基于深度学习的电能计量方法及系统、设备、存储介质与流程

1.本发明涉及电能计量技术领域，特别地，涉及一种基于深度学习的电能计量方法及系统、电子设备、计算机可读取的存储介质。


背景技术：

2.随着电力系统和科学技术的快速发展，电力系统日益复杂，电能计量的准确计量难度不断增加，促使电能计量技术不断革新，利用智能技术进行电能计量便应运而生。现有的电能计量技术主要基于电压信号和电流信号的分解，但对于畸变严重的交流电压和交流电流，传统基于傅里叶变换的数字信号分解法，具有实时性差、采样同步要求高、数据处理量大、信号分解精度受其他因素影响等不足，而传统基于模拟滤波或数字滤波的信号分解法存在频带之间相互干扰、特定频率信息分解难度大等不足，且模拟滤波还存在电路复杂、性能稳定性差等不足。相较于传统的电能计量技术，智能技术具有实时性高、采样同步要求低、信号分解功能强大等优点，是电能计量技术的一个新发展方向。而现有的智能技术有模糊技术、专家系统技术、神经网络技术等，其中，神经网络技术具有很好的应用前景。但是，目前的神经网络技术应用于电能计量尚未形成统一的神经网络结构和学习模式，无法准确地进行电能计量。


技术实现要素：

3.本发明提供了一种基于深度学习的电能计量方法及系统、电子设备、计算机可读取的存储介质，以解决传统电能计量方法存在的上述不足和目前神经网络技术应用于电能计量尚未形成统一的神经网络结构和学习模式的技术问题。
4.根据本发明的一个方面，提供一种基于深度学习的电能计量方法，包括以下内容：
5.获取三相交流电力系统的电压数据和电流数据，并判断电压类型；
6.构建卷积神经网络和数据集，数据集的输入包括预设设定的电压数据和电流数据，数据集的输出包括对应的谐波电压的值和方向、谐波电流的值和方向、电能计量分量；
7.将数据集分为训练集和测试集，利用训练集中的样本数据对卷积神经网络的权值进行训练，利用测试集中的样本数据对完成权值训练的卷积神经网络进行测试；
8.将获取的电压数据和电流数据输入至卷积神经网络中，输出谐波电压的值和方向、谐波电流的值和方向以及电能计量分量。
9.进一步地，在利用训练集中的样本数据对卷积神经网络的权值进行训练的步骤之后还包括以下内容：
10.判断训练集中样本数据的循环运算次数是否超限和循环运算的偏差是否小于设定值，若循环运算次数超限或者循环运算的偏差大于等于设定值，则判定卷积神经网络的初始训练满意度不符合预期，重新开始训练，若循环运算次数未超限且循环运算的偏差小于设定值，则判定卷积神经网络的初始训练满意度符合预期，输出训练得到的卷积神经网络权值。
11.进一步地，在利用训练集中的样本数据对卷积神经网络的权值进行训练的步骤之后还包括以下内容：
12.对训练好的卷积神经网络进行差异性判断。
13.进一步地，所述对训练好的卷积神经网络进行差异性判断的过程具体为：
14.获取在线检测的电压数据和电流数据；
15.将获取的电压数据和电流数据输入至训练好的卷积神经网络，输出第一电能计量分量；
16.利用傅里叶变换方法对获取的电压数据和电流数据进行分解，得到第二电能计量分量；
17.基于第一电能计量分量与第二电能计量分量分析卷积神经网络的检测精准度偏差，并分析卷积神经网络方法相比于傅里叶变换方法的检测速度偏差，若检测精准度偏差和检测速度偏差均小于设定值，则判定卷积神经网络的差异性符合预期，输出训练得到的卷积神经网络权值，否则，判定卷积神经网络的差异性不符合预期，重新开始训练。
18.进一步地，在利用测试集中的样本数据对完成权值训练的卷积神经网络进行测试的步骤之后还包括以下内容：
19.对卷积神经网络进行有效性验证。
20.进一步地，所述对卷积神经网络进行有效性验证的过程具体为：
21.将输入样本数据经卷积神经网络处理的结果与其在数据集中对应的输出样本数据进行比对，计算两者之间的相似度，当相似度大于预设阈值时，则判定卷积神经网络的有效性符合预期，否则，重新开始训练。
22.进一步地，所述卷积神经网络包括电压子神经网络、电流子神经网络和电能子神经网络，三个子神经网络均包括一个输入层、一个由三个子隐含层构成的卷积隐含层和一个输出层，其中，电压子神经网络的输入层的神经元为3个，输入为三个相电压或三个线电压，输出层的神经元为n个，输出为1～n次谐波电压，电流子神经网络的输入层的神经元为3个，输入为三个相电流，输出层的神经元为n个，输出为1～n次谐波电流，电能子神经网络的输入层的神经元为2n个，输入为1～n次谐波电压和1～n次谐波电流，输出层为2n 4个，输出为1～n次谐波有功电能、1～n次谐波无功电能、总有功电能、总无功电能、总谐波有功电能和总谐波无功电能。
23.另外，本发明还提供一种基于深度学习的电能计量系统，包括
24.数据获取模块，用于获取三相交流电力系统的电压数据和电流数据，并判断电压类型；
25.模型构建模块，用于构建卷积神经网络和数据集，数据集的输入包括预设设定的电压数据和电流数据，数据集的输出包括对应的谐波电压的值和方向、谐波电流的值和方向、电能计量分量；
26.模型训练模块，用于将数据集分为训练集和测试集，利用训练集中的样本数据对卷积神经网络的权值进行训练，利用测试集中的样本数据对完成权值训练的卷积神经网络进行测试；
27.电能计量模块，用于将获取的电压数据和电流数据输入至卷积神经网络中，输出谐波电压的值和方向、谐波电流的值和方向以及电能计量分量。
28.另外，本发明还提供一种电子设备，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器通过调用所述存储器中存储的所述计算机程序，用于执行如上所述的方法的步骤。
29.另外，本发明还提供一种计算机可读取的存储介质，用于存储基于深度学习进行电能计量的计算机程序，所述计算机程序在计算机上运行时执行如上所述的方法的步骤。
30.本发明具有以下效果：
31.本发明的基于深度学习的电能计量方法，利用卷积神经网络的多层数据处理，通过卷积神经网络进行深度学习，可以准确地从电压数据和电流数据中分解提取出1～100次的谐波电压、谐波电流各种分量，同时可以实时地进行电力系统畸变电压和畸变电流状态下的总有功电能、总无功电能、基波有功电能、基波无功电能、总谐波有功电能、总谐波无功电能、2～100次谐波有功电能、2～100次谐波无功电能等电能计量分量的准确计量，能使电能计量自适应电力系统环境，并且具有网络结构简单、智能性高等特点。
32.另外，本发明的基于深度学习的电能计量系统、电子设备、计算机可读取的存储介质同样具有上述优点。
33.除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。
附图说明
34.构成本技术的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
35.图1是本发明优选实施例的基于深度学习的电能计量方法的流程示意图。
36.图2是本发明优选实施例的卷积神经网络的结构示意图。
37.图3是本发明优选实施例的电压子神经网络的结构示意图。
38.图4是本发明优选实施例的电流子神经网络的结构示意图。
39.图5是本发明优选实施例的电能子神经网络的结构示意图。
40.图6是图1中步骤s3的子流程示意图。
41.图7是本发明另一实施例的基于深度学习的电能计量系统的模块结构示意图。
具体实施方式
42.以下结合附图对本发明的实施例进行详细说明，但是本发明可以由下述所限定和覆盖的多种不同方式实施。
43.如图1所示，本发明的优选实施例提供一种基于深度学习的电能计量方法，包括以下内容：
44.步骤s1：获取三相交流电力系统的电压数据和电流数据，并判断电压类型；
45.步骤s2：构建卷积神经网络和数据集，数据集的输入包括预设设定的电压数据和电流数据，数据集的输出包括对应的谐波电压的值和方向、谐波电流的值和方向、电能计量分量；
46.步骤s3：将数据集分为训练集和测试集，利用训练集中的样本数据对卷积神经网络的权值进行训练，利用测试集中的样本数据对完成权值训练的卷积神经网络进行测试；
47.步骤s4：将获取的电压数据和电流数据输入至卷积神经网络中，输出谐波电压的值和方向、谐波电流的值和方向以及电能计量分量。
48.可以理解，本实施例的基于深度学习的电能计量方法，利用卷积神经网络的多层数据处理，通过卷积神经网络进行深度学习，可以准确地从电压数据和电流数据中分解提取出1～100次的谐波电压、谐波电流各种分量，同时可以实时地进行电力系统畸变电压和畸变电流状态下的总有功电能、总无功电能、基波有功电能、基波无功电能、总谐波有功电能、总谐波无功电能、2～100次谐波有功电能、2～100次谐波无功电能等电能计量分量的准确计量，能使电能计量自适应电力系统环境，并且具有网络结构简单、智能性高等特点。
49.可以理解，在所述步骤s1中，启动信号采样以获取三相交流电力系统的电压数据和电流数据，并判断三相交流电压属于线电压或相电压。
50.可以理解，在所述步骤s2中，根据三相交流电力系统电能计量的特点和需求构建数据集和待训练的卷积神经网络，其中，数据集的输入包括预设设定的电压数据和电流数据，当获取的电压为线电压时，数据集的输入也为线电压数据，而当获取的电压为相电压时，输入则对应地修改为相电压数据，而数据集的输出包括对应的谐波电压的值和方向、谐波电流的值和方向、电能计量分量，其中，电能计量分量具体包括总有功电能量、总无功电能量、基波有功电能量、基波无功电能量、总谐波有功电能量、总谐波无功电能量、2～100次谐波有功电能量、2～100次谐波无功电能量，谐波电压则包括1～100次谐波电压，谐波电流包括1～100次谐波电流。
51.具体地，如图2至图5所示，构建的卷积神经网络包括电压子神经网络、电流子神经网络和电能子神经网络，三个子神经网络均包括一个输入层、一个由三个子隐含层构成的卷积隐含层和一个输出层，每个子隐含层包括m个神经元。其中，电压子神经网络的输入层的神经元为3个，输入为三个相电压或三个线电压，输出层的神经元为n个，输出为1～n次谐波电压(1次为基波电压)，电流子神经网络的输入层的神经元为3个，输入为三个相电流，输出层的神经元为n个，输出为1～n次谐波电流(1次为基波电流)，电能子神经网络的输入层的神经元为2n个，输入为1～n次谐波电压和1～n次谐波电流，输出层为o个，o＝n n 2 2，输出为1～n次谐波有功电能(1次为基波有功电能)、1～n次谐波无功电能(1次为基波无功电能)、总有功电能、总无功电能、总谐波有功电能和总谐波无功电能。在本发明中，n优选为100，m优选为2000，当然，在本发明的其它实施例中，也可以根据需要进行设定，例如将n设置为不大于1000的正整数，将m设置为不大于100000且不小于100的正整数。可以理解，电压子神经网络的输入层与隐含层的神经元之间的权值为wu
12jk
(j＝1,2,3；k＝1,2,
…
,m)，子隐含层分别为wu
121jk
(j＝1,2,3；k＝1,2,
…
,m)、wu
2122jk
(j＝1,2,
…
,m；k＝1,2,
…
,m)、wu
2223jk
(j＝1,2
…
,m；k＝1,2,
…
,m)，隐含层与输出层的神经元之间的权值为wu
23jk
(j＝1,2,
…
,m；k＝1,2,
…
,n)；电流子神经网络的输入层与隐含层的神经元之间的权值为wi
12jk
(j＝1,2,3；k＝1,2,
…
,m)，子隐含层分别为wi
121jk
(j＝1,2,3；k＝1,2,
…
,m)、wi
2122jk
(j＝1,2,
…
,m；k＝1,2,
…
,m)、wi
2223jk
(j＝1,2
…
,m；k＝1,2,
…
,m)，隐含层与输出层的神经元之间的权值为wi
23jk
(j＝1,2,
…
,m；k＝1,2,
…
,n)；电能子神经网络的输入层与隐含层的神经元之间的权值为we
12jk
(j＝1,2,
…
,n n；k＝1,2,
…
,m)，子隐含层分别为we
121jk
(j＝1,2,3；k＝1,2,
…
,m)、we
2122jk
(j＝1,2,
…
,m；k＝1,2,
…
,m)、we
2223jk
(j＝1,2
…
,m；k＝1,2,
…
,m)，隐含层与输出层的神经元之间的权值为we
23jk
(j＝1,2,
…
,m；k＝1,2,
…
,o)，其中o＝n n 2 2。
设采样频率为f，则采样时间δt＝1/f；设电能计量时间为t，则电能计量数据数为te＝t/δt的最小整数。并且有：
52.u
21k
＝∑u
1j
wu
121jk
(j＝1,2,3；k＝1,2,
…
,m)，
53.u
22k
＝∑u
21j
wu
2122jk
(j＝1,2,
…
,m；k＝1,2,
…
,m)，
54.u
2k
＝∑u
22j
wu
2223jk
(j＝1,2
…
,m；k＝1,2,
…
,m)＝∑u
1j
wu
12jk
(j＝1,2,3；k＝1,2,
…
,m)，
55.u
3k
＝∑u
2j
wu
23jk
(j＝1,2,
…
,m；k＝1,2,
…
,n)，
56.i
21k
＝∑i
1j
wi
121jk
(j＝1,2,3；k＝1,2,
…
,m)，
57.i
22k
＝∑i
21j
wi
2122jk
(j＝1,2,
…
,m；k＝1,2,
…
,m)，
58.i
2k
＝∑i
22j
wi
2223jk
(j＝1,2,
…
,m；k＝1,2,
…
,m)＝∑i
1j
wi
12jk
(j＝1,2,3；k＝1,2,
…
,m)，
59.i
3k
＝∑i
2j
wi
23jk
(j＝1,2,
…
,m；k＝1,2,
…
,n)，
60.e
21k
＝∑δts∑e
1j
we
121jk
(j＝1,2,
…
,n n；k＝1,2,
…
,m)，
61.e
22k
＝∑δts∑e
21j
we
2122jk
(j＝1,2,
…
,m；k＝1,2,
…
,m)，
62.e
2k
＝∑δts∑e
22j
we
2223jk
(j＝1,2,
…
,m；k＝1,2,
…
,m)＝∑δts∑e
1j
we
12jk
(j＝1,2,
…
,
63.n n；k＝1,2,
…
,m；s＝1,2,
…
,te)，
64.e
3k
＝∑δts∑e
2j
we
23jk
(j＝1,2,
…
,m；k＝1,2,
…
,o；s＝1,2,
…
,te)。
65.可以理解，在所述步骤s3中，将训练集中预设设定的电压数据和电流数据作为卷积神经网络的输入、将对应的谐波电压的值和方向、谐波电流的值和方向、电能计量分量作为卷积神经网络的输出，对卷积神经网络进行离线训练，训练得到卷积神经网络的权值。并利用测试集中预设设定的电压数据和电流数据作为卷积神经网络的输入、将对应的谐波电压的值和方向、谐波电流的值和方向、电能计量分量作为卷积神经网络的输出，对卷积神经网络进行测试，以估计卷积神经网络模型的泛化能力。其中，训练集和测试集的分配比例可以根据需要进行设定。
66.另外，还可以利用离线训练好的卷积神经网络进行在线训练，具体为在线检测电压和电流的实时数据，并将其作为卷积神经网络的输入，进行谐波电压的值和方向、谐波电流的值和方向、电能计量分量的提取，并采用以下三种方式纠正谐波电压和谐波电流的值和方向，1)、删除噪声值；2)、修改标记不正确的值和方向；3)、利用傅里叶变换分解得到的值和方向作为卷积神经网络输出的真实值。
67.可选地，在所述步骤s3中，在利用训练集中的样本数据对卷积神经网络的权值进行训练的步骤之后还包括以下内容：
68.判断训练集中样本数据的循环运算次数是否超限和循环运算的偏差是否小于设定值，若循环运算次数超限或者循环运算的偏差大于等于设定值，则判定卷积神经网络的初始训练满意度不符合预期，重新开始训练，若循环运算次数未超限且循环运算的偏差小于设定值，则判定卷积神经网络的初始训练满意度符合预期，输出训练得到的卷积神经网络权值。
69.可以理解，通过在卷积神经网络的权值训练完成后先进行初始训练满意度评估，若评估符合预期则输出权值，若评估不符合预期则重新开始训练，提高了模型的精准度和
可靠度。
70.可选地，在所述步骤s3中，在利用训练集中的样本数据对卷积神经网络的权值进行训练的步骤之后还包括以下内容：
71.对训练好的卷积神经网络进行差异性判断。
72.具体地，如图6所示，所述对训练好的卷积神经网络进行差异性判断的过程具体为：
73.步骤s31：获取在线检测的电压数据和电流数据；
74.步骤s32：将获取的电压数据和电流数据输入至训练好的卷积神经网络，输出第一电能计量分量；
75.步骤s33：利用傅里叶变换方法对获取的电压数据和电流数据进行分解，得到第二电能计量分量；
76.步骤s34：基于第一电能计量分量与第二电能计量分量分析卷积神经网络的检测精准度偏差，并分析卷积神经网络方法相比于傅里叶变换方法的检测速度偏差，若检测精准度偏差和检测速度偏差均小于设定值，则判定卷积神经网络的差异性符合预期，输出训练得到的卷积神经网络权值，否则，判定卷积神经网络的差异性不符合预期，重新开始训练。
77.可以理解，在权值训练完成后，利用傅里叶变换方法的分解结果与卷积神经网络的输出结果进行对比分析，以评估卷积神经网络的检测速度和检测精准度是否满足要求，若满足要求，则输出卷积神经网络权值，若不满足，则重新开始训练，进一步提高了模型的准确度和可靠度。
78.可选地，在利用测试集中的样本数据对完成权值训练的卷积神经网络进行测试的步骤之后还包括以下内容：
79.对卷积神经网络进行有效性验证。
80.具体地，所述对卷积神经网络进行有效性验证的过程具体为：
81.将输入样本数据经卷积神经网络处理的结果与其在数据集中对应的输出样本数据进行比对，计算两者之间的相似度，当相似度大于预设阈值时，则判定卷积神经网络的有效性符合预期，否则，重新开始训练。其中，输入样本数据经卷积神经网络输出的结果为多个特征向量，而其在数据集中对应存储的输出样本数据也为多个特征向量，通过计算对应两个特征向量之间夹角的余弦值来判断两者时间的相似度，两个特征向量的相似度越高，夹角越小，余弦值越接近1。
82.可以理解，针对同一输入样本数据，将其通过卷积神经网络的输出结果与其在数据集中对应的输出样本数据进行比对，通过计算两者之间的相似度来判断卷积神经网络的准确度，若准确度不满足预期，则重新开始训练，若满足预期，则输出训练得到的权值，训练结束，进一步提高了卷积神经网络模型的准确度和可靠度。
83.可以理解，在所述步骤s4中，将获取的三相交流电力系统的电压数据和电流数据输入至训练好的卷积神经网络模型中，即可输出总有功电能量、总无功电能量、基波有功电能量、基波无功电能量、总谐波有功电能量、总谐波无功电能量、2～100次谐波有功电能量、2～100次谐波无功电能量，还可以提取出1～100次谐波电压、谐波电流的实时值和方向。其中，1～n(n＝100)次谐波电压的实时值和方向由下式可得：
84.u
3k
＝∑u
2j
wu
23jk
(j＝1,2,
…
,m；k＝1,2,
…
,n)
85.1～n(n＝100)次谐波电流的实时值和方向由下式可得：
86.i
3k
＝∑i
2j
wi
23jk
(j＝1,2,
…
,m；k＝1,2,
…
,n)
87.1～n(n＝100)次谐波(n＝1时为基波)的有功电能、无功电能，总有功电能、总无功电能和基波无功电能、总谐波有功电能、总谐波无功电能由下式可得：
88.e
3k
＝∑δts∑e
2j
we
23jk
(j＝1,2,
…
,m；k＝1,2,
…
,o；s＝1,2,
…
,te)。
89.另外，如图7所示，本发明的另一实施例还提供一种基于深度学习的电能计量系统，优选采用如上所述的方法，该系统包括
90.数据获取模块，用于获取三相交流电力系统的电压数据和电流数据，并判断电压类型；
91.模型构建模块，用于构建卷积神经网络和数据集，数据集的输入包括预设设定的电压数据和电流数据，数据集的输出包括对应的谐波电压的值和方向、谐波电流的值和方向、电能计量分量；
92.模型训练模块，用于将数据集分为训练集和测试集，利用训练集中的样本数据对卷积神经网络的权值进行训练，利用测试集中的样本数据对完成权值训练的卷积神经网络进行测试；
93.电能计量模块，用于将获取的电压数据和电流数据输入至卷积神经网络中，输出谐波电压的值和方向、谐波电流的值和方向以及电能计量分量。
94.可以理解，本实施例的基于深度学习的电能计量系统，利用卷积神经网络的多层数据处理，通过卷积神经网络进行深度学习，可以准确地从电压数据和电流数据中分解提取出1～100次的谐波电压、谐波电流各种分量，同时可以实时地进行电力系统畸变电压和畸变电流状态下的总有功电能、总无功电能、基波有功电能、基波无功电能、总谐波有功电能、总谐波无功电能、2～100次谐波有功电能、2～100次谐波无功电能等电能计量分量的准确计量，能使电能计量自适应电力系统环境，并且具有网络结构简单、智能性高等特点。
95.可以理解，所述模型训练模块在利用训练集中的样本数据对卷积神经网络的权值进行训练之后，还判断训练集中样本数据的循环运算次数是否超限和循环运算的偏差是否小于设定值，若循环运算次数超限或者循环运算的偏差大于等于设定值，则判定卷积神经网络的初始训练满意度不符合预期，重新开始训练，若循环运算次数未超限且循环运算的偏差小于设定值，则判定卷积神经网络的初始训练满意度符合预期，输出训练得到的卷积神经网络权值。
96.可以理解，所述模型训练模块在利用训练集中的样本数据对卷积神经网络的权值进行训练之后，还对训练好的卷积神经网络进行差异性判断。具体地，所述模型训练模块先获取在线检测的电压数据和电流数据，再将获取的电压数据和电流数据输入至训练好的卷积神经网络，输出第一电能计量分量，然后，利用傅里叶变换方法对获取的电压数据和电流数据进行分解，得到第二电能计量分量，最后，基于第一电能计量分量与第二电能计量分量分析卷积神经网络的检测精准度偏差，并分析卷积神经网络方法相比于傅里叶变换方法的检测速度偏差，若检测精准度偏差和检测速度偏差均小于设定值，则判定卷积神经网络的差异性符合预期，输出训练得到的卷积神经网络权值，否则，判定卷积神经网络的差异性不符合预期，重新开始训练。
97.可以理解，所述模型训练模块还在利用测试集中的样本数据对完成权值训练的卷积神经网络进行测试之后，对卷积神经网络进行有效性验证。具体地，所述模型训练模块将输入样本数据经卷积神经网络处理的结果与其在数据集中对应的输出样本数据进行比对，计算两者之间的相似度，当相似度大于预设阈值时，则判定卷积神经网络的有效性符合预期，否则，重新开始训练。
98.可以理解，所述卷积神经网络包括电压子神经网络、电流子神经网络和电能子神经网络，三个子神经网络均包括一个输入层、一个由三个子隐含层构成卷积隐含层和一个输出层，其中，电压子神经网络的输入层的神经元为3个，输入为三个相电压或三个线电压，输出层的神经元为n个，输出为1～n次谐波电压，电流子神经网络的输入层的神经元为3个，输入为三个相电流，输出层的神经元为n个，输出为1～n次谐波电流，电能子神经网络的输入层的神经元为2n个，输入为1～n次谐波电压和1～n次谐波电流，输出层为2n 4个，输出为1～n次谐波有功电能、1～n次谐波无功电能、总有功电能、总无功电能、总谐波有功电能和总谐波无功电能。
99.另外，本发明的另一实施例还提供一种电子设备，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器通过调用所述存储器中存储的所述计算机程序，用于执行如上所述的方法的步骤。
100.另外，本发明的另一实施例还提供一种计算机可读取的存储介质，用于存储基于深度学习进行电能计量的计算机程序，所述计算机程序在计算机上运行时执行如上所述的方法的步骤。
101.一般计算机可读取存储介质的形式包括：软盘(floppy disk)、可挠性盘片(flexible disk)、硬盘、磁带、任何其与的磁性介质、cd-rom、任何其余的光学介质、打孔卡片(punch cards)、纸带(paper tape)、任何其余的带有洞的图案的物理介质、随机存取存储器(ram)、可编程只读存储器(prom)、可抹除可编程只读存储器(eprom)、快闪可抹除可编程只读存储器(flash-eprom)、其余任何存储器芯片或卡匣、或任何其余可让计算机读取的介质。指令可进一步被一传输介质所传送或接收。传输介质这一术语可包含任何有形或无形的介质，其可用来存储、编码或承载用来给机器执行的指令，并且包含数字或模拟通信信号或其与促进上述指令的通信的无形介质。传输介质包含同轴电缆、铜线以及光纤，其包含了用来传输一计算机数据信号的总线的导线。
102.以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
103.本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术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，本技术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。本技术实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言java和直译式脚本语言javascript等。
104.本技术是参照根据本技术实施例的方法、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。
105.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。
106.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。
107.尽管已描述了本技术的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本技术范围的所有变更和修改。
108.显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的精神和范围。这样，倘若本技术的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术也意图包含这些改动和变型在内。