风电场能量管理系统及其方法与流程

1.本发明涉及风电场智能管理的领域，且更为具体地，涉及一种风电场能量管理系统及其方法。


背景技术：

2.我国风能资源储量丰富，我国承诺2030年风电、太阳能发电总装机容量将达到12亿千瓦以上，能源结构的变化背景下，稳定可靠的能源保障供应系统成为重点。
3.风电场能量管理系统，又称风电场能量管理平台或有功控制平台，是指当电网调度给风电场给出发电负荷调度指令时，要求风电场能量管理平台按照电网调度指令在规定的时间内，能够通过相关的分配控制策略将全场实发上网电量调高或调低，以此来保持电力系统稳定。
4.在现有的风电场能源管理系统中，其控制策略主要功能是分解网调能量指令，将需要上调或下调的能量变化值科学地分配到风电场中运行机位上，并检测其执行效果，实现动态调整纠偏。例如，将需要调整的目标值取平均，均匀地分配到每台机位上。当然，在实际运动中，上述调整策略的调整效果却不佳，其本质原因为电网的用电负载是动态变化的，当前的调整目标值只能反映历史用电需求而无法对未来用电需求做出预判而导致电力系统难以稳定运行。
5.因此，期待一种风电场能量管理系统，其能够对电网的能量目标值进行预测，以基于预测值来配置分配策略。


技术实现要素：

6.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种风电场能量管理系统及其方法，其通过采用人工智能预测管理技术，将包含当前时间点在内的多个预定时间点的网调下发给风电场的能量目标值以及与电网连接的所有电用户的用电功率值作为输入数据，使用深度神经网络模型作为特征提取器，从而挖掘出所述网调下发给风电场的能量目标值以及所述所有电用户的用电功率值在时序维度上的动态隐含关联特征，并基于这种特征信息来进行下一时间点网调下发给风电场的能量目标值变化的调控，进而保证电力系统的稳定运行。
7.根据本技术的一个方面，提供了一种风电场能量管理系统，其包括：
8.下发能量目标值采集模块，用于获取包含当前时间点在内的多个预定时间点的网调下发给风电场的能量目标值；
9.电用户数据采集模块，用于获取所述多个预定时间点的与电网连接的所有电用户的用电功率值；
10.能量目标值时序编码模块，用于将所述多个预定时间点的网调下发给风电场的能量目标值通过包含一维卷积层的时序编码器以得到能量目标特征向量；
11.电用户数据结构化模块，用于将所述多个预定时间点的与电网连接的所有电用户
的用电功率值按照电用户样本维度和时间维度排列为用电输入矩阵；
12.用电数据局部关联编码模块，用于将所述用电输入矩阵通过作为特征提取器的卷积神经网络以得到用电局部关联特征图；
13.用电数据全局关联编码模块，用于将所述用电局部关联特征图通过非局部神经网络以得到用电全局关联特征图；
14.融合模块，用于融合所述用电局部关联特征图和所述用电全局关联特征图以得到用电特征图；
15.校正模块，用于对所述用电特征图的各个沿通道维度的特征向量进行特征值校正以得到校正后用电特征图；
16.全局均值池化模块，用于对所述校正后用电特征图进行沿通道维度的全局均值池化以得到用电特征矩阵；
17.映射模块，用于将所述能量目标特征向量与所述用电特征矩阵进行相乘以得到分类特征向量；以及
18.预测结果生成模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示下一时间点网调下发给风电场的能量目标值增大或减小。
19.在上述风电场能量管理系统中，所述能量目标值时序编码模块，包括：输入向量构造单元，用于将所述多个预定时间点的网调下发给风电场的能量目标值按照时间维度排列为输入向量；全连接编码单元，用于使用所述时序编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：其中x是所述输入向量，y是输出向量，w是权重矩阵，b是偏置向量，表示矩阵乘；一维卷积编码单元，用于使用所述时序编码器的一维卷积层以如下公式对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：
[0020][0021]
其中，a为卷积核在x方向上的宽度、f为卷积核参数向量、g为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸，x表示所述输入向量。
[0022]
在上述风电场能量管理系统中，所述电用户数据结构化模块，包括：时间维度排列单元，用于将所述多个预定时间点的与电网连接的所有电用户的用电功率值按照所述时间维度分别排列为行向量以得到多个行向量；以及，样本维度排列单元，用于将所述多个行向量按照所述电用户样本维度排列为所述用电输入矩阵。
[0023]
在上述风电场能量管理系统中，所述用电数据局部关联编码模块，进一步用于：所述作为特征提取器的卷积神经网络的各层在层的正向传递中对输入数据分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行均值池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的卷积神经网络的最后一层的输出为所述用电局部关联特征图，所述作为特征提取器的卷积神经网络的第一层的输入为所述用电输入矩阵。
[0024]
在上述风电场能量管理系统中，所述用电数据全局关联编码模块，包括：点卷积单
元，用于将所述用电局部关联特征图分别输入所述非局部神经网络的第一点卷积层、第二点卷积层和第三点卷积层以得到第一特征图、第二特征图和第三特征图；第一融合单元，用于计算所述第一特征图和所述第二特征图的按位置加权和以得到中间融合特征图；归一化单元，用于将所述中间融合特征图输入softmax函数以对所述中间融合特征图中各个位置的特征值进行归一化以得到归一化中间融合特征图；第二融合单元，用于计算所述归一化中间融合特征图和所述第三特征图的按位置加权和以得到再融合特征图；全局感知单元，用于将所述再融合特征图通过嵌入高斯相似性函数以计算所述再融合特征图中各个位置的特征值间的相似性以得到全局感知特征图；通道数调整单元，用于将所述全局感知特征图通过所述非局部神经网络的第四点卷积层以得到通道调整全局感知特征图；以及，第三融合单元，用于计算所述通道调整全局感知特征图和所述高维关联局部特征图的按位置加权和以得到所述用电全局关联特征图。
[0025]
在上述风电场能量管理系统中，所述融合模块，进一步用于：以如下公式融合所述用电局部关联特征图和所述用电全局关联特征图以得到所述用电特征图；
[0026]
其中，所述公式为：
[0027][0028]
其中，fs为所述用电特征图，f1为所述用电局部关联特征图，f2为所述用电全局关联特征图，表示特征图的按位置加法，α和β为用于控制所述用电特征图中所述用电局部关联特征图和所述用电全局关联特征图之间的平衡的加权参数。
[0029]
在上述风电场能量管理系统中，所述校正模块，进一步用于：以如下公式对所述用电特征图的各个沿通道维度的特征向量进行特征值校正以得到所述校正后用电特征图；
[0030]
其中，所述公式为：
[0031][0032]
其中，v表示所述用电特征图的各个沿通道维度的特征向量，v
max-1
表示所述用电特征图的各个沿通道维度的特征向量的最大特征值的倒数，表示按位置点乘。
[0033]
在上述风电场能量管理系统中，所述预测结果生成模块，进一步用于：使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果，其中，所述公式为：softmax{(wn,bn):
…
:(w1,b1)|x}，其中，w1到wn为权重矩阵，b1到bn为偏置向量，x为所述分类特征向量。
[0034]
根据本技术的另一方面，一种风电场能量管理方法，其包括：
[0035]
获取包含当前时间点在内的多个预定时间点的网调下发给风电场的能量目标值；
[0036]
获取所述多个预定时间点的与电网连接的所有电用户的用电功率值；
[0037]
将所述多个预定时间点的网调下发给风电场的能量目标值通过包含一维卷积层的时序编码器以得到能量目标特征向量；
[0038]
将所述多个预定时间点的与电网连接的所有电用户的用电功率值按照电用户样本维度和时间维度排列为用电输入矩阵；
[0039]
将所述用电输入矩阵通过作为特征提取器的卷积神经网络以得到用电局部关联特征图；
[0040]
将所述用电局部关联特征图通过非局部神经网络以得到用电全局关联特征图；
[0041]
融合所述用电局部关联特征图和所述用电全局关联特征图以得到用电特征图；
[0042]
对所述用电特征图的各个沿通道维度的特征向量进行特征值校正以得到校正后用电特征图；
[0043]
对所述校正后用电特征图进行沿通道维度的全局均值池化以得到用电特征矩阵；
[0044]
将所述能量目标特征向量与所述用电特征矩阵进行相乘以得到分类特征向量；以及
[0045]
将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示下一时间点网调下发给风电场的能量目标值增大或减小。
[0046]
在上述风电场能量管理方法中，将所述多个预定时间点的网调下发给风电场的能量目标值通过包含一维卷积层的时序编码器以得到能量目标特征向量，包括：将所述多个预定时间点的网调下发给风电场的能量目标值按照时间维度排列为输入向量；使用所述时序编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：其中x是所述输入向量，y是输出向量，w是权重矩阵，b是偏置向量，表示矩阵乘；使用所述时序编码器的一维卷积层以如下公式对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：
[0047][0048]
其中，a为卷积核在x方向上的宽度、f为卷积核参数向量、g为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸，x表示所述输入向量。
[0049]
在上述风电场能量管理方法中，将所述多个预定时间点的与电网连接的所有电用户的用电功率值按照电用户样本维度和时间维度排列为用电输入矩阵，包括：将所述多个预定时间点的与电网连接的所有电用户的用电功率值按照所述时间维度分别排列为行向量以得到多个行向量；以及，将所述多个行向量按照所述电用户样本维度排列为所述用电输入矩阵。
[0050]
在上述风电场能量管理方法中，将所述用电输入矩阵通过作为特征提取器的卷积神经网络以得到用电局部关联特征图，包括：所述作为特征提取器的卷积神经网络的各层在层的正向传递中对输入数据分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行均值池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的卷积神经网络的最后一层的输出为所述用电局部关联特征图，所述作为特征提取器的卷积神经网络的第一层的输入为所述用电输入矩阵。
[0051]
在上述风电场能量管理方法中，将所述用电局部关联特征图通过非局部神经网络以得到用电全局关联特征图，包括：将所述用电局部关联特征图分别输入所述非局部神经网络的第一点卷积层、第二点卷积层和第三点卷积层以得到第一特征图、第二特征图和第三特征图；计算所述第一特征图和所述第二特征图的按位置加权和以得到中间融合特征图；将所述中间融合特征图输入softmax函数以对所述中间融合特征图中各个位置的特征
值进行归一化以得到归一化中间融合特征图；计算所述归一化中间融合特征图和所述第三特征图的按位置加权和以得到再融合特征图；将所述再融合特征图通过嵌入高斯相似性函数以计算所述再融合特征图中各个位置的特征值间的相似性以得到全局感知特征图；将所述全局感知特征图通过所述非局部神经网络的第四点卷积层以得到通道调整全局感知特征图；以及，计算所述通道调整全局感知特征图和所述高维关联局部特征图的按位置加权和以得到所述用电全局关联特征图。
[0052]
在上述风电场能量管理方法中，融合所述用电局部关联特征图和所述用电全局关联特征图以得到用电特征图，包括：以如下公式融合所述用电局部关联特征图和所述用电全局关联特征图以得到所述用电特征图；
[0053]
其中，所述公式为：
[0054][0055]
其中，fs为所述用电特征图，f1为所述用电局部关联特征图，f2为所述用电全局关联特征图，表示特征图的按位置加法，α和β为用于控制所述用电特征图中所述用电局部关联特征图和所述用电全局关联特征图之间的平衡的加权参数。
[0056]
在上述风电场能量管理方法中，对所述用电特征图的各个沿通道维度的特征向量进行特征值校正以得到校正后用电特征图，包括：以如下公式对所述用电特征图的各个沿通道维度的特征向量进行特征值校正以得到所述校正后用电特征图；
[0057]
其中，所述公式为：
[0058][0059]
其中，v表示所述用电特征图的各个沿通道维度的特征向量，v
max-1
表示所述用电特征图的各个沿通道维度的特征向量的最大特征值的倒数，
⊙
表示按位置点乘。
[0060]
在上述风电场能量管理方法中，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示下一时间点网调下发给风电场的能量目标值增大或减小，包括：使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果，其中，所述公式为： softmax{(wn,bn):
…
:(w1,b1)|x}，其中，w1到wn为权重矩阵，b1到bn为偏置向量，x为所述分类特征向量。
[0061]
与现有技术相比，本技术提供的风电场能量管理系统及其方法，其通过采用人工智能预测管理技术，将包含当前时间点在内的多个预定时间点的网调下发给风电场的能量目标值以及与电网连接的所有电用户的用电功率值作为输入数据，使用深度神经网络模型作为特征提取器，从而挖掘出所述网调下发给风电场的能量目标值以及所述所有电用户的用电功率值在时序维度上的动态隐含关联特征，并基于这种特征信息来进行下一时间点网调下发给风电场的能量目标值变化的调控，进而保证电力系统的稳定运行。
附图说明
[0062]
通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
[0063]
图1为根据本技术实施例的风电场能量管理系统的应用场景图。
[0064]
图2为根据本技术实施例的风电场能量管理系统的框图。
[0065]
图3为根据本技术实施例的风电场能量管理系统中用电数据全局关联编码模块的框图。
[0066]
图4为根据本技术实施例的风电场能量管理方法的流程图。
[0067]
图5为根据本技术实施例的风电场能量管理方法的架构示意图。
具体实施方式
[0068]
下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
[0069]
场景概述
[0070]
如前所述，我国风能资源储量丰富，我国承诺2030 年风电、太阳能发电总装机容量将达到12亿千瓦以上，能源结构的变化背景下，稳定可靠的能源保障供应系统成为重点。
[0071]
风电场能量管理系统，又称风电场能量管理平台或有功控制平台，是指当电网调度给风电场给出发电负荷调度指令时，要求风电场能量管理平台按照电网调度指令在规定的时间内，能够通过相关的分配控制策略将全场实发上网电量调高或调低，以此来保持电力系统稳定。
[0072]
在现有的风电场能源管理系统中，其控制策略主要功能是分解网调能量指令，将需要上调或下调的能量变化值科学地分配到风电场中运行机位上，并检测其执行效果，实现动态调整纠偏。例如，将需要调整的目标值取平均，均匀地分配到每台机位上。当然，在实际运动中，上述调整策略的调整效果却不佳，其本质原因为电网的用电负载是动态变化的，当前的调整目标值只能反映历史用电需求而无法对未来用电需求做出预判而导致电力系统难以稳定运行。
[0073]
因此，期待一种风电场能量管理系统，其能够对电网的能量目标值进行预测，以基于预测值来配置分配策略。
[0074]
基于此，本技术发明人发现若想对于电网的用电需求进行动态地监控预测，以实时动态地对于下一时间点网调下发给风电场的能量目标值进行调整来保证电力系统的稳定运行，就需要基于所有用户的用电功率值以及网调下发给风电场的能量目标值在时序上的动态隐含关联特征来进行。由于深度神经网络模型在隐含的关联特征提取方面具有优异的表现，因此，使用深度神经网络模型作为特征提取器以提取这种隐含的特征关联分布，并使用分类器来进行下一时间点网调下发给风电场的能量目标值变化的调整分类控制。
[0075]
具体地，在本技术的技术方案中，首先，获取包含当前时间点在内的多个预定时间点的网调下发给风电场的能量目标值，并且通过功率检测器获取所述多个预定时间点的与电网连接的所有电用户的用电功率值。应可以理解，对于所述多个预定时间点的网调下发给风电场的能量目标值来说，由于所述网调下发给风电场的能量目标值在时间维度上具有动态性的规律，因此，为了充分地挖掘出这种动态性的隐含特征，将所述多个预定时间点的网调下发给风电场的能量目标值通过包含一维卷积层的时序编码器中进行编码，以提取出所述网调下发给风电场的能量目标值在时序维度上的动态变化特征，从而得到能量目标特
征向量。在一个具体示例中，所述时序编码器由交替设置的全连接层和一维卷积层组成，其通过一维卷积编码提取出所述网调下发给风电场的能量目标值在时序维度上的关联和通过全连接编码提取所述网调下发给风电场的能量目标值的高维隐含特征。
[0076]
对于所述多个预定时间点的与电网连接的所有电用户的用电功率值，考虑到所述所有电用户的用电功率值在时序维度上和样本维度上都具有着关联性，因此，若想充分地挖掘出时间和样本维度上的隐含关联特征来进行分类，需要将所述多个预定时间点的与电网连接的所有电用户的用电功率值按照电用户样本维度和时间维度排列为用电输入矩阵后，使用作为特征提取器的卷积神经网络对其进行隐含关联特征提取，从而得到用电局部关联特征图。
[0077]
应可以理解，考虑到由于卷积是典型的局部操作，而对于所述多个预定时间点的与电网连接的所有电用户的用电功率值来说，所述所有电用户的用电功率值之间并非是孤立存在的，所述所有电用户的用电功率值间的关联性产生前景目标。因此，在本技术的技术方案中，为了提取出所述多个预定时间点的与电网连接的所有电用户的用电功率值的关联性，使用非局部神经网络来进一步进行图像的特征提取。也就是，将所述用电局部关联特征图通过非局部神经网络以得到用电全局关联特征图。特别地，这里，所述非局部神经网络通过计算所述多个预定时间点的与电网连接的所有电用户的用电功率值相似度捕获隐藏的依赖信息，进而建模上下文特征，使网络关注所述用电功率数据间的整体内容，进而在分类、检测任务中提升主干网络特征提取能力。
[0078]
进一步地，使用加权和的方式来融合所述用电局部关联特征图和所述用电全局关联特征图以得到用电特征图。
[0079]
但是，考虑到在将所有电用户的用电功率按照时间维度和电用户样本维度排列为用电输入矩阵时，所述电用户的用电功率在时间维度和样本维度上均会存在一些随机出现的异常扰动，因此在经过卷积神经网络和非局部神经网络，体现为提取出的所述用电特征图的各个沿通道维度的特征向量在通道维度上存在特征表达的异常发散(因为通道维度的各位置的特征值提取表示时间维度和样本维度上的关联特征)，从而在通过全局均值池化进行聚合时对分类结果造成负面影响。
[0080]
因此，在本技术的技术方案中，进一步对所述用电特征图的各个沿通道维度的特征向量进行向量的波函数表征聚合，即：
[0081][0082]
其中，v表示所述用电特征图的各个沿通道维度的特征向量，v
max-1
表示所述用电特征图的各个沿通道维度的特征向量的最大特征值的倒数，
⊙
表示按位置点乘。
[0083]
这样，通过对特征向量引入向量的波函数表示，即幅度表示强度信息，而相位表示周期位置信息，可以对向量的信息表征进行类复函数域的聚合，从而弥补向量的各位置之间的相位差在分类的类概率聚合上导致的负面影响(也就是，从波函数原理出发的同相加强和异相抵消)，从而增强了用于表示全局用电特征分布的所述用电特征矩阵的分类效果，也就增强了所述分类特征向量的分类效果。
[0084]
进一步地，对所述校正后用电特征图进行沿通道维度的全局均值池化处理，以得到用电特征矩阵。应可以理解，这样，可以降低参数的数据，进而降低计算量，防止过拟合，以利于提高后续分类的准确性。
[0085]
然后，将所述能量目标特征向量与所述用电特征矩阵进行相乘，以融合所述网调下发给风电场的能量目标值在时序维度上的动态关联特征与所述所有电用户的用电功率值在时序维度上的隐含关联特征分布，从而得到分类特征向量来进行分类，就能够获得用于表示下一时间点网调下发给风电场的能量目标值增大或减小的分类结果。
[0086]
基于此，本技术提出了一种风电场能量管理系统，其包括：下发能量目标值采集模块，用于获取包含当前时间点在内的多个预定时间点的网调下发给风电场的能量目标值；电用户数据采集模块，用于获取所述多个预定时间点的与电网连接的所有电用户的用电功率值；能量目标值时序编码模块，用于将所述多个预定时间点的网调下发给风电场的能量目标值通过包含一维卷积层的时序编码器以得到能量目标特征向量；电用户数据结构化模块，用于将所述多个预定时间点的与电网连接的所有电用户的用电功率值按照电用户样本维度和时间维度排列为用电输入矩阵；用电数据局部关联编码模块，用于将所述用电输入矩阵通过作为特征提取器的卷积神经网络以得到用电局部关联特征图；用电数据全局关联编码模块，用于将所述用电局部关联特征图通过非局部神经网络以得到用电全局关联特征图；融合模块，用于融合所述用电局部关联特征图和所述用电全局关联特征图以得到用电特征图；校正模块，用于对所述用电特征图的各个沿通道维度的特征向量进行特征值校正以得到校正后用电特征图；全局均值池化模块，用于对所述校正后用电特征图进行沿通道维度的全局均值池化以得到用电特征矩阵；映射模块，用于将所述能量目标特征向量与所述用电特征矩阵进行相乘以得到分类特征向量；以及，预测结果生成模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示下一时间点网调下发给风电场的能量目标值增大或减小。
[0087]
图1图示了根据本技术实施例的风电场能量管理系统的应用场景图。如图1所示，在该应用场景中，首先，获取包含当前时间点在内的多个预定时间点的网调(例如，如图1中所示意的n)下发给风电场(例如，如图1中所示意的w)的能量目标值，并且通过功率检测器(例如，如图1中所示意的p)获取所述多个预定时间点的与电网(例如，如图1中所示意的g)连接的所有电用户(例如，如图1中所示意的e)的用电功率值。然后，将获得的所述多个预定时间点的网调下发给风电场的能量目标值以及所述多个预定时间点的与电网连接的所有电用户的用电功率值输入至部署有风电场能量管理算法的服务器中(例如，如图1中所示意的云服务器s)，其中，所述服务器能够以风电场能量管理算法对所述多个预定时间点的网调下发给风电场的能量目标值以及所述多个预定时间点的与电网连接的所有电用户的用电功率值进行处理，以生成用于表示下一时间点网调下发给风电场的能量目标值增大或减小的分类结果。
[0088]
在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
[0089]
示例性系统
[0090]
图2图示了根据本技术实施例的风电场能量管理系统的框图。如图2所示，根据本技术实施例的风电场能量管理系统200，包括：下发能量目标值采集模块210，用于获取包含当前时间点在内的多个预定时间点的网调下发给风电场的能量目标值；电用户数据采集模块220，用于获取所述多个预定时间点的与电网连接的所有电用户的用电功率值；能量目标值时序编码模块 230，用于将所述多个预定时间点的网调下发给风电场的能量目标值通过
包含一维卷积层的时序编码器以得到能量目标特征向量；电用户数据结构化模块240，用于将所述多个预定时间点的与电网连接的所有电用户的用电功率值按照电用户样本维度和时间维度排列为用电输入矩阵；用电数据局部关联编码模块250，用于将所述用电输入矩阵通过作为特征提取器的卷积神经网络以得到用电局部关联特征图；用电数据全局关联编码模块260，用于将所述用电局部关联特征图通过非局部神经网络以得到用电全局关联特征图；融合模块270，用于融合所述用电局部关联特征图和所述用电全局关联特征图以得到用电特征图；校正模块280，用于对所述用电特征图的各个沿通道维度的特征向量进行特征值校正以得到校正后用电特征图；全局均值池化模块 290，用于对所述校正后用电特征图进行沿通道维度的全局均值池化以得到用电特征矩阵；映射模块300，用于将所述能量目标特征向量与所述用电特征矩阵进行相乘以得到分类特征向量；以及，预测结果生成模块310，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示下一时间点网调下发给风电场的能量目标值增大或减小。
[0091]
具体地，在本技术实施例中，所述下发能量目标值采集模块210和所述电用户数据采集模块220，用于获取包含当前时间点在内的多个预定时间点的网调下发给风电场的能量目标值，并获取所述多个预定时间点的与电网连接的所有电用户的用电功率值。如前所述，应可以理解，若想对于电网的用电需求进行动态地监控预测，以实时动态地对于下一时间点网调下发给风电场的能量目标值进行调整来保证电力系统的稳定运行，就需要基于所有用户的用电功率值以及网调下发给风电场的能量目标值在时序上的动态隐含关联特征来进行。由于深度神经网络模型在隐含的关联特征提取方面具有优异的表现，因此，在本技术的技术方案中，使用深度神经网络模型作为特征提取器以提取这种隐含的特征关联分布，并使用分类器来进行下一时间点网调下发给风电场的能量目标值变化的调整分类控制。也就是，具体地，在本技术的技术方案中，首先，获取包含当前时间点在内的多个预定时间点的网调下发给风电场的能量目标值，并且通过功率检测器获取所述多个预定时间点的与电网连接的所有电用户的用电功率值。
[0092]
具体地，在本技术实施例中，所述能量目标值时序编码模块230，用于将所述多个预定时间点的网调下发给风电场的能量目标值通过包含一维卷积层的时序编码器以得到能量目标特征向量。应可以理解，对于所述多个预定时间点的网调下发给风电场的能量目标值来说，由于所述网调下发给风电场的能量目标值在时间维度上具有动态性的规律，因此，在本技术的技术方案中，为了充分地挖掘出这种动态性的隐含特征，将所述多个预定时间点的网调下发给风电场的能量目标值通过包含一维卷积层的时序编码器中进行编码，以提取出所述网调下发给风电场的能量目标值在时序维度上的动态变化特征，从而得到能量目标特征向量。相应地，在一个具体示例中，所述时序编码器由交替设置的全连接层和一维卷积层组成，其通过一维卷积编码提取出所述网调下发给风电场的能量目标值在时序维度上的关联和通过全连接编码提取所述网调下发给风电场的能量目标值的高维隐含特征。
[0093]
更具体地，在本技术实施例中，所述能量目标值时序编码模块，包括：输入向量构造单元，用于将所述多个预定时间点的网调下发给风电场的能量目标值按照时间维度排列为输入向量；全连接编码单元，用于使用所述时序编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：其中x是所述输入向量，y是输出向量，w是权重矩阵，b
是偏置向量，表示矩阵乘；一维卷积编码单元，用于使用所述时序编码器的一维卷积层以如下公式对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：
[0094][0095]
其中，a为卷积核在x方向上的宽度、f为卷积核参数向量、g为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸，x表示所述输入向量。
[0096]
具体地，在本技术实施例中，所述电用户数据结构化模块240和所述用电数据局部关联编码模块250，用于将所述多个预定时间点的与电网连接的所有电用户的用电功率值按照电用户样本维度和时间维度排列为用电输入矩阵，并将所述用电输入矩阵通过作为特征提取器的卷积神经网络以得到用电局部关联特征图。应可以理解，对于所述多个预定时间点的与电网连接的所有电用户的用电功率值，考虑到所述所有电用户的用电功率值在时序维度上和样本维度上都具有着关联性，因此，在本技术的技术方案中，若想充分地挖掘出时间和样本维度上的隐含关联特征来进行分类，需要将所述多个预定时间点的与电网连接的所有电用户的用电功率值按照电用户样本维度和时间维度排列为用电输入矩阵后，使用作为特征提取器的卷积神经网络对其进行隐含关联特征提取，从而得到用电局部关联特征图。
[0097]
相应地，在一个具体示例中，所述电用户数据结构化模块，包括：时间维度排列单元，用于将所述多个预定时间点的与电网连接的所有电用户的用电功率值按照所述时间维度分别排列为行向量以得到多个行向量；以及，样本维度排列单元，用于将所述多个行向量按照所述电用户样本维度排列为所述用电输入矩阵。
[0098]
更具体地，在本技术实施例中，所述用电数据局部关联编码模块，进一步用于：所述作为特征提取器的卷积神经网络的各层在层的正向传递中对输入数据分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行均值池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的卷积神经网络的最后一层的输出为所述用电局部关联特征图，所述作为特征提取器的卷积神经网络的第一层的输入为所述用电输入矩阵。
[0099]
具体地，在本技术实施例中，所述用电数据全局关联编码模块260，用于将所述用电局部关联特征图通过非局部神经网络以得到用电全局关联特征图。应可以理解，考虑到由于卷积是典型的局部操作，而对于所述多个预定时间点的与电网连接的所有电用户的用电功率值来说，所述所有电用户的用电功率值之间并非是孤立存在的，所述所有电用户的用电功率值间的关联性产生前景目标。因此，在本技术的技术方案中，为了提取出所述多个预定时间点的与电网连接的所有电用户的用电功率值的关联性，使用非局部神经网络来进一步进行图像的特征提取。也就是，将所述用电局部关联特征图通过非局部神经网络以得到用电全局关联特征图。特别地，这里，所述非局部神经网络通过计算所述多个预定时间点的与电网连接的所有电用户的用电功率值相似度捕获隐藏的依赖信息，进而建模上下文特征，使网络关注所述用电功率数据间的整体内容，进而在分类、检测任务中提升主干网络特征提取能力。
[0100]
更具体地，在本技术的实施例中，所述用电数据全局关联编码模块，包括：首先，将所述用电局部关联特征图分别输入所述非局部神经网络的第一点卷积层、第二点卷积层和第三点卷积层以得到第一特征图、第二特征图和第三特征图；接着，计算所述第一特征图和所述第二特征图的按位置加权和以得到中间融合特征图；然后，将所述中间融合特征图输入softmax函数以对所述中间融合特征图中各个位置的特征值进行归一化以得到归一化中间融合特征图；接着，计算所述归一化中间融合特征图和所述第三特征图的按位置加权和以得到再融合特征图；然后，将所述再融合特征图通过嵌入高斯相似性函数以计算所述再融合特征图中各个位置的特征值间的相似性以得到全局感知特征图；接着，将所述全局感知特征图通过所述非局部神经网络的第四点卷积层以得到通道调整全局感知特征图；最后，计算所述通道调整全局感知特征图和所述高维关联局部特征图的按位置加权和以得到所述用电全局关联特征图。
[0101]
图3图示了根据本技术实施例的风电场能量管理系统中用电数据全局关联编码模块的框图。如图3所示，所述用电数据全局关联编码模块260，包括：点卷积单元261，用于将所述用电局部关联特征图分别输入所述非局部神经网络的第一点卷积层、第二点卷积层和第三点卷积层以得到第一特征图、第二特征图和第三特征图；第一融合单元262，用于计算所述第一特征图和所述第二特征图的按位置加权和以得到中间融合特征图；归一化单元263，用于将所述中间融合特征图输入softmax函数以对所述中间融合特征图中各个位置的特征值进行归一化以得到归一化中间融合特征图；第二融合单元 264，用于计算所述归一化中间融合特征图和所述第三特征图的按位置加权和以得到再融合特征图；全局感知单元265，用于将所述再融合特征图通过嵌入高斯相似性函数以计算所述再融合特征图中各个位置的特征值间的相似性以得到全局感知特征图；通道数调整单元266，用于将所述全局感知特征图通过所述非局部神经网络的第四点卷积层以得到通道调整全局感知特征图；以及，第三融合单元267，用于计算所述通道调整全局感知特征图和所述高维关联局部特征图的按位置加权和以得到所述用电全局关联特征图。
[0102]
具体地，在本技术实施例中，所述融合模块270，用于融合所述用电局部关联特征图和所述用电全局关联特征图以得到用电特征图。也就是，在本技术的技术方案中，在得到所述用电局部关联特征图和所述用电全局关联特征图后，使用加权和的方式来融合所述用电局部关联特征图和所述用电全局关联特征图以得到用电特征图。
[0103]
更具体地，在本技术实施例中，所述融合模块，进一步用于：以如下公式融合所述用电局部关联特征图和所述用电全局关联特征图以得到所述用电特征图；
[0104]
其中，所述公式为：
[0105][0106]
其中，fs为所述用电特征图，f1为所述用电局部关联特征图，f2为所述用电全局关联特征图，表示特征图的按位置加法，α和β为用于控制所述用电特征图中所述用电局部关联特征图和所述用电全局关联特征图之间的平衡的加权参数。
[0107]
具体地，在本技术实施例中，所述校正模块280，用于对所述用电特征图的各个沿通道维度的特征向量进行特征值校正以得到校正后用电特征图。应可以理解，考虑到在将所述所有电用户的用电功率按照时间维度和电用户样本维度排列为用电输入矩阵时，所述
电用户的用电功率在时间维度和样本维度上均会存在一些随机出现的异常扰动，因此在经过卷积神经网络和非局部神经网络，体现为提取出的所述用电特征图的各个沿通道维度的特征向量在通道维度上存在特征表达的异常发散(因为通道维度的各位置的特征值提取表示时间维度和样本维度上的关联特征)，从而在通过全局均值池化进行聚合时对分类结果造成负面影响。因此，在本技术的技术方案中，进一步对所述用电特征图的各个沿通道维度的特征向量进行向量的波函数表征聚合。
[0108]
应可以理解，这样，通过对特征向量引入向量的波函数表示，即幅度表示强度信息，而相位表示周期位置信息，可以对向量的信息表征进行类复函数域的聚合，从而弥补向量的各位置之间的相位差在分类的类概率聚合上导致的负面影响(也就是，从波函数原理出发的同相加强和异相抵消)，从而增强了用于表示全局用电特征分布的所述用电特征矩阵的分类效果，也就增强了所述分类特征向量的分类效果。
[0109]
更具体地，在本技术实施例中，所述校正模块，进一步用于：以如下公式对所述用电特征图的各个沿通道维度的特征向量进行特征值校正以得到所述校正后用电特征图；
[0110]
其中，所述公式为：
[0111][0112]
其中，v表示所述用电特征图的各个沿通道维度的特征向量，v
max-1
表示所述用电特征图的各个沿通道维度的特征向量的最大特征值的倒数，
⊙
表示按位置点乘。
[0113]
具体地，在本技术实施例中，所述全局均值池化模块290，用于对所述校正后用电特征图进行沿通道维度的全局均值池化以得到用电特征矩阵。也就是，在本技术的技术方案中，进一步地，对所述校正后用电特征图进行沿通道维度的全局均值池化处理，以得到用电特征矩阵。应可以理解，这样，可以降低参数的数据，进而降低计算量，防止过拟合，以利于提高后续分类的准确性。
[0114]
具体地，在本技术实施例中，所述映射模块300和所述预测结果生成模块310，用于将所述能量目标特征向量与所述用电特征矩阵进行相乘以得到分类特征向量，并将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示下一时间点网调下发给风电场的能量目标值增大或减小。也就是，在本技术的技术方案中，将所述能量目标特征向量与所述用电特征矩阵进行相乘，以融合所述网调下发给风电场的能量目标值在时序维度上的动态关联特征与所述所有电用户的用电功率值在时序维度上的隐含关联特征分布，从而得到分类特征向量来进行分类，就能够获得用于表示下一时间点网调下发给风电场的能量目标值增大或减小的分类结果。相应地，在一个具体示例中，使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果，其中，所述公式为：softmax{(wn,bn):
…
:(w1,b1)|x}，其中，w1到wn为权重矩阵，b1到bn为偏置向量，x为所述分类特征向量。
[0115]
综上，基于本技术实施例的所述风电场能量管理系统200被阐明，其通过采用人工智能预测管理技术，将包含当前时间点在内的多个预定时间点的网调下发给风电场的能量目标值以及与电网连接的所有电用户的用电功率值作为输入数据，使用深度神经网络模型作为特征提取器，从而挖掘出所述网调下发给风电场的能量目标值以及所述所有电用户的用电功率值在时序维度上的动态隐含关联特征，并基于这种特征信息来进行下一时间点网调下发给风电场的能量目标值变化的调控，进而保证电力系统的稳定运行。
[0116]
如上所述，根据本技术实施例的风电场能量管理系统200可以实现在各种终端设
备中，例如风电场能量管理算法的服务器等。在一个示例中，根据本技术实施例的风电场能量管理系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该风电场能量管理系统200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该风电场能量管理系统200同样可以是该终端设备的众多硬件模块之一。
[0117]
替换地，在另一示例中，该风电场能量管理系统200与该终端设备也可以是分立的设备，并且该风电场能量管理系统200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
[0118]
示例性方法
[0119]
图4图示了风电场能量管理方法的流程图。如图4所示，根据本技术实施例的风电场能量管理方法，包括步骤：s110，获取包含当前时间点在内的多个预定时间点的网调下发给风电场的能量目标值；s120，获取所述多个预定时间点的与电网连接的所有电用户的用电功率值；s130，将所述多个预定时间点的网调下发给风电场的能量目标值通过包含一维卷积层的时序编码器以得到能量目标特征向量；s140，将所述多个预定时间点的与电网连接的所有电用户的用电功率值按照电用户样本维度和时间维度排列为用电输入矩阵；s150，将所述用电输入矩阵通过作为特征提取器的卷积神经网络以得到用电局部关联特征图；s160，将所述用电局部关联特征图通过非局部神经网络以得到用电全局关联特征图；s170，融合所述用电局部关联特征图和所述用电全局关联特征图以得到用电特征图；s180，对所述用电特征图的各个沿通道维度的特征向量进行特征值校正以得到校正后用电特征图；s190，对所述校正后用电特征图进行沿通道维度的全局均值池化以得到用电特征矩阵；s200，将所述能量目标特征向量与所述用电特征矩阵进行相乘以得到分类特征向量；以及，s210，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示下一时间点网调下发给风电场的能量目标值增大或减小。
[0120]
图5图示了根据本技术实施例的风电场能量管理方法的架构示意图。如图5所示，在所述风电场能量管理方法的网络架构中，首先，将获得的所述多个预定时间点的网调下发给风电场的能量目标值(例如，如图5中所示意的p1)通过包含一维卷积层的时序编码器(例如，如图5中所示意的e)以得到能量目标特征向量(例如，如图5中所示意的vf1)；接着，将获得的所述多个预定时间点的与电网连接的所有电用户的用电功率值(例如，如图 5中所示意的p2)按照电用户样本维度和时间维度排列为用电输入矩阵(例如，如图5中所示意的m)；然后，将所述用电输入矩阵通过作为特征提取器的卷积神经网络(例如，如图5中所示意的cnn1)以得到用电局部关联特征图(例如，如图5中所示意的f1)；接着，将所述用电局部关联特征图通过非局部神经网络(例如，如图5中所示意的cnn2)以得到用电全局关联特征图(例如，如图5中所示意的f2)；然后，融合所述用电局部关联特征图和所述用电全局关联特征图以得到用电特征图(例如，如图5中所示意的fc1)；接着，对所述用电特征图的各个沿通道维度的特征向量进行特征值校正以得到校正后用电特征图(例如，如图5中所示意的fc2)；然后，对所述校正后用电特征图进行沿通道维度的全局均值池化以得到用电特征矩阵(例如，如图5中所示意的mf)；接着，将所述能量目标特征向量与所述用电特征矩阵进行相乘以得到分类特征向量(例如，如图5中所示意的vf)；以及，最后，将所述分类特征向量通过分类器(例如，如图5中所示意的圈s)以得到分类结果，所述分类结果用于表示下一时间
点网调下发给风电场的能量目标值增大或减小。
[0121]
更具体地，在步骤s110和步骤s120中，获取包含当前时间点在内的多个预定时间点的网调下发给风电场的能量目标值，并获取所述多个预定时间点的与电网连接的所有电用户的用电功率值。应可以理解，若想对于电网的用电需求进行动态地监控预测，以实时动态地对于下一时间点网调下发给风电场的能量目标值进行调整来保证电力系统的稳定运行，就需要基于所有用户的用电功率值以及网调下发给风电场的能量目标值在时序上的动态隐含关联特征来进行。由于深度神经网络模型在隐含的关联特征提取方面具有优异的表现，因此，在本技术的技术方案中，使用深度神经网络模型作为特征提取器以提取这种隐含的特征关联分布，并使用分类器来进行下一时间点网调下发给风电场的能量目标值变化的调整分类控制。也就是，具体地，在本技术的技术方案中，首先，获取包含当前时间点在内的多个预定时间点的网调下发给风电场的能量目标值，并且通过功率检测器获取所述多个预定时间点的与电网连接的所有电用户的用电功率值。
[0122]
更具体地，在步骤s130中，将所述多个预定时间点的网调下发给风电场的能量目标值通过包含一维卷积层的时序编码器以得到能量目标特征向量。应可以理解，对于所述多个预定时间点的网调下发给风电场的能量目标值来说，由于所述网调下发给风电场的能量目标值在时间维度上具有动态性的规律，因此，在本技术的技术方案中，为了充分地挖掘出这种动态性的隐含特征，将所述多个预定时间点的网调下发给风电场的能量目标值通过包含一维卷积层的时序编码器中进行编码，以提取出所述网调下发给风电场的能量目标值在时序维度上的动态变化特征，从而得到能量目标特征向量。相应地，在一个具体示例中，所述时序编码器由交替设置的全连接层和一维卷积层组成，其通过一维卷积编码提取出所述网调下发给风电场的能量目标值在时序维度上的关联和通过全连接编码提取所述网调下发给风电场的能量目标值的高维隐含特征。
[0123]
更具体地，在步骤s140和步骤s150中，将所述多个预定时间点的与电网连接的所有电用户的用电功率值按照电用户样本维度和时间维度排列为用电输入矩阵，并将所述用电输入矩阵通过作为特征提取器的卷积神经网络以得到用电局部关联特征图。应可以理解，对于所述多个预定时间点的与电网连接的所有电用户的用电功率值，考虑到所述所有电用户的用电功率值在时序维度上和样本维度上都具有着关联性，因此，在本技术的技术方案中，若想充分地挖掘出时间和样本维度上的隐含关联特征来进行分类，需要将所述多个预定时间点的与电网连接的所有电用户的用电功率值按照电用户样本维度和时间维度排列为用电输入矩阵后，使用作为特征提取器的卷积神经网络对其进行隐含关联特征提取，从而得到用电局部关联特征图。
[0124]
更具体地，在步骤s160中，将所述用电局部关联特征图通过非局部神经网络以得到用电全局关联特征图。应可以理解，考虑到由于卷积是典型的局部操作，而对于所述多个预定时间点的与电网连接的所有电用户的用电功率值来说，所述所有电用户的用电功率值之间并非是孤立存在的，所述所有电用户的用电功率值间的关联性产生前景目标。因此，在本技术的技术方案中，为了提取出所述多个预定时间点的与电网连接的所有电用户的用电功率值的关联性，使用非局部神经网络来进一步进行图像的特征提取。也就是，将所述用电局部关联特征图通过非局部神经网络以得到用电全局关联特征图。特别地，这里，所述非局部神经网络通过计算所述多个预定时间点的与电网连接的所有电用户的用电功率值相似
度捕获隐藏的依赖信息，进而建模上下文特征，使网络关注所述用电功率数据间的整体内容，进而在分类、检测任务中提升主干网络特征提取能力。
[0125]
更具体地，在步骤s170和步骤s180中，融合所述用电局部关联特征图和所述用电全局关联特征图以得到用电特征图，并对所述用电特征图的各个沿通道维度的特征向量进行特征值校正以得到校正后用电特征图。也就是，在本技术的技术方案中，在得到所述用电局部关联特征图和所述用电全局关联特征图后，使用加权和的方式来融合所述用电局部关联特征图和所述用电全局关联特征图以得到用电特征图。应可以理解，考虑到在将所述所有电用户的用电功率按照时间维度和电用户样本维度排列为用电输入矩阵时，所述电用户的用电功率在时间维度和样本维度上均会存在一些随机出现的异常扰动，因此在经过卷积神经网络和非局部神经网络，体现为提取出的所述用电特征图的各个沿通道维度的特征向量在通道维度上存在特征表达的异常发散(因为通道维度的各位置的特征值提取表示时间维度和样本维度上的关联特征)，从而在通过全局均值池化进行聚合时对分类结果造成负面影响。因此，在本技术的技术方案中，进一步对所述用电特征图的各个沿通道维度的特征向量进行向量的波函数表征聚合。
[0126]
应可以理解，这样，通过对特征向量引入向量的波函数表示，即幅度表示强度信息，而相位表示周期位置信息，可以对向量的信息表征进行类复函数域的聚合，从而弥补向量的各位置之间的相位差在分类的类概率聚合上导致的负面影响(也就是，从波函数原理出发的同相加强和异相抵消)，从而增强了用于表示全局用电特征分布的所述用电特征矩阵的分类效果，也就增强了所述分类特征向量的分类效果。
[0127]
更具体地，在步骤s190中，对所述校正后用电特征图进行沿通道维度的全局均值池化以得到用电特征矩阵。也就是，在本技术的技术方案中，进一步地，对所述校正后用电特征图进行沿通道维度的全局均值池化处理，以得到用电特征矩阵。应可以理解，这样，可以降低参数的数据，进而降低计算量，防止过拟合，以利于提高后续分类的准确性。
[0128]
更具体地，在步骤s200和步骤s210中，将所述能量目标特征向量与所述用电特征矩阵进行相乘以得到分类特征向量，并将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示下一时间点网调下发给风电场的能量目标值增大或减小。也就是，在本技术的技术方案中，将所述能量目标特征向量与所述用电特征矩阵进行相乘，以融合所述网调下发给风电场的能量目标值在时序维度上的动态关联特征与所述所有电用户的用电功率值在时序维度上的隐含关联特征分布，从而得到分类特征向量来进行分类，就能够获得用于表示下一时间点网调下发给风电场的能量目标值增大或减小的分类结果。
[0129]
综上，基于本技术实施例的所述风电场能量管理方法被阐明，其通过采用人工智能预测管理技术，将包含当前时间点在内的多个预定时间点的网调下发给风电场的能量目标值以及与电网连接的所有电用户的用电功率值作为输入数据，使用深度神经网络模型作为特征提取器，从而挖掘出所述网调下发给风电场的能量目标值以及所述所有电用户的用电功率值在时序维度上的动态隐含关联特征，并基于这种特征信息来进行下一时间点网调下发给风电场的能量目标值变化的调控，进而保证电力系统的稳定运行。
[0130]
以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作
用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。
[0131]
本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
[0132]
还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
[0133]
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
[0134]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。