一种含风电场的最优潮流计算方法及装置与流程

本发明实施例涉及电力系统运行与控制技术领域，特别是涉及一种含风电场的最优潮流计算方法及装置。

背景技术：

在节能减排、提高能源利用率和环境效益的大背景下，以风电为代表的分布式电源得到了迅速的发展，对解决能源短缺及用电紧张等问题具有非常重要的意义。然而，由于风速具有随机性、间歇性和难以预测性，使风电场输出功率具有强烈的随机性和波动性，从而加剧了电力系统运行中不确定因素的复杂程度，使电力系统潮流优化的难度增大。

现有技术中，在对风电输出功率进行处理时，采用随机变量表示风电机组的输出功率，建立基于机会规划约束的风电并网模型，进一步通过该风电并网模型计算最优潮流解。但是，由于现有技术中在采用随机变量表示风电机组的输出功率时，相应的置信度是由人为进行设定的，人为主管因素使不确定性增加，使建立的基于机会规划约束的风电并网模型的准确度降低，进一步使得到的最优潮流解的精确度降低。

因此，如何提供一种解决上述技术问题的含风电场的最优潮流计算方法及装置成为本领域的技术人员目前需要解决的问题。

技术实现要素：

本发明实施例的目的是提供一种含风电场的最优潮流计算方法及装置，本发明实施例在使用过程中提高了含风电场最优潮流模型的准确度，使计算得到的最优潮流解在避免局部最优的同时更加精确。

为解决上述技术问题，本发明实施例提供了一种含风电场的最优潮流计算方法，包括：

采用场景分析法对预先建立的风电场模型进行分析，确定出风电机组输出功率各个典型场景，并计算出各个所述典型场景的风电出力；

依据潮流计算、混沌自适应粒子群算法及各个所述典型场景的风电出力计算出与各个所述典型场景对应的含风电场最优潮流模型的最优潮流解；

所述含风电场最优潮流模型为预先建立的、满足约束条件的含风电场最优潮流模型，所述含风电场最优潮流模型包括目标函数及所述约束条件。

可选的，所述含风电场最优潮流模型为预先建立的、使机组煤耗成本最小及碳排放量最小的含风电场最优潮流模型。

可选的，所述风电场模型为依据第一计算关系式建立的；所述第一计算关系式为：

其中，f(v)表示风速的概率密度，v表示风速，k表示形状系数，c为尺度系数。

可选的，所述计算出各个所述典型场景的风电出力的过程具体为：

计算出各个所述典型场景的发生概率；

依据所述发生概率计算出相应的典型场景的风电出力。

可选的，所述采用场景分析法对预先建立的风电场模型进行分析，确定出风电机组输出功率各个典型场景的过程具体为：

依据第二计算关系式得到所述风电场模型中的风机输出功率与风电场风速的关系曲线；

采用场景分析法对所述风机输出功率与风电场风速的曲线进行分析，得到风电机组输出功率各个典型场景，所述典型场景包括额定输出场景、零输出场景及欠额定输出场景；

所述第二计算关系式为：其中，pw表示风电机组的输出功率；pr表示风电机组的额定输出功率；vci、vr和vco分别表示风电机组的切入风速、额定风速和切出风速。

可选的，所述典型场景为额定输出场景；所述计算出各个所述典型场景的发生概率的过程具体为：

依据第三计算关系式计算得到所述额定输出场景的发生概率p0，所述第三计算关系式为

所述典型场景为零输出场景；所述计算出各个所述典型场景的发生概率的过程具体为：

依据第四计算关系式得到所述零输出场景的发生概率p1，所述第四计算关系式为

可选的，如上述所述的含风电场的最优潮流计算方法，所述典型场景为欠额定输出场景；所述计算各个所述典型场景的发生概率的过程具体为：

依据第五计算关系式得到所述欠额定输出场景的发生概率，所述第五计算关系式为

可选的，所述约束条件包括等式约束和不等式约束，其中：

所述等式约束为

其中，m为风电场中并联运行的异步发电机台数；vi和vj分别是第i节点和第j节点电压幅值；pik和qik分别为第k台机组的有功出力和无功出力，qik是机端电压的函数；pli和qli分别为第i节点有功功率负荷和无功功率负荷；δij为节点i和节点j之间的相角差；gij和bij分别为节点i和节点j之间互导纳的实部和虚部；

所述不等式约束为

其中，pgi^min和pgi^max分别为第i台发电机有功出力下限值和有功出力上限值，qgi^min和qgi^max分别为第i台发电机无功出力上限值和无功出力下限值，vi^min和vi^max分别为第i个节点的节点电压下限值和节点电压上限值，sli和sli^max分别为第i段线路的线路潮流及其最大线路潮流。

可选的，如上述所述的含风电场的最优潮流计算方法，所述目标函数为依据第一目标函数和第二目标函数得到，其中：

所述第一目标函数为其中，f1为综合煤耗总成本，pgi为机组i有功出力，pgj为装有碳捕集装置的机组j有功出力，ng为机组台数，ai、bi及ci均为机组煤耗成本系数，β为捕集单位co2能耗，fj为碳排放强度，ηj为碳捕集率；

所述第二目标函数为其中，f2为综合碳排放总量，fi为第i个机组的碳排放强度；

所述目标函数为minf＝λ1f1+λ2f2，λ1为基于模糊熵权法的第一目标函数的权值，λ2为基于模糊熵权法的第二目标函数的权值。

为解决上述技术问题，本发明实施例提供了一种含风电场的最优潮流计算装置，包括：

场景确定模块，用于采用场景分析法对预先建立的风电场模型进行分析，确定出风电机组输出功率各个典型场景，并计算出各个所述典型场景的风电出力；

计算模块，用于依据潮流计算、混沌自适应粒子群算法及各个所述典型场景的风电出力计算出与各个所述典型场景对应的含风电场最优潮流模型的最优潮流解；

所述含风电场最优潮流模型为预先建立的、满足约束条件的含风电场最优潮流模型，所述含风电场最优潮流模型包括目标函数及所述约束条件。

本发明实施例提供了一种含风电场的最优潮流计算方法及装置，包括采用场景分析法对预先建立的风电场模型进行分析，确定出风电机组输出功率各个典型场景，并计算出各个典型场景的风电出力；依据潮流计算、混沌自适应粒子群算法及各个典型场景的风电出力计算出与各个典型场景对应的含风电场最优潮流模型的最优潮流解；含风电场最优潮流模型为预先建立的、满足约束条件的含风电场最优潮流模型，含风电场最优潮流模型包括目标函数及约束条件。

可见，本发明实施例通过场景分析法对预先建立的风电场模型进行分析，确定出风电机组输出功率各个典型场景，并计算出各个典型场景的风电出力，解决了风电机组输出功率不确定的问题，进一步通过潮流计算、混沌自适应粒子群算法及各个典型场景的风电出力计算出与各个典型场景对应的含风电场最优潮流模型的最优潮流解。本发明实施例在使用过程中提高了含风电场最优潮流模型的准确度，使计算得到的最优潮流解在避免局部最优的同时更加精确。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对现有技术和实施例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的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种含风电场的最优潮流计算方法的流程示意图；

图2为本发明实施例中提供的风速威布尔分布示意图；

图3为本发明实施例中提供的一种风机输出功率与含风电场风速的关系曲线；

图4为本发明实施例提供的一种含风电场的最优潮流计算装置的结构示意图。

具体实施方式

本发明实施例提供了一种含风电场的最优潮流计算方法及装置，本发明实施例在使用过程中提高了含风电场最优潮流模型的准确度，使计算得到的最优潮流解在避免局部最优的同时更加精确。

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。

请参照图1，图1为本发明实施例提供的一种含风电场的最优潮流计算方法的流程示意图。

该方法包括：

s11：采用场景分析法对预先建立的风电场模型进行分析，确定出风电机组输出功率各个典型场景，并计算出各个典型场景的风电出力；

s12：依据潮流计算、混沌自适应粒子群算法及各个典型场景的风电出力计算出与各个典型场景对应的含风电场最优潮流模型的最优潮流解；

含风电场最优潮流模型为预先建立的、满足约束条件的含风电场最优潮流模型，含风电场最优潮流模型包括目标函数及约束条件。

需要说明的是，在s11中需要预先建立风电场模型，可以假设风速服从威布尔分布，具体请参照图2，图2为本发明实施例中提供的风速威布尔分布示意图。该风电场模型可以优选的依据第一计算关系式进行建立；其中，第一计算关系式为：

其中，f(v)表示风速的概率密度，v表示风速，k表示形状系数，c为尺度系数。也即，第一计算关系式为风速的概率密度函数。

进一步的，上述s11中的采用场景分析法对预先建立的风电场模型进行分析，确定出风电机组输出功率各个典型场景的过程具体为：

依据第二计算关系式得到风电场模型中的风机输出功率与风电场风速的关系曲线；

采用场景分析法对风机输出功率与风电场风速的关系曲线进行分析，得到风电机组输出功率各个典型场景包括额定输出场景、零输出场景及欠额定输出场景；

其中，第二计算关系式为：

其中，pw表示风电机组的输出功率；pr表示风电机组的额定输出功率；vci、vr和vco分别表示风电机组的切入风速、额定风速和切出风速。

需要说明的是，在稳定性分析中，对于多台风机并列的风电场，往往采用一台或多台等值机加以考虑，对于单台风机，其有功出力是由风速决定的，其对应关系可以通过上述第二计算关系式表示。请参照图3，图3为本发明实施例中提供的一种风机输出功率与风电场风速的关系曲线，由该关系曲线可以看出，风电机组有三种运行状态，当风速小于切入风速vci或大于切出风速vco时，风电机组的输出功率为零，也即此时风电机组处于零输出状态；当风速介于切入风速vci和额定风速vr之间时，风电机组的输出功率介于零到额定功率之间，也即此时风电机组处于欠额定输出状态；当风速大于额定风速小于切出风速时，风电机组输出功率为额定功率，即此时风电机组处于额定输出状态。因此，根据场景分析法可以将风电分为三个典型的输出场景，即额定输出场景、零输出场景和欠额定输出场景。

更进一步的，在上述s11中，计算出各个典型场景的风电出力的过程具体为：

计算出各个典型场景的发生概率；

依据发生概率计算出相应的典型场景的风电出力。

具体的，由于各个典型场景发生的概率不同，所以可以先计算出各个典型场景的发生概率，进一步依据各个典型场景的发生概率即可计算出相应典型场景的风电出力，进一步在最优潮流计算时，可以根据每个典型场景的风电出力计算出该场景中的最优潮流解。

需要说明的是，在计算各个典型场景的发生概率时，可以根据风速的概率密度函数来确定每个场景的发生概率，具体如下：

当典型场景为额定输出场景；计算出各个典型场景的发生概率的过程具体为：

依据第三计算关系式计算得到额定输出场景的发生概率p0，第三计算关系式为其中，

当典型场景为零输出场景；计算出各个典型场景的发生概率的过程具体为：

依据第四计算关系式得到零输出场景的发生概率p1，第四计算关系式为

可以理解的是，通过上述第三计算关系式和第四计算关系式可以分别求出额定输出场景的发生概率p0和零输出场景的发生概率p1，进一步额定输出场景的发生概率p0根据求出风电机组在该额定输出场景下输出功率的期望值，从而可以得到风电机组在该额定输出场景下的风电出力(即输出功率)。对于零输出场景来说，由于其输出功率为0，所以其期望值也为0，从而得出风电机组在零输出场景下的风电出力为0。

典型场景为欠额定输出场景；计算各个典型场景的发生概率的过程具体为：

依据第五计算关系式得到欠额定输出场景的发生概率，第五计算关系式为

需要说明的是，在计算欠额定输出场景的发生概率时，可以将欠额定输出场景按照一种场景进行计算，也可以将欠额定输出场景分成多个小场景进行计算，当将欠额定输出场景按照一种场景计算其发生概率时，可以根据上述第计算关系式计算出欠额定输出场景的发生概率，依据该发生概率进一步得出风电机组在该欠额定输出场景下输出功率的期望值，从而得到风电机组在该欠额定输出场景下的风电出力；

另外，当将欠额定输出场景分成多个小场景计算其发生概率时，可以将其分为(vci,v1)、(v1,v2)、(v2,v3)...(vm-1,vr)场景，则各个小场景分别对应的发生概率计算如下：

对于(vci,v1)场景，其发生概率为：

对于(v1,v2)场景，其发生概率为：

.....

对于(vm-1,vr)场景，其发生概率为：

根据以上求得的每个小场景的发生概率，可以求得风电机组在欠额定输出场景下输出功率的期望值其中：p2i为欠额定输出场景中第i个小场景的发生概率，p'为在第i个小场景中风电机组的输出功率(输出的有功功率)平均值。从而可以得到风电机组在欠额定输出场景下的风电出力。

可见，本发明实施例中采用场景分析法解决了风电机组输出功率的不确定性，更加准确地反映了风电机组对潮流优化的影响。

需要说明的是，在上述s12中需要预先建立含风电场最优潮流模型，然后再依据潮流计算、混沌自适应粒子群算法及各个典型场景的风电出力计算出与各个典型场景对应的含风电场最优潮流模型的最优潮流解。

可选的，含风电场最优潮流模型为预先建立的、使机组煤耗成本最小及碳排放量最小的含风电场最优潮流模型。

另外，为了减少co2的排放，可以应用碳捕集与封存(carboncaptureandstorage，ccs)技术将co2从电厂排放的废气中剥离出来，送到安全地点进行封装，阻止其排放到大气中，以达到碳减排的目的。所以本发明实施例中的含风电场最优潮流模型优选的为一种使机组煤耗成本最小及碳排放量最小的含风电场最优潮流模型，在兼顾系统运行的经济性的同时，保证了环境效益，对电网环境效益具有重大意义。

可选的，如上述的含风电场的最优潮流计算方法，本发明实施例所提供的含风电场最优潮流模型中的目标函数可以依据第一目标函数和第二目标函数得到，其中：

第一目标函数为其中，f1为综合煤耗总成本，pgi为机组i有功出力，pgj为装有碳捕集装置的机组j有功出力，ng为机组台数，ai、bi及ci均为机组煤耗成本系数，β为捕集单位co2能耗，fj为碳排放强度，ηj为碳捕集率；

第二目标函数为其中，f2为综合碳排放总量，fi为第i个机组的碳排放强度；

目标函数为minf＝λ1f1+λ2f2，λ1为基于模糊熵权法的第一目标函数的权值，λ2为基于模糊熵权法的第二目标函数的权值。

可以理解的是，第一目标函数为考虑煤耗成本的目标函数，第二目标函数为考虑碳排放的目标函数，可以将第一目标函数和第二目标函数归一化后利用模糊熵权法得到最终的目标函数(即目标函数为minf＝λ1f1+λ2f2)。

具体的，在本发明实施例所提供的含风电场最优潮流模型中，考虑了碳捕集装置，碳捕集装置能将尾气中的co2分离出来捕集回收并封存，是实现低碳环保的重要技术手段。常规火电厂中加装碳捕集装置即为碳捕集电厂，碳捕集电厂燃烧含有大量碳氧化物、氮氧化物的矿物质输出功率pej，一部分输入到电网中作为净输出pgj，一部分供给碳捕集装置捕集co2消耗pcj。则有：

其中，pej为燃烧化石燃料输出功率，pcj为捕集co2的能耗，pgj为机组净输出功率，β为捕集单位co2能耗，csj为co2捕集量，cej为co2排放量，fj为碳排放强度，ηj为碳捕集率。根据上式可得：

对于常规电场i燃烧化石燃料产生的等效功率即为机组有功出力，即：

pei＝pgi

所以考虑煤耗成本的目标函数(即第一目标函数)，也即碳补集电厂与常规火电厂综合煤耗总成本的目标函数。

根据上述可得碳补集电厂碳排放量为：

由f2可以得到考虑碳补集电厂综合碳排放总量函数，即得到上述第二目标函数。

在对多目标进行处理的过程中，基于各个目标的差异程度，基于熵权法的客观决策方法认为差异越大，所占的权值也就越大；而基于模糊权值法的主观决策方法中将待优化问题设置有i个决策者，每一个决策者对第j个目标函数的模糊权重进行权重赋值。由以上分析可以知道，采用基于模糊权值法的主观决策方法进行多目标决策和采用基于熵权法的客观决策方法进行多目标决策时，前者得到的目标函数的权值因其主观性太强而不能体现出不同目标函数之间客观博弈的结果，而后者得到的目标函数的权值比较客观，但所得结果因我们对每个目标函数的关注程度不同而可能与我们期望的结果背道而驰。因此，为避免过分关注主观权值或者客观权值而导致的偏差，提出模糊权值法和熵权法结合的模糊熵权法来解决多目标决策问题。

假定采用熵权法计算所得的m个目标函数权值构成的矩阵为ω＝(ω1,ω2,...,ωm)；采用模糊权值法计算所得的m个目标函数权值构成的矩阵为f＝(f1,f2,...,fm)，则基于模糊熵权法的各个目标函数的权值为：

进一步，对于本发明实施例中的第一目标函数和第二目标函数，采用熵权法计算所得的上述两个目标函数权值构成的矩阵为ω＝(ω1,ω2)；采用模糊权值法计算所得的上述两个目标函数权值构成的矩阵为f＝(f1,f2)，则基于模糊熵权法的各个目标函数的权值为：

综上，通过第一目标函数和第二目标函数之间的博弈，对这两个目标函数进行归一化后得到最优适应度函数minf＝λ1f1+λ2f2，也即为本发明实施例中的含风电场最优潮流模型的目标函数。

需要说明的是，本发明实施例中的第一目标函数、第二目标函数及总的目标函数均需要满足相应的约束条件。

具体的，本发明实施例中的约束条件可以包括等式约束和不等式约束，优选的：

等式约束为

其中，m为风电场中并联运行的异步发电机台数；vi和vj分别是第i节点和第j节点电压幅值；pik和qik分别为第k台机组的有功出力和无功出力，qik是机端电压的函数；pli和qli分别为第i节点有功功率负荷和无功功率负荷；δij为节点i和节点j之间的相角差；gij和bij分别为节点i和节点j之间互导纳的实部和虚部；

不等式约束为

其中，pgi^min和pgi^max分别为第i台发电机有功出力下限值和有功出力上限值，qgi^min和qgi^max分别为第i台发电机无功出力上限值和无功出力下限值，vi^min和vi^max分别为第i个节点的节点电压下限值和节点电压上限值，sli和sli^max分别为第i段线路的线路潮流及其最大线路潮流。

另外，在s12中，依据潮流计算、混沌自适应粒子群算法及各个典型场景的风电出力计算出与各个典型场景对应的含风电场最优潮流模型的最优潮流解的过程中：

可以采用牛顿—拉夫逊潮流计算的方法对含风电场最优潮流模型进行潮流计算，得到初始化潮流分布，即得到每个机组出力初始值；然后可以采用基于老化机制的组合混沌自适应粒子算法对控制变量进行优化得到各个典型场景下的最优潮流解，能够克服标准粒子群算法容易陷入局部最优的缺陷，使得到的最优潮流解更加精确。

其中，可以采用组合混沌序列初始化种群并且根据种群适应度动态调整全局最优粒子寿命，采用多项式变异策略产生竞争个体：

可以理解的是，混沌运动能在一定范围内按其自身“规律”不重复地遍历所有状态，可以用来改进种群的初始化。典型的logistic映射数学方程为：

xn+1＝f(μ,xn)＝μxn(1-xn)

在本发明实施例中，可以将logistic映射与chebyshev映射相结合，形成组合混沌序列，并将该混合混沌序列引入到含风电场最优潮流计算的初始化过程中，以改善粒子分布的随机性和均匀性。该混合混沌序列的数学描述可以为：

其中，x0、y0为粒子的初始值，n、μ为控制参数，且当μ＝4、n＝4时系统处于完全混沌状态。

在基于老化机制的组合混沌自适应粒子算法对粒子进行寻优的过程中，可以根据全局最优粒子寿命进行动态调整，具体调整策略如下：

如果种群中的个体优化程度值小于0，则粒子寿命加2；

如果种群中的个体优化程度值等于0并且群体优化程度值小于0，则粒子寿命加1；

如果种群中的个体优化程度值等于0并且群体优化程度值等于0，则粒子寿命保持不变；

其中，个体优化程度值的计算公式为群体优化程度值的计算公式为其中，表示最优个体适应度，f(xgbest(t))表示群体最优个体适应度，t表示当前迭代次数，当然，最大迭代次数为预先进行设定的。

在采用基于老化机制的组合混沌自适应粒子算法对粒子进行寻优的过程中，可以通过多项式变异策略产生新个体，具体为：

以克隆个体为父代p，对每个p按照ck＝pk+(xk^u-xk^l)δk式生成子代c，其中，ck和pk分别为c和p的第k个分量，xk^u和xk^l分别为优化变量第k个分量的上限值和下限值，上限值和下限值分别为1和0，计算δk的公式如下：

其中，rk为均匀分布于[0，1]上的随机数；ηm为变异因子，可以表示控制变异的程度。

本发明实施例提供了一种含风电场的最优潮流计算方法，包括采用场景分析法对预先建立的风电场模型进行分析，确定出风电机组输出功率各个典型场景，并计算出各个典型场景的风电出力；依据潮流计算、混沌自适应粒子群算法及各个典型场景的风电出力计算出与各个典型场景对应的含风电场最优潮流模型的最优潮流解；含风电场最优潮流模型为预先建立的、满足约束条件的含风电场最优潮流模型，含风电场最优潮流模型包括目标函数及约束条件。

可见，本发明实施例通过场景分析法对预先建立的风电场模型进行分析，确定出风电机组输出功率各个典型场景，并计算出各个典型场景的风电出力，解决了风电机组输出功率不确定的问题，进一步通过潮流计算、混沌自适应粒子群算法及各个典型场景的风电出力计算出与各个典型场景对应的含风电场最优潮流模型的最优潮流解，使计算得到的最优潮流解在避免局部最优的同时更加精确。

相应的本发明实施例还公开了一种含风电场的最优潮流计算装置，具体请参照图2，图2为本发明实施例提供的一种含风电场的最优潮流计算装置的结构示意图。在上述实施例的基础上：

该装置包括：

场景确定模块1，用于采用场景分析法对预先建立的风电场模型进行分析，确定出风电机组输出功率各个典型场景，并计算出各个所述典型场景的风电出力；

计算模块2，用于依据潮流计算、混沌自适应粒子群算法及各个所述典型场景的风电出力计算出与各个所述典型场景对应的含风电场最优潮流模型的最优潮流解；

所述含风电场最优潮流模型为预先建立的、满足约束条件的含风电场最优潮流模型，所述含风电场最优潮流模型包括目标函数及所述约束条件。

可见，本发明实施例通过场景分析法对预先建立的含风电场模型进行分析，确定出风电机组输出功率各个典型场景，并计算出各个典型场景的风电出力，解决了风电机组输出功率不确定的问题，进一步通过潮流计算、混沌自适应粒子群算法及各个典型场景的风电出力计算出与各个典型场景对应的含风电场最优潮流模型的最优潮流解，使计算得到的最优潮流解在避免局部最优的同时更加精确。

另外，对于本发明实施例中所涉及到的含风电场的最优潮流计算方法的具体介绍请参照上述实施例，本申请在此不再赘述。

还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其他实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。