一种电池容量的估算方法、电子设备及可读存储介质

1.本技术属于电池状态评估技术领域，尤其涉及一种电池容量的估算方法、电子设备及可读存储介质。


背景技术：

2.电池容量是确定电池健康状态以及剩余使用寿命的重要指标，其直接影响电池的可靠性和安全性。因此，对电池容量进行准确估算变得尤为重要。
3.目前，通常采用电池容量估计模型对待测电池进行容量估算。电池容量估计模型是使用样本电池在循环满充满放(即电池剩余电量百分比(state of charge，soc)从100％放电到0％，再从0％充电到100％的过程)的实验条件下获得的充放电数据训练得到的。但是在实际使用中，电池一般不会被用到电量完全耗尽，即soc为0％时才进行充电。大多数情况是当电池的soc处于10％-20％时开始对其充电，直至电池的soc处于80％-100％结束，整个充电过程具有较强的随机性。因此，针对实际使用过程中的充放电数据，采用该种电池容量估算模型所估算出的电池容量的准确度较低。


技术实现要素：

4.有鉴于此，本技术实施例提供了一种电池容量的估算方法、电子设备及可读存储介质，以解决现有技术对电池容量的估算准确度较低的问题。
5.本技术实施例的第一方面提供了一种电池容量的估算方法，该方法包括：获取待测电池在目标电压片段内的充电数据，充电数据对应的多个健康指标与电池容量相关性的总和在各个电压片段中最高；确定充电数据的多个健康指标；将多个健康指标输入至已训练的神经网络模型，得到待测电池的电池容量，神经网络模型是通过训练样本训练得到的，训练样本用于表征电池容量和多个健康指标之间的对应关系。
6.结合第一方面，在第一方面的第一种可能实现方式中，多个健康指标包括m个数据域健康指标和n个模型域健康指标，m n≥2，m≥0，n≥0；数据域健康指标包括片段容量、容量增量分析ica曲线峰值、ica曲线峰值对应的电压、充电时间和单位时间内电压升中的至少一个；模型域健康指标包括欧姆内阻、极化内阻、极化电容和时间常数中的至少一个。
7.结合第一方面，在第一方面的第二种可能实现方式中，训练样本包括原始电池样本和虚拟电池样本，虚拟电池样本是根据原始电池样本生成的，原始电池样本对应的原始电池与待测电池为同类型电池。
8.结合第一方面，在第一方面的第三种可能实现方式中，虚拟电池样本是通过以下方式生成的：获取原始电池的实际老化数据，实际老化数据包括原始电池的电池容量由100％衰减至0％的整个过程中，各个循环充放电过程对应的时间、电压和电流的变化数据；根据实际老化数据和多个健康指标类型，确定目标电压片段；根据目标电压片段内的充电数据，生成原始电池样本；对原始电池样本中的电池容量以及每个健康指标进行数据扩展，生成虚拟电池样本。
9.结合第一方面，在第一方面的第四种可能实现方式中，根据实际老化数据和多个健康指标类型，确定目标电压片段，包括：根据实际老化数据，确定多个电压片段；其中，在每个循环充放电过程中，每个电压片段均有对应的电压片段数据；根据约束条件对各个电压片段数据进行筛选；r为电压片段宽度，起始soc小于等于终点soc；确定每一个电压片段内，筛选后的各个电压片段数据的f值，其中，ri为电压片段数据的第i个健康指标与电池容量的相关性的得分；将最大的f值对应的电压片段确定为目标电压片段。
10.结合第一方面，在第一方面的第五种可能实现方式中，对原始电池样本中的电池容量以及每个健康指标进行数据扩展，生成虚拟电池样本，包括：确定原始电池样本中电池容量以及每个健康指标的特征数据中心、左偏度、右偏度和方差；根据特征数据中心、左偏度、右偏度和方差，确定电池容量以及每个健康指标的扩展上界和扩展下界；根据电池容量以及每个健康指标的扩展上界和扩展下界，对电池容量以及每个健康指标进行数据扩展，生成满足预设条件的虚拟电池样本。
11.结合第一方面，在第一方面的第六种可能实现方式中，神经网络模型为长短期记忆lstm神经网络模型。
12.结合第一方面，在第一方面的第七种可能实现方式中，lstm神经网络模型包括层数为2，隐藏节点数为128，时间步长为5的lstm神经网络。
13.本技术实施例的第二方面提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面任一项所述方法的步骤。
14.本技术实施例的第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面任一项所述方法的步骤。
15.本技术实施例与现有技术相比存在的有益效果是：本实施例提供一种电池容量的估算方法、设备及可读存储介质，该方法以待测电池在目标电压片段内的充电数据，通过已训练的神经网络模型进行处理，得到待测电池的电池容量。本实施例中用于估算的充电数据是，多个健康指标与电池容量相关性的总和在各个电压片段中最高的充电数据，因此，通过该充电数据所估算出的待测电池的电池容量准确度较高，且估算方法中所需的数据少，能够提高了电池容量的估计效率。同时，本实施例中提供的神经网络模型是通过电池容量和多个健康指标进行训练得到的，而非固定单一的健康指标，因此，模型的准确度更高。
附图说明
16.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
17.图1是本技术的一个实施例提供的神经网络模型构建方法的流程示意图；
18.图2是本技术实施例提供的原始电池的一阶rc等效电路模型示意图；
19.图3是本技术实施例提供的md-mtd算法扩展数据上下界范围的示意图；
20.图4是本技术实施例提供的虚拟电池样本生成流程示意图；
21.图5是本技术实施例提供的容量衰减曲线的虚拟老化数据的生成结果示意图；
22.图6是本技术实施例提供的通过原始电池生成虚拟电池样本的示意图；
23.图7是本技术实施例提供的电池容量的估算方法的流程示意图；
24.图8是本技术实施例提供的采用已训练的lstm神经网络模型对cs2-36电池容量的估计结果示意图；
25.图9是本技术实施例提供的采用已训练的lstm神经网络模型对cs2-37电池容量的估计结果示意图；
26.图10是本技术一实施例提供的电子设备的示意图。
具体实施方式
27.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本技术的描述。
28.以下结合具体的实施例对本技术提供的技术方案进行详细的解释说明。
29.为了解决传统电池容量估算方法中存在的估算结果准确度较低的问题，本技术实施例提供了一种电池容量的估算方法，该方法通过已训练的神经网络模型对待测电池在目标电压片段内的充电数据进行处理，得到待测电池的电池容量。通过本实施例中提供的方法能够提高电池容量估算结果的准确度。
30.图1为本技术的一个实施例提供的神经网络模型构建方法的流程示意图。参见图1所示，该方法包括以下步骤s101-s104。
31.s101、电子设备获取原始电池的实际老化数据，其中，原始电池与待测电池为同类型电池。
32.在本实施例中，同类型电池是指电池型号以及工况均相同的电池，例如美国马里兰大学公开的锂电池老化数据集(center for advanced life cycle engineering，calce)中型号分别为cs2-35、cs2-36、cs2-37的三块电池即为同类型电池。
33.在一些实施例中，原始电池的实际老化数据，是通过对原始电池进行完整的老化周期实验所得到的。原始电池的完整的老化周期实验是对原始电池进行循环充放电(例如循环10000次)，使原始电池的电池容量(state of health，soh)从100％衰减至0％的过程，并在该过程中记录时间以及soh衰减过程中的电压和电流。基于此，实际老化数据包括原始电池的电池容量soh由100％衰减至0％的整个过程中，各个循环充放电过程对应的时间、电压和电流的变化数据。
34.s102、电子设备确定实际老化数据中，各个循环充放电过程中各个电压片段对应的健康指标。
35.健康指标(health factors，hf)是指影响电池容量衰减的指标因素。例如，电池在
某一soc区间(如20％-80％)内充入的电量值；或者电池在完成对某一soc区间充电时所需要的充电时间。
36.为了充分反应电池容量的衰减规律，增强所构建模型的可靠性，本实施例中分别从数据域和模型域提取与电池容量相关性较高的多个hf。本实施例中，多个hf包括m个数据域hf和n个模型域hf，其中，m n≥2，m≥0，n≥0。具体的，数据域hf包括片段容量、容量增量分析(incrementalcapacityanalysis，ica)曲线峰值、ica曲线峰值对应的电压、充电时间和单位时间内电压升中的至少一个；模型域hf包括欧姆内阻、极化内阻、极化电容和时间常数中的至少一个。各个hf的具体定义参见下表1中所示。
37.表1健康指标hf及其定义
[0038][0039]
在本技术的一个示例中，以数据域hf中的每一个hf和模型域hf中的每一个hf作为指标因素对模型进行训练，以提高所训练模型的估算准确度。
[0040]
基于上述内容，电子设备在确定各个电压区对应的健康指标的数值时，首先，根据所述实际老化数据，确定多个电压片段；其中，在每个充放电循环中，每个电压片段均有对应的电压片段数据。每个电压片段对应的电压片段数据中均包括该电压片段内的时间、电流和电压数据。然后，根据该电压片段数据确定不同循环充放电过程中各个电压片段对应的健康指标。在本实施例中，各个电压片段对应的健康指标是通过对该电压片段内的时间、电流和电压数据进行计算所得出的。其中，数据域hf来源于原始电池的恒流充电阶段所产生的相关数据；模型域hf是基于原始电池的一阶rc等效电路模型，通过最小二乘法参数辨识获得的相关数据，原始电池的一阶rc等效电路模型参见图2中所示。
[0041]
应理解，电池的整个充电过程分为两个阶段。第一个阶段是恒流充电阶段，即在该阶段中，是以一个恒定的充电电流(通常情况下为1c)对电池进行充电。例如，若电池的电池容量是2安时(2ah)，则1c指以2a的电流给电池充电。在恒流充电阶段，电池的充电电压是变化的，且通过用于监测电池充电过程中的电压和电流的传感器进行监测。当传感器监测到
电池充电到上截止电压(例如，对于单个的锂离子电池来说，上截止电压一般为4.2v)时，电池开始转化为第二个阶段，即恒压充电阶段。在第二个阶段中，是以恒压4.2v对电池进行充电，在该阶段中电池充电电流是变化的，传感器开始监测充电电流，当充电电流小于0.02或者0.05时，则认为充电结束。本实施例中所选取的数据域hf是根据电池充电的恒流阶段(也就是上述第一阶段)中所产生的相关数据确定的。
[0042]
需要说明的是，传统电池(例如锂离子电池)在使用过程中，电池容量会随着使用时间的推移而不断下降，表征电池容量衰减的影响因素hf的选择是电池容量估计的重要基础，显著影响估计效果。因此，为了尽可能充分的表达电池老化过程，本实施例中分别从数据域和模型域获取hf，并通过数据域hf和模型域hf的联合运用，丰富了hf的构成，相对于传统电池容量估计模型中选取恒流充电阶段的固定soc区间(例如soc在20％-80％)内充入的电量值作为单个健康指标hf，实现电池容量估计的方法，减少了单个健康指标hf失效时估算结果无效的可能性，提高了模型的可靠性。
[0043]
s103、电子设备根据各个循环充放电过程中各个电压片段对应的健康指标，确定最优电压片段。
[0044]
最优电压片段(也可称作目标电压片段)是指hf中每种类型的健康指标，与电池容量相关性最高的电压片段范围。应理解，在传统电池容量估计模型选取固定电压片段内ica曲线峰值作为单个健康指标hf，实现电池容量估计的方法中，一般情况下，ica曲线峰值会落到一个特定的电压片段(例如3.9v-4.1v)内，而该特定的电压片段很有可能与所选取的固定电压片段不一致，或者所选取的固定电压不包含该ica曲线峰值，从而导致基于该模型的电池容量估算结果准确度较低。而对于每一个hf来说，都有其对应的和电池容量相关性最大的电压片段范围。本实施例中所提出的最优电压片段则是能够充分表达每一个hf与电池容量的相关性的电压片段范围。
[0045]
为了更好的建立片段数据与电池容量之间的映射关系，需要尽可能提高片段数据上hf与完整电池容量的相关性，因此，本实施例中构建基于hf的优化目标函数，同时根据电池日常充电使用的实际情况，构建约束条件，并利用量子粒子群优化算法(quantum particle swarm optimization，qpso)，获得最优电压范围。通常情况下，电池的充电过程具有随机性，例如锂离子电池，一般是电池容量衰减到soc约为5％-15％时对电池进行充电，当soc约为80％-100％时，停止充电。所以，在选择最优电压片段时，不仅需要考虑电池hf在该区间上的表达情况，还应该考虑电池实际使用过程中的soc变化范围。此外，选区的电压片段的宽度也是需要考虑的问题，电压片段的宽度过宽，实际充电时能覆盖到最优区间的可能性会降低，同时电压片段的宽度过窄，会导致数据量变少，导致hf难以充分表达。因此，本实施例中在建立优化目标函数时，不仅考虑了hf的表达情况，也综合考虑了电池实际使用过程中soc的变化范围以及电压片段宽度的合理性，从而实现通过片段数据对电池容量的准确估计。基于上述条件，本实施例中的目标函数及约束条件如下式所示：
[0046]
[0047]
式中，f为各个hf在某一电压片段内相关性的总和，即9个hf在某一电压片段上的总得分，ri为第i个hf与电池容量的相关性的得分，r为电压片段宽度，起始soc小于等于终点soc。其中，ri是通过qpso算法对hf与电池容量的相关性进行计算得到的。
[0048]
在本实施例中，电子设备通过qpso算法，基于原始电池的实际老化数据，随机生成一系列电压片段，每个电压片段内均包括对应的时间、电流和电压数据。然后通过该qpso算法在随机生成的一系列电压片段内，基于上述公式中的约束条件筛选符合该约束条件的目标电压片段，然后计算该目标电压片段中每一个目标电压片段的f值，并基于上述公式中的目标函数将f值最大的目标电压片段作为最优电压片段。电子设备通过qpso算法计算最优电压片段时，是在每一个电压片段内判断soc的变化范围以及电压片段宽度是否符合所设定的约束条件，如果符合则计算目标函数中的f值，如果不符合则不计算目标函数中的f值。
[0049]
在一个示例中，通过上述方法对calce中型号分别为cs2-35、cs2-36、cs2-37的三块电池进行最优电压片段的选择后，得到该种类型的电池的最优电压片段为3.91v-4.13v。
[0050]
电池在实际使用的过程中，大多数情况下是当电池的soc处于10％-20％时开始对其充电，直至电池的soc处于80％-100％结束。可见，电池的充电过程具有一定的随机性，传统的基于片段数据电池容量估计方法大多是以包括起始点或终点的固定电压片段，而没有考虑不同电池在不同电压片段内hf的表达情况，容易造成由于hf无法充分表达而导致的估计精度下降。本实施例中提出的方法综合考虑了hf在最优电压片段上的表达情况及电池实际的使用过程，并以此作为目标函数和限制条件，利用qpso算法筛选最优电压片段，从而提高hf的表达能力，提高估计精度。
[0051]
s104、电子设备根据最优电压片段内的充电数据，生成原始电池样本。
[0052]
原始电池样本用于表征在原始电池的实际老化数据中，电池容量和多个健康指标之间的对应关系。
[0053]
在本实施例中，电子设备根据实际老化数据，通过安时积分法计算原始电池的电池容量，并提取实际老化数据中在最优电压片段内的充电数据所对应的健康指标。
[0054]
s105、电子设备对原始电池样本中的电池容量以及每个健康指标进行数据扩展，生成虚拟电池样本。
[0055]
虚拟电池样本用于表征在虚拟电池的虚拟老化数据中，电池容量和多个健康指标之间的对应关系。
[0056]
在本实施例中，电子设备基于原始电池的电池容量和最优电压片段上提取出的hf，利用多分布整体趋势扩散技术算法(multi-distribution mega-trend-diffusion，md-mtd)，扩展数据范围，并采用qpso优化算法，在扩展的数据范围内生成随机数据。图3为本实施例提供的md-mtd算法扩展数据上下界范围的示意图，其中的数据扩展参数以及计算方法参见下表2中所示。
[0057]
表2数据扩展参数以及计算方法
[0058][0059]
图4本实施例提供的虚拟电池样本生成流程示意图。参见图4所示，该方法包括以下步骤：电子设备确定原始电池样本中电池容量以及每个健康指标的特征数据中心、左偏度、右偏度和方差(s401)。电子设备根据特征数据中心、左偏度、右偏度和方差，采用md-mtd算法计算电池容量以及每个健康指标的扩展上界和扩展下界(s402)。进而电子设备根据电池容量以及每个健康指标的扩展上界和扩展下界，采用qpso优化算法，对电池容量以及每个健康指标的数据进行扩展，生成满足预设条件的多组虚拟老化数据(s403)，其中，预设条件包括：生成的虚拟老化数据与原始电池的电池容量和健康指标数据的平均绝对误差(mape)小于0.01。最后，电子设备将多组虚拟老化数据中，电池容量以及对应的各个hf的虚拟老化数据组合为一个虚拟电池样本，生成若干组虚拟电池样本(s404)。
[0060]
示例性的，以图5中容量衰减曲线的虚拟老化数据的生成过程为例，通过上述虚拟电池样本生成流程所得到的是容量衰减的一条虚拟曲线。通过同样的方式，可以生成9个hf各自的虚拟曲线，然后将9个hf各自的虚拟曲线一一对应进行组合，生成一个虚拟电池样本。
[0061]
为了尽可能提高所训练的模型的泛化能力，并同时考虑到电子设备的运算开销，采用上述同样的方式得到预设数量的虚拟电池样本(例如，预设数量为50)。参见图6所示，为本实施例中通过原始电池数据生成虚拟电池样本示意图。
[0062]
由于电池容量衰减实验耗时长、对环境要求高，因此可用于实验的电池样本数量较少，导致估计模型的泛化能力较弱。本实施例中，为了解决电池样本量较少的问题，本专利采用多分布整体趋势扩散技术(md-mtd)对数据的上下界进行扩展，并利用qpso算法，寻找符合要求的虚拟样本数据，从而增加可用于模型训练的样本数量，增强模型的泛化能力。
[0063]
s106、电子设备基于训练样本对神经网络模型进行训练，其中，训练样本包括原始电池样本和虚拟电池样本。
[0064]
在本实施例中，神经网络模型可以为长短期记忆(long short-term memory，lstm)神经网络模型。其中，lstm神经网络模型可以基于不同的网络层数、隐藏节点数以及
时间步长得到不同的基本架构。
[0065]
在一些实施例中，lstm神经网络模型的基本架构可以为层数为2，隐藏节点数为128，时间步长为5的lstm神经网络模型。
[0066]
电子设备将原始电池的原始电池样本和生成的虚拟电池的虚拟电池样本作为训练集，构建最优电压片段数据内的hf与电池容量之间的映射模型。
[0067]
基于通过上述方法得到的lstm神经网络模型，本实施例中提供了一种电池容量的估算方法，应用于电子设备。参见图7所示，包括以下步骤s701-s702。
[0068]
s701、电子设备获取待测电池在最优电压片段内的充电数据，其中，充电数据对应的多个健康指标与电池容量相关性的总和在各个电压片段中最高。
[0069]
在本实施例中，待测电池在最优电压片段内的片段数据包括待测电池在恒流充电阶段中，在最优电压片段内所生成的时间、电流和电压数据。
[0070]
示例性的，若用于训练lstm神经网络模型的原始电池为calce中型号为cs2-35的电池，经过一系列计算后得出该类型电池的最优电压片段为3.91v-4.13v，那么在检测同类型电池cs2-36或cs2-37的电池容量时，所选取的片段数据则为待测电池cs2-36或cs2-37在3.91v-4.13v电压范围内所生成的时间、电流和电压数据。
[0071]
下表2为calce类型电池在最优电压片段内，部分数据的计算结果。参见表2中所示，最优电压电压片段3.91v-4.13v表示同类型的cs2-35、cs2-36、cs2-37三块电池所计算出的最优电压范围，在该最优电压范围内，每种类型的hf与电池容量的相关性总和的得分最高。起始soc以及终点soc满足预设的约束条件。片段充电时间平均占完整充电时间比例，则表示在提取数据时，采用在最优电压片段内充电所用的时长相较于传统技术中对电池进行完整充电(即满充满放)所用的时长的占比。例如，对待测电池进行满充满放时所用的时长为10h，而基于最优电压片段内对电池充电所用的时长可能为2.5h，大大节省了时间成本，提高了检测效率。
[0072]
表2最优电压片段内部分数据的计算结果
[0073][0074][0075]
s702、电子设备确定充电数据的多个健康指标。
[0076]
s703、电子设备将多个健康指标输入至已训练的神经网络模型，得到待测电池的电池容量，其中，神经网络模型是通过训练样本训练得到的，训练样本用于表征电池容量和多个健康指标之间的对应关系。
[0077]
在本实施例的一个示例中，采用calce电池老化数据集的其中三块电池：cs2-35作为训练集、cs2-36和cs2-37作为测试集，对本技术实施例提供的方法进行实施和验证。从cs2-35电池的最优电压片段中提取hf，并生成50组虚拟电池样本作为训练集，训练lstm神经网络模型。并采用cs2-36和cs2-37作为测试集对已训练的lstm神经网络模型进行验证。
[0078]
图8为采用已训练的lstm神经网络模型对cs2-36电池容量的估计结果示意图。参见图8所示，图8中左图为无虚拟电池样本时的估计结果，图8中右图为有虚拟电池样本估计
结果。图9为采用已训练的lstm神经网络模型对cs2-37电池容量的估计结果示意图，参见图9所示，图9中左图为无虚拟电池样本估计结果，图9中右图为有虚拟电池样本估计结果。其中，电池cs2-36和电池cs2-36在有无虚拟电池样本时其均方根误差(root mean square error，rmse)、平均绝对误差(mean absolute percentage error，mape)以及平方差r2是通过以下公式计算得出的。
[0079][0080][0081][0082]
上式中，是估计容量，yi是实际电池容量，是实际电池容量的平均值，m是数据个数。
[0083]
表3有无虚拟电池样本结果对比
[0084][0085]
表3为有无虚拟电池样本的情况下，rmse、mape以及r2的计算结果。参见表3所示，加入虚拟电池样本后，rmse、mape以及r2的数据变化表面估计结果的精度有了较大的改善，说明了该方法的实用性。利用calce电池数据集中的三块电池对本文提出的方法进行验证，测试集的平均rmse为1.64％。因此，本技术实施例提供的电池容量估计方法，可以准确、快速的获得电池的容量。
[0086]
在本实施例中，用于执行lstm神经网络模型构建方法的电子设备与执行电池容量的估算方法的电子设备可以是同一电子设备，也可以是不同的电子设备。
[0087]
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。
[0088]
图10是本技术一实施例提供的电子设备的示意图。如图10所示，该实施例的电子设备10包括：处理器100、存储器101以及存储在所述存储器101中并可在所述处理器100上运行的计算机程序102，例如电池容量的估算程序。所述处理器100执行所述计算机程序102时实现上述各个电池容量的估算方法实施例中的步骤。或者，所述处理器100执行所述计算机程序102时实现上述各装置实施例中各模块/单元的功能。
[0089]
示例性的，所述计算机程序102可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器101中，并由所述处理器100执行，以完成本技术。所
述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序102在所述电子设备10中的执行过程。
[0090]
所述电子设备10可以是平板电脑、平板电脑、桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述电子设备可包括，但不仅限于，处理器100、存储器101。本领域技术人员可以理解，图10仅仅是电子设备10的示例，并不构成对电子设备10的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备还可以包括输入输出设备、网络接入设备、总线等。
[0091]
所称处理器100可以是中央处理单元(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 specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0092]
所述存储器101可以是所述电子设备10的内部存储单元，例如电子设备10的硬盘或内存。所述存储器101也可以是所述电子设备10的外部存储设备，例如所述电子设备10上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。进一步地，所述存储器101还可以既包括所述电子设备10的内部存储单元也包括外部存储设备。所述存储器101用于存储所述计算机程序以及所述电子设备所需的其他程序和数据。所述存储器101还可以用于暂时地存储已经输出或者将要输出的数据。
[0093]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0094]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0095]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0096]
在本技术所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另
一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
[0097]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0098]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0099]
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术实现上述实施例方法中的全部或部分流程，也可以通过计算机程序指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
[0100]
以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。