能源类大数据处理方法、装置、计算机设备和存储介质与流程

1.本技术涉及新能源技术领域，特别是涉及一种能源类大数据处理方法、装置、计算机设备、存储介质和计算机程序产品。


背景技术：

2.随着经济发展与资源环境之间的矛盾日趋尖锐，节能减排以及新能源技术日益受到重视。为了实现节能减排，必须对能源消耗的历史数据进行收集整理，并对未来一定时期的能源耗费数据进行预测，是实现保证经济高效运转的同时，能源也能够得到高效利用。
3.目前普遍采用大数据分析技术对能源系统的供给和消耗进行分析，例如通过能源数据采集系统，在撷取能源供给状态数据后，从中分拣出需要的关键数据，发送到需要的应用程序进行下一步处理，满足各应用部门的需要。
4.然而，目前的能源大数据分析技术仅能针对单独一类能源数据进行处理，例如仅能分别针对电能、热能或天然气供给量进行独立处理，不能将这些能源综合起来分析相互之间的关系，导致目前的能源综合利用率还比较低。


技术实现要素：

5.基于此，有必要针对上述技术问题，提供一种能源类大数据处理方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
6.第一方面，本技术提供了一种能源类大数据处理方法。所述方法包括：
7.获取多种能耗设备的历史能耗数据；所述历史能耗数据包括电能数据、热能数据和天然气供气量；
8.针对所述历史能耗数据进行聚类处理，得到能耗数据特征向量；
9.将所述能耗数据特征向量作为初始条件，输入改进的lstm模型中进行训练，得到训练好的能耗模型；所述训练好的能耗模型用于计算所述多种能耗设备的能耗预测值。
10.在其中一个实施例中，所述针对所述历史能耗数据进行聚类处理，得到能耗数据特征向量，包括：
11.针对所述历史能耗数据进行修正处理，得到修正后的能耗数据；
12.针对所述修正后的能耗数据进行聚类处理，得到所述能耗数据特征向量。
13.在其中一个实施例中，所述针对所述历史能耗数据进行修正处理，得到修正后的能耗数据，包括：
14.针对所述历史能耗数据按照采集的时间先后顺序进行排序得到第一能耗数据集；
15.将所述第一能耗数据集输入超图模型中，得到多个质点；
16.计算所述第一能耗数据集中每个能耗数据与各个所述质点的距离；
17.将所述距离小于预设距离阈值的能耗数据剔除后，得到第二能耗数据集；
18.通过lof算法计算所述第二能耗数据集中的各个能耗数据的离群因子；
19.将所述离群因子大于预设离群因子阈值的能耗数据作为异常数据点；
20.利用回归树算法对所述异常数据点进行修正。
21.在其中一个实施例中，所述针对所述修正后的能耗数据进行聚类处理，得到所述能耗数据特征向量，还包括：
22.基于负荷变化率，对所述修正后的能耗数据进行降噪处理，得到降噪后的能耗数据；
23.针对所述降噪后的能耗数据进行聚类处理，得到所述能耗数据特征向量。
24.在其中一个实施例中，所述基于负荷变化率，对所述修正后的能耗数据进行降噪处理，包括：
25.计算每个所述能耗设备的所述负荷变化率；
26.将所述修正后的能耗数据中，对应于所述负荷变化率超过预设负荷变化率阈值的能耗数据作为待降噪数据；
27.针对所述待降噪数据采用预设降噪公式进行降噪修正。
28.在其中一个实施例中，所述针对所述降噪后的能耗数据进行聚类处理，得到所述能耗数据特征向量，包括：
29.针对所述降噪后的能耗数据进行切块，得到能耗数据块；
30.采用多重k的聚类集成算法对所述能耗数据块进行计算，生成多个基聚类；
31.通过预设共协关系矩阵，对所述多个基聚类处理，得到所述能耗数据特征向量。
32.第二方面，本技术还提供了一种能源类大数据处理装置。所述装置包括：
33.能耗数据获取模块，用于获取多种能耗设备的历史能耗数据；所述历史能耗数据包括电能数据、热能数据和天然气供气量；
34.特征向量获取模块，用于针对所述历史能耗数据进行聚类处理，得到能耗数据特征向量；
35.能耗模型训练模块，用于将所述能耗数据特征向量作为初始条件，输入改进的lstm模型中进行训练，得到训练好的能耗模型；所述训练好的能耗模型用于计算所述多种能耗设备的能耗预测值。
36.第三方面，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述能源类大数据处理方法实施例中的各步骤。
37.第四方面，本技术还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，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述能源类大数据处理方法实施例中的各步骤。
38.第五方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述能源类大数据处理方法实施例中的各步骤。
39.上述能源类大数据处理方法、装置、计算机设备、存储介质和计算机程序产品，通过获取多种能耗设备的历史能耗数据；历史能耗数据包括电能数据、热能数据和天然气供气量；针对历史能耗数据进行聚类处理，得到能耗数据特征向量；将能耗数据特征向量作为初始条件，输入改进的lstm模型中进行训练，得到训练好的能耗模型；该训练好的能耗模型用于计算多种能耗设备的能耗预测值。本技术能够针对多种能源设备产生的历史能耗数据
进行综合分析和处理，能够挖掘多种能源内部存在的相互关系，有利于提高系统内部能源综合利用效率。
附图说明
40.图1为一个实施例中能源类大数据处理方法的应用环境图；
41.图2为一个实施例中能源类大数据处理方法的流程示意图；
42.图3为一个实施例中能源类大数据处理装置的结构框图；
43.图4为一个实施例中计算机设备的内部结构图；
44.图5为另一个实施例中计算机设备的内部结构图。
具体实施方式
45.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
46.本技术实施例提供的能源类大数据处理方法，可以应用于如图1所示的应用环境中。其中，终端101通过网络与服务器102进行通信。数据存储系统可以存储服务器102需要处理的数据。数据存储系统可以集成在服务器102上，也可以放在云上或其他网络服务器上。其中，终端102包括多种能耗设备，例如消耗电能的电子设备、天然气消耗设备、消耗太阳能的设备例如光伏电池、消耗热能的设备例如锅炉(火力发电中常用)等。服务器102可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
47.在一个实施例中，如图2所示，提供了一种能源类大数据处理方法，以该方法应用于图1中的服务器102为例进行说明，包括以下步骤：
48.步骤s201，获取多种能耗设备的历史能耗数据；其中，所述历史能耗数据包括电能数据、热能数据、光能数据和天然气供气量等；
49.其中，本实施例用于对整个能耗系统中的各种能耗数据进行挖掘，将整个企业的所有能耗设备作为一个整体(即能耗系统)来考虑；历史能耗数据包括能耗系统过去一段时间内产生的电能数据、热能数据、光能数据和天然气供气量等，
50.具体地，例如通过检测设备分别检测能耗系统中各个能耗设备(即终端101)的历史能耗数据，包括电能数据、光伏太阳能数据、热能数据和天然气供气量等。将这些历史能耗数据发送至服务器102进行综合分析和挖掘。
51.步骤s202，针对所述历史能耗数据进行聚类处理，得到能耗数据特征向量；
52.具体地，在进行聚类处理之前需要对上述历史能耗数据进行修正处理和噪声处理。
53.修正处理步骤包括：针对上述历史能耗数据按照采集的时间先后顺序进行排序得到第一能耗数据集；将第一能耗数据集输入超图模型中，得到多个质点；计算能耗数据集中每个能耗数据与各个质点的距离；将距离小于预设距离阈值的能耗数据剔除后，得到第二能耗数据集；通过lof算法计算第二能耗数据集中的各个能耗数据的离群因子；将离群因子大于预设离群因子阈值的能耗数据作为异常数据点；基于异常数据点，利用回归树算法对第二能耗数据集中的能耗数据进行修正，得到修正后的能耗数据。
54.具体地，对上述多种能耗数据按照采集时间先后顺序排列，整理生成第一能耗数据集，将所述第一能耗数据集中的每个数据输入超图模型中，处理完成后得到多个质点，求出第一能耗数据集中的各个能耗数据点到质点的距离平均值r，设置需要剔除的正常数据数量的百分比，按照各点距离质心从小到大的顺序排列，剔除离质心距离小于r的部分正常点位，其占比为预先设置的百分比，余下的数据形成第二能耗数据集；将第二能耗数据集中的数据运用lof(local outlier factor，局部异常因子)算法计算并排序所有数据点的离群因子，lof也称异常点(离群点)检测算法，在数据挖掘中主要用于清除待处理数据中的异常数据/无效数据；在本实施例中，上述每个数据点的离群因子(也称lof值)通过与预设离群因子阈值进行对比，将lof值大于预设离群因子阈值的数据点作为异常数据点，针对异常数据点和正常数据点，用回归树算法建立回归树，并使用建立的回归树修正上述异常数据点，最终得到修正后的能耗数据集。
55.针对修正后的能耗数据进行聚类处理，得到能耗数据特征向量。
56.步骤s203，将能耗数据特征向量作为初始条件，输入改进的lstm(long short-term memory，长短期记忆人工神经网络)模型中进行训练，得到训练好的能耗模型；该训练好的能耗模型用于计算多种能耗设备的能耗预测值。
57.具体地，采集能耗系统中关于上述多种能耗设备产生的历史能耗数据，进行预处理后得到能耗数据特征向量；除历史能耗数据外，还需要采集上述历史能耗数据对应的环境参数，环境参数包括环境光照、日出日落时间、环境季节、光照期间天气情况；将上述能耗数据特征向量以及上述环境参数作为能耗模型的初始条件，对能耗模型进行训练，能耗值为输出变量，训练过程采用标准bp(back propagation)神经网络算法进行优化计算，并增加动量项以利用积累的调整经验来加快学习速度和保持稳定，当能耗模型稳定后，即可使用训练好的能耗模型对未来能耗数值进行预测。
58.更进一步地，上述训练步骤具体包括以下：
59.步骤(1)，lstm网络将输入的能耗数据特征向量分割成等间隔的多个子序列，在通过lstm网络后，利用最后一个时刻的输出作为特征，在融合层前，加入一个权重层，权重层单元数与前一层单元数一致，且单元之间一一对应相连，而且权重层单元的大小一致，对于同一个lstm子网络，此权重层可以看作将特征乘以一个权重系数，在融合层后加入dropout层，以解决过拟合问题；
60.步骤(2)，在所述dropout层中，神经元以概率p正常工作，即以概率(1-p)停止工作，根据dropout层输出的特征，利用softmax函数模拟出能耗模型，softmax函数公式为：
[0061][0062]
其中：k是能耗的类别数；θ为softmax分类器的参数；t表示转置操作；xi表示第i段能耗数据特征向量子序列。
[0063]
可选地，上述训练过程中，能耗模型稳定的标准为能耗模型输出的能耗值与历史数据能耗值之间的差值为1％-1.5％
[0064]
上述实施例通过获取多种能耗设备的历史能耗数据；历史能耗数据包括电能数
据、热能数据和天然气供气量；针对历史能耗数据进行聚类处理，得到能耗数据特征向量；将能耗数据特征向量作为初始条件，输入改进的lstm模型中进行训练，得到训练好的能耗模型；该训练好的能耗模型用于计算多种能耗设备的能耗预测值。本实施例能够针对多种能源设备产生的历史能耗数据进行综合分析和处理，能够挖掘多种能源内部存在的相互关系，有利于提高系统内部能源综合利用效率。
[0065]
在一实施例中，上述针对所述修正后的能耗数据进行聚类处理，得到所述能耗数据特征向量，还包括：基于负荷变化率，对修正后的能耗数据进行降噪处理，得到降噪后的能耗数据；针对降噪后的能耗数据进行聚类处理，得到能耗数据特征向量。进一步地，上述“基于负荷变化率，对修正后的能耗数据进行降噪处理，得到降噪后的能耗数据”包括：计算每个能耗设备的负荷变化率；将修正后的能耗数据中，对应于负荷变化率超过预设负荷变化率阈值的能耗数据作为待降噪数据；针对待降噪数据采用预设降噪公式进行降噪修正。
[0066]
具体地，噪声数据处理具体步骤为：通过负荷数据的变化率判断负荷数据中是否存在噪声数据，对于能耗设备i的负荷数据曲线xi＝[x
i,1
，x
i,2
，
……
，x
i,n
]
t
，其中，x
i,n
表示能耗设备i在第n个时刻的负荷数据，负荷变化率可表示为：
[0067][0068]
其中，δ
i,j
表示能耗设备i的负荷数据曲线在j点的负荷变化率，当负荷变化率超过预设负荷变化率阈值(例如为0.5)时，则判定该点的负荷数据为噪声数据，利用下述预设降噪公式进行噪声数据的修正：
[0069][0070]
其中，x
i,j
为噪声数据x
i,j
修正后的数据，u、v为修正参数，可设定u＝3，v＝4。
[0071]
上述实施例，通过对噪声数据进行修正，为提高能耗模型的预测准确度提供了有利前提。
[0072]
在一实施例中，上述对降噪后的能耗数据进行聚类处理，得到能耗数据特征向量，包括：针对所述降噪后的能耗数据进行切块，得到能耗数据块；
[0073]
采用多重k的聚类集成算法对能耗数据块进行计算，生成多个基聚类；通过预设共协关系矩阵，对多个基聚类处理，得到能耗数据特征向量；具体地，包括以下步骤：
[0074]
步骤(1)，对经过修正处理和噪声数据处理后的能耗数据进行切块后，存储到云平台的分布式文件系统hdfs(hadoop distributed file system，hadoop分布式文件系统)中，hadoop负责管理切分后的数据块，其key值为所属数据块di，i＝1,2,...n，n为划分后的数据块的数量；
[0075]
步骤(2)，采用多重k的聚类集成算法生成多个基聚类，将kmeans算法应用到大数据集上m次，每次运算时都从一个预先定义好的k的分布s中随机采样一个数ki，用ki作为kmeans的预定义簇的数目，从而得到n个基聚类结果，其中s为两个整数之间的均匀分布，s被置为(min(5,[n/4],min(20,[n/2]))，n为数据点的个数，[x]表示对x四舍五入取整；
[0076]
步骤(3)，构造共协关系矩阵统计m个基聚类结果中两个数据点被划分到同一簇中的次数，用该次数作为权值赋给关系矩阵中对应的元素，对各聚类结果采用一致性方案进
行reduce，得到最终的聚类数据。
[0077]
其中，步骤(3)中的共协关系矩阵通过以下公式获得：wi×j＝(i与j属于同一簇的次数)/基聚类的总数，任意两个数据点i和j只要被划分到同一组中时，关系矩阵对应的元素就自增1。
[0078]
进一步地，上述采用一致性方案进行reduce的过程如下：将标准化后的关系矩阵转化为一个无向带权图，所有数据点作为图的顶点，关系矩阵中每个元素的值转化为其对应的两个顶点之间的权值上，通过迭代，每次迭代的过程中，对每个权值减去一个单位阈值，为负的权值则用0替代，顶点之间的权值为0则表示该对顶点之间不连通，通过重复的对所有权值减去单位阈值，然后求该图的连通子图，当某种连通子图保持最多次数不变时，就认为该拓扑关系最稳定，连通子图的个数就是最终簇的数目，该连通子图就是最终的聚类数据。
[0079]
上述实施例，通过对历史能耗数据进行聚类处理，得到能耗数据特征向量，为后续训练能耗模型提供了数据铺垫。
[0080]
进一步地，本技术通过采集历史能耗数据，对采集到的历史能耗数据进行修正处理和噪声数据处理，再对经过修正处理和噪声数据处理后的能耗数据进行聚类处理，并将聚类处理后的能耗数据作为能耗数据特征向量，将能耗数据特征向量作为初始条件，利用改进的lstm网络模型对能耗数据特征向量进行处理，得到能耗模型，采集并使用历史能耗数据对能耗模型进行训练，当能耗模型稳定后，即可使用能耗模型对未来能耗数值进行预测，能够根据已有的能耗大数据对未来的能耗量进行预测，提高大数据的利用效率。
[0081]
更进一步地，本技术通过在聚类处理时，首先对原始数据进行分割，用切分好的非空小数据块代替原数据中的点集进行聚类，减少数据规模和数据处理所耗费时间，同时采用云计算mapreduce编程模型，使得聚类过程在分布式集群上并行完成，克服了单机算法在存储和计算性能上的限制，从而有效处理大数据，不断地从中挖掘出有价值信息，为用户提供可定制性和可扩展性，并优化了算法执行效率，适用处理大数据环境下的数据处理、分析与计算，能够满足不同用户的需求。
[0082]
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0083]
基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的能源类大数据处理方法的能源类大数据处理装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个能源类大数据处理装置实施例中的具体限定可以参见上文中对于能源类大数据处理方法的限定，在此不再赘述。
[0084]
在一个实施例中，如图3所示，提供了一种能源类大数据处理装置300，包括：能耗数据获取模块301、特征向量获取模块302和能耗模型训练模块303，其中：
[0085]
能耗数据获取模块301，用于获取多种能耗设备的历史能耗数据；所述历史能耗数
据包括电能数据、热能数据和天然气供气量；
[0086]
特征向量获取模块302，用于针对所述历史能耗数据进行聚类处理，得到能耗数据特征向量；
[0087]
能耗模型训练模块303，用于将所述能耗数据特征向量作为初始条件，输入改进的lstm模型中进行训练，得到训练好的能耗模型；所述训练好的能耗模型用于计算所述多种能耗设备的能耗预测值。
[0088]
在其中一个实施例中，上述特征向量获取模块302，进一步用于：针对所述历史能耗数据进行修正处理，得到修正后的能耗数据；针对所述修正后的能耗数据进行聚类处理，得到所述能耗数据特征向量。
[0089]
在其中一个实施例中，上述特征向量获取模块302，进一步用于：针对所述历史能耗数据按照采集的时间先后顺序进行排序得到第一能耗数据集；将所述第一能耗数据集输入超图模型中，得到多个质点；计算所述第一能耗数据集中每个能耗数据与各个所述质点的距离；将所述距离小于预设距离阈值的能耗数据剔除后，得到第二能耗数据集；通过lof算法计算所述第二能耗数据集中的各个能耗数据的离群因子；将所述离群因子大于预设离群因子阈值的能耗数据作为异常数据点；利用回归树算法对所述异常数据点进行修正。
[0090]
在其中一个实施例中，上述特征向量获取模块302，进一步用于：基于负荷变化率，对所述修正后的能耗数据进行降噪处理，得到降噪后的能耗数据；针对所述降噪后的能耗数据进行聚类处理，得到所述能耗数据特征向量。
[0091]
在其中一个实施例中，上述特征向量获取模块302，进一步用于：计算每个所述能耗设备的所述负荷变化率；将所述修正后的能耗数据中，对应于所述负荷变化率超过预设负荷变化率阈值的能耗数据作为待降噪数据；针对所述待降噪数据采用预设降噪公式进行降噪修正。
[0092]
在其中一个实施例中，上述特征向量获取模块302，进一步用于：针对所述降噪后的能耗数据进行切块，得到能耗数据块；采用多重k的聚类集成算法对所述能耗数据块进行计算，生成多个基聚类；通过预设共协关系矩阵，对所述多个基聚类处理，得到所述能耗数据特征向量。
[0093]
上述能源类大数据处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0094]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储历史能耗数据以及能耗预测值。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种能源类大数据处理方法。
[0095]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构
图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、移动蜂窝网络、nfc(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种能源类大数据处理方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
[0096]
本领域技术人员可以理解，图4至5中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0097]
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述能源类大数据处理方法实施例中的各步骤。
[0098]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述能源类大数据处理方法实施例中的各步骤。
[0099]
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述能源类大数据处理方法实施例中的各步骤。
[0100]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
[0101]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0102]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并
不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。