本发明涉及电力系统负荷模型仿真
技术领域：
，尤其涉及一种基于苍狼算法的电力系统负荷建模参数辨识方法。
背景技术：
：二十一世纪以来，分布式电源受到重视并得到了广泛应用，对配电网的运行造成了较大影响。1996年美国西北电力系统发生了大规模的停电事故，显示出当前的模型与参数和现场记录结果相差较大。由此可看出，配电网早先采用的保守静态模型已经不能很好地描述负荷模型的运行特性。在电力系统运行中，失准的负荷模型会导致系统的误操作、瓦解，因此应当尽可能提升模型的精准度。早先，电力系统采用了恒电阻、恒功率、恒功率的负荷模型，但精准度依然不够高；近些年来，随着人工智能算法的快速发展，粒子群算法、遗传算法、神经网络算法在辨识中得到了较好的应用，有效的提高了计算精度，值得继续研究与发展。但当前所采用的智能算法，往往存在寻优速度与准确度不能兼得的矛盾，粒子群算法寻优速度虽快，但所得结果精度欠佳，遗传算法则存在计算量大的问题。在电力系统负荷特性辨识中,使智能算法在保证计算精度的同时提升计算速度，具有重要意义。技术实现要素：本发明针对当前电力系统负荷模型参数辨识精确度不足的问题，提出了一种基于苍狼算法的电力系统负荷建模参数辨识方法，该方法简单灵活，能够提升电力系统负荷模型参数辨识的速度和精准度。本发明采用的技术方案为：一种基于苍狼算法的电力系统负荷建模参数辨识方法，包括如下步骤：s1：考虑配电网参数及无功补偿，采用感应电动机并联静态负荷的传统模型作为综合异步电动机负荷模型；s2：设定参数辨识所需的现场实际数据，计算状态变量初始值；s3：建立负荷模型的参数辨识准则函数，并利用苍狼算法对目标函数进行寻优，输出负荷模型；s4：校验辨识后的负荷模型，输出最终结果。进一步地所述步骤s1具体包括如下步骤：s1.1：在10kv母线并联静态负荷，将静态负荷用多项式模型描述如式(1)；负荷功率具有随频率变化的特性，因一般频率变化的幅度较小，可用增量式表示，即其中ap+bp+cp＝1，aq+bq+cq＝1；u为实际电压，u0为基值电压，p和q分别为实际有功功率和无功功率，p0和q0为基值功率，即电压和频率为额定值时的功率值，pzip(t)表示静态负荷在t时刻的有功功率，qzip(t)表示静态负荷在t时刻的无功功率，ap,bp和cp为反映各有功负荷所占百分比，aq,bq和cq为反映各无功负荷所占百分比；s1.2：在静态负荷上并联一附加动态无功补偿元件，方程式如下：其中，qc(t)表示无功补偿元件在t时刻无功补偿容量，下标c为区分作用，并非变量，f表示频率，在标幺值下xc为电容器容抗，xc0为角频率近似取1时的值，即正常运行时的电容器容抗，表示补偿电容器的电容，ω表示角频率，us表示电动机的端电压；s1.3：对异步电动机模型进行数学分析；异步电动机模型用三阶机电暂态微分方程描述，如式(5)：式中，e'im＝e'im.x+je'im.y为异步电动机暂态电势，e′im·x和e′im·y分别表示暂态电势在x轴和y轴的坐标分量；t是时间，s是异步电动机的转差率，ω0是系统的同步角频率，td0'表示异步电动机暂态电势的衰减时间常数，下标d仅为区分作用，并非变量，xs和rs分别为定子绕组电抗和定子绕组电阻，x'和x′分别为定子和转子的暂态电抗与同步电抗，uim＝uim.x+juim.y，表示负荷端电压，uimx和uimx分别表示感应电动机电压在x轴和y轴的坐标分量；tj为转子惯性时间常数，xr、xm和xs分别为转子漏抗、激磁电抗和定子漏抗，tm表示暂态过程中异步电动机的机械负载功率；基于感应电动机暂态等值电路，输出电流方程用下式求出：其中，iimx和iimy分别表示异步电动机输出电流在x轴和y轴的坐标分量；异步电动机的功率表达式如下：进一步地所述步骤s2还具体包括如下步骤：s2.1：给定实测电压激励u(k)、实测有功功率p(k)及无功功率q(k)；s2.2：设置占空比，设动态负荷占系统综合负荷的比例为km，由此求出感应电动机初始稳态功率；占空比为其中，pd(0)表示感应电动机初始有功功率，ps(0)表示变压器低压侧母线初始有功功率，下标m、d及s均为区分作用，并非变量；由式(8)及综合异步电动机等值电路求得异步电动机及静态负荷初始稳态有功功率为：其中，pim(0)表示异步电动机的初始稳态有功功率，pd(0)表示感应电动机初始有功功率、ps(0)表示变压器低压侧母线初始有功功率，pzip(0)表示静态负荷的初始稳态有功功率，km为占空比；k表示系统与异步电动机之基准功率比；s2.3：计算异步电动机及静态负荷初始无功功率；得到感应电动机的初始转差率以后，根据感应电动机初始稳态条件，并由基准变换式(4)可得系统基准下的异步电动机初始稳态无功功率：uim表示负荷端电压，us(0)表示电动机的端电压，bim(0)表示异步电动机的稳态等值电纳，qim(0)异步电动机初始稳态无功功率,kt*表示变压器高压侧与低压侧的非标准电压比的标幺值；由节点功率平衡原理得，静态负荷与动态负荷之和为变压器低压侧母线无功功率，故静态负荷初始稳态无功功率如式(11)：qzip(0)＝qs(0)-qd(0)＝qs(0)-qim(0)/k(11)qd(0)表示感应电动机初始无功功率,qs(0)表示变压器低压侧母线初始无功功率，qim(0)异步电动机初始稳态无功功率,qzip(0)表示静态负荷初始稳态无功功率；s2.4.计算异步电动机暂态电动势初始值；由电机暂态等效电路原理图，得出暂态电动势初始值的方程式，如式(12)所示，由负荷端电压和初始功率响应即可求出初始电流，如式(12)所示：uim(0)为负荷端电压，uimx和uimx分别表示感应电动机电压在x轴和y轴的坐标分量。进一步地所述步骤s3中，负荷模型的参数辨识准则函数如式(14)所示；其中，x(t)表示系统状态向量，u(t)为系统输入向量，ym(k)＝[pm(k),qm(k)]t为输入u(t)时负荷模型得到的输出响应，y(k)表示符合模型实际输出相应，k为采样开始时刻，l为采样数，αm＝[re，xe，zp，ip，zq，iq，xc，k，km，kt*，rs，xs，rr，xr，rm，xm，tj，a，b]表示独立待辨识参数，βm＝[yzip0，pp，pq，to，c]表示非独立待辨识参数，其中，pp＝1-zp-ip,pq＝1-pq-iq,c＝1-a-b，yzip0表示静态负荷初始导纳值，qzip0表示静态负荷初始无功功率，us0表示异步电动机的初始端电压，gzip0表示静态负荷初始电导，bzip0表示静态负荷初始电纳；负荷模型的参数辨识准则函数的计算过程包括如下步骤：s3.1：在实际变电站系统中输入电压激励u(k)、实测有功功率p(k)及无功功率q(k)，并给定独立待辨识参数初值α，由实测数据通过推算得到系统基准下的末端电压激励，通过基准变换为感应电动机在其自身基准下的末端电压激励；s3.2：由(7)式所得的感应电动机在自身基准下的功率响应通过基准变换得到其在系统基准下的功率响应，将此功率响应与(1)式所得静态负荷功率响应求和，得到集结等效线路末端的功率响应，通过集结等效线路的等效参数，求得感应电动机模型的等效线路首端功率响应；s3.3：将步骤3.2所得的模型功率响应与实测功率进行目标函数计算，使用苍狼算法进行寻优，输出辨识所得参数。进一步地，步骤s3中，利用苍狼算法对目标函数进行寻优，输出辨识所得参数，具体包括如下步骤：s3.3.1：设置苍狼算法的初始参数；设置苍狼数目m,搜索空间为n维，设定最大迭代次数n,并初始化狼群位置，其中第z头苍狼在n维空间的位置设定的范围内初始化为xi，z＝1,2,3..n，并设定苍狼的社会等级，从高到低依次为α、β、γ和δ；α狼作为头狼，是第一领导层，可以统治其下的β、γ、δ狼，同时认为α狼最接近猎物，对应于寻找到的最优解决方案；s3.3.2：苍狼位置即独立待辨识参数的值，首先计算每个苍狼个体适应度f,从优到劣进行排序记适应度最优个体为α狼，次优个体为β狼，再次个体为γ狼，其他个体被认为是δ狼；由适应度计算每个候选方案适应值，选出三个最好的解决方案从优至劣依次为xα,xβ,xδ；适应度函数如下：其中，x(t)表示系统状态向量，u(t)为系统输入向量，ym(k)＝[pm(k),qm(k)]t为输入u(t)时负荷模型得到的输出响应，y(k)表示符合模型实际输出相应，k为采样开始时刻，l为采样数，α，β分别为独立和非独立辨识参数；s3.3.3：初始化苍狼算法的关键参数；苍狼算法有三个关键参数依次为a、a和c，根据初始化公式初始化a、a和c；初始化参数a,初始化公式为iteration为最大迭代次数；初始化参数a，公式为a＝2ar1-a；a为系数向量，在苍狼算法寻优中作为收敛因子，a＞1或＜-1时，候选搜索方案即底层狼群背离猎物进行搜索，体现出苍狼算法的全局搜索功能；当a位于-1到1之间时，底层狼群向猎物移动，模拟狼群进攻猎物，显示出局部搜索能力；r1为区间[0,1]的任意向量，可以增强苍狼算法的随机性，有助于避免陷入局部最优，提升了算法的寻优能力；初始化参数c，公式为c＝2r2；c为不断变化的摆动因子，r2为区间[0,1]上的随机数，a随着迭代次数的增加从2线性衰减到0，c在区间0到2上取值，在搜索过程中c提供了一个自由权重，当c＞1时，猎物的位置对狼和猎物之间的距离影响大；当c＜1时，影响小；s3.3.4：计算剩余个体与xα,xβ和xδ的距离,根据公式(16)求出每个个体狼与α、β和γ狼的距离；该步骤映射了苍狼的寻找猎物的过程，通过式d＝|c·xp(t)-x(t)|求得猎物与苍狼之间的距离，xp表示猎物位置，x表示苍狼位置；s3.3.5：更新苍狼个体的空间位置，更新候选解决方案；依据公式(17)即可得到每个狼更新后的位置,x1即为单个狼个体依据α狼更新后的位置，x2和x3分别为单个狼个体依据β和γ狼更新后的位置；最后依据公式(18)将x1、x2和x3综合考虑，所得结果即为本次个体狼更新后所处的最终位置；s3.3.6：再次更新a、a和c的值，为下次迭代做准备；s3.3.7：根据适应度函数分别计算当前每个候选方案适应值，再次选出三个最好的解决方案从优至劣重新命名为xα,xβ和xδ，再将迭代次数加一；s3.3.8：判断当前迭代次数是否大于最大迭代次数，如果达到最大迭代次数，则结束寻优过程，否则返回s4.4；s3.3.9：结束迭代，此时α狼最为接近猎物，即被认为是最优方案，故输出头狼α狼对应的结果，即为辨识所得参数；s3.3.10：令αm＝αm(i-1)，βm＝βm(i-1)，αm，βm即为达到最大迭代次数后的独立待辨识参数和非独立参数，输出参数αm、βm及模型响应序列ym(k)，其中k＝1,2，……，l，然后对模型进行校验，并输出结果。本发明把配电网络作为综合负荷模型的有机组成部分，采用苍狼算法对待辨识负荷参数进行寻优，通过输入电压和实际系统的输出响应，较传统的静态负荷模型有了一定的改进，相对于过于乐观的传统静态模型，能更好的体现负荷特性，具有收敛速度快及辨识结果更加精准的特点；此外，使用苍狼算法进行优化可提高参数辨识的准确性和速度，苍狼算法收敛速度比粒子群算法更快，且含有摆动因子，不易陷入局部最优；同时苍狼算法需要调节的参数较少，相对其他算法，更为简单灵活，可以有效地提高参数辨识的精确度。附图说明图1为本发明的流程图；图2为本发明所述的利用苍狼算法对目标函数进行寻优的流程图；图3为所述实施例一中有功功率拟合图；图4为所述实施例一中无功功率拟合图；图5为所述实施例一中参数辨识适应度曲线图。具体实施方式如图1所示，一种基于苍狼算法的电力系统负荷建模参数辨识方法，包括如下步骤：s1：考虑配电网参数及无功补偿，采用感应电动机并联静态负荷的传统模型作为综合异步电动机负荷模型。步骤s1具体包括如下步骤s1.1-s1.3：s1.1：在10kv母线并联静态负荷，将静态负荷用多项式模型描述如式(1)；负荷功率具有随频率变化的特性，因一般频率变化的幅度较小，可用增量式表示，即其中ap+bp+cp＝1，aq+bq+cq＝1；u为实际电压，u0为基值电压，p和q分别为实际有功功率和无功功率，p0和q0为基值功率，即电压和频率为额定值时的功率值，pzip(t)表示静态负荷在t时刻的有功功率，qzip(t)表示静态负荷在t时刻的无功功率，ap,bp和cp为反映各有功负荷所占百分比，aq,bq和cq为反映各无功负荷所占百分比。s1.2：在静态负荷上并联一附加动态无功补偿元件，方程式如下：其中，qc(t)表示无功补偿元件在t时刻无功补偿容量，下标c为区分作用，并非变量，f表示频率，在标幺值下xc为电容器容抗，xc0为角频率近似取1时的值，即正常运行时的电容器容抗，表示补偿电容器的电容，ω表示角频率，us表示电动机的端电压。s1.3：对异步电动机模型进行数学分析；异步电动机模型用三阶机电暂态微分方程描述，如式(5)：式中，e'im＝e'im.x+je'im.y为异步电动机暂态电势，e′im·x和e′im·y分别表示暂态电势在x轴和y轴的坐标分量；t是时间，s是异步电动机的转差率，ω0是系统的同步角频率，频率为50hz时，w0＝314.16rad/s，td0'表示异步电动机暂态电势的衰减时间常数，下标d仅为区分作用，并非变量，xs和rs分别为定子绕组电抗和定子绕组电阻，x'和x′分别为定子和转子的暂态电抗与同步电抗，uim＝uim.x+juim.y，表示负荷端电压，uimx和uimx分别表示感应电动机电压在x轴和y轴的坐标分量；tj为转子惯性时间常数，xr、xm和xs分别为转子漏抗、激磁电抗和定子漏抗，tm表示暂态过程中异步电动机的机械负载功率。基于感应电动机暂态等值电路，输出电流方程用下式求出：其中，iimx和iimy分别表示异步电动机输出电流在x轴和y轴的坐标分量；异步电动机的功率表达式如下：s2：设定参数辨识所需的现场实际数据，计算状态变量初始值。所述步骤s2还具体包括步骤s2.1-s2.4：s2.1：给定实测电压激励u(k)、实测有功功率p(k)及无功功率q(k)。s2.2：设置占空比，设动态负荷占系统综合负荷的比例为km，由此求出感应电动机初始稳态功率；占空比为其中，pd(0)表示感应电动机初始有功功率，ps(0)表示变压器低压侧母线初始有功功率，下标m、d及s均为区分作用，并非变量。由式(8)及综合异步电动机等值电路求得异步电动机及静态负荷初始稳态有功功率为：其中，pim(0)表示异步电动机的初始稳态有功功率，pd(0)表示感应电动机初始有功功率、ps(0)表示变压器低压侧母线初始有功功率，pzip(0)表示静态负荷的初始稳态有功功率，km为占空比；k表示系统与异步电动机之基准功率比。s2.3：计算异步电动机及静态负荷初始无功功率；得到感应电动机的初始转差率以后，根据感应电动机初始稳态条件，并由基准变换式(4)可得系统基准下的异步电动机初始稳态无功功率：uim表示负荷端电压，us(0)表示电动机的端电压，bim(0)表示异步电动机的稳态等值电纳，qim(0)异步电动机初始稳态无功功率,kt*表示变压器高压侧与低压侧的非标准电压比的标幺值；由节点功率平衡原理得，静态负荷与动态负荷之和为变压器低压侧母线无功功率，故静态负荷初始稳态无功功率如式(11)：qzip(0)＝qs(0)-qd(0)＝qs(0)-qim(0)/k(11)qd(0)表示感应电动机初始无功功率,qs(0)表示变压器低压侧母线初始无功功率，qim(0)异步电动机初始稳态无功功率,qzip(0)表示静态负荷初始稳态无功功率。s2.4.计算异步电动机暂态电动势初始值；由电机暂态等效电路原理图，得出暂态电动势初始值的方程式，如式(12)所示，由负荷端电压和初始功率响应即可求出初始电流，如式(12)所示：uim(0)为负荷端电压，uimx和uimx分别表示感应电动机电压在x轴和y轴的坐标分量。s3：建立负荷模型的参数辨识准则函数，并利用苍狼算法对目标函数进行寻优，输出负荷模型。步骤s3中，负荷模型的参数辨识准则函数如式(14)所示；其中，x(t)表示系统状态向量，u(t)为系统输入向量，ym(k)＝[pm(k),qm(k)]t为输入u(t)时负荷模型得到的输出响应，y(k)表示符合模型实际输出相应，k为采样开始时刻，l为采样数，αm＝[re，xe，zp，ip，zq，iq，xc，k，km，kt*，rs，xs，rr，xr，rm，xm，tj，a，b]表示独立待辨识参数，βm＝[yzip0，pp，pq，to，c]表示非独立待辨识参数，其中，pp＝1-zp-ip,pq＝1-pq-iq,c＝1-a-b，yzip0表示静态负荷初始导纳值，qzip0表示静态负荷初始无功功率，us0表示异步电动机的初始端电压，gzip0表示静态负荷初始电导，bzip0表示静态负荷初始电纳。负荷模型的参数辨识准则函数的计算过程包括如下步骤：s3.1：在实际变电站系统中输入电压激励u(k)、实测有功功率p(k)及无功功率q(k)，并给定独立待辨识参数初值α，由实测数据通过推算得到系统基准下的末端电压激励，通过基准变换为感应电动机在其自身基准下的末端电压激励。s3.2：由(7)式所得的感应电动机在自身基准下的功率响应通过基准变换得到其在系统基准下的功率响应，将此功率响应与(1)式所得静态负荷功率响应求和，得到集结等效线路末端的功率响应，通过集结等效线路的等效参数，求得感应电动机模型的等效线路首端功率响应。s3.3：将步骤3.2所得的模型功率响应与实测功率进行目标函数计算，使用苍狼算法进行寻优，输出辨识所得参数。如图2所示，利用苍狼算法(gwo)对目标函数进行寻优，输出辨识所得参数，具体包括步骤s3.3.1-s3.3.10：s3.3.1：设置苍狼算法的初始参数；设置苍狼数目m,搜索空间为n维，设定最大迭代次数n,并初始化狼群位置，其中第z头苍狼在n维空间的位置设定的范围内初始化为xi，z＝1,2,3..n，并设定苍狼的社会等级，从高到低依次为α、β、γ和δ；α狼作为头狼，是第一领导层，可以统治其下的β、γ和δ狼，同时认为α狼最接近猎物，对应于寻找到的最优解决方案。s3.3.2：苍狼位置即独立待辨识参数的值，首先计算每个苍狼个体适应度f,从优到劣进行排序记适应度最优个体为α狼，次优个体为β狼，再次个体为γ狼，其他个体被认为是δ狼；由适应度计算每个候选方案适应值，选出三个最好的解决方案从优至劣依次为xα,xβ,xδ；适应度函数如下：其中，x(t)表示系统状态向量，u(t)为系统输入向量，ym(k)＝[pm(k),qm(k)]t为输入u(t)时负荷模型得到的输出响应，y(k)表示符合模型实际输出相应，k为采样开始时刻，l为采样数，α，β分别为独立和非独立辨识参数。s3.3.3：初始化苍狼算法的关键参数；苍狼算法有三个关键参数依次为a、a和c，根据初始化公式初始化a、a和c。初始化参数a,初始化公式为iteration为最大迭代次数。初始化参数a，公式为a＝2ar1-a；a为系数向量，在苍狼算法寻优中作为收敛因子，a＞1或＜-1时，候选搜索方案即底层狼群背离猎物进行搜索，体现出苍狼算法的全局搜索功能；当a位于-1到1之间时，底层狼群向猎物移动，模拟狼群进攻猎物，显示出局部搜索能力；r1为区间[0,1]的任意向量，可以增强苍狼算法的随机性，有助于避免陷入局部最优，提升了算法的寻优能力。初始化参数c，公式为c＝2r2；c为不断变化的摆动因子，r2为区间[0,1]上的随机数，a随着迭代次数的增加从2线性衰减到0，c在区间0到2上取值，在搜索过程中c提供了一个自由权重，当c＞1时，猎物的位置对狼和猎物之间的距离影响大；当c＜1时，影响小。s3.3.4：计算剩余个体与xα,xβ和xδ的距离,根据公式(16)求出每个个体狼与α、β和γ狼的距离；该步骤映射了苍狼的寻找猎物的过程，通过式d＝|c·xp(t)-x(t)|求得猎物与苍狼之间的距离，xp表示猎物位置，x表示苍狼位置。s3.3.5：更新苍狼个体的空间位置，更新候选解决方案；依据公式(17)即可得到每个狼更新后的位置,x1即为单个狼个体依据α狼更新后的位置，x2和x3分别为单个狼个体依据β和γ狼更新后的位置；最后依据公式(18)将x1、x2和x3综合考虑，所得结果即为本次个体狼更新后所处的最终位置；s3.3.6：再次更新a、a和c的值，为下次迭代做准备。s3.3.7：根据适应度函数分别计算当前每个候选方案适应值，再次选出三个最好的解决方案从优至劣重新命名为xα,xβ和xδ，再将迭代次数加一。s3.3.8：判断当前迭代次数是否大于最大迭代次数，如果达到最大迭代次数，则结束寻优过程，否则返回s4.4。s3.3.9：结束迭代，此时α狼最为接近猎物，即被认为是最优方案，故输出头狼α狼对应的结果，即为辨识所得参数。s3.3.10：令αm＝αm(i-1)，βm＝βm(i-1)，αm，βm即为达到最大迭代次数后的独立待辨识参数和非独立参数，输出参数αm、βm及模型响应序列ym(k)，其中k＝1,2，……，l，然后对模型进行校验，并输出结果。s4：校验辨识后的负荷模型，输出最终结果。以下结合实施例对本发明的方案和辨识效果进行具体描述。实施例一对某变电站现场实测数据进行辨识，数据特征见表1：表1静态负荷取恒阻抗特性，即zp＝1；ip＝qp＝0；zq＝1；iq＝pq＝0，取则独立待辨识参数为个参数，其中非重点参数取典型值,rs＝0；rr＝0；xr＝0；xm；a＝0.85；b＝0。设定参数的搜索范围，见表2：表2kmtjxsxeretj0.1～0.71.1～3.1s0.1～0.4pu0.01～0.2pu0.01～0.1pu1.2～3.2s辨识结果见表3:表3123123km0.5670.4930.425re0.0580.0100.041rm0.0280.0340.032xc1.8331.7251.778xs0.2230.1970.275k1.5163.7981.995xe0.0430.0130.021tj2.8032.6621.935通过图3至图5可看出使用基于苍狼算法的电力系统负荷建模参数辨识方法辨识该模型效果优秀，拟合数据与实测数据基本一致，该算法收敛速度快，辨识结果适应性能好，验证了算法在动态负荷模型参数辨识中的有效性。本发明把配电网络(含110kv及以下配电变压器)作为综合负荷模型的有机组成部分，在多项式的基础上增加了动态修正因子，确保即使负荷电压偏离基准电压时也能较准确的描述负荷特性，添加无功补偿装置并考虑变压器分接头对负荷特性的影响，在配电网综合等效的基础上，建立了“考虑配电网参数及无功补偿的综合异步电动机负荷模型”，然后计算模型参数初值，建立辨识准则函数，并采用苍狼算法对待辨识负荷参数进行寻优，通过输入电压和实际系统的输出响应，较传统的静态负荷模型有了一定的改进，相对于过于乐观的传统静态模型，能更好的体现负荷特性，具有收敛速度快及辨识结果更加精准的特点；在建立负荷模型时，考虑了计入配网无功补偿和变压器分接头的影响，更符合实际情况，使得负荷模型更加准确；使用苍狼算法进行优化可提高参数辨识的准确性和速度，苍狼算法收敛速度比粒子群算法更快，且含有摆动因子，不易陷入局部最优；同时苍狼算法需要调节的参数较少，相对其他算法，更为简单灵活，可以有效地提高参数辨识的精确度。最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的范围。当前第1页12