一种适应规则的新能源异常数据判别方法与流程

1.本公开涉及新能源数据处理领域，具体而言，涉及一种适应规则的新能源异常数据判别方法、装置、电子设备以及计算机可读存储介质。


背景技术：

2.近些年，随着工业化和现代化进程的推进,我国制造业持续快速发展。智能制造作为工业大数据的重要应用场景,既是数据的载体和产生来源,也是工业大数据形成的数据产品最终的应用场景和目标。尤其在能源行业，经过数十年的数字化转型，数据质量问题一直是行业内的痛点，这些异常数据更难以检测识别，而工业大数据具有大体量、多源异构性强、连续采样、价值密度低、动态性强等特点。这为工业大数据的异常故障检测问题带来了难度和挑战。现有异常数据识别技术还是围绕在人工核对、报表提交的手工处理阶段，处理效率低且错误率较高。
3.因此，需要一种或多种方法解决上述问题。
4.需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。


技术实现要素：

5.本公开的目的在于提供一种适应规则的新能源异常数据判别方法、装置、电子设备以及计算机可读存储介质，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。
6.根据本公开的一个方面，提供一种适应规则的新能源异常数据判别方法，包括：
7.采集风电场及光伏电场的新能源应用场景中预设的数据指标；
8.基于预设通用异常数据判定规则，从所述数据指标中筛选构建通用异常数据；
9.基于预设新能源数据匹配规则将所述通用异常数据构建生成通用异常数据对照组；
10.计算所述通用异常数据对照组的变量方差，并基于所述变量方差计算所述通用异常数据对照组的方差变化率；
11.基于最小二乘法将所述方差变化率生成加权目标函数，并基于统一线性模型的回归函数生成的约束条件求取所述加权目标函数的回归异常点，基于所述回归异常点完成异常数据判定。
12.在本公开的一种示例性实施例中，所述方法中风电场的数据指标包括10米/30米/50米/70米的风速和风向、相对海平面平均气压、相对地面平均气压，相对海平面平均温度、相对地面平均温度，实际发电功率、理论发电功率的数据指标；
13.光伏电场的数据指标包括总辐照度、直接辐照度、散射辐照度、环境温度、组件温度、相对海平面平均气压、相对地面平均气压、实际发电功率、理论发电功率的数据指标。
14.在本公开的一种示例性实施例中，所述方法中所述预设通用异常数据判定规则包
括：
15.异常数据判定规则，所述异常数据判定规则为基于空值、null值、约定特殊字符的缺省值实现通用异常数据判定；
16.异定值判定规则，所述异定值判定规则为基于在纵向时间序列或横向字段序列出现连续大于预设次数数据不变情况的判定实现通用异常数据判定；
17.异阈值判定规则，所述异阈值判定规则为基于数据类别的预设阈值判定实现通用异常数据判定。
18.在本公开的一种示例性实施例中，所述方法中风电场的通用异常数据对照组包括：
19.10米/30米/50米/70米的风速与实际发电功率及理论发电功率为对照组；
20.70m风速与50m风速为对照组；
21.50m风速与30m风速为对照组；
22.30m风速与70m风速为对照组；
23.70m风向与50m风向为对照组；
24.50m风向与30m风向为对照组；
25.30m风向与10m风向为对照组；
26.相对海平面平均气压与相对地面平均气压为对照组；
27.实际发电功率与理论发电功率为对照组；
28.光伏电场的通用异常数据对照组包括：
29.总辐照度、直接辐照度为对照组；
30.直接辐照度、散射辐照度为对照组；
31.散射辐照度、环境温度为对照组；
32.环境温度、组件温度为对照组；
33.相对海平面平均气压、相对地面平均气压为对照组。
34.在本公开的一种示例性实施例中，所述方法还包括：
35.通用异常数据对照组中样本集合记为
36.w＝{(a1,b1),(a2,b2),(an,bn)}，其中，ai和bi分别表示第i个数据样本的变量a和变量b，数据按照数值降序排列，即令bi》bi 1,i∈(1,n-1)；
37.计算所述通用异常数据对照组的变量方差
38.其中，si为第i个点的方差，bj为第j个点的数值，bi为第1到i个点的数据的平均值；
39.并基于所述变量方差计算所述通用异常数据对照组的方差变化率为
40.k(i)＝|s
i-s
i-1
|i＝2,3,
…
,n。
41.在本公开的一种示例性实施例中，所述方法还包括：
42.基于最小二乘法将所述方差变化率生成加权目标函数
43.其中，β1＝[α
(1)
β
(1)
…
β
r(1)
]
t
，β2＝[α
(1)
β
(1)
…
β
r(1)
]
t
，j为回归异常点；
[0044]
基于统一线性模型的回归函数生成的约束条件求取所述加权目标函数的回归异常点基于所述回归异常点完成异常数据判定。
[0045]
在本公开的一种示例性实施例中，所述方法还包括：
[0046]
在完成异常数据判定后，将所述通用异常数据分为正常数据和异常数据两部分
[0047]
其中，wn为变量a数据区间的正常数据集；wo为变量b数据区间的异常数据集。
[0048]
在本公开的一个方面，提供一种适应规则的新能源异常数据判别装置，包括：
[0049]
数据采集模块，用于采集风电场及光伏电场的新能源应用场景中预设的数据指标；
[0050]
通用异常数据构建模块，用于基于预设通用异常数据判定规则，从所述数据指标中筛选构建通用异常数据；
[0051]
对照组生成模块，用于基于预设新能源数据匹配规则将所述通用异常数据构建生成通用异常数据对照组；
[0052]
方差变化率计算模块，用于计算所述通用异常数据对照组的变量方差，并基于所述变量方差计算所述通用异常数据对照组的方差变化率；
[0053]
异常数据判定模块，用于基于最小二乘法将所述方差变化率生成加权目标函数，并基于统一线性模型的回归函数生成的约束条件求取所述加权目标函数的回归异常点，基于所述回归异常点完成异常数据判定。
[0054]
在本公开的一个方面，提供一种电子设备，包括：
[0055]
处理器；以及
[0056]
存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现根据上述任意一项所述的方法。
[0057]
在本公开的一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现根据上述任意一项所述的方法。
[0058]
本公开的示例性实施例中的一种适应规则的新能源异常数据判别方法，其中，该方法包括：采集风电场及光伏电场的新能源应用场景中预设的数据指标并筛选构建通用异常数据；基于预设新能源数据匹配规则将所述通用异常数据构建生成通用异常数据对照组；计算所述通用异常数据对照组的变量方差及方差变化率；基于最小二乘法将所述方差变化率生成加权目标函数，并基于统一线性模型的回归函数生成的约束条件求取所述加权目标函数的回归异常点，基于所述回归异常点完成异常数据判定。本公开可以通过预设构建的异常数据规则更快速、高效的完成新能源异常的数据清洗工作。
[0059]
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
[0060]
通过参照附图来详细描述其示例实施例，本公开的上述和其它特征及优点将变得更加明显。
[0061]
图1示出了根据本公开一示例性实施例的一种适应规则的新能源异常数据判别方法的流程图；
[0062]
图2示出了根据本公开一示例性实施例的一种适应规则的新能源异常数据判别装置的示意框图；
[0063]
图3示意性示出了根据本公开一示例性实施例的电子设备的框图；以及
[0064]
图4示意性示出了根据本公开一示例性实施例的计算机可读存储介质的示意图。
具体实施方式
[0065]
现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本公开将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。
[0066]
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有所述特定细节中的一个或更多，或者可以采用其它的方法、组元、材料、装置、步骤等。在其它情况下，不详细示出或描述公知结构、方法、装置、实现、材料或者操作以避免模糊本公开的各方面。
[0067]
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个软件硬化的模块中实现这些功能实体或功能实体的一部分，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
[0068]
在本示例实施例中，首先提供了一种适应规则的新能源异常数据判别方法；参考图1中所示，该一种适应规则的新能源异常数据判别方法可以包括以下步骤：
[0069]
步骤s110，采集风电场及光伏电场的新能源应用场景中预设的数据指标；
[0070]
步骤s120，基于预设通用异常数据判定规则，从所述数据指标中筛选构建通用异常数据；
[0071]
步骤s130，基于预设新能源数据匹配规则将所述通用异常数据构建生成通用异常数据对照组；
[0072]
步骤s140，计算所述通用异常数据对照组的变量方差，并基于所述变量方差计算所述通用异常数据对照组的方差变化率；
[0073]
步骤s150，基于最小二乘法将所述方差变化率生成加权目标函数，并基于统一线性模型的回归函数生成的约束条件求取所述加权目标函数的回归异常点，基于所述回归异常点完成异常数据判定。
[0074]
本公开的示例性实施例中的一种适应规则的新能源异常数据判别方法，其中，该方法包括：采集风电场及光伏电场的新能源应用场景中预设的数据指标并筛选构建通用异常数据；基于预设新能源数据匹配规则将所述通用异常数据构建生成通用异常数据对照组；计算所述通用异常数据对照组的变量方差及方差变化率；基于最小二乘法将所述方差变化率生成加权目标函数，并基于统一线性模型的回归函数生成的约束条件求取所述加权目标函数的回归异常点，基于所述回归异常点完成异常数据判定。本公开可以通过预设构建的异常数据规则更快速、高效的完成新能源异常的数据清洗工作。
[0075]
下面，将对本示例实施例中的一种适应规则的新能源异常数据判别方法进行进一步的说明。
[0076]
实施例一：
[0077]
在步骤s110中，可以采集风电场及光伏电场的新能源应用场景中预设的数据指标。
[0078]
在本示例的实施例中，所述方法中风电场的数据指标包括10米/30米/50米/70米的风速和风向、相对海平面平均气压、相对地面平均气压，相对海平面平均温度、相对地面平均温度，实际发电功率、理论发电功率的数据指标；
[0079]
光伏电场的数据指标包括总辐照度、直接辐照度、散射辐照度、环境温度、组件温度、相对海平面平均气压、相对地面平均气压、实际发电功率、理论发电功率的数据指标。
[0080]
在步骤s120中，可以基于预设通用异常数据判定规则，从所述数据指标中筛选构建通用异常数据。
[0081]
在本示例的实施例中，所述方法中所述预设通用异常数据判定规则包括：
[0082]
异常数据判定规则，所述异常数据判定规则为基于空值、null值、约定特殊字符的缺省值实现通用异常数据判定；
[0083]
异定值判定规则，所述异定值判定规则为基于在纵向时间序列或横向字段序列出现连续大于预设次数数据不变情况的判定实现通用异常数据判定；
[0084]
异阈值判定规则，所述异阈值判定规则为基于数据类别的预设阈值判定实现通用异常数据判定。
[0085]
在步骤s130中，可以基于预设新能源数据匹配规则将所述通用异常数据构建生成通用异常数据对照组。
[0086]
在本示例的实施例中，所述方法中风电场的通用异常数据对照组包括：
[0087]
10米/30米/50米/70米的风速与实际发电功率及理论发电功率为对照组；
[0088]
70m风速与50m风速为对照组；
[0089]
50m风速与30m风速为对照组；
[0090]
30m风速与70m风速为对照组；
[0091]
70m风向与50m风向为对照组；
[0092]
50m风向与30m风向为对照组；
[0093]
30m风向与10m风向为对照组；
[0094]
相对海平面平均气压与相对地面平均气压为对照组；
[0095]
实际发电功率与理论发电功率为对照组；
[0096]
光伏电场的通用异常数据对照组包括：
[0097]
总辐照度、直接辐照度为对照组；
[0098]
直接辐照度、散射辐照度为对照组；
[0099]
散射辐照度、环境温度为对照组；
[0100]
环境温度、组件温度为对照组；
[0101]
相对海平面平均气压、相对地面平均气压为对照组。
[0102]
在步骤s140中，可以计算所述通用异常数据对照组的变量方差，并基于所述变量方差计算所述通用异常数据对照组的方差变化率。
[0103]
在本示例的实施例中，所述方法还包括：
[0104]
通用异常数据对照组中样本集合记为
[0105]
w＝{(a1,b1),(a2,b2),......,(an,bn)}，其中，an和bn分别表示第n个数据样本的变量a和变量b，数据按照数值降序排列，即令bi》bi 1,i∈(1,n-1)；
[0106]
计算所述通用异常数据对照组的变量方差
[0107]
其中，si为第i个点的方差，bj为第j个点的数值，bi为第1到i个点的数据的平均值；
[0108]
并基于所述变量方差计算所述通用异常数据对照组的方差变化率为
[0109]
k(i)＝|s
i-s
i-1
|i＝2,3,
…
,n，其中，n为自然数。
[0110]
在步骤s150中，可以基于最小二乘法将所述方差变化率生成加权目标函数，并基于统一线性模型的回归函数生成的约束条件求取所述加权目标函数的回归异常点，基于所述回归异常点完成异常数据判定。
[0111]
在本示例的实施例中，所述方法还包括：
[0112]
基于最小二乘法将所述方差变化率生成加权目标函数
[0113]
其中，β1＝[α
(1) β
(1)
…
β
r(1)
]
t
，β2＝[α
(1) β
(1)
…
β
r(1)
]
t
，j为回归异常点；
[0114]
基于统一线性模型的回归函数生成的约束条件求取所述加权目标函数的回归异常点基于所述回归异常点完成异常数据判定，wi为各项加权值，与样本k(i)的误差方差成反比。
[0115]
在本示例的实施例中，所述方法还包括：
[0116]
在完成异常数据判定后，将所述通用异常数据分为正常数据和异常数据两部分
[0117]
其中，wn为变量a数据区间的正常数据集；wo为变量b数据区间的异常数据集。
[0118]
实施例二：
[0119]
在本示例的实施例中，异常数据集汇聚步骤为，新能源数据分为风电场和光伏电
厂两类数据。风场数据主要包括10米、30米、50米、70米的风速和风向，平均气压(海平面)，平均气压(地面)，平均温度(海平面)、平均温度(地面)，实际发电功率，理论发电功率共13项数据指标。光伏数据主要包括总辐照度、直接辐照度、散射辐照度、环境温度、组件温度、平均气压(地面)、平均气压(海平面)、实际发电功率、理论发电功率共9项指标。
[0120]
在本示例的实施例中，异常数据规则构建步骤为，异常数据规则按照以下三方面进行构建：
[0121]
1.缺省值，缺省值在数据库中出现的空值、null值，或约定特殊字符(如-999)等情况表示的异常值。该类异常数据一般在底层数据采集器、传感器或工业互联网各业务间数据传输时出现异端的情况下发生。导致数据无法进行追溯和恢复。
[0122]
2.异定值，异定值的数据在纵向时间序列，或横向字段序列出现同一值且一直不改变的情况。该类异常数据可能是数据在采集阶段传感器异常造成，或人为在进行缺省值填补时导致。
[0123]
3.异阈值，异阈值数据超过该类数据指标的阈值设定的情况。该类数据同样在数据源端采集时出现设备异常导致数据跳变情况产生，或是认为修改时将数据错误填充成超过设定值。
[0124]
在本示例的实施例中，新能源数据对匹配规则构建步骤为，异常数据采用相互验证的方法来建立判别模型，异常数据的分布特征是数据量多且分布集中，受异常数据的影响，序列的均值、方差或变化率等统计特性均会发生变化。根据分布的均值和方差等主要数字特征的变化，分为位置参数和刻度参数异常问题。通过大量测试发现，如果一个风速区间内存在堆积型异常数据，功率序列的变化率、均值、方差以及方差的变化率等数据的特征都会发生突变。以方差的变化率作为异常分组依据时，数据异常值检测效果最好，因此本专利采用方差变化率的异常作为分组依据。
[0125]
新能源数据匹配规则构建结果对照表如下：
[0126]
[0127][0128]
在本示例的实施例中，异常值的方差变化率计算步骤为，以十组对照数据相互验证异常值的方差变化率作为检测依据，基于方差变化率的异常分组法具体如下：记某对变量a与变量b的数据区间内样本集合为：
[0129]
w＝{(a1,b1),(a2,b2),......,(an,bn)}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0130]
式中，an和bn分别表示第n个数据样本的变量a和变量b，数据按照数值降序排列，即令bi》bi 1,i∈(1,n-1)。
[0131]
求出各点方差为
[0132][0133]
式中，si为第i个点的方差，bj为第j个点的数值，为第1到i个点的数据的平均值。利用si可以衡量bi与该点之前所有数据的离散程度。
[0134]
得到各点的方差后，通过方差的变化率k(i)来观察方差变化是否明显,令：
[0135]
k(i)＝|s
i-s
i-1
|i＝2,3,
…
,n
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0136]
对于变量对的方差变化率进行异常识别，可以从统计学的角度得到异常数据开始变化的位置。
[0137]
在本示例的实施例中，异常数据判别模型构建步骤为，采用最小二乘法对方差变化率k(i)进行异常识别，设自由变量x1到xr和因变量k均为变量i的函数，即为xq(i)，q＝1,
…
,r和k(i)。xq(i)是i的完全已知非随机函数，k(i)为随机变量，分为前后两段，两段服从统一线性模型，回归系数在i＝j处发生突变，为：
[0138][0139]
式中，系数向量β1＝[α
(1) β
(1)
…
β
r(1)
]
t
和β2＝[α
(1) β
(1)
…
β
r(1)
]
t
不相等，则j为回归异常点。由于k(i)是连续的，因此有约束条件
[0140]
β
1t
x(j)＝β
2t
x(j)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0141]
根据最小二乘法的原理，此数据样本模型加权目标函数为：
[0142][0143]
式中，各项的权wi与样本k(i)的误差方差成反比，求在约束(5)之下式(6)的极小值已确定异常点的估计：
[0144][0145]
求出异常点j后，异常点之后的数据离散程度会越来越高，异常数据可以进行删除，所以将正常数据和异常数据分为两部分：
[0146][0147]
式中，wn为变量a数据区间的正常数据集；wo为变量b数据区间的异常数据集。
[0148]
需要说明的是，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
[0149]
此外，在本示例实施例中，还提供了一种适应规则的新能源异常数据判别装置。参照图2所示，该一种适应规则的新能源异常数据判别装置200可以包括：数据采集模块210、通用异常数据构建模块220、对照组生成模块230、方差变化率计算模块240以及异常数据判定模块250。
[0150]
其中：
[0151]
数据采集模块210，用于采集风电场及光伏电场的新能源应用场景中预设的数据指标；
[0152]
通用异常数据构建模块220，用于基于预设通用异常数据判定规则，从所述数据指
标中筛选构建通用异常数据；
[0153]
对照组生成模块230，用于基于预设新能源数据匹配规则将所述通用异常数据构建生成通用异常数据对照组；
[0154]
方差变化率计算模块240，用于计算所述通用异常数据对照组的变量方差，并基于所述变量方差计算所述通用异常数据对照组的方差变化率；
[0155]
异常数据判定模块250，用于基于最小二乘法将所述方差变化率生成加权目标函数，并基于统一线性模型的回归函数生成的约束条件求取所述加权目标函数的回归异常点，基于所述回归异常点完成异常数据判定。
[0156]
上述中各一种适应规则的新能源异常数据判别装置模块的具体细节已经在对应的一种适应规则的新能源异常数据判别方法中进行了详细的描述，因此此处不再赘述。
[0157]
应当注意，尽管在上文详细描述中提及了一种适应规则的新能源异常数据判别装置200的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
[0158]
此外，在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。
[0159]
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施例、完全的软件实施例(包括固件、微代码等)，或硬件和软件方面结合的实施例，这里可以统称为“电路”、“模块”或“系统”。
[0160]
下面参照图3来描述根据本发明的这种实施例的电子设备300。图3显示的电子设备300仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
[0161]
如图3所示，电子设备300以通用计算设备的形式表现。电子设备300的组件可以包括但不限于：上述至少一个处理单元310、上述至少一个存储单元320、连接不同系统组件(包括存储单元320和处理单元310)的总线330、显示单元340。
[0162]
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元310执行，使得所述处理单元310执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的步骤。例如，所述处理单元310可以执行如图1中所示的步骤s110至步骤s150。
[0163]
存储单元320可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)3201和/或高速缓存存储单元3202，还可以进一步包括只读存储单元(rom)3203。
[0164]
存储单元320还可以包括具有一组(至少一个)程序模块3205的程序/实用工具3204，这样的程序模块3205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
[0165]
总线330可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
[0166]
电子设备300也可以与一个或多个外部设备370(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备300交互的设备通信，和/或与使得
该电子设备300能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口350进行。并且，电子设备300还可以通过网络适配器360与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器360通过总线330与电子设备300的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备300使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
[0167]
通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施例的方法。
[0168]
在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的步骤。
[0169]
参考图4所示，描述了根据本发明的实施例的用于实现上述方法的程序产品400，其可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
[0170]
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0171]
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
[0172]
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。
[0173]
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c 等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算
设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
[0174]
此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
[0175]
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本技术旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。
[0176]
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。