一种考虑光伏不确定性的多区域综合能源系统多场景优化调度方法

1.本发明属于电力系统中综合能源系统优化调度技术领域，更具体地，涉及一种考虑光伏不确定性的多区域综合能源系统多场景优化调度方法。


背景技术：

2.能源合理的利用和分配一直为各界广泛探讨的热点，如何提高能源利用率，减少环境污染，实现能源可持续发展是当今共同关注的话题。传统能源系统在规划和运行上局限于电能、热能等能源的单一能源形式供给，无法形成能源互补的优势，造成能源利用不充分等问题。针对这样的问题，近些年来，综合能源系统、能源互联网、多能互补等相关概念陆续被国内外学者提出并进行研究。其中，综合能源系统作为一种能源产-供-消一体化系统，逐渐受到重视。综合能源系统以冷/热/电/气等能源供应形式满足用户的多种能源需求，打破能源子系统间的壁垒,可以在提高能源利用效率、减少环境污染、加强能源安全、优化能源结构方面发挥积极作用。
3.尽管围绕多区域单一场景以及多场景的单一区域的综合能源系统有较多讨论，但对于更加复杂的多区域综合能源系统在多场景情境下的运行优化方案未有研究。因此，有必要结合上述的多区域、多场景两个特征，提出一种可以降低多场景对系统稳定性产生影响的多区域综合能源优化调度方法。


技术实现要素：

4.1.发明要解决的技术问题
5.本发明提出了一种考虑光伏不确定性的多区域综合能源系统多场景优化调度方法，本发明可实现不同区域间的设备在多种随机场景下的统一调度与协调优化，使区域综合能源系统实现最优工作配合，能够降低光伏不确定性对系统的稳定性的影响，并提升系统运行的经济性和灵活性。
6.2.技术方案
7.为达到上述目的，本发明提供的技术方案为：
8.本发明的一种考虑光伏不确定性的多区域综合能源系统多场景优化调度方法，其步骤为：
9.步骤1)根据光伏出力历史数据，利用拉丁超立方抽样和改进人工蜂群k-means聚类生成多个光伏不确定性实时场景；
10.步骤2)根据热能输运动态特性，建立热网络模型；
11.步骤3)以光伏日前预测值为基础，建立含热网的多区域综合能源系统第一阶段调度模型；
12.步骤4)以光伏不确定性实时场景集为基础，建立含热网的多区域综合能源系统第二阶段调度模型；
13.步骤5)利用列与约束生成方法，将步骤3)、步骤4)两阶段调度模型分解为基准场景下的主问题和不确定场景下的子问题进行迭代求解。
14.更进一步地，所述的步骤1)中，生成多个光伏不确定性实时场景具体步骤如下：
15.步骤11)根据光伏出力历史数据，利用拉丁超立方抽样生成初始场景集；
16.步骤12)对步骤11)生成的大量初始场景集通过改进人工蜂群kmeans聚类法进行聚类分析，缩减得到典型光伏不确定性实时场景。
17.更进一步地，通过改进人工蜂群kmeans聚类法进行聚类分析的过程如下：
18.步骤121)设置引领蜂、跟随蜂和侦察蜂的数量，最大迭代次数n
max
以及控制参数col，当前迭代次数i，初始值为1，聚类类别数k，利用最大最小距离积法初始化蜂群，产生n个初始蜂群；
19.步骤122)对初始蜂群进行一次聚类划分，计算每只蜜蜂的适应度，按照适应度大小排序，将前一半作为引领蜂，后一半作为跟随蜂；
20.步骤123)引领蜂对其邻域进行搜索，得到新的位置，按照贪婪选择原则，如果新的位置的适应度大于原先位置的适应度，则用新的位置更新原位置；否则，保持原位置不变，当所有引领蜂完成邻域搜索后，计算概率；
21.步骤124)跟随蜂利用算得的概率并基于轮盘赌原则选择引领蜂，当跟随蜂完成引领蜂选择后，对邻域搜索，同样按照贪婪选择原则选择适应度高的位置；
22.步骤125)在所有跟随蜂完成搜索后，将得到的位置作为聚类中心，对数据集进行一次k-means聚类，根据聚类划分，用每一类的新的聚类中心更新蜂群；
23.步骤126)如果某引领蜂在col次迭代后，结果都没有改变，则由引领蜂变为侦察蜂，并随机产生一个新的位置取代原位置；
24.步骤127)如果当前迭代次数大于最大次数n
max
，则迭代结束，算法结束；否则转向步骤122)，i＝i 1；
25.按照上述步骤得到多个光伏不确定性实时场景。
26.更进一步地，所述的步骤2)中，建立热网络模型的具体步骤如下：
27.步骤21)建立热网络管道模型
28.热网络管道模型包括不考虑热媒损耗的前提下管道热媒流量关系式，考虑管道热延迟和热损耗的能量守恒方程以及管道中传输的热功率上下限约束；
29.步骤22)建立热网节点模型
30.热网节点模型包括不同管道的热媒流入同一节点混合后流出的热媒温度关系式，流经同一节点的热媒流量和以及能量关系式；
31.结合上述建立的热网络管道模型和热网节点模型，即为热网络模型。
32.更进一步地，步骤3)的具体步骤为：
33.步骤31)建立第一阶段调度目标函数
34.含有热网的多区域综合能源系统多场景优化调度的第一阶段日前阶段优化目标为系统运行成本最低，其中运行成本包括综合能源系统从电网购电费用、向电网售电所得、燃气成本、热网运行成本和光伏日前预测信息下的弃光成本五部分；
35.步骤32)建立第一阶段调度约束条件
36.第一阶段调度的约束条件包括冷热电联产系统约束、cchp-热网能量耦合约束，
cchp约束又包括电网、热网、冷网约束。
37.更进一步地，步骤4)的具体步骤为：
38.步骤41)建立第二阶段调度目标函数
39.第二阶段目标为系统调整成本最低，其中实时阶段系统调整成本包含购/售电调整成本、燃气调整成本、热网运行调整成本，以及实时场景弃光成本；
40.步骤42)建立第二阶段调度约束条件
41.第二阶段调度约束为设备出力实时调整约束和电热冷功率平衡调整约束。
42.更进一步地，步骤5)的具体步骤为：
43.步骤51)整合步骤3)、步骤4)建立的第一阶段和第二阶段调度模型；
44.步骤52)构造概率分布综合范数约束；
45.步骤53)针对步骤51)建立的两阶段模型，构造主问题；
46.步骤54)针对步骤51)建立的两阶段模型，构造子问题；
47.步骤55)利用列与约束生成算法迭代求解。
48.更进一步地，步骤55)利用列与约束生成算法迭代求解的具体过程为：
49.步骤551)设置优化问题的下界初始值lb＝-∞，上界初始值ub＝ ∞；初始迭代次数k＝0；上下界最大间隙为ε；
50.步骤552)求解主问题，确定状态变量b
*
、机组调度出力x
*
，将所求得的目标值对lb进行更新；
51.步骤553)基于步骤552)确定的状态变量、机组调度出力，求解子问题，确定光伏不确定实时场景下各机组调整出力
52.步骤554)在步骤52)构造的概率分布综合范数约束下求解最恶劣的概率分布p*，结合步骤543)的确定值，将上界ub进行更新；
53.步骤555)如果ub-lb《ε，迭代过程结束，此时的b
*
、x
*
、即为最优解；否则，添加辅助变量及相应的约束条件至主问题，更新迭代次数k＝k 1，返回步骤552)进行下一次迭代。
54.3.有益效果
55.采用本发明提供的技术方案，与已有的公知技术相比，具有如下显著效果：
56.(1)本发明的一种考虑光伏不确定性的多区域综合能源系统多场景优化调度方法，有效的解决了能源利用不充分的问题，降低了光伏不确定性对多区域综合能源系统稳定性的影响，提升了系统的经济性以及系统在多场景中的适应性与灵活性。
57.(2)本发明的一种考虑光伏不确定性的多区域综合能源系统多场景优化调度方法，首先根据光伏出力历史数据，利用拉丁超立方抽样和改进人工蜂群k-means聚类生成多个光伏不确定性实时场景，然后根据热能输运动态特性，建立热网络模型，接着建立含热网的多区域综合能源系统两阶段调度模型，最终利用列与约束生成方法将两阶段调度模型分解为主问题和子问题进行迭代求解。与其他多区域综合能源系统调度方法相比，本发明提出的方法能够降低光伏不确定性对系统稳定性的影响，提升系统对多个随机场景的灵活性，使得整个多区域综合能源系统具有更好的安全性。
附图说明
58.为了更清楚地说明本发明中的技术方案，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，下面描述中的附图仅仅是本发明的一些事实例，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或获得其他的附图
59.图1为本发明中模型相互关系图；
60.图2为本发明中采用的多区域综合能源系统结构图；
61.图3为本发明中采用的区域划分图；
62.图4为本发明中cchp系统结构与热网耦合图；
63.图5为ccg算法流程图。
具体实施方式
64.为进一步了解本发明的内容，结合附图和实施例对本发明作详细描述。显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。
65.实施例1
66.如图1所示，本发明的一种考虑光伏不确定性的多区域综合能源系统多场景优化调度方法，包含步骤为：
67.步骤1)根据光伏出力历史数据，利用拉丁超立方抽样和改进人工蜂群k-means聚类生成多个光伏不确定性实时场景；生成多个光伏不确定性实时场景具体步骤如下：
68.步骤11)根据光伏出力历史数据，利用拉丁超立方抽样生成初始场景集；
69.步骤12)对步骤11)生成的大量初始场景集通过改进人工蜂群kmeans聚类法进行聚类分析，缩减得到典型光伏出力场景集合。改进人工蜂群k-means聚类算法的步骤如121)～127)：
70.步骤121)设置引领蜂、跟随蜂和侦察蜂的数量，最大迭代次数n
max
以及控制参数col，当前迭代次数i，初始值为1，聚类类别数k，利用最大最小距离积法初始化蜂群，产生n个初始蜂群；
71.步骤122)对初始蜂群进行一次聚类划分，计算每只蜜蜂的适应度，按照适应度大小排序，将前一半作为引领蜂，后一半作为跟随蜂；
72.步骤123)引领蜂对其邻域进行搜索，得到新的位置，按照贪婪选择原则，如果新的位置的适应度大于原先位置的适应度，则用新的位置更新原位置；否则，保持原位置不变，当所有引领蜂完成邻域搜索后，计算概率；
73.步骤124)跟随蜂利用算得的概率并基于轮盘赌原则选择引领蜂，原则上，概率越大，表明引领蜂的适应度值越大，被跟随蜂选中的概率也越大。当跟随蜂完成引领蜂选择后，对邻域搜索，同样按照贪婪选择原则选择适应度高的位置；
74.步骤125)在所有跟随蜂完成搜索后，将得到的位置作为聚类中心，对数据集进行一次k-means聚类，根据聚类划分，用每一类的新的聚类中心更新蜂群；
75.步骤126)如果某引领蜂在c
ol
次迭代后，结果都没有改变，则由引领蜂变为侦察蜂，并随机产生一个新的位置取代原位置；
76.步骤127)如果当前迭代次数大于最大次数n
max
，则迭代结束，算法结束；否则转向
步骤122)，i＝i 1；
77.按照上述步骤可得到多个光伏不确定性实时场景。
78.步骤2)根据热能输运动态特性，建立热网络模型；包括如下步骤：
79.步骤21)建立热网络管道模型
80.热网络管道模型包括不考虑热媒损耗的前提下管道热媒流量关系式，考虑管道热延迟和热损耗的能量守恒方程以及管道中传输的热功率上下限约束。热网络管道模型可表示为：
[0081][0082]
式中，q
nm,t
为t时段管道mn中节点n处流出的热媒流量；q
mn,t
为t时段管段mn中流入节点n的热媒流量；h
nm,t
为t时段从管道mn流出的热功率；为t-td时段流入管道mn的热功率；为管道mn在td时间内的热损耗；式中，为t时刻管道mn中传输的最小热功率，管道传输的最小热功率近似等于管道热损功率，即
[0083]
步骤22)建立热网节点模型
[0084]
热网节点模型包括不同管道的热媒流入同一节点混合后流出的热媒温度关系式，流经同一节点的热媒流量和以及能量关系式，即
[0085][0086]
式中，q
x,t
和q
z,t
分别为t时段管道x和管道z中的热媒流量；s
n-和s
n
分别以节点n为结束和起始管道的集合；t
x,t
为t时段管道x中热媒流到节点n的温度；t
z,t
为t时段从节点n进入管道z时的温度；i、o代表流入和流出节点n的管道集合；代表在t-td时段流入节点n的热媒流量；q
no,t
代表在t时段从节点n流出的热媒流量；代表t-td时段流入节点n的热能；h
no,t
代表t时段从节点n流出的热能；
[0087]
结合上述步骤建立的热网络管道模型和热网节点模型，即为热网络模型。
[0088]
步骤3)结合步骤2)，以光伏日前预测值为基础建立含热网的多区域综合能源系统第一阶段调度模型；具体步骤为：
[0089]
步骤31)建立第一阶段调度目标函数
[0090]
含有热网的多区域综合能源系统多场景优化调度的第一阶段日前阶段优化目标为系统运行成本最低，其中运行成本包括综合能源系统从电网购电费用、向电网售电所得、燃气成本、热网运行成本和光伏日前预测信息下的弃光成本五部分，其中弃光成本是指光伏实际发电量大于预测值时，将多余发电量抛弃不用所带来的成本，第一阶段调度目标函
数为：
[0091]
minc＝c
ebuy-c
esell
c
gas
ch c
ab,p
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0092]
式中，式中，c为多区域综合能源系统运行成本；c
ebuy
为系统购电费用；c
sell
为系统向电网售电所得；c
gas
为燃气成本；ch为热网运行成本；c
ab,p
为弃光成本；
[0093]
步骤32)建立第一阶段调度约束条件
[0094]
第一阶段调度的约束条件包括冷热电联产系统(cchp)约束、cchp-热网能量耦合约束，而cchp约束又包括电网、热网、冷网约束。
[0095]
步骤321)建立cchp约束
[0096]
步骤3211)建立电网约束
[0097][0098]
式中，p
gb,k,t
、p
gs,k,t
为第k个cchp系统在t时段的购电功率和售电功率；p
ec,k,t
为t时段第k个cchp系统电制冷机消耗的功率；l
e,k,t
为t时段第k个cchp系统电负荷；p
gt,k,t
为t时段第k个cchp系统gt的发电功率；为t时段第k个cchp光伏机组的实际出力；s
ch,k
、s
disc,k
为0-1状态变量，s
ch,k
为1代表第k个cchp系统蓄电池为充电状态，s
disc,k
为1代表第k个cchp系统蓄电池为放电状态；p
ch,k,t
、p
disc,k,t
为t时段第k个cchp系统中蓄电池充放电功率；c
bt,k
为第k个cchp系统中蓄电池容量；λ
ch,k
、λ
disc,k
为第k个cchp系统中蓄电池最大充放电系数；e
bt,k,t
为第k个cchp系统蓄电池t时段的电量；e
bt,k,t-1
为第k个cchp系统t-1时段蓄电池电量；σ为蓄电池电量衰减系数；η
ch,k
、η
disc,k
为第k个cchp系统蓄电池充放电效率；为第k个cchp系统最大蓄电量；为第k个cchp系统最小蓄电量；p
k,t
为第k个cchp系统各设备在t时段的电功率；为第k个cchp系统各设备电功率上下限；
[0099]
步骤3212)建立热网约束
[0100][0101]
式中，h
rec,k,t
为第k个cchp系统rec在t时段的输出热功率；h
ac,k,t
为第k个cchp系统ac在t时段吸收的热功率；h
he,k,t
为第k个cchp系统he在t时段吸收的热功率；h
gt,k,t
为第k个
cchp系统gt在t时段的输出热功率；η
rec,k
为第k个cchp系统rec的回收效率；β
eth,k
为第k个cchp系统gt的热电比；h
k,t
为第k个cchp系统各设备在t时段的热功率；为第k个cchp系统各设备热功率上下限；
[0102]
热网约束除了上式外还应包括式(1)和式(2)。
[0103]
步骤3213)建立冷网约束
[0104][0105]
式中，q
ec,k,t
为第k个cchp系统ec在t时段输出的冷功率；q
ac,k,t
为第k个cchp系统ac在t时段输出的冷功率；l
c,k,t
为第k个cchp系统t时段的冷负荷；η
ec,k
为第k个cchp系统ec的制冷效率；η
ac,k
为第k个cchp系统ac的制冷效率；——第k个cchp系统各设备冷功率上下限；
[0106]
步骤322)建立cchp-热网能量耦合约束
[0107][0108]
式中，h
he,k,t
为t时段第k个cchp系统rec输出热功率；h
ex,k,t
为t时段第k个cchp系统与热网络之间流动的热功率；l
h,k,t
为t时段第k个cchp系统的热负荷；w为与区域k相连的热网节点集合；h
c,n,t
为热网节点n流入cchp系统的热功率。
[0109]
步骤4)结合步骤1)、步骤2)，以光伏不确定性实时场景集为基础建立含热网的多区域综合能源系统第二阶段调度模型；具体步骤为：
[0110]
步骤41)建立第二阶段调度目标函数
[0111]
实时阶段系统调整成本包含购/售电调整成本、燃气调整成本、热网运行调整成本，以及实时场景弃光成本；
[0112]
其中，购售电调整费用为
[0113][0114]
式中，ps为第s个场景发生的概率；ψ为场景概率分布可行域；δc
ebuy
、δc
esell
为第s个场景下系统的购售电实时调整成本；δc
gas
为第s个场景下系统的购气实时调整成本、δch为第s个场景下系统的热网运行实时调整成本；c
ab,r
为第s个场景下系统光伏实时弃光成本；
[0115]
步骤42)建立第二阶段调度约束条件
[0116]
第二阶段调度约束主要为设备出力实时调整约束和电热冷功率平衡调整约束。
[0117]
步骤421)建立设备出力调整约束
[0118][0119]
式中，为第s个场景下第k个cchp系统各设备在t时段的电热冷调整功率；
[0120]
步骤422)建立功率平衡约束
[0121][0122]
式中，为第s个场景下第k个cchp系统蓄电池在t时段充放电调整量；为第s个场景下第k个cchp系统rec在t时段的输出热功率调整量；为第s个场景下第k个cchp系统ac在t时段吸收热功率调整量；为第s个场景下第k个cchp系统he在t时段吸收热功率调整量；为第s个场景下第k个cchp系统ec在t时段输出冷功率调整量；为第s个场景下第k个cchp系统ac在t时段输出冷功率调整量。
[0123]
步骤5)利用列与约束生成方法将步骤3)、步骤4)两阶段调度模型分解为基准场景下的主问题和不确定场景下的子问题进行迭代求解；具体步骤为：
[0124]
步骤51)将步骤3)、步骤4)建立的第一阶段和第二阶段调度模型表述为
[0125][0126]
式中，x为第一阶段决策变量；x为第一阶段决策变量集合；ys为与第s个场景相关的第二阶段决策变量；y为与第s个场景相关的第二阶段决策变量集合；ξ为第一阶段光伏预测信息；ξs为第s个场景下的光伏预测信息；a、b、c、w、a、b、c、d为对应的系数向量或矩阵；
[0127]
步骤52)构造概率分布综合范数约束：
[0128][0129]
式中，p
s0
为第s个场景概率的初始概率值；θ1、θ
∞
为在1-范数和∞-范数约束条件下的概率允许偏差限值；
[0130]
步骤53)针对步骤51)建立的两阶段模型，构造主问题：
[0131][0132]
式中，z为辅助变量；g为迭代次数；
[0133]
步骤54)构造子问题：
[0134][0135]
步骤55)利用列与约束生成生成算法迭代求解：
[0136]
步骤551)设置该优化问题的下界初始值lb＝-∞，上界初始值ub＝ ∞；初始迭代次数k＝0；上下界最大间隙为ε；
[0137]
步骤552)求解主问题，确定状态变量b
*
、机组调度出力x
*
，将所求得的目标值对lb进行更新
[0138]
步骤553)基于步骤552)确定的状态变量、机组调度出力，求解子问题，确定光伏不确定实时场景下各机组调整出力
[0139]
步骤554)在步骤52)构造的概率分布综合范数约束下求解最恶劣的概率分布p*，结合步骤543)的确定值，将上界ub进行更新；
[0140]
步骤555)如果ub-lb《ε，迭代过程结束，此时的b
*
、x
*
、等即为最优解；否则，添加辅助变量及相应的约束条件至主问题，更新迭代次数k＝k 1，返回步骤552)进行下一次迭代。
[0141]
本发明首先生成光伏不确定性实时场景，接着建立热网络模型，然后，结合热网络模型，以光伏日前预测值和光伏不确定性实时场景集为基础建立含热网的多区域综合能源系统第一阶段、第二阶段调度模型。与单区域多场景综合能源系统及多区域单场景综合能源系统相比，本发明实施例实现了多区域内多场景下设备的统一调度，使设备尽可能的处于最佳工作状态，实现最优能量管理调度。本发明能够应对多个不确定场景，使得系统具有较好的灵活性和鲁棒性，从而为进一步提高能源系统效益、实现整体最优的提供可能。
[0142]
实施例1
[0143]
如图3所示，将某大型区域划分为居民区、商业区、办公区、工业区，每个区域建有cchp系统，各cchp系统通过区域热网连接形成区域综合能源系统。各区域cchp系统通过热网耦合起来，实现能量交互，从而为多区域综合能源系统的联合调度提供基础，另一方面实现了各个区域的热负荷耦合，综合利用不同区域的负荷特性达到能量管理的目的。
[0144]
采用的cchp系统的结构如图4所示。其中，居民区不配置蓄电池，办公区、商业区和工业区配置蓄电池，各设备容量见表1。设t时刻热网管道所在环境的平均温度tt,evi＝0℃，送水温度tt,sw＝90℃，回水温度tt,rw＝65℃，其他热网管道参数如表2所示，仿真中利
用各个管段输送的热功率计算热网运行费用。
[0145]
表1综合能源系统中各设备容量
[0146][0147]
表2热网管道参数
[0148][0149]
居民区、商业区和办公区采用固定电价，居民区电价为0.606元/kwh，商业区、办公区电价为0.882元/kwh，工业区采用分时电价，电价见表3。向电网售电价格为0.5283元/(kw
·
h)，天然气折合为单位热值价格为0.283元/(kw
·
h)。综合能源系统其他参数见表4。
[0150]
表3工业区电价
[0151][0152]
表4综合能源系统其他参数
[0153][0154]
本实施例两阶段三层的min-max-min问题，难以同时求解。因此采用求解该类问题收敛性和准确性优越的列约束生成算法(column and constraint generation，c&cg)，将原问题分解为主问题(master problem，mp)和子问题(subproblem，sp)进行迭代求解。
[0155]
得到多区域综合能源系统最优运行结果，几个不确定性程度不同的场景下的优化结果见表5，不确定性程度取值为0时代表为确定性优化，不考虑光伏出力的不确定性，值越大，不确定程度越高。
[0156]
表5不确定性影响下系统运行成本
[0157][0158]
由表可以看出，当标准差取值范围变大，光伏出力不确定性逐渐变大时，实时阶段下系统机组调整成本也随着升高。当不确定性大到一定的程度时，系统出现弃光的现象，且使得日前运行成本和实时调整成本出现大幅上升的情况。这是因为为了尽可能降低光伏不确定性带来的影响，系统会优先保障系统可靠性同时尽可能的兼顾经济性。
[0159]
分别设置三个场景条件来验证模型能否保证系统功率平衡，维持系统稳定。场景1为光伏机组正常，热网运行正常；场景2为光伏机组故障，热网运行正常；场景3为光伏机组正常，热网运行故障。不同场景下系统运行成本如表6所示。
[0160]
表6不同场景下系统运行成本
[0161]
[0162]
通过3个场景对比可以发现，光伏出力状态与热网运行状态对日前运行成本和实时调整成本均有影响。同时也表明提出的方法能有效降低故障给系统稳定性带来的影响，所提方法能够灵活适应多场景情境。
[0163]
本发明实施例实现了多区域内多场景下设备的统一调度，使设备尽可能的处于最佳工作状态，实现最优能量管理调度。
[0164]
以上示意性的对本发明及其实施方式进行了描述，该描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。所以，如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。