一种风力发电机排布选型的优化方法和系统与流程

本发明涉及风力发电机微观选址领域，特别涉及一种风力发电机排布选型的优化方法和系统。

背景技术：

风能是一种无污染、可再生的新能源，在能源紧缺和传统能源对环境污染严重的现代社会，风电产业成为大力发展的新能源产业之一。风电场微观选址是风电产业合理规划的必要步骤。建设风电场前的风电场微观选址可以有效提高风能利用效率，提高风机使用寿命，降低风电场运维成本和风力发电成本，从而实现风电产业的合理决策与科学发展。风电场选址包括宏观选址和微观选址，宏观选址旨在选择风电场场址，而微观选址重点在于风机选型和安装位置。对当地风资源的长期记录和分析是风电场选址的大前提，微观选址在宏观选址完成之后，安装测风塔，对场址处风况进行一年以上的检测和记录，结合当地长期气象记录等，综合进行风资源分析和评估。在风资源评估、场址地形地貌综合分析的基础上，选择风机数量和型号，确定风机安装位置，以达到风电场预期年产量最大或预期风力发电度电成本最低，令该风电场在社会、经济和环境指标满足的条件下，达到经济效益最大化。

风电场微观选址优化是一种非线性强耦合问题，需综合考虑当地气象地形、环境指标、土地价格、道路分布和建设可行性等因素，涉及流体、气象、机电等多方面因素，无法使用传统最优化方法得出最优解。因此，目前在世界范围内，该方向的研究成果大多都是使用基于搜索的启发式算法对具体问题进行优化决策计算。优化的主要方法为遗传算法、随机算法、粒子群优化算法等。由于风速分布随海拔高度增加而增加，各型号风机在不同的风能分布情况下各有优势和劣势。在风电场微观选址中，把多种型号、高度的风机安装在同一个风电场，可以有效提高风能利用率和整场发电效率，进而降低风能发电的成本。

与本申请相关的文献和专利中，文献Castro Mora,J等发表在2007年的Neurocomputing的论文“An evolutive algorithm for wind farm optimal design”中，提出了多型号风机排布优化的问题并给出了一种解决方法，但是优化中并未考虑风机间的尾流影响。专利《一种基于遗传算法的风电场多型号风机优化排布方案》(申请公布号：CN 103793566 A)提出了使用遗传算法来解决多型号风力发电机排布的问题，但是采用的风机型号选取优化算法并未考虑优化算法的全局性，相对粗糙，不够精准。

技术实现要素：

本发明提供了一种风力发电机排布选型的优化方法和系统，解决了以上所述的技术问题。

本发明解决上述技术问题的技术方案如下：

依据本发明的一个方面，提供了一种风力发电机排布选型的优化方法，包括以下步骤：

步骤1，获取至少一个风机排布方案，并将每个风机排布方案作为遗传算法的一个染色体；

步骤2，根据预设的分群式粒子群算法，生成每个染色体对应的最优风机选型方案和所述最优风机选型方案对应的适应度，并将适应度作为所述染色体的适应度；

步骤3，根据所述遗传算法和所有染色体的适应度，计算遗传算法的第一全局最优适应度，并获取所述第一全局最优适应度对应的目标染色体，然后输出所述目标染色体对应的风机排布方案作为目标排布方案，输出所述目标染色体对应的最优风机选型方案作为目标选型方案。

本发明的有益效果是：本发明的优化方法将遗传算法和分群式粒子群算法嵌套使用，首先使用遗传算法选取风机排布位置，遗传算法的每一代种群生成后，以当前代风机位置作为风机排布位置，然后使用分群式粒子群算法得出该风机排布位置时选型的最优解，即最优风机选型方案，从而在对风电场区域搜索连续、提高位置排布精度的基础上，充分考虑了选型算法的全局性，能够有效避免选型优化陷入局部最优，全局性更好，性能指标更好，选型方案更加精确，实用性更强。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步，所述步骤1具体为：

S101，获取风电场区域的横纵坐标范围和至少一个风机排布方案；

S102，根据风机排布方案和横纵坐标范围生成所述风电场区域内风机的初始位置矩阵；

S103，对所述初始位置矩阵的每一行进行二进制编码，并将所述初始位置矩阵中每行的编码结果作为遗传算法的一个染色体；

所述初始位置矩阵的每行代表一个风机排布方案。

采用上述进一步方案的有益效果是：本进一步技术方案对风机位置坐标直接编码，而不是对风电场区域划分棋盘格后对棋盘格进行选择，因此可在风电场范围内进行连续搜索，从而能够有效针对实际风电场区域进行风机位置选择和优化。同时还可以通过遗传算法编码方式来改变位置搜索密度，从而提高优化速度。

进一步，所述步骤2具体为：

S201，获取风机的初始选型结果；

S202，根据所述初始选型结果确定分群式粒子群算法的搜索空间，并将所述搜索空间划分为至少一个独立的子空间；

S203，根据所述初始选型结果预测所述初始位置矩阵中所述染色体对应的至少一个风机选型方案，并将所述风机选型方案作为所述染色体的粒子分配到对应的子空间中，一个所述粒子表示一个风机选型方案；

S204，对所述子空间内粒子的速度和粒子在子空间的位置进行随机初始化，然后根据预设的适应度计算函数计算每个粒子采用对应的风机排布方案且在子空间的当前位置的适应度，并获取每个粒子的个体最优适应度和子空间内所有粒子的第二全局最优适应度，将所述第二全局最优适应度对应的粒子位置作为所述子空间的当前群体最优位置；

S205，根据所述个体最优适应度、所述第二全局最优适应度和预设进化规则，对子空间内每个粒子的速度和位置进行不断进化，以优化所述当前群体最优位置，直到达到预设的进化终止条件，然后执行S206；

S206，比较所有子空间的当前群体最优位置，并从所有的当前群体最优位置中获取所述染色体在所述搜索空间的目标最优位置，并将所述目标最优位置对应的适应度作为所述染色体的适应度，所述目标最优位置即为所述染色体对应的最优风机选型方案。

采用上述进一步方案的有益效果是：本进一步技术方案使用了分群式粒子群算法获取遗传算法中每个染色体的最优选型方案，不仅保证了针对多种型号风力发电机参数较多的情况下可快速寻得选型解，又能保证两种算法嵌套使用，且迭代次数过多的情况时，计算时间不会过长，同时具有更好的全局最优性。

进一步，所述步骤3具体为：

S301，获取所述初始位置矩阵中所有染色体的适应度和目标最优位置；

S302，根据所有染色体的适应度计算所述遗传算法的第一全局最优适应度，并获取遗传算法的迭代次数和所述遗传算法的第一全局最优适应度对应的目标染色体；

S303，判断迭代次数是否达到预设的迭代次数阈值，若是，则输出所述目标染色体对应的风机排布方案作为目标排布方案，并输出所述目标染色体对应的目标最优位置作为目标选型方案，若否，则执行S304；

S304，把步骤1生成的所有染色体作为父代染色体群，并进行交叉和变异操作后生成子代染色体，然后根据所述子代染色体对所述初始位置矩阵进行更新，并返回至步骤S203。

采用上述进一步方案的有益效果是：本进一步技术方案中使用了遗传算法获取最优排布方案和对应的最优选型方案，不仅算法先进，而且保证了针对非线性强耦合优化问题仍可求出可行解，适用性强。

进一步，步骤S203中，根据风机型号和风机安装的机舱高度预测风机选型方案，并将风机型号相同且机舱高度不同、风机型号不同且机舱高度相同和风机型号不同且机舱高度不同的方案均认定为不同的风机选型方案。

采用上述进一步方案的有益效果是：本进一步技术方案充分考虑了实际风场区域的特点和使用多型号风机利用风能的特点，可推广至复杂地形三维风机选址和多型号风机混装的情况。

进一步，步骤S204中，所述适应度为所述粒子采用对应的风机排布方案和选型方案计算出的度电成本的倒数，所述适应度计算函数如下：

其中，CoE是年发电成本，AEP是风电场年平均发电量，C_i是每台风机的购买年均成本，C_O&M是风电场的年度运维成本，C_land是风电场土地年平均占用成本，C_other是风电场其他费用的年平均值，P_i是每台风机的年平均发电量，N是风电场风机总台数。

为了解决本发明的技术问题，还提供了一种风力发电机排布选型的优化系统，包括：

第一生成模块，用于获取至少一个风机排布方案，并将每个风机排布方案作为遗传算法的一个染色体；

第二生成模块，用于根据预设的分群式粒子群算法，生成每个染色体对应的最优风机选型方案和所述最优风机选型方案对应的适应度，并将所述适应度作为染色体的适应度；

输出模块，用于根据所述遗传算法和所有染色体的适应度，计算遗传算法的第一全局最优适应度，并获取所述第一全局最优适应度应对应的目标染色体，然后输出所述目标染色体对应的风机排布方案作为目标排布方案，输出所述目标染色体对应的最优风机选型方案作为目标选型方案。

本发明的有益效果是：本发明的优化系统将遗传算法和分群式粒子群算法嵌套使用，首先使用遗传算法选取风机排布位置，遗传算法的每一代种群生成后，以当前代风机位置作为风机排布位置，然后使用分群式粒子群算法得出该风机排布位置时选型的最优解，即最优风机选型方案，从而在对风电场区域搜索连续、提高位置排布精度的基础上，能够有效避免选型优化陷入局部最优，全局性更好，性能指标更好，选型方案更加精确，实用性更强。

进一步，所述第一生成模块包括：

第一获取单元，用于获取风电场区域的横纵坐标范围和至少一个风机排布方案；

第一生成单元，用于根据风机排布方案和横纵坐标范围生成所述风电场区域内风机的初始位置矩阵；

第二生成单元，用于对所述初始位置矩阵的每一行进行二进制编码，并将所述初始位置矩阵中每行的编码结果作为遗传算法的一个染色体；所述初始位置矩阵的每行代表一个风机排布方案。

进一步，所述第二生成模块包括：

第二获取单元，用于获取风机的初始选型结果；

划分单元，用于根据所述初始选型结果确定分群式粒子群算法的搜索空间，并将所述搜索空间划分为至少一个独立的子空间；

第三生成单元，用于根据所述初始选型结果预测所述初始位置矩阵中所述染色体对应的至少一个风机选型方案，并将所述风机选型方案作为所述染色体的粒子分配到对应的子空间中，一个粒子表示一个风机选型方案；

第四生成单元，用于对所述子空间内粒子的速度和粒子在子空间的位置进行随机初始化，然后根据预设的适应度计算函数计算每个粒子采用对应的风机排布方案且在子空间的当前位置的适应度，并获取每个粒子的个体最优适应度和子空间内所有粒子的第二全局最优适应度，将所述第二全局最优适应度对应的粒子位置作为所述子空间的当前群体最优位置；

第一进化单元，用于根据所述个体最优适应度、所述第二全局最优适应度和预设进化规则，对子空间内每个粒子的速度和位置进行不断进化，以优化所述当前群体最优位置，直到达到预设的进化终止条件，然后驱动第五生成单元；

第五生成单元，用于比较所有子空间的当前群体最优位置，并从所有的当前群体最优位置中获取所述染色体在所述搜索空间的目标最优位置，并将所述目标最优位置对应的适应度作为所述染色体的适应度，所述目标最优位置即为所述染色体对应的最优风机选型方案。

进一步，所述输出模块包括：

第三获取单元，用于获取所述初始位置矩阵中所有染色体的适应度和目标最优位置；

第六生成单元，用于根据所有染色体的适应度计算所述遗传算法的第一全局最优适应度，并获取遗传算法的迭代次数和所述遗传算法的第一全局最优适应度对应的目标染色体；

判断单元，用于判断迭代次数是否达到预设的迭代次数阈值，若是，则输出所述目标染色体对应的风机排布方案作为目标排布方案，并输出所述目标染色体对应的目标最优位置作为目标选型方案，若否，则驱动第二进化单元；

第二进化单元，用于将第一生成模块生成的所有染色体作为父代染色体群，并进行交叉和变异操作后生成子代染色体，然后根据所述子代染色体对所述初始位置矩阵进行更新，并驱动第三生成单元。

本发明附加的方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明实践了解到。

附图说明

图1为本发明实施例提供的一种风力发电机排布选型的优化方法的流程示意图；

图2为本发明实施例提供的一种风力发电机排布选型的优化系统的结构示意图；

图3为本发明另一实施例提供的风力发电机排布选型的优化系统中第一生成模块的结构示意图；

图4为本发明另一实施例提供的风力发电机排布选型的优化系统中第二生成模块的结构示意图；

图5为本发明另一实施例提供的风力发电机排布选型的优化系统中输出模块的结构示意图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

图1为本发明一个实施例提供的一种风力发电机排布选型的优化方法的流程示意图，如图1所示，包括以下步骤：

步骤1，获取至少一个风机排布方案，并将每个风机排布方案作为遗传算法的一个染色体；

步骤2，根据预设的分群式粒子群算法，生成每个染色体对应的最优风机选型方案和所述最优风机选型方案对应的适应度，并将适应度作为所述染色体的适应度；

步骤3，根据所述遗传算法和所有染色体的适应度，计算遗传算法的第一全局最优适应度，并获取所述第一全局最优适应度对应的目标染色体，然后输出所述目标染色体对应的风机排布方案作为目标排布方案，输出所述目标染色体对应的最优风机选型方案作为目标选型方案。

本实施例的优化方法将遗传算法和分群式粒子群算法嵌套使用，首先使用遗传算法选取风机排布位置，遗传算法的每一代种群生成后，以当前代风机位置作为风机排布位置，然后使用分群式粒子群算法得出该风机排布位置时选型的最优解，即最优风机选型方案，从而在对风电场区域搜索连续、提高位置排布精度的基础上，能够有效避免选型优化陷入局部最优，全局性更好，性能指标更好，选型方案更加精确，实用性更强。

在一个优选的实施例中，所述步骤1具体为：

S101，获取风电场区域的横纵坐标范围和至少一个风机排布方案；

S102，根据风机排布方案和横纵坐标范围生成所述风电场区域内风机的初始位置矩阵；

S103，对所述初始位置矩阵的每一行进行二进制编码，并将所述初始位置矩阵中每行的编码结果作为遗传算法的一个染色体；所述初始位置矩阵的每行代表一个风机排布方案。

本优选实施例对风机位置坐标直接编码，而不是对风电场区域划分棋盘格后对棋盘格进行选择，因此可在风电场范围内进行连续搜索，从而能够有效针对实际风电场区域进行风机位置选择和优化。同时还可以通过遗传算法编码方式来改变位置搜索密度，从而提高优化速度。

在另一优选实施例中，所述步骤2具体为：

S201，获取风机的初始选型结果，具体的可以根据风资源评估结果和风电场地形气象特性，对风力发电机进行初始选型，确定若干个备选型号用于选型优化；

S202，根据所述初始选型结果确定分群式粒子群算法的搜索空间，并将所述搜索空间划分为至少一个独立的子空间；

S203，根据所述初始选型结果预测所述初始位置矩阵中所述染色体对应的至少一个风机选型方案，并将所述风机选型方案作为所述染色体的粒子分配到对应的子空间中，一个所述粒子表示一个风机选型方案；具体的实施例中，每个子空间的粒子数大于3；

S204，对所述子空间内粒子的速度和粒子在子空间的位置进行随机初始化，然后根据预设的适应度计算函数计算每个粒子采用对应的风机排布方案且在子空间的当前位置的适应度，并获取每个粒子的个体最优适应度和子空间内所有粒子的第二全局最优适应度，将所述第二全局最优适应度对应的粒子位置作为所述子空间的当前群体最优位置；

S205，根据所述个体最优适应度、所述第二全局最优适应度和预设进化规则，对子空间内每个粒子的速度和位置进行不断进化，以优化所述当前群体最优位置，直到达到预设的进化终止条件，然后执行S206；

S206，比较所有子空间的当前群体最优位置，并从所有的当前群体最优位置中获取所述染色体在所述搜索空间的目标最优位置，并将所述目标最优位置对应的适应度作为所述染色体的适应度，所述目标最优位置即为所述染色体对应的最优风机选型方案。

所述步骤S205中，所述进化终止条件为分群式粒子群算法的迭代次数达到了预设的迭代次数阈值，当然在其他实施例中可以采用其他的进化终止条件，比如第二全局最优适应度的增量小于预设增量阈值时进化终止，上述这些方案均在本发明的保护范围之内。

上述优选实施例中使用了分群式粒子群算法获取遗传算法中每个染色体的最优选型方案，不仅保证了针对多种型号风力发电机参数较多的情况下可快速寻得选型解，又能保证两种算法嵌套使用，且迭代次数过多的情况时，计算时间不会过长，同时具有更好的全局最优性。

在另一优选实施例中，所述步骤3具体为：

S301，获取所述初始位置矩阵中所有染色体的适应度和目标最优位置；

S302，根据所有染色体的适应度计算所述遗传算法的第一全局最优适应度，并获取遗传算法的迭代次数和所述遗传算法的第一全局最优适应度对应的目标染色体；

S303，判断迭代次数是否达到预设的迭代次数阈值，若是，则输出所述目标染色体对应的风机排布方案作为目标排布方案，并输出所述目标染色体对应的目标最优位置作为目标选型方案，若否，则执行S304；

S304，把步骤1生成的所有染色体作为父代染色体群，并进行交叉和变异操作后生成子代染色体，然后根据所述子代染色体对所述初始位置矩阵进行更新，并返回至步骤S203。

该优选实施例使用了遗传算法获取最优排布方案和对应的最优选型方案，不仅算法先进，而且保证了针对非线性强耦合优化问题仍可求出可行解，适用性强。

在另一具体实施例中，根据风机型号和风机安装的机舱高度预测风机选型方案，并将风机型号相同且机舱高度不同、风机型号不同且机舱高度相同和风机型号不同且机舱高度不同的方案均认定为不同的风机选型方案。比如备选风机为两种出厂型号A(额定功率为1.5MW)和B(额定功率为2MW)，每种出厂型号的风机安装的机舱高度有两种(1.5MW有65米和80米两种高度，2MW有80米和90米两种高度)，即风机型号有4种。该优选实施例充分考虑了实际风场区域的特点和使用多型号风机利用风能的特点，可推广至复杂地形三维风机选址和多型号风机混装的情况。

优选的，步骤S204中所述适应度为所述粒子采用对应的风机排布方案和选型方案计算出的度电成本的倒数，所述适应度计算函数如下：

其中，CoE是年发电成本，AEP是风电场年平均发电量，C_i是每台风机的购买年均成本，C_O&M是风电场的年度运维成本，C_land是风电场土地年平均占用成本，C_other是风电场其他费用的年平均值，P_i是每台风机的年平均发电量，N是风电场风机总台数。该优选实施例通过度电成本来衡量适应度，不仅计算简单、优化速度块，而且优化结果准确。

图2为另一实施例提供的一种风力发电机排布选型的优化系统的结构示意图，如图2所示，包括：

第一生成模块，用于获取至少一个风机排布方案，并将每个风机排布方案作为遗传算法的一个染色体；

第二生成模块，用于根据预设的分群式粒子群算法，生成每个染色体对应的最优风机选型方案和所述最优风机选型方案对应的适应度，并将所述适应度作为染色体的适应度；

输出模块，用于根据所述遗传算法和所有染色体的适应度，计算遗传算法的第一全局最优适应度，并获取所述第一全局最优适应度应对应的目标染色体，然后输出所述目标染色体对应的风机排布方案作为目标排布方案，输出所述目标染色体对应的最优风机选型方案作为目标选型方案。

本发明的优化系统将遗传算法和分群式粒子群算法嵌套使用，首先使用遗传算法选取风机排布位置，遗传算法的每一代种群生成后，以当前代风机位置作为风机排布位置，然后使用分群式粒子群算法得出该风机排布位置时选型的最优解，即最优风机选型方案，从而在对风电场区域搜索连续、提高位置排布精度的基础上，能够有效避免选型优化陷入局部最优，全局性更好，性能指标更好，选型方案更加精确，实用性更强。

图3为一优选实施例中，所述第一生成模块的结构示意图，如图3所示，所述第一生成模块包括：

第一获取单元，用于获取风电场区域的横纵坐标范围和至少一个风机排布方案；

第一生成单元，用于根据风机排布方案和横纵坐标范围生成所述风电场区域内风机的初始位置矩阵；

第二生成单元，用于对所述初始位置矩阵的每一行进行二进制编码，并将所述初始位置矩阵中每行的编码结果作为遗传算法的一个染色体；所述初始位置矩阵的每行代表一个风机排布方案。

该优选实施例的第一生成模块对风机位置坐标直接编码，而不是对风电场区域划分棋盘格后对棋盘格进行选择，因此可在风电场范围内进行连续搜索，从而能够有效针对实际风电场区域进行风机位置选择和优化。同时还可以通过遗传算法编码方式来改变位置搜索密度，从而提高优化速度。

图4为另一优选实施例中，所述第二生成模块的结构示意图，如图4所示，所述第二生成模块包括：

第二获取单元，用于获取风机的初始选型结果；

划分单元，用于根据所述初始选型结果确定分群式粒子群算法的搜索空间，并将所述搜索空间划分为至少一个独立的子空间；

第三生成单元，用于根据所述初始选型结果预测所述初始位置矩阵中所述染色体对应的至少一个风机选型方案，并将所述风机选型方案作为所述染色体的粒子分配到对应的子空间中，一个粒子表示一个风机选型方案；

第四生成单元，用于对所述子空间内粒子的速度和粒子在子空间的位置进行随机初始化，然后根据预设的适应度计算函数计算每个粒子采用对应的风机排布方案且在子空间的当前位置的适应度，并获取每个粒子的个体最优适应度和子空间内所有粒子的第二全局最优适应度，将所述第二全局最优适应度对应的粒子位置作为所述子空间的当前群体最优位置；

第一进化单元，用于根据所述个体最优适应度、所述第二全局最优适应度和预设进化规则，对子空间内每个粒子的速度和位置进行不断进化，以优化所述当前群体最优位置，直到达到预设的进化终止条件，然后驱动第五生成单元；

第五生成单元，用于比较所有子空间的当前群体最优位置，并从所有的当前群体最优位置中获取所述染色体在所述搜索空间的目标最优位置，并将所述目标最优位置对应的适应度作为所述染色体的适应度，所述目标最优位置即为所述染色体对应的最优风机选型方案。

上述优选实施例的第二生成模块使用了分群式粒子群算法获取遗传算法中每个染色体的最优选型方案，不仅保证了针对多种型号风力发电机参数较多的情况下可快速寻得选型解，又能保证两种算法嵌套使用，且迭代次数过多的情况时，计算时间不会过长，同时具有更好的全局最优性。

图5为另一优选实施例中，所述输出模块的结构示意图，如图5所示，所述输出模块包括：

第三获取单元，用于获取所述初始位置矩阵中所有染色体的适应度和目标最优位置；

第六生成单元，用于根据所有染色体的适应度计算所述遗传算法的第一全局最优适应度，并获取遗传算法的迭代次数和所述遗传算法的第一全局最优适应度对应的目标染色体；

判断单元，用于判断迭代次数是否达到预设的迭代次数阈值，若是，则输出所述目标染色体对应的风机排布方案作为目标排布方案，并输出所述目标染色体对应的目标最优位置作为目标选型方案，若否，则驱动第二进化单元；

第二进化单元，用于将第一生成模块生成的所有染色体作为父代染色体群，并进行交叉和变异操作后生成子代染色体，然后根据所述子代染色体对所述初始位置矩阵进行更新，并驱动第三生成单元。

上述优选实施例的输出模块使用了遗传算法获取最优排布方案和对应的最优选型方案，不仅算法先进，而且保证了针对非线性强耦合优化问题仍可求出可行解，适用性强。

在另一优选实施例中，所述第三生成单元根据风机型号和风机安装的机舱高度预测风机选型方案，并将风机型号相同且机舱高度不同、风机型号不同且机舱高度相同和风机型号不同且机舱高度不同的方案均认定为不同的风机选型方案。从而充分考虑了实际风场区域的特点和使用多型号风机利用风能的特点，可推广至复杂地形三维风机选址和多型号风机混装的情况。

在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，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。