产机组成本较高，但该方法避免了严重的切负荷惩罚。相比于
确定性优化方法，基于数据驱动的综合能源系统鲁棒日内滚动调度方法的系统总成本下降了20.49％。这是由于基于数据驱动的综合能源系统鲁棒日内滚动调度方法考虑了可再生能源出力所有可能的概率分布情况，因而提高热电联产机组出力以应对可再生能源出力的波动，从而避免了切负荷情况的发生，即提高了综合能源系统调度决策的安全性。
[0191]
表2不同优化方法的系统成本结果对比
[0192][0193]
为说明本发明所述基于预测区间的可再生能源出力模糊集的优越性，与传统基于矩信息的可再生能源出力模糊集的结果进行对比分析。对连续16个调度时段求解两种模糊集对应的数据驱动鲁棒优化模型，所得每次优化的目标函数值(总成本)如图4所示。在任意调度时段，基于预测区间的数据驱动鲁棒优化方法的目标函数值恒小于基于矩信息的数据驱动鲁棒优化方法。这是由于基于预测区间的方法能利用更全面的可再生能源出力的概率分布信息，这使得该方法对可再生能源出力真实概率分布的描述更加准确，因而所构建的模糊集更为精确且更小，所得到的优化结果也更为可靠且保守性更低。
[0194]
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0195]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0196]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。