一种综合能源数据清洗方法、系统、设备和介质与流程

1.本发明属于综合能源系统运行优化领域，具体涉及一种综合能源数据清洗方法、系统、设备和介质。


背景技术：

2.综合能源系统的监控、预警、运行优化、调度等高级应用需要基于冷、热、电等多能流信息，这些信息是通过布设综合能源系统各类设备(管道、内燃机、烟气热水型、溴化锂机组、电制冷机、蓄水罐、蓄电池、光伏、风机、充电桩)上的各类传感器(流量计、压力传感器、温度传感器、功率传感器、水位传感器、电量检测传感器、光照度传感器、光电传感器、转速测量模块)所采集而形成。这些采集层的流数据需要经过数据预处理、数据清洗、数据融合等步骤后才能供业务层的高级应用所使用。
3.综合能源系统的原始数据不可避免地存在缺失、冗余、冲突、错漏、异常等问题，数据清洗指对异常数据进行修复保证数据的有效性、一致性、完整性。与电力系统的不同之处在于，综合能源系统由于元件耦合关系强，参数复杂，无法像电力系统一样提出诸多例如“电压降落与有功功率、无功功率、电阻、电抗之间存在明确的计算公式”等规则，传统方法无法完成综合能源系统异常数据的处理。


技术实现要素：

4.为克服传统方法无法完成综合能源系统异常数据的处理，本发明提出一种综合能源数据清洗方法，包括：
5.从综合能源系统中筛选出可修复的异常数据；
6.利用预先训练好的小波神经网络对所述可修复的异常数据进行预测，得到异常数据的预测修复值；
7.将所述异常数据的预测修复值带入预先训练好的指标模糊规则满意度分类器中进行验证得到所述异常数据的预测修复值对应的违背程度，并将违背程度小于预设阈值的预测修复值作为所述可修复的异常数据的修复值；
8.其中，所述指标模糊规则满意度分类器是以综合能源系统同一历史时刻的所有正常数据为输入，以对指标模糊规则的违背程度为输出进行训练得到的；
9.所述预先训练好的小波神经网络是基于与异常数据支持度和置信度大于设定值的正常指标数据序列作为输入样本，使用异常数据对应的历史正常数据为输出样本训练得到的。
10.优选的，所述从综合能源系统中筛选出可修复的异常数据，包括：
11.分析综合能源系统各指标数据序列之间的支持度和置信度，选出各指标数据序列对应的支持度和置信度大于设定值的数据序列；
12.若多个支持度和置信度大于设定值的数据序列在设定时间段内只有一个数据序列的一个数据发生异常，将发生异常的数据作为可修复的异常数据；
13.其中，所述指标数据序列是按照设定的采样频率对指标进行采集得到的一组数据，所述指标包括下述的一种或多种：温度、电流、电压和压力。
14.优选的，所述小波神经网络的训练，包括：
15.采用与异常数据支持度和置信度大于设定值的历史正常指标数据序列作为输入样本，使用异常数据对应的历史正常数据为输出样本，对小波神经网络的正常数据预测连接权重进行训练，得到训练好的小波神经网络。
16.优选的，所述将所述异常数据的预测修复值带入预先训练好的指标模糊规则满意度分类器中进行验证得到所述异常数据的预测修复值对应的违背程度，并将违背程度小于预设阈值预测修复值作为所述可修复的异常数据的修复值，包括：
17.将异常数据的预测修复值输入所述预先建立的指标模糊规则满意度分类器中，计算预测修复值对应的指标模糊规则的违背程度的平方和作为损失函数值，将所述损失函数值作为违背程度；
18.当所述违背程度小于预设阈值时，将小于预设阈值的验证结果对应的预测修复值作为修复值。
19.优选的，所述预测修复值对应的指标模糊规则的违背程度，包括：
20.预测修复值违背预先设定的按照一阶逻辑形式改写的描述综合能源系统正常情况下各指标程度之间关联概率规则的程度；
21.所述程度包括下述的一种或多种：高水平、较高水平、中水平、较低水平和低水平。
22.优选的，所述指标模糊规则满意度分类器的训练，包括：
23.以综合能源系统同一历史时刻的所有正常数据，以及所述正常数据对指标模糊规则的违背程度构建样本集；
24.采用样本集中的正常数据作为输入，将所述正常数据对指标模糊规则的违背程度作为输出，对指标规则满意度分类器进行训练，得到训练好的指标规则满意度分类器。
25.基于同一发明构思，本发明还提供了一种综合能源数据清洗系统，包括：
26.可修复数据筛选模块、可修复数据预测模块和修复数据检验模块；
27.所述可修复数据筛选模块用于从综合能源系统中筛选出可修复的异常数据；
28.所述可修复数据预测模块用于利用预先训练好的小波神经网络对所述可修复的异常数据进行预测，得到异常数据的预测修复值；
29.所述修复数据检验模块，用于将所述异常数据的预测修复值带入预先训练好的指标模糊规则满意度分类器中进行验证得到所述异常数据的预测修复值对应的违背程度，并将违背程度小于预设阈值的预测修复值作为所述可修复的异常数据的修复值；
30.其中，所述指标模糊规则满意度分类器是以综合能源系统同一历史时刻的所有正常数据为输入，以对指标模糊规则的违背程度为输出进行训练得到的；
31.所述预先训练好的小波神经网络是基于与异常数据支持度和置信度大于设定值的正常指标数据序列作为输入样本，使用异常数据对应的历史正常数据为输出样本训练得到的。
32.优选的，所述可修复数据筛选模块，具体用于：
33.分析综合能源系统各指标数据序列之间的支持度和置信度，选出各指标数据序列对应的支持度和置信度大于设定值的数据序列；
34.若多个支持度和置信度大于设定值的数据序列在设定时间段内只有一个数据序列的一个数据发生异常，将发生异常的数据作为可修复的异常数据；
35.其中，所述指标数据序列是按照设定的采样频率对指标进行采集得到的一组数据，所述指标包括下述的一种或多种：温度、电流、电压和压力。
36.优选的，所述修复数据检验模块，具体用于：
37.将异常数据的预测修复值输入所述预先训练的指标模糊规则满意度分类器中，计算预测修复值对对应的指标模糊规则的违背程度的平方和作为损失函数值，将所述损失函数值作为违背程度；
38.当所述违背程度小于预设阈值时，将小于预设阈值的验证结果对应的预测修复值作为修复值。
39.优选的，所述系统，还包括：
40.分类器训练模块，用于：
41.以综合能源系统同一历史时刻的所有正常数据，以及所述正常数据对指标模糊规则的违背程度构建样本集；
42.采用样本集中的正常数据作为输入，将所述正常数据对指标模糊规则的违背程度作为输出，对指标规则满意度分类器进行训练，得到训练好的指标规则满意度分类器。
43.一种计算机设备，其特征在于，包括：一个或多个处理器；
44.存储器，用于存储一个或多个程序；
45.当所述一个或多个程序被所述一个或多个处理器执行时，实现如上所述的一种综合能源数据清洗方法。
46.一种计算机可读存储介质，其特征在于，其上存有计算机程序，所述计算机程序被执行时，实现如上所述的一种综合能源数据清洗方法。
47.与最接近的现有技术相比，本发明具有的有益效果如下：
48.本发明提供了一种综合能源数据清洗方法、系统、设备和介质，包括：从综合能源系统中筛选出可修复的异常数据；利用预先训练好的小波神经网络对所述可修复的异常数据进行预测，得到异常数据的预测修复值；将所述异常数据的预测修复值带入预先训练好的指标模糊规则满意度分类器中进行验证得到所述异常数据的预测修复值对应的违背程度，并将违背程度小于预设阈值的预测修复值作为所述可修复的异常数据的修复值；其中，所述指标模糊规则满意度分类器是以综合能源系统同一历史时刻的所有正常数据为输入，以对指标模糊规则的违背程度为输出进行训练得到的；所述预先训练好的小波神经网络是基于与异常数据支持度和置信度大于设定值的正常指标数据序列作为输入样本，使用异常数据对应的历史正常数据为输出样本训练得到的。本发明通过结合模糊规则和神经网络的方法对筛选出的综合能源系统产生的异常数据进行修复和检验，利用模糊规则训练得到的指标规则满意度分类器，无需确定精确阈值就能对某个数据处于某个状态进行判断，解决了综合能源系统由于元件耦合关系强，参数复杂，无法像电力系统一样利用明确的计算公式对异常数据进行检验修复的问题；本发明提供的综合能源系统数据清洗流程在考虑综合能源系统中所采集的异常数据的各种可能性情况下，设置了多个处理方案，在对数据进行清洗之前对异常原因进行分析从而确定处理方案，避免了将所有异常数据都进行多源数据修复，提高了系统的效率。
附图说明
49.图1为本发明提供的一种综合能源数据清洗方法流程示意图；
50.图2为本发明提供的综合能源系统数据清洗步骤流程图；
51.图3为本发明的结合模糊规则和神经网络的多源数据修复技术的流程图；
52.图4为本发明的指标模糊规则满意度分类器的结构示意图；
53.图5为本发明提供的一种综合能源数据清洗系统结构示意图。
具体实施方式
54.下面结合附图对本发明的具体实施方式做进一步的详细说明。
55.实施例1：
56.本发明提供的一种综合能源数据清洗方法流程示意图如图1所示，本发明提供的综合能源系统数据清洗步骤流程图如图2所示；包括：
57.步骤1：从综合能源系统中筛选出可修复的异常数据；
58.步骤2：利用预先训练好的小波神经网络对所述可修复的异常数据进行预测，得到异常数据的预测修复值；
59.步骤3：将所述异常数据的预测修复值带入预先训练好的指标模糊规则满意度分类器中进行验证得到所述异常数据的预测修复值对应的违背程度，并将违背程度小于预设阈值的预测修复值作为所述可修复的异常数据的修复值；
60.其中，所述指标模糊规则满意度分类器是以综合能源系统同一历史时刻的所有正常数据为输入，以对指标模糊规则的违背程度为输出进行训练得到的。
61.步骤1包括：
62.分析综合能源系统各指标数据序列之间的支持度和置信度，选出各指标数据序列对应的支持度和置信度大于设定值的数据序列；
63.若多个支持度和置信度大于设定值的数据序列在设定时间段内只有一个数据序列的一个数据发生异常，将发生异常的数据作为可修复的异常数据；
64.其中，所述指标数据序列是按照设定的采样频率对指标进行采集得到的一组数据，所述指标包括下述的一种或多种：温度、电流、电压和压力。
65.具体的，利用广义关联规则(generalized association rules,gar)算法分析综合能源系统各数据序列之间的支持度和置信度，挖掘出关联度较高的数据序列。例如“甲的电流”、“甲的温度”、“乙的功率”之间存在较高关联程度，甲、乙为设备。
66.利用基于滑动时间窗口的异常数据检测技术对综合能源系统各数据序列进行检测，若存在异常数据，则对异常数据进行处理。
67.当异常数据存在关联序列，且关联序列在一个时间段内只能有一个序列的一个数据发生异常时通过结合模糊规则和神经网络的多源数据修复技术进行异常数据修复：
68.(1)如果异常数据不存在与其关联度较高的其它数据序列，则无法确认异常数据是由于传感器故障还是设备异常产生的，此时不进行数据清洗，发出“异常原因待确定”预警信号，由运维人员和检修人员人工确定异常数据产生原因。
69.(2)如果多个关联程度较强的数据序列在相近的时间出现了异常数据，则认定异常数据是由于设备异常产生的，此时不进行数据清洗，发出“设备异常”预警信号，检修人员
可以对设备进行检修工作。
70.(3)如果多个关联程度较强的数据序列中仅单个数据序列产生异常，则认定异常数据是由于传感器故障所产生，此时将这些数据序列输入结合模糊规则和神经网络的多源数据修复技术进行修复。
71.步骤2之前，需要进行小波神经网络的训练，包括：
72.采用与异常数据支持度和置信度大于设定值的历史正常指标数据序列作为输入样本，使用异常数据对应的历史正常数据为输出样本，对小波神经网络的正常数据预测连接权重进行训练，得到训练好的小波神经网络。
73.步骤2包括：
74.通过加入动量的小波神经网络，使用与待修复数据关联度较高的非异常数据对待修复数据进行预测。
75.步骤3之前需要训练指标模糊规则满意度分类器，包括：
76.本发明的结合模糊规则和神经网络的多源数据修复技术的流程图如图3所示；
77.以综合能源系统同一历史时刻的所有正常数据，以及所述正常数据对指标模糊规则的违背程度构建样本集；
78.采用样本集中的正常数据作为输入，将所述正常数据对指标模糊规则的违背程度作为输出，对指标规则满意度分类器进行训练，得到训练好的指标规则满意度分类器。
79.具体的，首先，通过业务调研，获取模糊的业务规则，按照一阶逻辑形式改写(此处的模糊规则为业务规则，而技术方案第1部分步骤1中挖掘的关联规则是基于数据频度的，并非同一概念)。
80.综合能源系统的运行规则通常不能用精确的语言进行描述，通常只能描述为诸如“当指标a处于高水平，指标b处于较高水平时，指标c处于中等水平”的模糊规则，其中高水平、较高水平、中等水平之间的区分值往往并不清楚。
81.将这种模糊规则用一阶逻辑形式改写，例如：
[0082]“当指标a处于高水平且指标b处于高水平时，指标c处于高水平”改写为
[0083][0084]“当指标a处于高水平时，指标c处于中水平”改写为
[0085][0086]“当指标a处于高水平或指标b处于高水平时，指标c处于高水平”改写为
[0087][0088]“当指标a处于高水平时，指标c不处于高水平”改写为
[0089][0090]
然后，设计并离线训练指标规则满意度分类器。设计指标规则满意度分类器，其结构为神经网络，分为输入部分、指标部分、输出部分三个部分(每个部分都包含隐藏层)，其结构如图4所示：
[0091]
1)输入部分为综合能源系统同一时刻所有的数据，例如“甲的电流”、“甲的温度”、“乙的功率”、“丙的电压”、“丁的流速”、“丁的压力”，其中甲、乙、丙、丁为具体设备；
[0092]
2)指标部分为步骤1中模糊的业务规则涉及的所有指标的类别可能性(以上述数
据为例，本层将有“甲的电流为高水平”、“甲的电流为中水平”、“甲的电流为低水平”、“甲的温度为高水平”、“甲的温度为中水平”、“甲的温度为低水平”、“乙的功率为高水平”、“乙的功率为中水平”、“乙的功率为低水平”、“丙的电压为高水平”、“丙的电压为中水平”、“丙的电压为低水平”、“丁的流速为高水平”、“丁的流速为中水平”、“丁的流速为低水平”、“丁的压力为高水平”、“丁的压力为中水平”、“丁的压力为低水平”)，值越高代表可能性越大，例如如果“甲的电流为高水平”、“甲的电流为中水平”、“甲的电流为低水平”分别为10、6、-1，则代表甲的电流为高水平的概率大于甲的电流为中低水平的概率。
[0093]
为了使指标部分能够在初始情况下较为客观的表达其意义，将神经网络中输入层“数据a”与隐藏层中“a为高水平”之间的连接权重设为1，输入层“数据a”与隐藏层中“a为中水平”之间的连接权重设为0，输入层“数据a”与隐藏层中“a为低水平”之间的连接权重设为-1，这样做的目的是使得神经网络在未训练的时候能够客观地满足“观测值大，则其为高水平的概率大，观测值小，则其为低水平的概率大”这一客观规律。
[0094]
3)输出部分为每条模糊规则的违背程度，从指标部分到输出部分的神经网络设计按照每条模糊规则的一阶逻辑表示进行设计，输出部分神经元个数为业务规则的数量。具体如下：
[0095]
交运算的设计为涉及交运算的所有神经元连接到一个新的神经元，连接系数为1，其偏置为-n，n为涉及交运算的神经元个数，则此时新神经元输出结果满足该公式可以使计算值尽量的低，因为多个一阶逻辑交值的概率低于单个一阶逻辑的概率，a0，b0为sigmoid函数的参数。
[0096]
sigmoid函数表达式如下：
[0097][0098]
并运算的设计为涉及并运算的所有神经元连接到一个新的神经元，连接系数为1，其偏置为0，则此时新神经元输出结果满足该公式可以使计算值尽量的高，因为多个一阶逻辑并值的概率高于单个一阶逻辑的概率，a1，b1为sigmoid函数的参数。
[0099]
非运算的设计为涉及非运算的神经元连接到一个新的神经元，连接系数为-1，其偏置为0，则此时新神经元输出结果满足该公式可以使计算值为1与原值的差，因为单个一阶逻辑与其非事件的概率之和为1。
[0100]
注：γ(p)表示每一个一阶逻辑的概率值，一般采用sigmoid函数进行计算，目的是使其保持在[0,1]之间。
[0101]
基本运算的设计按照神经网络的常规方法设计。
[0102]
4)举例如下，对于规则即当a处于高水平或者b处于高水平时，c也会处于高水平。
[0103]
假设指标部分中“a为高水平”值为10，“b为高水平”值为5，“c为高水平”值为1，a1＝1，b1＝0。
[0104]
此时将指标部分中“a为高水平”、“b为高水平”两个神经元按照并运算的方式进行连接，即将这两个神经元与新神经元连接，连接系数为1，偏置为0，新神经元输出为sigmoid
(1*(sigmoid(10) sigmoid(5)) 0)＝0.88。
[0105]
再将新神经元与“c为高水平”神经元进行减运算得到输出神经元，即将这两个神经元与输出神经元进行连接，连接系数分别为1和-1，偏置为0，新神经元输出为0.88-sigmoid(1)＝0.15。
[0106]
输出越小则代表分类结果对规则的违背程度越低。
[0107]
5)训练器损失函数为预测结果的平方和，通过梯度下降法进行训练，由于上述损失函数及神经元的计算均由sigmoid函数以及基本运算符号组成，故可以进行求导，梯度下降法是可行的。
[0108]
训练数据为综合能源系统的历史非异常数据，对于每个时刻数据的输出结果标记值设为0，即代表非异常数据对模糊规则的违背为0。
[0109]
步骤3包括：
[0110]
将异常数据的预测修复值输入所述预先建立的指标模糊规则满意度分类器中，计算预测修复值对对应的指标模糊规则的违背程度的平方和作为损失函数值，将所述损失函数值作为违背程度；
[0111]
当所述违背程度小于预设阈值时，将小于预设阈值的验证结果对应的预测修复值作为修复值。
[0112]
具体的，将预测结果(修复过的异常数据)替代异常数据，输入带入离线训练过的指标规则满意度分类器中，如果损失函数的值低于设定的阈值(一般设为0.05)，则将预测结果作为修复值；如果损失函数的值高于设定的阈值，则认定异常数据是由于设备异常产生的，此时不进行数据清洗，发出“设备异常”预警信号，检修人员可以对设备进行检修工作。
[0113]
实施例2：
[0114]
基于同一发明构思，本发明还提供了一种综合能源数据清洗系统，该系统结构如图5所示，包括：
[0115]
可修复数据筛选模块、可修复数据预测模块和修复数据检验模块；
[0116]
所述可修复数据筛选模块用于从综合能源系统中筛选出可修复的异常数据；
[0117]
所述可修复数据预测模块用于利用预先训练好的小波神经网络对所述可修复的异常数据进行预测，得到异常数据的预测修复值；
[0118]
所述修复数据检验模块，用于将所述异常数据的预测修复值带入预先训练好的指标模糊规则满意度分类器中进行验证得到所述异常数据的预测修复值对应的违背程度，并将违背程度小于预设阈值的预测修复值作为所述可修复的异常数据的修复值；
[0119]
其中，所述指标模糊规则满意度分类器是以综合能源系统同一历史时刻的所有正常数据为输入，以对指标模糊规则的违背程度为输出进行训练得到的；
[0120]
所述预先训练好的小波神经网络是基于与异常数据支持度和置信度大于设定值的正常指标数据序列作为输入样本，使用异常数据对应的历史正常数据为输出样本训练得到的。
[0121]
其中，所述可修复数据筛选模块，具体用于：
[0122]
分析综合能源系统各指标数据序列之间的支持度和置信度，选出各指标数据序列对应的支持度和置信度大于设定值的数据序列；
[0123]
若多个支持度和置信度大于设定值的数据序列在设定时间段内只有一个数据序列的一个数据发生异常，将发生异常的数据作为可修复的异常数据；
[0124]
其中，所述指标数据序列是按照设定的采样频率对指标进行采集得到的一组数据，所述指标包括下述的一种或多种：温度、电流、电压和压力。
[0125]
其中，所述修复数据检验模块，具体用于：
[0126]
将异常数据的预测修复值输入所述预先训练的指标模糊规则满意度分类器中，计算预测修复值对对应的指标模糊规则的违背程度的平方和作为损失函数值，将所述损失函数值作为违背程度；
[0127]
当所述违背程度小于预设阈值时，将小于预设阈值的验证结果对应的预测修复值作为修复值。
[0128]
其中，所述系统，还包括：
[0129]
分类器训练模块，用于：
[0130]
以综合能源系统同一历史时刻的所有正常数据，以及所述正常数据对指标模糊规则的违背程度构建样本集；
[0131]
采用样本集中的正常数据作为输入，将所述正常数据对指标模糊规则的违背程度作为输出，对指标规则满意度分类器进行训练，得到训练好的指标规则满意度分类器。
[0132]
实施例3
[0133]
基于同一种发明构思，本发明还提供了一种计算机设备，该计算机设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor、dsp)、专用集成电路(application specificintegrated circuit，asic)、现成可编程门阵列(field-programmable gatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能，以实现上述实施例中一种综合能源数据清洗方法的步骤。
[0134]
实施例4
[0135]
基于同一种发明构思，本发明还提供了一种存储介质，具体为计算机可读存储介质(memory)，所述计算机可读存储介质是计算机设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质，当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速ram存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中一种综合能源数据清洗方法的步骤。
[0136]
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。
[0137]
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。
[0138]
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。
[0139]
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。
[0140]
最后应当说明的是:以上实施例仅用于说明本发明的技术方案而非对其保护范围的限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:本领域技术人员阅读本发明后依然可对申请的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均在申请待批的权利要求保护范围之内。