一种基于长短期记忆网络的非侵入负荷分解方法和系统与流程

本发明属于电力系统自动化分析技术领域，具体涉及一种基于长短期记忆网络的非侵入负荷分解方法和系统。

背景技术：

近年来，随着智能电网的发展，电力负荷分解技术越来越受到国内外学者的关注。以往传统的负荷检测大多是侵入式，但是侵入式的设备成本比较高，单独测量每个设备的消耗，提供这样的反馈，都是非常昂贵和难以管理的。因此，非侵入式负荷监测应运而生。非侵入式负荷监测依赖于实用且广泛适用的软件系统，利用现有的软件设施，达到数据收集的目的。非侵入式负荷监测是把用户的总能源消耗分解为单个设备的过程。这一过程可以体现几种目的：首先，通过反馈的数据让大家意识到用户每个电器消耗的能量情况，然后适当的采取措施节约用电。其次，能够提供个性化的反馈，量化特定设备的节省量。比如当一个旧设备效率低下的时候，为了节约财务，换一个新的高效电器。非侵入式负荷监测最早由hart提出，用于收集设备终端使用负载数据，并由此推出家庭中电器的能量消耗。目前的非侵入式负荷分解方法主要基于人工提取的负荷特征，利用优化理论或传统的机器学习方法进行分类，从而得到不同电器的状态。这些方法对于特征的依赖性很强，但是传统的人工特征提取方法较为主观，且难以实现时序特征的提取，存在准确性不高且难以辨识功率较小或者使用频率较小的电器。。

传统的循环神经网络在处理序列数据尤其是时间序列数据问题上有很好地效果，但是也不能较好地分解多个负荷。

技术实现要素：

为克服上述现有技术的不足，本发明提出一种基于长短期记忆网络的非侵入负荷分解方法和系统。该方法和系统输入总功率数据能够同时分解多个目标电器的功率，从而避免以往重复的进行多个模型的训练。并且对原始功率数据进行数据预处理，并将原始输入数据、差分数据同时输入网络模型中，从而增加信息量，该模型具有较好的鲁棒性，同时分解精度较高。

实现上述目的所采用的解决方案为：

一种基于长短期记忆网络的非侵入负荷分解方法，其改进之处在于，包括：

采集一段时间的多个总负荷数据并进行差分处理及窗口采样处理；

将经过差分处理及窗口采样处理的所述总负荷数据输入预先建立的复合深层长短期记忆网络模型，得到每种电器类型的功率值；

所述复合深层长短期记忆网络模型包括总负荷与各电器类型的功率值之间的关系。

本发明提供的第一优选技术方案，其改进之处在于，所述复合深层长短期记忆网络模型的建立，包括：

基于历史总负荷数据和对应的各种电器类型的功率，设定训练集和验证集；

将所述训练集的历史时段总负荷数据作为主干，以各种类型的电器为分支，对主干深层长短期记忆网络和分支深层长短期记忆网络进行训练，得到总负荷与各电器类型的功率值之间的关系；

基于所述总负荷与各电器类型的功率值之间的关系构建复合深层长短期记忆网络模型；

基于验证集对所述复合深层长短期记忆网络模型进行验证；

其中，所述主干深层长短期记忆网络的输入端为所述总负荷数据；所述分支深层长短期记忆网络的输入端包括：所述主干深层长短期记忆网络的输出端和所述总负荷数据，所述分支深层长短期记忆网络的输出端包括：所述分支对应的电器类型的功率值，所述电器类型包括：小电器、不断变化的电器和一直在使用的电器。

本发明提供的第二优选技术方案，其改进之处在于，所述基于历史总负荷数据和对应的各种电器类型的功率，设定训练集和验证集，包括：

采集历史时段总负荷数据和对应的各种电器类型的功率；

对所述历史时段总负荷数据进行差分处理及窗口采样处理；

将完成差分处理及窗口采样处理的历史时段总负荷数据以及对应的各种电器类型的功率划分为训练集和验证集。

本发明提供的第三优选技术方案，其改进之处在于，所述将所述训练集的历史时段负荷数据作为主干，以各类型的电器为分支，对主干深层长短期记忆网络和分支深层长短期记忆网络进行训练，得到总负荷与各电器类型的功率值之间的关系，包括：

将所述训练集的历史时段总负荷数据作为输入值输入主干深层长短期记忆网络；

所述主干深层长短期记忆网络按照主干深层长短期记忆网络的参数对所述输入值进行处理，并将处理后数据均分后传输至每个所述分支深层长短期记忆网络；

针对每个所述分支深层长短期记忆网络，通过跨层连接获取所述输入值，并结合所述主干深层长短期记忆网络发送的数据，按照分支深层长短期记忆网络的参数进行处理，将处理后数据输出；

分别将训练集的历史时段总负荷数据对应的各种电器类型的功率作为各分支深层长短期记忆网络的目标输出值，对主干深层长短期记忆网络和所有分支深层长短期记忆网络的参数进行训练，得到每个所述参数的值，并得到每个分支深层长短期记忆网络和电器类型的对应关系以及总负荷与各电器类型的功率值之间的关系；

其中，所述主干深层长短期记忆网络和分支深层长短期记忆网络的参数分别包括遗忘门、输入门以及输出门的权重。

本发明提供的第四优选技术方案，其改进之处在于，所述基于所述总负荷与各电器类型的功率值之间的关系关系构建复合深层长短期记忆网络模型，包括：

基于所述负荷构建主干深层长短期记忆网络；

基于分支深层长短期记忆网络与电器类型的功率值对应关系，构建每种电器类型对应的分支深层长短期记忆网络。

本发明提供的第五优选技术方案，其改进之处在于，所述基于验证集对所述复合深层长短期记忆网络模型进行验证，包括：

将所述验证集的历史时段总负荷数据作为输入值输入所述主干深层长短期记忆网络，得到输出值；

对比所述输出值和所述验证集中各种电器类型的功率，当误差大于预设阈值时，重新训练所述复合深层长短期记忆网络模型。

本发明提供的第六优选技术方案，其改进之处在于，所述将经过差分处理及窗口采样处理的所述总负荷数据输入预先建立的复合深层长短期记忆网络模型，得到每种电器类型的功率值，包括：

将经过差分处理及窗口采样处理的所述总负荷数据输入预先建立的复合深层长短期记忆网络模型的主干深层长短期记忆网络，在每个分支深层长短期记忆网络的输出端得到所述分支深层长短期记忆网络对应的电器类型的功率值。

本发明提供的第七优选技术方案，其改进之处在于，所述负荷数据的差分处理及窗口采样处理，包括：

将所述负荷数据按时间排序，得到负荷时序数据；

对所述负荷时序数据进行差分处理，得到所述负荷数据的时序变化数据；

对所述负荷时序数据和时序变化数据进行归一化和窗口滑动采样处理，得到差分处理及窗口采样处理后的所述负荷数据。

一种基于长短期记忆网络的非侵入负荷分解系统，其改进之处在于，包括：采集与预处理模块和非侵入分解模块；

所述采集与预处理模块，用于采集一段时间的多个总负荷数据并进行差分处理及窗口采样处理；

所述非侵入分解模块，用于将经过差分处理及窗口采样处理的所述总负荷数据输入预先建立的复合深层长短期记忆网络模型，得到每种电器类型的功率值；

所述复合深层长短期记忆网络模型包括总负荷与各电器类型的功率值之间的关系。

本发明提供的第八优选技术方案，其改进之处在于，还包括用于建立复合深层长短期记忆网络模型的建模模块，所述建模模块包括：训练集和验证集单元、训练单元、建模单元和验证单元；

所述训练集和验证集单元，用于基于历史总负荷数据和对应的各种电器类型的功率，设定训练集和验证集；

所述训练单元，用于将所述训练集的历史时段总负荷数据作为主干，以各种类型的电器为分支，对主干深层长短期记忆网络和分支深层长短期记忆网络进行训练，得到总负荷与各电器类型的功率值之间的关系；

所述建模单元，用于基于所述总负荷与各电器类型的功率值之间的关系构建复合深层长短期记忆网络模型；

所述验证单元，用于基于验证集对所述复合深层长短期记忆网络模型进行验证；

其中，所述主干深层长短期记忆网络的输入端为所述总负荷数据；所述分支深层长短期记忆网络的输入端包括：所述主干深层长短期记忆网络的输出端和所述总负荷数据，所述分支深层长短期记忆网络的输出端包括：所述分支对应的电器类型的功率值，所述电器类型包括：小电器、不断变化的电器和一直在使用的电器。

与最接近的现有技术相比，本发明具有的有益效果如下：

本发明将采集一段时间的多个总负荷数据并进行差分处理及窗口采样处理；将经过差分处理及窗口采样处理的总负荷数据输入预先建立的复合深层长短期记忆网络(cd-lstm)模型，得到每种电器类型的功率值，避免了侵入式负荷分解研究下硬件成本较高以及高频采样数据的数据量大的问题。；

cd-lstm模型将有功功率进行量化和差分处理，然后将原始有功功率数据、差分数据通过滑动窗口等数据预处理同时输入到本文的网络模型中进行训练，增加训练数据信息。cd-lstm模型的多分支输出网络模型可以同时分解输出多个目标电器的有功功率值，避免了每一个电器都要单独训练一个模型的问题，从而简化了以往深度学习方法在解决负荷分解问题的复杂性。最后，网络中引入了跨层连接的方式，增强了网络信息的传递，从而提高了模型训练的准确度。

附图说明

图1为本发明提供的一种基于长短期记忆网络的非侵入负荷分解方法基本流程示意图；

图2为本发明提供的一个基于长短期记忆网络的非侵入负荷分解方法实施例的流程示意图；

图3为本发明提供的一种基于长短期记忆网络的非侵入负荷分解方法中滑动窗口采样过程示意图；

图4为本发明提供的一种基于长短期记忆网络的非侵入负荷分解方法中lstm重复模块的内部结构示意图；

图5为本发明提供的一种基于长短期记忆网络的非侵入负荷分解方法中深层长短时记忆网络展开结构示意图；

图6为本发明提供的一种基于长短期记忆网络的非侵入负荷分解方法中数据维度变换过程示意图；

图7为本发明提供的一种基于长短期记忆网络的非侵入负荷分解方法中复合深层长短期记忆网络模型结构示意图；

图8为本发明提供的一种基于长短期记忆网络的非侵入负荷分解系统基本结构示意图；

图9为本发明提供的一种基于长短期记忆网络的非侵入负荷分解系统详细结构示意图。

具体实施方式

下面结合附图对本发明的具体实施方式做进一步的详细说明。

实施例1：

本发明提供的一种基于长短期记忆网络的非侵入负荷分解方法基本流程示意图如图1所示，包括：

步骤1：采集一段时间的多个总负荷数据并进行差分处理及窗口采样处理；

步骤2：将经过差分处理及窗口采样处理的总负荷数据输入预先建立的复合深层长短期记忆网络模型，得到每种电器类型的功率值；

复合深层长短期记忆网络模型包括总负荷与各电器类型的功率值之间的关系。

具体的，基于长短期记忆网络的非侵入负荷分解方法流程如图2所示，包括：

步骤101：采集一段时间的负荷数据并进行预处理：

即采集一段时间内负荷总功率的时序数据并进行差分及窗口采样处理，其中预处理包括包括：。

步骤101-1：数据差分处理，过程如下：

本发明使用是负荷瞬时的总功率的变化列作为特征观测值序列。为了消除时间对原始功率数据的影响，采用差分方法处理总功率时序数据。差分处理数据就是将相邻时间点的总功率值相减，从而求得总功率的差分数据。差分处理后，每一个非零值都表示有电器的功率发生了变化。求差分波形的计算公式如下：

dtff(t)＝py(t)-py(t-1)(1)

其中，py(t)表示t时刻的功率值，py(t-1)表示t上一个时刻的功率值。

步骤101-2：数据滑动采样，过程如下：

为了增加样本数量，利用滑动窗口对原始总功率数据与差分数据进行滑动采样，即用滑动窗口对总功率数据与差分数据从上而下进行滑动获得数据，从而提取样本。滑动采样的过程如图3所示。复合深层长短期记忆网络cd-lstm模型每次输入的数据大小为图3中右侧所示的大小为[time_step,input_size]大小的矩阵。在图3中，m代表一个采样数据的总个数，time_step为时间步，代表滑动窗口的大小，用n表示。本次输入的数据为原始总功率和差分数据，因此input_size的值为2。长度为n的窗口在输入数据x的起始位置上截取一段作为一个输入数据，然后窗口向下滑动一个时刻截取，直至序列结束为止。因此，共截取了m-n+1段数据，构成了一个维度为[m-n+1,n,input_size]的样本矩阵。

步骤101-3：数据归一化，过程如下：

原始功率数据与差分数据要进行归一化处理。本次采用min-max进行归一化处理。min-max标准化也称离差标准化，是对原始数据进行线性变化，使得样本数据映射到[0,1]之间。转换公式如下：

其中，max为样本数据最大值，min为样本数据的最小值，x*为归一化得到的样本数据。

样本矩阵再经过归一化之后作为预先建立的cd-lstm模型的输入数据。

复合深层长短期记忆网络cd-lstm模型是在长短期记忆网络lstm网络的基础上优化改进。

lstm是包含一种重复神经网络模块的链式的形式。lstm重复模块的内部结构如图4所示：

其中，每个小圆角矩形代表一层可学习参数的循环神经网络；小圆圈代表逐点point-wise操作，这里使用了向量加法和点乘两种矩阵运算；σ代表sigmoid激活函数，tanh代表tanh激活函数，ct-1代表上一个时刻的状态，ht-1代表上一个时刻的输出，xt代表t时刻的输入，ct代表t时刻的状态，ht代表t时刻的输出。长短期记忆网络lstm模型就是由多个这样的重复模块组成。

深层lstm(multilstm)能增强模型的表达能力，可以将每一个时刻上的重复模块制多次。重复模块如图4所示。一层的循环体参数是一致的，不同层中的参数不同。图5展示了深层长短时记忆网络的时间步展开结构，每一个圆角矩形代表一个lstm的重复模块结构。

步骤102：cd-lstm网络对训练数据集进行训练，具体如下：

复合深层长短期记忆网络(cd-lstm)模型的输入经过归一化的总功率数据、差分数据以及n个目标电器的功率能够进行训练，再利用测试集的数据进行验证，实现非侵入式负荷分解。普通的lstm也可以实现负荷分解，只是多个目标电器需要多个普通的lstm模型进行训练，使用复合深层长短期记忆网络(cd-lstm)模型可以而避免重复的进行模型的训练。本实施例中，一个目标电器表示一个电器类型，例如在总负荷中包括两台冰箱的功率值，则一个表示冰箱的目标电器在进行负荷分解时得到的值就是两台冰箱功率的总和。电器类型包括：小电器、不断变化的电器和一直在使用的电器，其中小电器包括功率比较低的小家电等，不断变化的电器包括因为使用频率低导致实际输出功率不断变化的电器。

其中，实测总功率数据即负荷数据与差分数据作为训练特征与测试特征，实测历史时段的各种目标电器的功率数据作为训练标签与测试标签。实测总功率数据与实测的各种目标电器的功率数据经过滑动采样、归一化处理之后作为数据集。从数据集中选取80％作为复合深层长短期记忆网络模型的训练集。从数据集中选取20％作为复合深层长短期记忆网络模型的测试集。利用训练集对复合深层长短期记忆网络模型进行训练，得到训练好的模型经过测试集数据进行验证，这样就实现了非侵入式负荷分解。也可以分别采集两个历史时段，即第一历史时段和第二历史时段的负荷数据和各种目标电器的功率数据，作为训练集和测试集。

复合深层长短期记忆网络(cd-lstm)模型入了跨层连接的概念。在lstm的基础上采用跨层连接的方式。传统的神经网络结构往往是递进的结构，即一层一层的往后加深，但神经网络其实并不一定要是一个递进层级的结构，换句话说就是网络中的某一层不仅仅依赖于上一层提取的特征，同样也可以接收更靠前网络层的特征信息。本发明通过一个深层lstm提取多个电器之间的相互联系，再和之前的输入组合，从而使得混合特征输入到各个分支网络。跨层连接有效的防止了由于网络层数加深导致的梯度消失问题，同时有效的减少了白噪声的产生，避免了随机扰动。

利用复合深层长短期记忆网络(cd-lstm)模型进行非侵入式负荷分解解，属于监督学习，需要知道目标电器的种类，以及每种目标电器的功率值，无须知道总的电器个数。将总功率数据与差分数据作为模型的训练特征，每种目标电器的功率作为模型的训练标签，进行模型训练。

复合深层长短期记忆网络(cd-lstm)模型结构如图7所示，将归一化的数据输入到网络之前需要将数据经过维度变换。因为滑动采样的数据维度是[m-n+1,n,input_size]，每次从滑动采样的数据中选取一定数目的样本进行训练。用batch_size表示训练批次，每次选取样本的维度就是[batch_size,n,input_size]，但是在图7中，主干深层长短期记忆网络即multilstm1中每层神经元的个数是用hidden_size表示，multilstm1输入维度是[batch_size,n,hidden_size]，所以要对[batch_size,n,input_size]进行维度变换，样本数据才能输入到multilstm1中。数据维度变换过程如图6所示。

如图6所示，用维度重置reshape把[batch_size,n,input_size]变换为[batch_size*n,input_size]，再用全连接层dense把[batch_size*n,input_size]变换为[batch_size*n,hidden_size]，再用reshape把[batch_size*n,hidden_size]变为[batch_size,n,hidden_size]。

复合深层长短期记忆网络(cd-lstm)模型结构如图7所示，经过维度变换后的数据首先经过一个深层lstm网络，接着将输出的数据平均分成n份，每一份与输入数据进行结合后分别输入到n个分支中，n个分支对应n种目标电器。跨层连接对应于图7中的带有箭头的曲线。利用跨层连接将混合特征分别输入到n个分支中的深层lstm网络的和全连接层输出目标电器预测功率值。

步骤103：得到cd-lstm训练后的参数。

在图7中，batch_size表示训练批次，也就是每次采用多少个样本数据进行训练，n表示时间步，对应于图3中的滑动窗口的大小。multilstm1表示多层的lstm，hidden_size表示每一层的神经元个数。multilstm2-1、multilstm2-2、...、multilstm2-n也表示多层的lstm，为分支深层长短期记忆网络，dense表示全连接层。训练数据[batch_size,n,hidden_size]输入到multilstm1之后经数据将数据平均分为n分，输出为[batch_size*n,1/n*hidden_size],并将输出的特征数据维度改变为[batch_size,n,1/n*hidden_size]，利用跨层连接与输入数据相结合，这样混合特征数据维度变为[batch_size,n,hidden_size+1/n*hidden_size]。将得到的混合特征数据分别送入到各分支深层长短期记忆网络multilstm2-1、multilstm2-2、...、multilstm2-n中，n个multilstm对应n种目标电器。每一个multilstm输出的特征数据的维度为[batch_size*n,hidden_size+1/n*hidden_size]，利用全连接层进行维度变换[batch_size*n,1]，也就是利用矩阵变换得到一个列向量。这样就可以得到n个列向量，每一个列向量对应一种目标电器，将列向量进行反归一化处理，这样就使得一个列向量中每一个数值对应于一种目标电器的功率值。每一个输出向量的维度是[batch*n,1]，得到是每一中目标电器的在batch*n个时刻的不同功率值，即目标电器的时序功率值。这样模型经过监督学习不断迭代训练就可以得到cd-lstm的参数，实现非侵入式负荷分解。其中，这些参数包括multilstm1即主干主干深层长短期记忆网络以及multilstm2-1、multilstm2-2、...、multilstm2-n即分支深层长短期记忆网络的遗忘门、输入门以及输出门的权重。

步骤104：将测试集数据输入到训练后的cd-lstm进行验证。

复合深层长短期记忆网络模型训练完成后，还要采用测试集数据进行验证。输入测试集数据的负荷数据与差分数据，得到预测的各目标电器的功率值，与实操的目标功率值进行比较，当误差大于预设阈值时，重新新训练复合深层长短期记忆网络模型。本实施例中，采用损失函数表征误差，在训练过程中，不断优化损失函数，减小误差。

步骤105：将预处理好的负荷数据输入复合深层长短期记忆网络模型，获得非侵入式负荷分解结果。

即将经过预处理的负荷数据输入复合深层长短期记忆网络模型，在每个分支深层长短期记忆网络连接的全连接层得到每个分支深层长短期记忆网络对应的目标电器的功率分解值；

针对每个功率分解值，进行反归一化，得到目标电器的时序功率值。

实施例2：

基于同一发明构思，本发明还提供了一种基于长短期记忆网络的非侵入负荷分解系统，由于这些设备解决技术问题的原理与基于长短期记忆网络的非侵入负荷分解方法相似，重复之处不再赘述。

该系统基本结构如图8所示，包括：

采集与预处理模块和非侵入分解模块；

其中，采集与预处理模块，用于采集一段时间的多个总负荷数据并进行差分处理及窗口采样处理；

非侵入分解模块，用于将经过差分处理及窗口采样处理的负荷数据输入预先建立的复合深层长短期记忆网络模型，得到多个总；

复合深层长短期记忆网络模型包括总负荷与各电器类型的功率值之间的关系。

基于长短期记忆网络的非侵入负荷分解系统详细结构示意图如图9所示。该系统还包括用于建立复合深层长短期记忆网络模型的建模模块，建模模块包括：训练集和验证集单元、训练单元、建模单元和验证单元；

训练集和验证集单元，用于基于历史总负荷数据和对应的各种电器类型的功率，设定训练集和验证集；

训练单元，用于将训练集的历史时段总负荷数据作为主干，以各种类型的电器为分支，对主干深层长短期记忆网络和分支深层长短期记忆网络进行训练，得到总负荷与各电器类型的功率值之间的关系；

建模单元，用于基于总负荷与各电器类型的功率值之间的关系构建复合深层长短期记忆网络模型；

验证单元，用于基于验证集对复合深层长短期记忆网络模型进行验证；

其中，主干深层长短期记忆网络的输入端为总负荷数据；分支深层长短期记忆网络的输入端包括：主干深层长短期记忆网络的输出端和总负荷数据，分支深层长短期记忆网络的输出端包括：分支对应的电器类型的功率值，电器类型包括：小电器、不断变化的电器和一直在使用的电器。

其中，训练集和验证集单元包括：历史数据子单元、差分及窗口采样子单元和划分子单元；

历史数据子单元，用于采集历史时段总负荷数据和对应的各种电器类型的功率；

差分及窗口采样子单元，用于对历史时段负荷数据进行差分处理及窗口采样处理；

划分子单元，用于将完成差分处理及窗口采样处理的历史时段总负荷数据以及对应的各种电器类型的功率划分为训练集和验证集。

其中，训练单元包括：输入子单元、主干处理子单元、分支处理子单元和训练子单元；

输入子单元，用于将训练集的历史时段总负荷数据作为输入值输入主干深层长短期记忆网络；

主干处理子单元，用于控制主干深层长短期记忆网络按照主干深层长短期记忆网络的参数对输入值进行处理，并将处理后数据均分后传输至每个分支深层长短期记忆网络；

分支处理子单元，用于针对每个分支深层长短期记忆网络，通过跨层连接获取输入值，并结合主干深层长短期记忆网络发送的数据，按照分支深层长短期记忆网络的参数进行处理，将处理后数据输出；

训练子单元，用于分别将训练集的历史时段总负荷数据对应的各种电器类型的功率作为各分支深层长短期记忆网络的目标输出值，对主干深层长短期记忆网络和所有分支深层长短期记忆网络的参数进行训练，得到每个参数的值，并得到每个分支深层长短期记忆网络和电器类型的对应关系以及总负荷与各电器类型的功率值之间的关系；

其中，主干深层长短期记忆网络和分支深层长短期记忆网络的参数分别包括遗忘门、输入门以及输出门的权重。

其中，建模单元包括主干建立子单元和分支建立子单元；

主干建立子单元，用于基于总负荷构建主干深层长短期记忆网络；

分支建立子单元，用于基于分支深层长短期记忆网络与电器类型的对应关系以及所有电器类型的功率值，构建每种电器类型对应的分支深层长短期记忆网络。

其中，验证单元包括：验证数值子单元和对比子单元；

验证数值子单元，用于将验证集的历史时段总负荷数据作为输入值输入主干深层长短期记忆网络，得到输出值；

对比子单元，用于对比输出值和验证集中各种电器类型的功率，当误差大于预设阈值时，重新训练复合深层长短期记忆网络模型。

其中，采集与预处理模块包括：排序单元、差分单元和窗口采样单元；

排序单元，用于将总负荷数据按时间排序，得到总负荷时序数据；

差分单元，用于对总负荷时序数据进行差分处理，得到总负荷数据的时序变化数据；

窗口采样单元，用于对总负荷时序数据和时序变化数据进行归一化和窗口滑动采样处理，得到差分处理及窗口采样处理后的负荷数据。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。

本申请是参照根据本申请实施例的方法、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。

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。

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。

最后应当说明的是:以上实施例仅用于说明本申请的技术方案而非对其保护范围的限制,尽管参照上述实施例对本申请进行了详细的说明,所属领域的普通技术人员应当理解:本领域技术人员阅读本申请后依然可对申请的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均在申请待批的权利要求保护范围之内。