直流支撑电容器电容量在线辨识方法及装置

1.本发明属于在线监测技术领域，具体涉及到一种直流支撑电容器电容量在线辨识方法及装置。


背景技术：

2.在变流器这类功率变换电路中，电容器经常由于工作环境温度过高、工作电流过大等因素而逐渐劣化，形成安全隐患。因此，对变流器中电容器的健康状态进行在线监测对于确保电路安全十分重要。
3.现有技术中对电容器电容量的在线监测技术往往需要增设一些额外电路器件，提高了电路成本，并且计算评估过程较为复杂，很难在有限时间内实现直流支撑电容器电容量的准确辨识，不利于推广实施。
4.可见，采用何种方法简单且无需增设额外器件进行电容器电容量的在线辨识，是本领域技术人员所亟待解决的技术问题。


技术实现要素：

5.本发明提供一种直流支撑电容器电容量在线辨识方法及装置，以解决现有的直流支撑电容器电容量在线辨识复杂且准确度不高的问题。
6.基于上述目的，本发明实施例提供了一种直流支撑电容器电容量在线辨识方法，包括：在预充电过程中对列车变流器中间直流回路的输入电压和输出电压进行在线采样，并根据所述输入电压和所述输出电压基于所述列车变流器中间直流回路建立列车变流器中间直流回路的预充电模型；根据所述预充电模型应用受控自回归滑动平均模型进行模型参数估计，获取当前时刻的预设参数；根据所述预设参数基于所述预充电模型中所述直流支撑电容器的电容量与所述预设参数的关系计算当前时刻的所述电容量的计算值。
7.可选的，所述根据所述输入电压和所述输出电压基于所述列车变流器中间直流回路建立列车变流器中间直流回路的预充电模型，包括：根据所述列车变流器中间直流回路获取充电电路模型，并获取所述充电电路模型的传递函数；根据所述输入电压和所述输出电压基于所述充电电路模型计算当前时刻流过直流支撑电容器的电流；根据所述输出电压、所述电流以及所述传递函数建立所述列车变流器中间直流回路的预充电模型。
8.可选的，所述根据所述输出电压、所述电流以及所述传递函数建立所述列车变流器中间直流回路的预充电模型，包括：基于所述输出电压以及所述电流获取复频域的传递函数；对所述复频域的传递函数进行双线性变换，获取复频域的离散形式的传递函数，得到所述列车变流器中间直流回路的所述预充电模型。
9.可选的，所述根据所述预充电模型应用受控自回归滑动平均模型进行模型参数估计，获取当前时刻的预设参数，包括：根据所述预充电模型引入噪声建立受控自回归滑动平均模型；采用递推增广最小二乘法对所述受控自回归滑动平均模型进行噪声估计和模型参数估计，获取当前时刻的所述预设参数。
10.可选的，所述采用递推增广最小二乘法对所述受控自回归滑动平均模型进行噪声估计和模型参数估计，获取当前时刻的所述预设参数，包括：根据所述受控自回归滑动平均模型获取高阶受控自回归模型；根据所述高阶受控自回归模型采用递推最小二乘法计算噪声的平滑估计值；根据噪声的平滑估计值采用递推增广最小二乘法对所述受控自回归模型进行模型参数估计，获取当前时刻的所述预设参数。
11.可选的，所述高阶受控自回归模型为：
12.向量形式为：
[0013][0014][0015][0016]
其中，αi和βi分别为u2(k-i)和ic(k-i)的系数，ρ为系数向量，n0为高阶受控自回归模型的阶次，u2(k-i)为k-i时刻的所述输出电压，ic(k-i)为k-i时刻的流过所述直流支撑电容器的电流，ε(k)为k时刻的噪声，u2(k)为k时刻的所述输出电压，为k时刻的高阶因向量的转置向量；
[0017]
所述根据所述高阶受控自回归模型采用递推最小二乘法计算噪声的平滑估计值，包括：采用递推最小二乘法获取系数向量的估计值；将所述系数向量的估计值代替所述系数向量，应用以下关系式获取所述噪声的平滑估计值：
[0018][0019]
其中，为i时刻的噪声的平滑估计值，u2(i)为i时刻的输出电压，为i时刻的高阶因向量的转置向量，ρ(k 1)为k 1时刻的系数向量，nd为ε(k)的阶次。
[0020]
可选的，所述根据噪声的平滑估计值采用递推增广最小二乘法对所述受控自回归模型进行模型参数估计，获取当前时刻的所述预设参数，包括：对所述受控自回归滑动平均模型进行递推增广最小二乘法处理，切换成向量形式的所述受控自回归滑动平均模型：
[0021][0022][0023][0024]
其中，u2(k)为k时刻的所述输出电压，为k时刻的因向量的转置向量，ε(k)为k时刻的噪声，nd为ε(k)的阶次，u2(k-1)为k-1时刻的所述输出电压，ic(k)为k时刻的流过所述直流支撑电容器的电流，ic(k-1)为k-1时刻的流过所述直流支撑电容器的电流，ε(k-1)为k-1时刻的噪声，ε(k-nd)为k-nd时刻的噪声，θ为参数向量，b0、b1为所述预设参数，d1、分别为ε(k-1)和ε(k-nd)的系数；将噪声的平滑估计值代替所述因向量中的噪声，并采用递
推增广最小二乘法对所述受控自回归模型进行模型参数估计，获取当前时刻的所述预设参数。
[0025]
基于同一发明构思，本发明实施例还提出了一种直流支撑电容器电容量在线辨识装置，包括：预充电模型获取单元，用于在预充电过程中对列车变流器中间直流回路的输入电压和输出电压进行在线采样，并根据所述输入电压和所述输出电压基于所述列车变流器中间直流回路建立列车变流器中间直流回路的预充电模型；模型参数估计单元，用于根据所述预充电模型应用受控自回归滑动平均模型进行模型参数估计，获取当前时刻的预设参数；电容量辨识单元，用于根据所述预设参数基于所述预充电模型中所述直流支撑电容器的电容量与所述预设参数的关系计算当前时刻的所述电容量的计算值。
[0026]
基于同一发明构思，本发明实施例还提出了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现前述的方法。
[0027]
基于同一发明构思，本发明实施例还提出了一种计算机存储介质，存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行前述的方法。
[0028]
本发明的有益效果是：从上面所述可以看出，本发明实施例提供的一种直流支撑电容器电容量在线辨识方法及装置，方法包括：在预充电过程中对列车变流器中间直流回路的输入电压和输出电压进行在线采样，并根据所述输入电压和所述输出电压基于所述列车变流器中间直流回路建立列车变流器中间直流回路的预充电模型；根据所述预充电模型应用受控自回归滑动平均模型进行模型参数估计，获取当前时刻的预设参数；根据所述预设参数基于所述预充电模型中所述直流支撑电容器的电容量与所述预设参数的关系计算当前时刻的所述电容量的计算值，能够快速、简洁的实现直流支撑电容器电容量的准确辨识。
附图说明
[0029]
为了更清楚地说明本发明实施例或现有技术中的技术方案，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发明实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0030]
图1为本发明实施例中的直流支撑电容器电容量在线辨识方法的流程示意图；
[0031]
图2为本发明实施例中的列车变流器中间直流回路拓扑结构的示意图；
[0032]
图3为本发明实施例中的薄膜电容器的等效电路示意图；
[0033]
图4为本发明实施例中的列车变流器中间直流回路的充电电路模型示意图；
[0034]
图5为本发明实施例中的直流支撑电容器电容量在线辨识的计算过程示意图；
[0035]
图6为本发明实施例中的直流支撑电容器电容量在线辨识装置的结构示意图；
[0036]
图7为本发明实施例中电子设备示意图。
具体实施方式
[0037]
为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。
[0038]
需要说明的是，除非另外定义，本发明实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本发明实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
[0039]
本发明实施例提供了一种直流支撑电容器电容量在线辨识方法。本发明实施例的直流支撑电容器电容量在线辨识方法应用于服务器。如附图1所示，直流支撑电容器电容量在线辨识方法包括：
[0040]
步骤s11：在预充电过程中对列车变流器中间直流回路的输入电压和输出电压进行在线采样，并根据所述输入电压和所述输出电压基于所述列车变流器中间直流回路建立列车变流器中间直流回路的预充电模型。
[0041]
在本发明实施例中，列车变流器中间直流回路拓扑结构如图2所示，第一电压传感器tv201并联在输入侧，以用于检测输入电压u1(t)。第一接触器km201为双刀双掷开关。第一接触器km201的第一端通过熔断器fu201接输入侧的正端，第二端通过第二接触器km202与二极管d201的阳极连接，第三端接输入侧的负端，第四端接输出侧的负端。充电电阻201并联在第二接触器km202的两端。直流支撑电容器c201为薄膜电容器，一端与二极管d201的阴极连接，另一端接输出侧的负端。放电电阻r202与第三接触器km203串联后，并联在输出侧的两端。第一串联电阻r203和第二串联电阻r204相互串联后，与直流支撑电容器c201并联。第二电压传感器tv202并联在相互串联后的放电电阻r202与第三接触器km203的两端，以用于检测输出电压u2(t)。第三接触器km203为放电接触器。
[0042]
在逆变器启动前，需要对直流支撑电容器c201进行充电以保持在额定的工作电压范围内。如果第一电压传感器tv201检测到主电路电压大于dc 500v时，吸合第一接触器km201，放电接触器km203自动断开，开始预充电。当第一电压传感器tv201与第二电压传感器tv202的电压差小于dc 50v后，吸合第二接触器km202，结束预充电状态。预充电完成后，吸合交流输出接触器(图未示)，逆变器按变压变频(variable voltage and variable frequency，vvvf)启动输出。当第一电压传感器tv201检测到dc 600v电源电压低于dc 500v时，第一接触器km201断开，第二接触器km202断开，第三接触器km203吸合，交流输出接触器断开，直流支撑电容器主要经由放电电阻r202进行放电。
[0043]
在本发明实施例中，在预充电过程中应用第一电压传感器tv201和第二电压传感器tv202分别对列车变流器中间直流回路的输入电压和输出电压进行在线采样，采样周期为t。然后根据采样的输入电压和输出电压以及列车变流器中间直流回路建立列车变流器中间直流回路的预充电模型。具体地，首先根据所述列车变流器中间直流回路获取充电电路模型，并获取所述充电电路模型的传递函数；然后根据所述输入电压和所述输出电压基于所述充电电路模型计算当前时刻流过直流支撑电容器的电流；再根据所述输出电压、所述电流以及所述传递函数建立所述列车变流器中间直流回路的预充电模型。
[0044]
一般的，如图3所示，薄膜电容器在电路中可以等效为电容c与等效串联电阻esr的
串联形式。c是薄膜电容器最重要的电气参数之一，直接影响电容器的品质。esr与薄膜电容器电极的有效导电截面积有关，有效导电截面积很小时会产生较小的esr(通常低于毫欧级)。当薄膜电容器处于充电状态时，列车变流器中间直流回路可以表示为图4所示充电电路模型。其中，第一电r1与第二电阻r2分别为阻值已知的支路电阻。该充电电路模型的传递函数h(s)为：
[0045][0046]
其中，g1、g2为常数，有
[0047][0048][0049]
将上述传递函数转化为离散形式后，由输入电压和输出电压的值可以对电容量c进行估计。为了便于计算，可以对式(1)所述关系进一步简化，根据基尔霍夫定律，由电压u1(t)与u2(t)可以计算流过直流支撑电容器的电流ic(t)为：
[0050][0051]
获取直流支撑电容器的电流ic(t)后，可以基于所述输出电压以及所述电流获取复频域的所述传递函数。当已知直流支撑电容器电压与电流时，在复频域中有
[0052][0053]
再对所述复频域的传递函数进行双线性变换，获取复频域的离散形式的传递函数，得到所述列车变流器中间直流回路的所述预充电模型。引用双线性变换：
[0054][0055]
可以将式(5)转化为复频域的离散形式的传递函数如下：
[0056]
(1-z-1
)u2(z-1
)＝(b0 b1z-1
)ic(z-1
)
ꢀꢀꢀ
(7)
[0057]
其中，
[0058][0059][0060]
该复频域的离散形式的传递函数即为列车变流器中间直流回路的预充电模型。
[0061]
当采样周期t足够小时，离散时间下的幅频特性和相频特性与连续时间是一致的。可以看出，在获得包括b0与b1的预设参数的估计值的情况下能够对直流支撑电容器电容量c进行有效辨识，有
[0062][0063]
本发明实施例为了获得预设参数b0与b1的准确估计，进而计算可靠的电容量估值，采用递推增广最小二乘(recursive extended least squares，rels)对式(7)中的参数进行迭代计算，通过在模型参数辨识的过程中对噪声建模以达到参数无偏估计的目的。
[0064]
步骤s12：根据所述预充电模型应用受控自回归滑动平均模型进行模型参数估计，获取当前时刻的预设参数。
[0065]
在步骤s12中，可以先根据所述预充电模型引入测量噪声建立受控自回归滑动平均模型；采用递推最小二乘法对所述受控自回归滑动平均模型进行噪声估计和模型参数估计，获取当前时刻的所述预设参数。
[0066]
在本发明实施例中，考虑到电压传感器测量误差的影响以及预充电过程的时限性，采用两段递推最小二乘(recursive least squares，rls)-rels的方法对式(7)中的预设参数b0与b1进行辨识，从而获得直流支撑电容器电容量c的估计值。
[0067]
在直流支撑电容器预充电过程中，电压传感器不可避免地存在一定的测量噪声，这种噪声可以看成是系统内外扰动以及器件固有误差等因素的综合反映。因此，电压传感器实际测量时的噪声不一定为统计独立的白噪声。考虑噪声影响，式(7)可以改写为一个受控自回归滑动平均(carma)模型：
[0068]
u2(k)＝u2(k-1) b0ic(k) b1ic(k-1) ε(k)
ꢀꢀꢀꢀ
(11)
[0069]
其中，u2(k)为k时刻的所述输出电压，u2(k-1)为k-1时刻的所述输出电压，b0、b1为所述预设参数，ic(k)为k时刻的流过所述直流支撑电容器的电流，ic(k-1)为k-1时刻的流过所述直流支撑电容器的电流，ε(k)为k时刻的噪声，方差未知。
[0070]
对所述受控自回归滑动平均模型进行递推增广最小二乘法处理，切换成向量形式的所述受控自回归滑动平均模型：
[0071][0072][0073][0074]
其中，u2(k)为k时刻的所述输出电压，为k时刻的因向量的转置向量，ε(k)为k时刻的噪声，nd为ε(k)的阶次，u2(k-1)为k-1时刻的所述输出电压，ic(k)为k时刻的流过所述直流支撑电容器的电流，ic(k-1)为k-1时刻的流过所述直流支撑电容器的电流，ε(k-1)为k-1时刻的噪声，ε(k-nd)为k-nd时刻的噪声，θ(k)为参数向量，b0、b1为所述预设参数，d1、分别为ε(k-1)和ε(k-nd)的系数。
[0075]
由于因向量的转置向量中包含有不可测的噪声量ε(k-1)，i＝1，2，...，nd。将中的ε(k-1)用其估计值代替，有
[0076]
[0077]
其中，为噪声估计值。
[0078]
由递推最小二乘法计算可得：
[0079][0080][0081]
其中，p(k)为第一中间参数，为参数向量θ(k 1)的估计值，p(k)为第一中间参数，中的噪声的估计值由下式计算：
[0082][0083]
其中，为i时刻的噪声的平滑估计值，为i-1时刻的参数向量估计值。且初值为：
[0084][0085]
通过上述递推参数估计预估噪声的方式可以实现预设参数b0与b1的准确辨识。通常，该算法的θ(k)估计是一致的，即当k趋于无穷大时，θ的估值收敛于真实值。所以，当k足够大时，便可通过式(10)对电容量c进行有效估算。
[0086]
考虑到在某些情况下直流支撑电容器充电时间较短，且噪声估值与参数估值通过式(16)～式(18)具有相互耦合作用，从而导致算法收敛速度变慢，噪声估值精度在有限的时间内不高的问题，本发明实施例采用rls算法拟合高阶受控自回归(controlled auto-regressive，car)模型以单独得到噪声估值，并将其用于rels对所述受控自回归模型的模型参数估计，从而对式(18)所示估值方式进行优化，达到提高参数辨识精度与收敛速度的目的。
[0087]
在本发明实施例中，采用递推增广最小二乘法对所述受控自回归滑动平均模型进行噪声估计和模型参数估计时，首先根据所述受控自回归滑动平均模型获取高阶受控自回归模型；然后根据所述高阶受控自回归模型采用递推最小二乘法计算噪声的平滑估计值。
[0088]
由平稳、可逆性知，上述受控自回归滑动平均(carma)模型可用如下高阶car模型代替：
[0089][0090]
其中，n0为高阶受控自回归模型的阶次，αi和βi分别为u2(k-i)和ic(k-i)的系数，且α0＝β0＝1。阶次n0取充分大，例如取10～20。
[0091]
对高阶car模型进行递推最小二乘法处理得到向量形式的高阶car模型：
[0092][0093]
[0094][0095]
其中，ρ为系数向量，u2(k-i)为k-i时刻的所述输出电压，ic(k-i)为k-i时刻的流过所述直流支撑电容器的电流，ε(k)为k时刻的噪声，u2(k)为k时刻的所述输出电压，为高阶因向量的转置向量。
[0096]
基于向量形式的高阶car模型，可以采用递推最小二乘法获取系数向量的估计值：
[0097][0098][0099]
其中，为第二中间参数。将所述系数向量的估计值代替所述系数向量，进而根据以下关系式可以获取噪声的平滑估值
[0100][0101]
其中，为i时刻的噪声估计值，u2(i)为i时刻的输出电压，为i时刻的高阶因向量的转置向量，ρ(k 1)为k 1时刻的系数向量，nd为ε(k)的阶次。
[0102]
相比于原有的误差估值算法，即模型参数估值通过式(18)影响误差估值，式(26)给出的估值方法与模型参数估值无关且被独立用于rels的计算。当所拟合的高阶car模型阶次足够大时，通过式(26)就能获得误差的高精度平滑估值，同时提高参数辨识的收敛速度。
[0103]
得到噪声的平滑估计值之后，根据噪声的平滑估计值采用递推增广最小二乘法对所述受控自回归模型进行模型参数估计，获取当前时刻的所述预设参数。具体地，对所述受控自回归滑动平均模型进行递推增广最小二乘法处理，切换成向量形式的所述受控自回归滑动平均模型；然后将噪声的平滑估计值代替所述因向量中的噪声，并采用递推增广最小二乘法对所述受控自回归模型进行模型参数估计，获取当前时刻的所述预设参数。即根据式(15)计算求得因向量的转置向量然后根据采用递推增广最小二乘法对所述受控自回归模型处理得到的式(16)和式(17)求得参数向量θ(k)的估计值并作为参数向量θ(k)。根据参数向量θ(k)即可得到其中包含的预设参数b0和b1。
[0104]
步骤s13：根据所述预设参数基于所述预充电模型中所述直流支撑电容器的电容量与所述预设参数的关系计算当前时刻的所述电容量。
[0105]
得到预设参数b0和b1之后，然后根据基于所述预充电模型中得到的式(10)可计算得到当前时刻的直流支撑电容器电容量c，完成直流支撑电容器电容量c的在线辨识。
[0106]
在本发明实施例中，在预充电过程中，通过采集输入电压u1(t)与输出电压u2(t)，结合预充电模型、relse参数估计与误差估计可以对直流支撑电容器电容量进行准确辨识，整个计算过程如图5所示。
[0107]
首先，由k时刻的输入电压u1(t)与输出电压u2(k)计算当前时刻直流支撑电容器的
电流ic(k)，并将输出电压u2(k)与直流支撑电容器的电流ic(k)作为算法输入。接着，在每一时刻，先由拟合的高阶car模型计算噪声的平滑估值具体根据式(22)计算得到高阶因向量的转置向量再根据式(24)和式(25)分别求得系数向量ρ和第二中间参数进而根据式(26)计算噪声的平滑估值然后，将计算噪声的平滑估值代替因向量的转置向量中原本由rels计算得到的噪声估计值根据式(15)计算得到因向量的转置向量再根据式(16)和式(17)分别求得参数向量θ(k)的估计值和第一中间参数p(k)。参数向量θ(k)即为受控自回归滑动平均模型的模型参数，将估计值作为参数向量θ(k)，根据参数向量θ(k)即可得到其中包含的预设参数b0和b1。最后，通过预充电模型中预设参数b0和b1与电容量的关系，即式(10)，得到电容量c的准确计算值。
[0108]
相比现有的递推算法计算过程，本发明实施例提出的直流支撑电容器电容量在线辨识方法在考虑误差影响并提高辨识精度的同时能够有效保证递推算法的收敛速度，在有限时间内实现直流支撑电容器电容量的准确辨识。
[0109]
以下表1中应用本发明实施例的直流支撑电容器电容量在线辨识方法不同采样频率下的直流支撑电容器电容量的辨识结果，其中步长即步数，表征高阶受控自回归模型的阶次n0。可以看出，不同采样频率下，本发明实施例的辨识结果均在1％以内。
[0110]
表1不同采样频率下直流支撑电容器电容量的辨识结果
[0111][0112]
综上所述，本发明实施例的直流支撑电容器电容量在线辨识方法通过在预充电过程中对列车变流器中间直流回路的输入电压和输出电压进行在线采样，并根据所述输入电压和所述输出电压基于所述列车变流器中间直流回路建立列车变流器中间直流回路的预充电模型；根据所述预充电模型应用受控自回归滑动平均模型进行模型参数估计，获取当前时刻的预设参数；根据所述预设参数基于所述预充电模型中所述直流支撑电容器的电容量与所述预设参数的关系计算当前时刻的所述电容量，能够快速、简洁的实现直流支撑电容器电容量的准确辨识。
[0113]
上述对本发明特定实施例进行了描述。在一些情况下，在本发明实施例中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
[0114]
基于同一个构思，本发明实施例还提供了一种直流支撑电容器电容量在线辨识装
置。应用于服务器。附图6所示，直流支撑电容器电容量在线辨识装置包括：预充电模型获取单元、模型参数估计单元以及电容量辨识单元。其中，
[0115]
预充电模型获取单元，用于在预充电过程中对列车变流器中间直流回路的输入电压和输出电压进行在线采样，并根据所述输入电压和所述输出电压基于所述列车变流器中间直流回路建立列车变流器中间直流回路的预充电模型；
[0116]
模型参数估计单元，用于根据所述预充电模型应用受控自回归滑动平均模型进行模型参数估计，获取当前时刻的预设参数；
[0117]
电容量辨识单元，用于根据所述预设参数基于所述预充电模型中所述直流支撑电容器的电容量与所述预设参数的关系计算当前时刻的所述电容量。
[0118]
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本发明实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
[0119]
上述实施例的装置应用于前述实施例中相应的方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
[0120]
基于同一发明构思，本发明实施例还提供了一种电子设备，该电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上任意一实施例所述的方法。
[0121]
本发明实施例提供了一种非易失性计算机存储介质，所述计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行如上任意一实施例中所述的方法。
[0122]
图7示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器701、存储器702、输入/输出接口703、通信接口704和总线705。其中处理器701、存储器702、输入/输出接口703和通信接口704通过总线705实现彼此之间在设备内部的通信连接。
[0123]
处理器701可以采用通用的cpu(central processing unit，中央处理器)、微处理器、应用专用集成电路(application specific integrated circuit，asic)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本发明方法实施例所提供的技术方案。
[0124]
存储器702可以采用rom(read only memory，只读存储器)、ram(random accessmemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器702可以存储操作系统和其他应用程序，在通过软件或者固件来实现本发明方法实施例所提供的技术方案时，相关的程序代码保存在存储器702中，并由处理器701来调用执行。
[0125]
输入/输出接口703用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
[0126]
通信接口704用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如usb、网线等)实现通信，也可以通过无线方式(例如移动网络、wifi、蓝牙等)实现通信。
[0127]
总线705包括一通路，在设备的各个组件(例如处理器701、存储器702、输入/输出接口703和通信接口704)之间传输信息。
[0128]
需要说明的是，尽管上述设备仅示出了处理器701、存储器702、输入/输出接口703、通信接口704以及总线705，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本发明实施例方案所必需的组件，而不必包含图中所示的全部组件。
[0129]
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本技术的范围被限于这些例子；在本技术的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本技术的不同方面的许多其它变化，为了简明它们没有在细节中提供。
[0130]
本技术旨在涵盖落入本发明实施例的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本发明实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本技术的保护范围之内。