电力负荷预测模型的训练方法、装置及电子设备与流程

1.本技术属于电力领域，尤其涉及电力负荷预测模型的训练方法、装置及电子设备。


背景技术：

2.电力系统负荷预测是指在充分考虑一些重要的系统运行特性、增容决策、自然条件与社会影响的条件下，研究或利用一套系统地处理过去与未来负荷的数学方法，在满足一定精度要求的意义下，确定未来特定时刻的负荷数值。对电力系统负荷进行准确的预测，有利于计划用电管理，合理安排电网运行方式和机组检修计划，节煤、节油和降低发电成本，制定合理的电源建设规划，提高电力系统的经济效益和社会效益。对于售电公司来说，有利于售电公司决定自己的中长期合约签约策略，现货市场报价、交易策略，单个用户的经济测算等行为。因此，电力系统的负荷预测已成为实现电力系统管理现代化、售电公司向现货市场转型的重要内容之一。
3.目前的电力负荷预测工作往往针对较大的区域，各用户的随机因素导致的数据噪音累加后趋于相互抵消，比如多个独立同分布的正态随机变更累加后，标准差的增长只正比于均值的平方根。随机因素，即数据噪音所占比例随区域增大而逐渐下降，可预测性则相应增强。
4.但是，相对于区域预测，少量或单一用户的短时间窗口的预测，由于随机因素的数据噪音不会抵消，预测难度显著提高。并且，历史负荷数据和气象条件等相关数据中存在复杂的不可预测因素，复杂的预测模型容易受到不可预测因素带来的噪音影响，产生过拟合现象，即虽然能够很好的拟合训练数据，但因模型参数过多的包含噪音信息，不能准确的区分有效数据，不利于提升模型的预测准确率。


技术实现要素：

5.有鉴于此，本技术实施例提供了一种电力负荷预测模型的训练方法、装置及电力设备，以解决现有技术中对于少量或单一用户的短时间窗口的预测，预测难度高，不利于提升模型的预测准确率的问题。
6.本技术实施例的第一方面提供了一种电力负荷预测模型的训练方法，所述方法包括：
7.对电力负荷的历史数据进行时频变换，对变换得到的频域特征进行筛选，根据筛选后的频域特征确定历史数据中的有效特征；
8.确定所述有效特征中的已选特征和待加入特征，获取所述待加入特征与所述已选特征的张成子空间的正交分量，计算所述正交分量与所述已选特征的拟合残差的相关系数，根据所述相关系数确定是否选用当前的待加入特征，对所述已选特征进行更新；
9.将更新完成后的已选特征作为训练样本，对所述电力负荷预测模型进行训练。
10.结合第一方面，在第一方面的第一种可能实现方式中，所述电力负荷预测模型为支持向量回归机模型，将更新完成后的已选特征作为训练样本，对所述电力负荷预测模型
进行训练，包括：
11.将更新完成后的已选特征作为训练数据，根据预测时所用的数据与训练数据的马氏距离确定支持向量回归机模型的目标函数中的惩罚因子；
12.根据所述训练数据对所确定的支持向量回归机模型进行训练。
13.结合第一方面的第一种可能实现方式，在第一方面的第二种可能实现方式中，根据预测时所用的数据与训练数据的马氏距离确定支持向量回归机模型的目标函数中的惩罚因子，包括：
14.根据公式：或确定所述惩罚因子，其中，c
i
为惩罚因子，d
i
为预测时所用的数据与第i个训练数据的马氏距离，d
min
为所述马氏距离的最小值，μ根据预测结果与实际数据的偏差确定，比如，可以根据预测结果与实际数据的偏差，调整μ的数值，对比多次调整后的预测结果与实际数据的偏差，确定在偏差最小时所选择的μ值进行惩罚因子的计算。
15.结合第一方面，在第一方面的第三种可能实现方式中，对电力负荷的历史数据进行时频变换，对变换得到的频域特征进行筛选，根据筛选后的频域特征确定历史数据中的有效特征，包括：
16.根据所述电力负荷的历史数据作时频变换处理，得到频域数据；
17.确定所述频域数据中的显著频域数据；
18.将所述显著频域数据作变换为时域数据，得到历史数据中的有效特征。
19.结合第一方面的第三种可能实现方式，在第一方面的第四种可能实现方式中，在根据所述电力负荷的历史数据作时频变换处理，得到频域数据之前，所述方法还包括：
20.对所述电力负荷的历史数据作去趋势处理；
21.在将所述显著频域数据作变换为时域数据之后，所述方法还包括：
22.将变换后的时域数据进行加趋势处理。
23.结合第一方面的第三种可能实现方式，在第一方面的第五种可能实现方式中，确定所述频域数据中的显著频域数据，包括：
24.确定数值大于预设的频域阈值的频域数据为显著频域数据，所述频域阈值根据所述频域数据均值和标准差确定。
25.结合第一方面，在第一方面的第六种可能实现方式中，计算所述正交分量与所述已选特征的拟合残差的相关系数，包括：
26.根据公式：确定正交分量与所述已选特征的拟合残差的相关系数，其中，cov为协方差计算，q为正交分量，y为拟合残差。
27.本技术实施例的第二方面提供了一种电力负荷预测方法，所述方法包括：
28.获取待预测数据；
29.将所述待预测数据输入到第一方面任一项所述力电负荷预测模型的训练方法所训练的电力负荷预测模型进行预测计算，得到所述电力负荷的预测结果。
30.本技术实施例的第三方面提供了一种电力负荷预测模型的训练装置，所述装置包括：
31.有效特征筛选单元，用于对电力负荷的历史数据进行时频变换，对变换得到的频域特征进行筛选，根据筛选后的频域特征确定历史数据中的有效特征；
32.特征选用单元，用于确定所述有效特征中的已选特征和待加入特征，获取所述待加入特征与所述已选特征的张成子空间的正交分量，计算所述正交分量与所述已选特征的拟合残差的相关系数，根据所述相关系数确定是否选用当前的待加入特征，对所述已选特征进行更新；
33.训练单元，用于将更新完成后的已选特征作为训练样本，对所述电力负荷预测模型进行训练。
34.本技术实施例的第四方面提供了电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面任一项所述方法的步骤。
35.本技术实施例的第五方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面任一项所述方法的步骤。
36.本技术实施例与现有技术相比存在的有益效果是：本技术实施例通过对历史数据进行时频转换，筛选历史数据中的有效特征，增强数据表示能力；再基于有效特征中的待加入特征与已选特征的相关系数，确定是否选用当前的待加入特征，从而在选取有用特征的同时，剔除冗余特征，从而能够有效的简化预测模型，减小过拟合几率，提高电子负荷预测模型的预测精度。
附图说明
37.为了更清楚地说明本技术实施例中的技术方案，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技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
38.图1是本技术实施例提供的一种电力负荷预测模型的训练方法的实现流程示意图；
39.图2是本技术实施例提供的一种历史数据筛选方法的实现流程示意图；
40.图3是本技术实施例提供的一种电力负荷预测模型的训练装置的示意图；
41.图4是本技术实施例提供的电子设备的示意图。
具体实施方式
42.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本技术的描述。
43.为了说明本技术所述的技术方案，下面通过具体实施例来进行说明。
44.在传统的电力负荷预测工作中，往往针对的是较大的区域，比如针对某个城市、行政市、行政县等区域进行预测。由于在较大区域范围内，各用户的随机因素所导致的数据噪
音会趋于相互抵消。比如，多个独立分布的正态随机变量累加后，标准差的增长只会正比于均值的平方根，随机因素所产生的数据噪音的占比随区域增大而逐渐下降，可预测性逐渐增强。而针对少量用户或单一用户，由于随机因素所产生的数据噪音不会抵消，因此，预测难度高。对于短时间窗口，比如15分钟的预测，由于受到不可预测的随机因素的影响，预测难度进一步提高。
45.此外，由于历史负荷数据和气象条件等相关数据中存在复杂的不可预测因素，复杂的预测模型容易受到这些因素带来的数据噪音的影响，容易产生过拟合现象，即通过模型能够很好的拟合训练数据，但模型参数过多的包含了噪音信息，不能有效的推广到未知的实际数据的预测，影响预测模型的准确率。
46.为了克服上述缺陷，本技术实施例提出了一种电力负荷预测模型的训练方法，通过该方法对电力负荷预测模型进行训练，以根据所训练好的模型进行电力负荷预测，提高预测精度。如图1所示，该电力负荷预测模型的训练方法包括：
47.在s101中，对电力负荷的历史数据进行时频变换，对变换得到的频域特征进行筛选，根据筛选后的频域特征确定历史数据中的有效特征。
48.其中，所述电力负荷的历史数据，为时域数据。所述时域，是指描述信号随时间变化的一种坐标系，时域数据，是指随着时间的变化而呈现的数据。频域是描述信号在频率方面特性时用到的一种坐标系，频域数据是指随着频率的变化而呈现的数据。
49.所述时频变换，是指将时域数据变换为频域数据。时频变换时，可以通过离散傅里叶变换的方式，将时域数据变换为频域数据。
50.所述历史数据，可以为针对预测目标所采集的历史电力数据，包括如针对单个用户，或者针对两个或两个以上且数量较少的用户的采集的电力数据，或者针对时间段所采集的电力数据。该电力数据可以包括电力负荷数据、气象数据。或者还可以包括用户的用电计划数据等。
51.为了更好的从历史数据中提取信息，本技术实施例可以采用时频结合的方式构造特征，通过时频特征反映趋势性，通过频域特征反应周期性，从而从历史数据中提取更多的有效信息。
52.历史数据中包括历史负荷数据、历史气象数据、用户计划数据等。历史数据电力负荷为拟合目标，根据训练好的模型对待预测数据进行预测后得到的数据为预测目标。拟合目标或预测目标可以为次日总负荷，或者为某一时段的总负荷等。
53.在本技术实施例中，对所述历史数据进行筛选时，可以如图2所示，包括：
54.在s201中，对所述电力负荷的历史数据作去趋势处理。
55.其中，对历史数据进行去趋势处理时，可以采用差分的方式进行去趋势处理。即通过计算相邻的两个数据的差值的方式去除时域数据的趋势，比如，对于任意相邻的两个数据zt和zt
‑
1，可以通过zt
‑
zt
‑
1表示两个数据的特征。或者，也可以通过对数计算，去除历史数据中的趋势特征。
56.在s202中，根据所述电力负荷的历史数据作时频变换处理，得到频域数据。
57.可以通过离散傅里叶变换方式，将历史数据变换为频域数据。比如，所采用的离散傅里叶变换公式可以为：傅里叶变换公式可以为：其中，xn
为时域序列，xk为频域序列，n为所用训练数据段的长度，i为历史数据中的第i项特征。
58.在s203中，确定所述频域数据中的显著频域数据。
59.通过时频变换得到频域特征后，可以根据所变换后的频域数据进行筛选操作，选取其中的显著频域数据。
60.其中，显著频域数据是指历史数据变换到频域后，在频域中的数值满足预定要求的频域特征。
61.比如，在可能的确定显著频域数据的方式中，可以将频域数据与预定的频域阈值进行比较，根据比较结果确定显著频域数据。
62.所述频域阈值可以根据频域数据的均值和标准差来确定。可以设定所述频域阈值为频域数据的均值与若干倍的频域数据的标准差。比如，频域阈值可以为频域数据的均值与3倍频域数据的标准差之和。
63.在s204中，将所述显著频域数据作变换为时域数据，将变换后的时域数据进行加趋势处理，得到历史数据中的有效特征。
64.通过筛选确定显著频域数据后，可以通过傅里叶逆变换的方式，将显著频域数据变换为时域数据。可以采用与去趋势处理相反的方式，对时域数据进行加趋势处理。比如，通过计算对数的方式去趋势处理时，可以通过指数自动加趋势处理。通过相邻数据的差值去趋势处理时，可以根据差值与数据逐个求和的方式，进行加趋势处理。
65.比如，可以通过公式：将显著频域数据变换为时域数据。
66.或者，在可能的实现方式中，可以直接将历史数据变换为频域数据，通过频域阈值对频域数据进行筛选，将筛选后的显著频域数据变换为时域数据，即可得到历史数据中的有效特征。
67.其中，本技术实施例中所述的有效特征，是指通过频域筛选后得到的特征。
68.在本技术实施例中，时频变换中，如果预测目标时间点到最后数据点的时间间隔为n
lag
δt(其中δt为步长)，则在预测目标时间点，基于频域数据重构的值应为
[0069][0070]
基于单个显著频域数据重构的时域数据值为
[0071][0072]
考虑到傅利叶变换边界为周期型，变换到频域前首先应通过差分(zt
‑
zt
‑
1)去掉趋势。本发明采用最小二乘的方式对趋势进行拟合，即假定趋势的形式为：
[0073]
x＝at+b
[0074]
其中x为时域数据，t为时间。通过最小二乘法，可得出对系数的估计
[0075][0076]
n为所用训练数据段的长度，t
n
为第n个时间点。
[0077]
在s102中，确定所述有效特征中的已选特征和待加入特征，获取所述待加入特征与所述已选特征的张成子空间的正交分量，计算所述正交分量与所述已选特征的拟合残差的相关系数，根据所述相关系数确定是否选用当前的待加入特征，对所述已选特征进行更新。
[0078]
为了避免因模型参数过多导致过拟合，必须控制特征的数量。可以获取待加入特征与已有特征的张成子空间的正交分量，计算该正交分量与已选特征的拟合残差的方式，进行特征选择，从而以可接受的计算代价，在选取有效特征的前提下，滤去相关性强的特征。
[0079]
其中，已选特征和待加入特征均属于有效特征。可以预先撰写一个或两个以上的有效特征为已选特征，然后通过待加入特征与已选特征的相关性，确定是否将待加入特征加入到已选特征，从而对已选特征进行更新和完善。
[0080]
在实现过程中，可以首先计算待加入特征与已选特征的张成子空间的正交分量，然后计算该正交分量与已选特征的拟合残差的相关系数，从而根据该相关系数确定是否选取待加入特征到已选特征中。从而剔除特征间预测效果相关性的影响。
[0081]
记拟合目标为列向量y，所有的有效特征为矩阵x。有效特征的矩阵中的列数为特征数n
fea
。预定的相关系数阈值定为r
thres
。基于子空间相关性剔除的特征选择方法具体流程可以包括：
[0082]
1.将矩阵x各列按与拟合目标向量y的相关系数由大到小排列。
[0083]
2.令拟合残差y
res
的初值为y。
[0084]
3.对每一项特征xi按照3.1～3.3步骤进行处理，其中1≤i≤n
fea
。
[0085]
3.1对xi进行预处理，去除xi在已选特征的张成子空间q上的投影，即
[0086]
其中，n
sel
为已选特征的数量，q
j
为已选特征q的第j项正交基向量；
[0087]
3.2计算y
res
与x
is
的相关系数r
i
；
[0088]
3.3如果r
i
≥r
thres
[0089]
3.3.1选用特征xi，并令n
sel
＝n
sel
+1；
[0090]
3.3.2对已有特征张成空间q进行扩展，加入正交基向量3.3.2对已有特征张成空间q进行扩展，加入正交基向量
[0091]
3.3.3更新拟合残差，令
[0092]
3.3.4记录已选特征xi与选用xi前的拟合残差的相关系数r
i
(实际可表示特征xi
带来的信息增量)；
[0093]
其中，计算两个列向量l1,l2相关系数的公式为
[0094][0095]
4.将选取的特征序号映射到按拟合目标相关系数排序前的特征序号。
[0096]
在s103中，将更新完成后的已选特征作为训练样本，对所述电力负荷预测模型进行训练。
[0097]
通过频域特征的显著性，以及特征之间的相关性对历史数据进行筛选后，可以去除无效的数据，并且去除冗余数据，简化训练数据。可以将获取的训练数据输入到神经网络模型或支持向量机等模型进行训练，直到模型的输出与训练数据中的拟合目标的差异符合预先设定的要求，从而完成模型的训练。
[0098]
在本技术实施例中，可以选用支持向量回归机模型进行电力负荷的预测，在训练时能够在训练数据相对不足时有效的拟合。在对该模型进行训练时，可以采用基于马氏距离的优化权重，对支持向量回归机中的正则化常数进行加权，使得预测点附近的数据类似的训练数据获得更大的权值，增强数据局部性。
[0099]
具体的流程可以包括：
[0100]
假设已选特征的特征矩阵为x(每列为一个特征，第i列记为x
i
，共n列，每行为一组训练观测数据)，目标函数为列向量y(第i项记为y
i
，为每组训练观测数据对应的实际负荷)。可以建立高位特征空间线性回归函数：
[0101]
f(x)＝<ω,φ(x)>+b
[0102]
其中ω为一组常系数，φ(x)为将特征矩阵x映射到高维空间的非线性函数，b为常系数。
[0103]
假设误差界为ε，并引入松弛因子ξ
i
，惩罚因子c
i
，求解目标函数为：
[0104][0105]
其中松弛因子ξ
i
，为
[0106][0107]
惩罚因子c
i
用于平衡模型平滑度和对越界训练数据的容忍程度，传统方法中所有的训练数据共用了相同的惩罚因子c。而实际上，与预测时所用特征数据(当前数据)更接近的训练数据往往更为关键，因而应该让其有更大的影响。但为避免增加大量参数导致过拟合，本方法中c
i
可以不对每个训练数据单独设定，而是由选用的特征数据与当前数据的距离确定。c
i
可选的函数有：
[0108][0109]
或
[0110][0111]
其中的参数μ通过预测结果与实际数据的偏差确定，比如，可以根据预测结果与实际数据的偏差，调整μ的数值，对比多次调整后的预测结果与实际数据的偏差，确定在偏差最小时所选择的μ值进行惩罚因子的计算。d
i
使用马氏距离以反映缩放及各维度相关性的影响，
[0112][0113]
其中，s为协方差矩阵。
[0114]
为求解目标函数，引入拉格朗日函数，将其转换为对偶形式，
[0115][0116]
限制条件为：
[0117][0118]
设得到的最优解为则
[0119][0120][0121]
其中，a
*
、b
*
、ω
*
为求解得到的最优解，k(x
i
,x
j
)为φ(x)对应的拉格朗日函数的核函数。
[0122]
最终求得的预测模型为，
[0123]
f(x)＝<ω
*
,φ(x)>+b
*
[0124]
将待预测数据的向量输入预测模型即可得到对应的负荷预测结果。对于预测结果，可以基于正态假设对异常点进行识别，并采用周期性预测的方式进行修复。
[0125]
本技术所提出了一种基于子空间相关性特征剔除及加权svr(支持向量回归机)的
时频联合电力负荷预测方法。该方法采用时频结合的方式构造特征，从而尽可能提取数据中的有效特征，增强表示能力。同时，计算待加入特征与已选特征的张成子空间正交成分，与已选特征的拟合残差的相关性，通过该相关性进行特征选择，在选取有用特征的同时剔除冗余特征，简化预测模型，避免过拟合。采用支持向量回归机进行拟合，并使用基于特征马氏距离的优化权重进行加权，进一步提高预测模型精度。因此，本技术实施例所述的电力负荷预测模型在单用户(或少用户)及短预测周期(短时间窗口)等不可预测随机因素影响较大的情形下，可以尽可能提高预测准确率。
[0126]
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。
[0127]
图3为本技术实施例提供的一种电力负荷预测模型的训练装置的示意图，如图3所示，该装置包括：
[0128]
有效特征筛选单元301，用于对电力负荷的历史数据进行时频变换，对变换得到的频域特征进行筛选，根据筛选后的频域特征确定历史数据中的有效特征；
[0129]
特征选用单元302，用于确定所述有效特征中的已选特征和待加入特征，获取所述待加入特征与所述已选特征的张成子空间的正交分量，计算所述正交分量与所述已选特征的拟合残差的相关系数，根据所述相关系数确定是否选用当前的待加入特征，对所述已选特征进行更新；
[0130]
训练单元303，用于将更新完成后的已选特征作为训练样本，对所述电力负荷预测模型进行训练。
[0131]
图3所示的电力负荷预测模型的训练装置，与图1所示的电力负荷预测模型的训练方法对应。
[0132]
相应的，本技术实施例还提供了一种电力负荷预测装置，该装置包括：
[0133]
数据获取单元，用于获取待预测数据；
[0134]
预测单元，用于将所述待预测数据输入到图1所述力电负荷预测模型的训练方法所训练的电力负荷预测模型进行预测计算，得到所述电力负荷的预测结果。
[0135]
图4是本技术一实施例提供的电子设备的示意图。如图4所示，该实施例的电子设备4包括：处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机程序42，例如电力负荷预测模型训练程序或电力负荷预测程序。所述处理器40执行所述计算机程序42时实现上述各个电力负荷预测模型训练方法或电力负荷预测方法实施例中的步骤。或者，所述处理器40执行所述计算机程序42时实现上述各装置实施例中各模块/单元的功能。
[0136]
示例性的，所述计算机程序42可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器41中，并由所述处理器40执行，以完成本技术。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序42在所述电子设备4中的执行过程。
[0137]
所述电子设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述电子设备可包括，但不仅限于，处理器40、存储器41。本领域技术人员可以理解，图4仅仅是电子设备4的示例，并不构成对电子设备4的限定，可以包括比图示更多或更少的部
件，或者组合某些部件，或者不同的部件，例如所述电子设备还可以包括输入输出设备、网络接入设备、总线等。
[0138]
所称处理器40可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field
‑
programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0139]
所述存储器41可以是所述电子设备4的内部存储单元，例如电子设备4的硬盘或内存。所述存储器41也可以是所述电子设备4的外部存储设备，例如所述电子设备4上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。进一步地，所述存储器41还可以既包括所述电子设备4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述电子设备所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
[0140]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0141]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0142]
本领域普通技术人员可以意识到，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、或者计算机软件和电子硬件的结合来实现。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技术的范围。
[0143]
在本技术所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
[0144]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0145]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0146]
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术实现上述实施例方法中的全部或部分流程，也可以通过计算机程序指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read
‑
only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
[0147]
以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应
[0148]
技术方案的本质脱离本技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。