一种输电线巡检路径规划方法及系统与流程

本发明涉及电力系统技术领域，特别涉及一种输电线巡检路径规划方法及系统。

背景技术：

输电线路是电力系统的重要组成部分，其安全运行是系统整体稳定的重要保障。但是输电线路及其附属设备暴露在野外中，这种运行方式必定会受到环境因素、人为因素和设备自身因素等影响。

目前的国内输电线路巡检方式包括人工巡检、无人机巡检和车辆巡检等方式；在车辆巡检和无人机巡检应用中存在很多人工智能算法优化巡检路径，其中包括粒子群算法、遗传算法、蚁群算法等智能算法，利用智能算法在无人机和车辆巡检中可以科学合理的对巡检路径规划进行规划，提高巡检效率；但由于杆塔环境的复杂性，很多情况无法采用汽车巡检和无人机巡检两种方式，必须依靠人工巡检方式。传统人工输电线巡检路径规划多取决于领导意志，由有经验的巡检员制定巡检路径，这种依靠经验的方式存在很强的主观性，缺乏科学性，并且无法预判杆塔受到的风险因素，这样在一定程度上助长了输电线路的风险运行概率。制定输电线路巡视路径可以有效的提升人力资源和节省费用，所以输电线路巡视路径规划是必要的。

技术实现要素：

本发明的目的是提供一种输电线巡检路径规划方法及系统，综合考虑了巡检员巡检时间和杆塔发生风险概率两种因素，利用预定智能算法优化制定巡检路径，提高巡检效率。

为解决上述技术问题，本发明提供一种输电线巡检路径规划方法，包括：

初始化预定参数信息；其中，所述预定参数信息包括杆塔参数、杆塔风险运行因素原始数据、杆塔间路径困难系数和预定智能算法参数；

对所述杆塔风险运行因素原始数据进行预处理，根据预处理后的数据，建立贝叶斯网络模型并计算相应杆塔风险运行因素的杆塔风险运行条件概率；

根据所述杆塔参数及所述杆塔间路径困难系数，建立塔间巡检时间模型；

根据所述杆塔风险运行条件概率及所述塔间巡检时间模型，建立综合巡检模型；

根据预定智能算法参数，利用预定智能算法对综合模型进行求解，当满足终止迭代条件时，输出优化后最优巡检路径。

其中，对所述杆塔风险运行因素原始数据进行预处理，包括：

根据杆塔风险运行因素原始数据，建立初始决策表；

根据所述初始决策表，将每种杆塔风险运行因素的特征映射到预定的区间内，并利用具体的数值与每种杆塔风险运行因素的特征进行一一对应，形成量化后的初始决策表。

其中，根据预处理后的数据，建立贝叶斯网络模型，包括：

将所述量化后的初始决策表中的数据输入到原始贝叶斯网络模型中进行计算，建立贝叶斯网络模型。

其中，根据预处理后的数据，建立计算相应杆塔风险运行因素的杆塔风险运行条件概率，包括：

利用所述贝叶斯网络模型，计算得到所述量化后的初始决策表中每个杆塔风险运行因素的条件概率；

根据所述条件概率和所述贝叶斯网络模型，通过概率计算得到相应杆塔风险运行因素的杆塔风险运行条件概率；其中，

杆塔风险运行因素的杆塔高风险运行条件概率为：

$Pf=P\left(B_1\right|A)=\frac{P\left(B_1\right)\underset{i=1}{\overset{9}{\Π}}P\left(C_i\right|B_1)}{P\left(B_1\right)\underset{i=1}{\overset{9}{\Π}}P\left(C_i\right|B_1)+P\left(B_2\right)\underset{i=1}{\overset{9}{\Π}}P\left(C_i\right|B_1)}$

杆塔风险运行因素的杆塔低风险运行条件概率为：

$Pn=P\left(B_2\right|A)=\frac{P\left(B_2\right)\underset{i=1}{\overset{9}{\Π}}P\left(C_i\right|B_1)}{P\left(B_1\right)\underset{i=1}{\overset{9}{\Π}}P\left(C_i\right|B_1)+P\left(B_2\right)\underset{i=1}{\overset{9}{\Π}}P\left(C_i\right|B_1)}$

其中，杆塔运行状态变量用B＝{B₁、B₂}＝{高风险运行、低风险运行}表示，杆塔风险运行因素用{C₁C₂C₃。。。。。C₉}表示，P(B₁)和P(B₂)分别表示杆塔的历史高风险运行和历史低风险运行概率；P(C_i|B₁)表示杆塔在不同的杆塔风险运行因素的条件下的高风险运行概率。

其中，所述塔间巡检时间模型具体为：

$T_{i,j}=R(i,j)\·\sqrt{{(X_j-X_i)}^2+{(Y_j-Y_i)}^2}$

其中，R(i,j)表示杆塔i到杆塔j之间的路径困难系数；X(i)、X(j)表示杆塔i、j的横坐标，Y(i)、Y(j)表示杆塔i、j的纵坐标。

其中，所述综合巡检模型具体为：

$F_{ij}=\mathrm{\α}\·R(i,j)\·\underset{i=1}{\overset{D-1}{\Σ}}{T}_{i,j}+\mathrm{\β}\·\underset{i=1}{\overset{D-1}{\Σ}}{P}_j/P_i$

其中，F_ij为目标函数，D是待巡检杆塔数目，P_i、P_j分别是杆塔i和j的风险概率，α和β为加权系数，R(i,j)表示杆塔i到杆塔j之间的路径困难系数，T_i，j为塔间巡检时间模型。

本发明还提供一种输电线巡检路径规划系统，包括：

初始化模块，用于初始化预定参数信息；其中，所述预定参数信息包括杆塔参数、杆塔风险运行因素原始数据、杆塔间路径困难系数和预定智能算法参数；

杆塔风险运行条件概率模块，用于对所述杆塔风险运行因素原始数据进行预处理，根据预处理后的数据，建立贝叶斯网络模型并计算相应杆塔风险运行因素的杆塔风险运行条件概率；

塔间巡检时间模型模块，用于根据所述杆塔参数及所述杆塔间路径困难系数，建立塔间巡检时间模型；

综合巡检模型模块，用于根据所述杆塔风险运行条件概率及所述塔间巡检时间模型，建立综合巡检模型；

最优巡检路径模块，用于根据预定智能算法参数，利用预定智能算法对综合模型进行求解，当满足终止迭代条件时，输出优化后最优巡检路径。

其中，所述杆塔风险运行条件概率模块，包括：

条件概率单元，用于利用所述贝叶斯网络模型，计算得到所述量化后的初始决策表中每个杆塔风险运行因素的条件概率；

杆塔风险运行条件概率单元，用于根据所述条件概率和所述贝叶斯网络模型，通过概率计算得到相应杆塔风险运行因素的杆塔风险运行条件概率；其中，

杆塔风险运行因素的杆塔高风险运行条件概率为：

$Pf=P\left(B_1\right|A)=\frac{P\left(B_1\right)\underset{i=1}{\overset{9}{\Π}}P\left(C_i\right|B_1)}{P\left(B_1\right)\underset{i=1}{\overset{9}{\Π}}P\left(C_i\right|B_1)+P\left(B_2\right)\underset{i=1}{\overset{9}{\Π}}P\left(C_i\right|B_1)}$

杆塔风险运行因素的杆塔低风险运行条件概率为：

$Pn=P\left(B_2\right|A)=\frac{P\left(B_2\right)\underset{i=1}{\overset{9}{\Π}}P\left(C_i\right|B_1)}{P\left(B_1\right)\underset{i=1}{\overset{9}{\Π}}P\left(C_i\right|B_1)+P\left(B_2\right)\underset{i=1}{\overset{9}{\Π}}P\left(C_i\right|B_1)}$

其中，杆塔运行状态变量用B＝{B₁、B₂}＝{高风险运行、低风险运行}表示，杆塔风险运行因素用{C₁C₂C₃。。。。。C₉}表示，P(B₁)和P(B₂)分别表示杆塔的历史高风险运行和历史低风险运行概率；P(C_i|B₁)表示杆塔在不同的杆塔风险运行因素的条件下的高风险运行概率。

其中，所述塔间巡检时间模型模块具体为：根据所述杆塔参数及所述杆塔间路径困难系数，建立塔间巡检时间模型

其中，R(i,j)表示杆塔i到杆塔j之间的路径困难系数；X(i)、X(j)表示杆塔i、j的横坐标，Y(i)、Y(j)表示杆塔i、j的纵坐标。

其中，所述综合巡检模型模块具体为：根据所述杆塔风险运行条件概率及所述塔间巡检时间模型，建立综合巡检模型

其中，其中，F_ij为目标函数，D是待巡检杆塔数目，P_i、P_j分别是杆塔i和j的风险概率，α和β为加权系数，R(i,j)表示杆塔i到杆塔j之间的路径困难系数，T_i，j为塔间巡检时间模型。

本发明所提供的一种输电线巡检路径规划方法，包括：初始化预定参数信息；对杆塔风险运行因素原始数据进行预处理，根据预处理后的数据，建立贝叶斯网络模型并计算相应杆塔风险运行因素的杆塔风险运行条件概率；根据杆塔参数及杆塔间路径困难系数，建立塔间巡检时间模型；根据杆塔风险运行条件概率及塔间巡检时间模型，建立综合巡检模型；根据预定智能算法参数，利用预定智能算法对综合模型进行求解，当满足终止迭代条件时，输出优化后最优巡检路径；

可见，该方法综合考虑了巡检员巡检时间和杆塔发生风险概率两种因素，利用预定智能算法优化，科学制定巡检路径，摆脱传统情况依靠领导决策或者经验决策的巡检路径规划方法，提高巡检效率；本发明还提供一种输电线巡检路径规划系统，具有上述有益效果，在此不再赘述。

附图说明

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的实施例，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，还可以根据提供的附图获得其他的附图。

图1为本发明实施例所提供的输电线巡检路径规划方法的流程图；

图2为本发明实施例所提供的贝叶斯网络模型的示意图；

图3为本发明实施例所提供的最优巡检路径的示意图；

图4为本发明实施例所提供的输电线巡检路径规划系统的结构框图。

具体实施方式

本发明的核心是提供一种输电线巡检路径规划方法及系统，综合考虑了巡检员巡检时间和杆塔发生风险概率两种因素，利用预定智能算法优化制定巡检路径，提高巡检效率。

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参考图1，图1为本发明实施例所提供的输电线巡检路径规划方法的流程图；该方法可以包括：

S100、初始化预定参数信息；其中，所述预定参数信息包括杆塔参数、杆塔风险运行因素原始数据、杆塔间路径困难系数和预定智能算法参数；

其中，这里的预定参数信息可以根据用户实际使用情况进行具体设定，考虑的因素可以由用户确定，例如杆塔风险运行因素原始数据包括天气因素、地质因素、巡视周期、历史负荷、温度因素、运行时间、异常频率、材料等级、电压等级(这里用户可以对杆塔风险运行因素进行增减)；预定智能算法参数包括横向交叉率、纵向交叉率、粒子数、迭代次数(根据所选用的智能算法具体的参数需求进行确定)；杆塔参数包括杆塔数、杆塔坐标；杆塔间路径困难系数由各杆塔对应的路况等级确定(这里系数为了区分巡查时消耗时间，路况差相对应消耗时间长)。

S110、对所述杆塔风险运行因素原始数据进行预处理，根据预处理后的数据，建立贝叶斯网络模型并计算相应杆塔风险运行因素的杆塔风险运行条件概率；

其中，对所述杆塔风险运行因素原始数据进行预处理，包括原始数据的统计分类等操作，经过预处理后的数据可以方便输入到原始贝叶斯网络模型中进行模型训练得到最终可用的贝叶斯网络模型；并根据贝叶斯网络模型计算得到选定杆塔风险运行因素条件下的杆塔风险运行条件概率；且这里的杆塔风险运行条件概率可以包括高风险运行条件概率和/或低风险运行条件概率。

具体的，对所述杆塔风险运行因素原始数据进行预处理可用包括：

根据杆塔风险运行因素原始数据，建立初始决策表；其中，初始决策表可以如下：

根据所述初始决策表，将每种杆塔风险运行因素的特征映射到预定的区间内，并利用具体的数值与每种杆塔风险运行因素的特征进行一一对应，形成量化后的初始决策表。

具体的，根据初始决策表，需要对上述原始数据中影响因素即杆塔风险运行因素进行量化处理其量化过程是将每种影响因素的特征映射到一定的区间内，并用具体的数值表示其中的不同特征，如天气因素等。

可选的，根据预处理后的数据，建立贝叶斯网络模型，包括：

将所述量化后的初始决策表中的数据输入到原始贝叶斯网络模型中进行计算，建立贝叶斯网络模型。

具体计算过程可以分为5步，具体如下：

1、计算杆塔风险运行影响因素之间的条件互信息：I_p(C_i；C_j|C),i,j＝1,2,…..,n(条件互信息是指一个变量包含另一个变量的多少)其中C为杆塔风险运行的影响因素；

2、生成一个以Ip(Ci；Cj|C)为弧的权重加权无向图,i,j＝1,2,…..,n。

3、寻找一个最大权重生成树

4、设置以根节点为起点所有边向外的图。

5、生成以变量节点与属性节点之间的弧。

经过上述5步骤之后建立的贝叶斯网络模型可以如图2所示。

可选的，根据预处理后的数据，建立计算相应杆塔风险运行因素的杆塔风险运行条件概率，包括：

利用所述贝叶斯网络模型，计算得到所述量化后的初始决策表中每个杆塔风险运行因素的条件概率；

根据所述条件概率和所述贝叶斯网络模型，通过概率计算得到相应杆塔风险运行因素的杆塔风险运行条件概率；其中，

杆塔风险运行因素的杆塔高风险运行条件概率为：

$Pf=P\left(B_1\right|A)=\frac{P\left(B_1\right)\underset{i=1}{\overset{9}{\Π}}P\left(C_i\right|B_1)}{P\left(B_1\right)\underset{i=1}{\overset{9}{\Π}}P\left(C_i\right|B_1)+P\left(B_2\right)\underset{i=1}{\overset{9}{\Π}}P\left(C_i\right|B_1)}$

杆塔风险运行因素的杆塔低风险运行条件概率为：

$Pn=P\left(B_2\right|A)=\frac{P\left(B_2\right)\underset{i=1}{\overset{9}{\Π}}P\left(C_i\right|B_1)}{P\left(B_1\right)\underset{i=1}{\overset{9}{\Π}}P\left(C_i\right|B_1)+P\left(B_2\right)\underset{i=1}{\overset{9}{\Π}}P\left(C_i\right|B_1)}$

其中，杆塔运行状态变量用B＝{B₁、B₂}＝{高风险运行、低风险运行}表示，杆塔风险运行因素用{C₁C₂C₃。。。。。C₉}表示，P(B₁)和P(B₂)分别表示杆塔的历史高风险运行和历史低风险运行概率；P(C_i|B₁)表示杆塔在不同的杆塔风险运行因素的条件下的高风险运行概率。

具体的，通过贝叶斯网络模型计算得出量化后的初始决策表中每个属性的条件概率，在获得条件概率和贝叶斯网络模型的前提下，通过概率计算即可得出样本的高风险运行概率。

S120、根据所述杆塔参数及所述杆塔间路径困难系数，建立塔间巡检时间模型；

其中，当杆塔参数包括杆塔数和杆塔坐标时，则建立的塔间巡检时间模型具体为：

$T_{i,j}=R(i,j)\·\sqrt{{(X_j-X_i)}^2+{(Y_j-Y_i)}^2}$

其中，R(i,j)表示杆塔i到杆塔j之间的路径困难系数；X(i)、X(j)表示杆塔i、j的横坐标，Y(i)、Y(j)表示杆塔i、j的纵坐标。该模型计算方便，且可以相对公平的量化出塔间巡检时间。这里也可以用其它方式计算该模型。

S130、根据所述杆塔风险运行条件概率及所述塔间巡检时间模型，建立综合巡检模型；

其中，这里的模型需要综合考虑上述得到的具体模型的情况进行确定，利用使用上述步骤得到的具体模型，则这里的综合巡检模型具体为：

$F_{ij}=\mathrm{\α}\·R(i,j)\·\underset{i=1}{\overset{D-1}{\Σ}}{T}_{i,j}+\mathrm{\β}\·\underset{i=1}{\overset{D-1}{\Σ}}{P}_j/P_i$

其中，F_ij为目标函数，D是待巡检杆塔数目，P_i、P_j分别是杆塔i和j的风险概率，α和β为加权系数，R(i,j)表示杆塔i到杆塔j之间的路径困难系数，T_i，j为塔间巡检时间模型。

S140、根据预定智能算法参数，利用预定智能算法对综合模型进行求解，当满足终止迭代条件时，输出优化后最优巡检路径。

其中，为了得到优化后的巡查路径，这里实用高效的智能算法时间寻优过程，例如使用遗传算法，粒子算法，纵横交叉算法等，可以根据用户需求进行选择，这里重要满足可以进行寻优确定最优路径即可，并不对具体的算法进行限制。

可选的，这里可以利用纵横交叉算法反复对综合巡检模型进行求解，纵横交叉算法为一种智能算法，包括横向交叉纵向交叉两部分，在应用规划问题中具有全局搜索能力强的特点。

基于上述技术方案，本发明实施例提供的输电线巡检路径规划方法，通过建立巡检员巡检花费的时间和杆塔运行风险为目标，由于杆塔众多，并且杆塔所处环境的复杂，每对杆塔之间巡检员巡检时间无法精确细化，本实施例采取利用杆塔之间的直线距离与该两座杆塔之间路况的困难系数乘积表示巡检时间；输电线路巡检目的是排除杆塔和输电线故障，因此优先巡检发生风险概率较大的杆塔显得尤为重要，本实施例利用杆塔的原始数据，建立贝叶斯网络模型，计算每座杆塔发生风险的概率；结合杆塔运行风险概率和巡检员巡检时间两个目标建立综合模型，利用预定智能算法对该模型进行优化求解，为输电线巡检提供科学有效的巡检路径，使巡检员在在巡检作业时能够优先巡检发生风险概率较大的杆塔并且保障巡检时间最短，提高巡检效率。

为了更好地说明本发明提出的数据处理方法的有益效果，下面使用算例进行验证：

以下表1是30个杆塔的坐标位置，其中X为杆塔的横坐标，Y为杆塔的纵坐标；近几年的杆塔原始数据，建立贝叶斯网络模型，如图2，利用贝叶斯网络计算得到杆塔的运行风险概率见表2；其中表3为杆塔路径的困难系数。

表1杆塔坐标

表2杆塔运行风险概率

表3杆塔路径困难系数

由上述可知，在已知杆塔坐标参数、杆塔运行风险概率和杆塔的路径困难系数，建立巡检员巡检时间和杆塔运行风险的综合模型，利用预定智能算法对该模型进行优化求解，得到最优巡检路径，如图3所示。可见该方法不仅考虑了巡检员完成巡检任务所要花费的时间，同时考虑了杆塔发生的风险概率，在巡检任务过程中，能够优先巡检发生风险概率较大的杆塔，同时保障巡检时间较短的完成任务，具有科学性和合理性。

下面对本发明实施例提供的输电线巡检路径规划系统进行介绍，下文描述的输电线巡检路径规划系统与上文描述的输电线巡检路径规划方法可相互对应参照。

请参考图4，图4为本发明实施例所提供的输电线巡检路径规划系统的结构框图；该系统可以包括：

初始化模块100，用于初始化预定参数信息；其中，所述预定参数信息包括杆塔参数、杆塔风险运行因素原始数据、杆塔间路径困难系数和预定智能算法参数；

杆塔风险运行条件概率模块200，用于对所述杆塔风险运行因素原始数据进行预处理，根据预处理后的数据，建立贝叶斯网络模型并计算相应杆塔风险运行因素的杆塔风险运行条件概率；

塔间巡检时间模型模块300，用于根据所述杆塔参数及所述杆塔间路径困难系数，建立塔间巡检时间模型；

综合巡检模型模块400，用于根据所述杆塔风险运行条件概率及所述塔间巡检时间模型，建立综合巡检模型；

最优巡检路径模块500，用于根据预定智能算法参数，利用预定智能算法对综合模型进行求解，当满足终止迭代条件时，输出优化后最优巡检路径。

基于上述实施例可选的，所述杆塔风险运行条件概率模块200，包括：

条件概率单元，用于利用所述贝叶斯网络模型，计算得到所述量化后的初始决策表中每个杆塔风险运行因素的条件概率；

杆塔风险运行条件概率单元，用于根据所述条件概率和所述贝叶斯网络模型，通过概率计算得到相应杆塔风险运行因素的杆塔风险运行条件概率；其中，

杆塔风险运行因素的杆塔高风险运行条件概率为：

$Pf=P\left(B_1\right|A)=\frac{P\left(B_1\right)\underset{i=1}{\overset{9}{\Π}}P\left(C_i\right|B_1)}{P\left(B_1\right)\underset{i=1}{\overset{9}{\Π}}P\left(C_i\right|B_1)+P\left(B_2\right)\underset{i=1}{\overset{9}{\Π}}P\left(C_i\right|B_1)}$

杆塔风险运行因素的杆塔低风险运行条件概率为：

$Pn=P\left(B_2\right|A)=\frac{P\left(B_2\right)\underset{i=1}{\overset{9}{\Π}}P\left(C_i\right|B_1)}{P\left(B_1\right)\underset{i=1}{\overset{9}{\Π}}P\left(C_i\right|B_1)+P\left(B_2\right)\underset{i=1}{\overset{9}{\Π}}P\left(C_i\right|B_1)}$

其中，杆塔运行状态变量用B＝{B₁、B₂}＝{高风险运行、低风险运行}表示，杆塔风险运行因素用{C₁C₂C₃。。。。。C₉}表示，P(B₁)和P(B₂)分别表示杆塔的历史高风险运行和历史低风险运行概率；P(C_i|B₁)表示杆塔在不同的杆塔风险运行因素的条件下的高风险运行概率。

基于上述实施例可选的，所述塔间巡检时间模型模块300具体为：根据所述杆塔参数及所述杆塔间路径困难系数，建立塔间巡检时间模型$T_{i,j}=R(i,j)\·\sqrt{{(X_j-X_i)}^2+{(Y_j-Y_i)}^2};$

其中，R(i,j)表示杆塔i到杆塔j之间的路径困难系数；X(i)、X(j)表示杆塔i、j的横坐标，Y(i)、Y(j)表示杆塔i、j的纵坐标。

基于上述任意实施例可选的，所述综合巡检模型模块400具体为：根据所述杆塔风险运行条件概率及所述塔间巡检时间模型，建立综合巡检模型

其中，其中，F_ij为目标函数，D是待巡检杆塔数目，P_i、P_j分别是杆塔i和j的风险概率，α和β为加权系数，R(i,j)表示杆塔i到杆塔j之间的路径困难系数，T_i，j为塔间巡检时间模型。

说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

以上对本发明所提供的输电线巡检路径规划方法及系统进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。