一种基于数据驱动的配电网故障类型识别方法及系统与流程

1.本发明属于配电网故障类型识别技术领域，尤其涉及一种基于数据驱动的配电网故障类型识别方法及系统。


背景技术：

2.本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
3.配电网是电力系统与广大电力用户之间的桥梁。电力用户地理位置分散，配电网供电网络分支多。随着科技的发展，人们对供电可靠性的要求不断提高，分布式电源从配电网的接入，使得配电网结构日益复杂，更增加了故障几率，短路、接地等各类故障时有发生。电网发生故障后，无论是网络重构、故障定位，还是事故分析、排查检修都十分依赖对故障类型的识别。因此，高效可靠的故障分类方法对维持配电网安全运行、提高供电可靠性有非常重要的意义。
4.故障类型识别是对配电网的10种典型短路故障进行区分，包括：单相接地故障(ag,bg,cg)、两相短路故障(ab,bc,ac)、两相短路接地故障(abg,bcg,acg)以及三相短路故障(abc/abcg)。现有配电网故障类型识别方法主要有如下几种：
5.(1)利用零序电压区分是否为接地故障，对三相暂态电流进行小波变换提取故障特征，根据提取的故障特征构造故障分类的特征向量，然后用免疫聚类、自适应神经模糊推理系统(adaptive network-based fuzzy inference system，anfis)等方法进行故障类型分类；
6.(2)利用零序电流区分是否为接地故障，对三相暂态电流进行经验模态分解(emd)或集成经验模态分解(ensemble emd，eemd)提取故障特征量，然后用二进制蚁群模糊神经网络或随机森林算法进行故障类型分类；
7.(3)对三相暂态电流进行原子分解，求取原子能量熵，由原子能量熵作为故障特征量，应用连续字符串匹配(csm)进行故障类型分类；
8.(4)对故障后三相电压和零序电压分别进行hilbert变换得到电压均方根(rms)值、离散傅立叶变换得到电压谐波信息及hilbert-huang变换得到电压突变信息，同时利用以上三种变换后的信息构造综合特征矩阵进行故障类型判别；
9.(5)基于故障录波信息，即把故障发生后的各相电流/电压以及零序电流/电压输入到深度置信网络(deep belief net-work,dbn)，从原始时域信号中自动学习和提取故障状态特征实现故障类型的辨识。
10.上述配电网故障类型识别方法可分为两大类：基于浅层学习的故障类型识别方法和基于深度学习的故障类型识别方法。前者依靠传统的信号处理技术和人工诊断经验，从原始故障信息中提取时域、频域、小波域等故障特征，再利用分类器进行故障分类，该类方法对复杂数据分布的映射能力有限且可能出现“维数灾”，上述第(1)、(2)、(3)和(4)种故障类型识别方法均属于这种情况。后者基于数据驱动，不经过其他特征提取，直接取故障后原
始时域信号，通过对原始时域信号的自动学习和提取故障状态特征进行故障类型识别，上述第(5)种故障类型识别方法属于该情况。基于深度学习的故障类型识别方法克服了对信号处理技术和人工诊断经验的依赖，具有良好的数据特征提取和映射能力。
11.但是，当前的研究现状是基于深度学习的配电网故障类型识别使用了故障录波的三相电流/电压以及零序电流/电压全部故障电气信息。使用原始时域故障信息多，同时原始故障数据和dbn模型逐层提取的故障特征维数依然比较高，增加了深度学习处理数据的复杂性。


技术实现要素：

12.为了解决上述背景技术中存在的技术问题，本发明提供一种基于数据驱动的配电网故障类型识别方法及系统，通过自适应字典稀疏技术提取故障类型识别特征，简化了已有的基于深度学习的故障类型识别过程中处理数据的复杂性，同时保证了故障类型识别的准确性。
13.为了实现上述目的，本发明采用如下技术方案：
14.本发明的第一个方面提供一种基于数据驱动的配电网故障类型识别方法，其包括：
15.获取配电网的故障信号；
16.在每类故障对应的过完备字典的基础上，对故障信号进行自适应字典稀疏分解，得到稀疏向量，并将稀疏向量与过完备字典的乘积作为重构信号；
17.比较不同类故障下得到的重构信号与故障信号的残差，将故障信号归为最小残差对应的类别。
18.进一步地，所述故障信号为配电网的三相电压及零序电压信号。
19.进一步地，采用正交匹配追踪算法对故障信号进行自适应字典稀疏分解。
20.进一步地，所述正交匹配追踪算法的目标是求解凸优化问题：
[0021][0022]
其中，ε
max
表示残差限制，α表示待求解的稀疏向量，d表示过完备字典，x表示故障信号。
[0023]
进一步地，所述过完备字典的训练方法为：
[0024]
(1)获取某类故障的训练数据，结合随机数法，初始化过完备字典；
[0025]
(2)固定过完备字典矩阵，利用正交匹配追踪算法，计算训练数据的稀疏向量；
[0026]
(3)基于稀疏向量，按列更新过完备字典；
[0027]
(4)判断是否达到迭代次数，若是，得到该类故障对应的过完备字典；否则，返回步骤(2)。
[0028]
进一步地，所述按列更新过完备字典的方法为：
[0029]
将每一列的稀疏向量中为0的元素删除，并将训练数据对应位置的元素删除；
[0030]
基于更新后的稀疏向量和训练数据，结合奇异值分解，来更新稀疏向量和过完备字典中的原子。
[0031]
进一步地，所述更新稀疏向量和过完备字典中的原子的过程表示为求解优化问
题：
[0032][0033]
其中，di表示过完备字典中的原子，表示更新后的稀疏向量，残差x
′
表示更新后的训练数据。
[0034]
本发明的第二个方面提供一种基于数据驱动的配电网故障类型识别系统，其包括：
[0035]
信号获取模块，其被配置为：获取配电网的故障信号；
[0036]
信号重构模块，其被配置为：在每类故障对应的过完备字典的基础上，对故障信号进行自适应字典稀疏分解，得到稀疏向量，并将稀疏向量与过完备字典的乘积作为重构信号；
[0037]
识别模块，其被配置为：比较不同类故障下得到的重构信号与故障信号的残差，将故障信号归为最小残差对应的类别。
[0038]
本发明的第三个方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的一种基于数据驱动的配电网故障类型识别方法中的步骤。
[0039]
本发明的第四个方面提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的一种基于数据驱动的配电网故障类型识别方法中的步骤。
[0040]
与现有技术相比，本发明的有益效果是：
[0041]
本发明提供了一种基于数据驱动的配电网故障类型识别方法，其利用故障后的三相电压和零序电压，基于数据驱动和深度学习理念，通过自适应字典稀疏技术提取故障类型识别特征，简化了已有的基于深度学习的故障类型识别过程中处理数据的复杂性，同时保证了故障类型识别的准确性。
附图说明
[0042]
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
[0043]
图1是本发明实施例一的一种基于数据驱动的配电网故障类型识别方法流程图；
[0044]
图2是本发明实施例一的k-svd算法流程图；
[0045]
图3是本发明实施例一的配电网故障仿真模型示意图；
[0046]
图4(a)是本发明实施例一的ag故障前三相电压和零序电压原始数据波形示意图；
[0047]
图4(b)是本发明实施例一的ag故障后三相电压和零序电压原始数据波形示意图；
[0048]
图5(a)是本发明实施例一的ag故障前三相电压和零序电压的稀疏系数示意图；
[0049]
图5(b)是本发明实施例一的ag故障后三相电压和零序电压的稀疏系数示意图；
[0050]
图6(a)是本发明实施例一的ag故障前三相电压和零序电压的最大稀疏系数示意图；
[0051]
图6(b)是本发明实施例一的ag故障后三相电压和零序电压的最大稀疏系数示意图；
[0052]
图7是本发明实施例一的ag经300ω过渡电阻故障三相电压和零序电压的最大稀疏系数示意图；
[0053]
图8(a)是本发明实施例一的bc相短路故障三相电压和零序电压的最大稀疏系数示意图；
[0054]
图8(b)是本发明实施例一的bcg故障三相电压和零序电压的最大稀疏系数示意图；
[0055]
图8(c)是本发明实施例一的abcg故障三相电压和零序电压的最大稀疏系数示意图。
具体实施方式
[0056]
下面结合附图与实施例对本发明作进一步说明。
[0057]
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
[0058]
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0059]
实施例一
[0060]
本实施例提供了一种基于数据驱动的配电网故障类型识别方法，将故障原始信号分为训练数据和测试数据，在对通过训练数据训练得到的每类故障对应的过完备字典的基础上，对测试数据中配电网的故障信号进行自适应字典稀疏分解，得到每类故障对应的稀疏向量，并将稀疏向量与过完备字典的乘积作为重构信号；比较不同类故障下得到的重构信号与故障信号的残差，将故障信号归为最小残差对应的类别。
[0061]
具体的，利用压缩感知理论中的信号稀疏表示技术，以故障发生后的三相电压及零序电压信号的时域特征作为故障分类依据，采用k-svd(k-singular value decomposition)字典学习算法对各类故障信号的特征信息进行学习，构造准确匹配各类故障本质特征的过完备字典；在学习字典的基础上，采用正交匹配追踪(omp)算法对原始时域故障数据进行自适应字典稀疏分解，将故障信号分解为过完备字典与稀疏向量的乘积，结合基于稀疏表示的分类方法实现对故障重构信号的分类；基于数据驱动的故障类型识别模型，同时对各类故障三相电压及零序电压信号对应的稀疏向量分析发现，最大稀疏系数携带三相电压及零序电压故障前后的全部变化特征，可以用三相电压和零序电压的最大稀疏系数构造故障检测判据。
[0062]
本实施例提供的一种基于数据驱动的配电网故障类型识别方法，如图1所示，包括以下步骤：
[0063]
步骤1、故障三相电压和零序电压原始数据的稀疏表示。
[0064]
压缩感知理论突破了香浓定理，能够实现信号的恢复，其应用有3个关键问题：信
号的稀疏表示、非相关编码测量和非线性优化重构算法。其中，信号的稀疏表示是运用压缩感知理论的前提条件，它取决于信号本身性质，是对原始信号的一种简单表示。大多数信号具有稀疏特性，可以是信号本身具有稀疏性，或者在某种变换后具有稀疏性，或者空间上具有稀疏性等。因此，找到合适的稀疏变换基，即可以稀疏表示信号。
[0065]
稀疏表示是一种线性表示理论，其目标是用尽量稀少的元素来表示原始数据，具体方法是用过完备字典原子的稀疏线性组合来表示原信号。因此，它可以在压缩信号的同时表现信号的基本特征，由是可以去噪声、抗干扰、缩小数据空间。过完备字典是由个数超过信号维数的原子聚集而来，任意一个信号在不同的原子组下有不同的稀疏表示。稀疏表示理论主要分为稀疏分解算法、过完备字典的构建以及稀疏表示的应用三大问题。
[0066]
配电网故障前后三相电压和零序电压的原始采样数据用长度为m的x表示，x＝[x1,x2,...,xm]
t
，原始信号x可以按如下方式稀疏表示：
[0067][0068]
式中，d＝[d1,d2,...,dm]为字典矩阵，它的列向量di∈rm×1又称字典原子。α＝[α1,α2,...,αn]
t
为稀疏向量，是对原始信号稀疏表示的解，即稀疏表示系数。
[0069]
当字典矩阵的m＝n时，矩阵为方阵，此时的字典被称为完备字典，式(1)有唯一解，即稀疏表示系数唯一，但完备字典不能满足稀疏表示的需要；当原子数远大于原始输入信号长度时，此时字典称为冗余字典，或过完备字典，式(1)所表示的是一个欠定系统。假设d满秩，此时有无穷多解，即稀疏表示系数存在且不唯一。因此，原始信号稀疏表示问题转化为欠定方程组的稀疏求解问题。
[0070]
步骤2、稀疏线性求解。
[0071]
稀疏线性求解实质是在过完备字典中寻找尽可能少的原子线性组合后近似表示信号，即求解稀疏向量的过程。
[0072]
假设已知过完备字典d，求解稀疏向量α，即求解信号x在字典d下l
0-范数最小并满足重构残差小于残差限制ε
max
的线性组合，公式如下：
[0073][0074]
其中，l
0-范数表示向量α中非零元素个数，||α||0越小，向量α越稀疏。但l
0-范数属于np难度组合优化问题，计算量巨大，因而是不切实际的。已有人证明了在字典d满足一致不确定性原理的条件下，可用l
1-范数代替l
0-范数求解问题。
[0075]
如此，稀疏线性求解问题转化为如下式(3)的凸优化问题。
[0076][0077]
其中，ε
max
表示残差限制，α表示待求解的稀疏向量，d表示过完备字典，x表示故障原始信号。
[0078]
正交匹配追踪算法(orthogonal matching pursuit，omp)是当前最具代表性的贪婪算法。在迭代前对选取的原子集进行整体的正交化处理，这样选取的原子相互正交形成
一个空间，每次迭代都从原子库中选择一个与当前信号结构特征最匹配的原子，保证每次迭代结果都是最优解，可以大大缩小迭代次数。
[0079]
本发明采用omp算法求解线性约束凸优化问题。
[0080]
步骤3、过完备字典的构建与训练。
[0081]
过完备字典的构建是确保稀疏表示稀疏性的关键。过完备字典主要有两种方法获得：一种是选用已知的变换基(也称解析字典)，常用的有离散余弦变换(dct)、离散傅里叶变换(dft)、gabor变换、非抽取小波变换等，该方法通用，但需要根据原始信号特征选取合适的字典基，不能自适应信号的变化。另一种方法是字典学习，通过对原始数据特征的学习生成字典。由于学习字典的原子的数据特征是基于原始输入信号的特征提取的，不依赖数学模型，因此在稀疏表示时，其稀疏性往往优于固定的解析字典。常见的字典学习方法主要有最优方向方法、k-svd算法和最大后验概率法等。
[0082]
本发明选择k-svd算法学习字典。k-svd字典学习算法求取最优字典原子di，以尽可能稀疏地表示训练信号x为目标按列更新字典，字典的更新如下式(4)所示。
[0083][0084]
式中，αj为第j列稀疏向量，k为稀疏约束，反映稀疏向量中的非零元素个数的最大限制。k-svd算法流程如图2所示，步骤如下：
[0085]
(1)获取某类故障的训练数据，结合随机数法，初始化过完备字典d；
[0086]
(2)固定过完备字典矩阵d，利用omp稀疏分解算法，计算训练数据的稀疏系数α；
[0087]
(3)基于稀疏向量，按列更新过完备字典：
[0088]
(301)将每一列的稀疏向量中为0的元素删除，得到将训练数据x对应位置的元素删除，得到x
′
；。
[0089]
(302)求出忽略待更新原子di所产生的残差
[0090]
(303)基于更新后的稀疏向量和训练数据，结合奇异值分解(svd)，求解优化问题以更新过完备字典中的原子di和稀疏向量
[0091]
对e
′i作奇异值分解，e
′i＝uλv
t
，取u的第一列u1更新字典的第i列di＝u1及稀疏表示系数其中v1表示v的第一列；
[0092]
(304)重复(301)～(303)直至字典更新完毕；
[0093]
(4)判断是否达到迭代次数，若是，得到该类故障对应的过完备字典，并输出稀疏系数α；否则，返回步骤(2)。最后经过多次迭代优化，得到最小化重构误差前提下可稀疏表示训练信号的稀疏系数α。
[0094]
步骤4、基于自适应字典学习的配电网故障类型识别。
[0095]
步骤401、基于自适应字典学习的三相电压及零序电压的稀疏表示特征。
[0096]
由步骤1、2和3提出的稀疏表示理论、稀疏线性求解、字典学习和图2所示字典学习和稀疏系数求解流程可知，基于压缩感知的稀疏表示为自适应字典稀疏表示方法。每计算一次循环，稀疏系数中的非零值就增加一个，稀疏表示的近似误差也随之不断收敛。当迭代
次数足够大，字典稀疏表示的重构信号与测试信号的残差会足够小直至可以忽略；或者当残差足够小，直到满足重构误差允许条件的时候，测试样本与该类训练样本具有相似的信号特征，此时的稀疏系数就是原始信号的稀疏表示系数。可见，字典是在训练过程抽取了最能代表故障原始数据的部分原子，反复迭代优化训练获得的。此时的故障原始数据样本都与字典相匹配，可以用少量自适应字典中的原子的线性组合来表示故障数据样本。对稀疏系数分析发现，故障前后三相电压及零序电压对应的稀疏系数呈现出与原始故障数据相同的故障特征，越大的稀疏系数携带的故障特征信息越大。
[0097]
采用自适应字典稀疏表示方法得到的最大稀疏系数可以表征出配电网各种故障类型下的三相电压和零序电压的故障特征，仿真证明了该结论的有效性。
[0098]
为便于参考，配电网各类型故障电压变化特征汇总如表1所示。
[0099]
表1、配电网各类短路故障电压变化特征汇总
[0100][0101]
步骤402、基于自适应字典稀疏表示的配电网故障类型识别判据。
[0102]
基于稀疏表示的分类方法(sparse representation-based classifier,src)是建立在稀疏模型基础之上的，具有分类性能好、模型简单、计算迅速等优点。其基本思想是通过比较由不同类别字典稀疏表示得到的重构信号与测试信号的残差，将测试信号归为残差最小对应的类别。残差的计算公式如下所示：
[0103][0104]
其中，dk为第k类训练样本训练得到的字典。残差反映了测试样本与训练样本之间的逼近程度。残差越小，表明该测试样本与该类训练样本具有相似的信号特征。最终将测试信号归为残差最小对应的类别，归类结果identity(xj)的数学表示如下：
[0105][0106]
自适应字典学习的过程中，故障前后三相电压及零序电压原始信号的特征以原子的形式提取到字典中。稀疏重构信号的过程中，原始信号的噪声得以滤除，最大限度地还原信号故障特征，提高了故障分类准确性和鲁棒性。
[0107]
根据自适应字典学习和稀疏分解的基本原理，基于src的故障分类模型如图1所
示。
[0108]
在matlab/simulink中搭建如图3所示的配电网故障仿真模型。其中，系统电压为110kv，频率为50hz。分别模拟了配电线路上f处发生10种类型的短路故障(单相接地短路故障ag、bg、cg；相间短路故障ab、ac、bc；两相短路接地故障abg、acg、bcg；三相短路(接地)故障abc/abcg)。采样频率为5khz，每采集0.2s的数据作为一组。分别采集20组正常运行和20组短路故障时的三相电压及零序电压数据。
[0109]
1、验证最大稀疏系数携带故障电压的全部特证。
[0110]
(1)以ag金属性故障为例，正常运行和ag故障时的三相电压和零序电压原始数据波形如图4所示。
[0111]
根据图2所示流程，对图4(a)和图4(b)所示ag故障前后的三相电压信和零序电压进行稀疏分解，得到相应的稀疏系数如图5(a)和图5(b)所示。图5(a)和图5(b)中按照箭头顺序对应a相电压、b相电压、零序电压和c相电压。
[0112]
由图5(a)可以看出，配电网正常运行时，a、b、c三相电压的稀疏系数大小基本一致，零序电压的稀疏系数很小。由图5(b)可以看出，ag故障时，a相电压稀疏系数变小，非故障相b、c两相的稀疏系数增大，零序电压的稀疏系数增大到与系统正常运行时相电压的稀疏系数大小相当。这与ag故障前后三相电压和零序电压的变化规律完全一致。从而验证了本实施例提出的自适应字典稀疏求解方法得到的稀疏系数呈现出了与原始故障数据相同的故障特征。
[0113]
取出a、b、c三相电压和零序电压的最大稀疏系数绘制曲线如图6(a)和图6(b)所示。
[0114]
由图6(a)和图6(b)可以看出，正常运行时，三相电压的最大稀疏系数相等，零序电压的最大稀疏系数为零，没有零序电压。ag故障后，故障相电压的最大稀疏系数降低，非故障相电压的最大稀疏系数增大，约增大到系统相电压最大稀疏系数的倍；零序电压的最大稀疏系数增大，增大到系统相电压的稀疏系数。这与配电网单相金属性接地故障的电压、零序电压变化特征完全一致。从而验证了本实施例所提自适应字典稀疏表示得到的最大稀疏系数携带了故障电压的全部特征。
[0115]
(2)ag经300ω过渡电阻故障时，a、b、c三相电压和零序电压的最大稀疏系数绘制曲线如图7所示。
[0116]
由图6(b)和图7可以看出，ag故障时，随着过渡电阻增大，零序电压减小，故障相电压降低幅度减小，非故障相电压升高幅度减小。这也与配电网单相接地故障过渡电阻增大时的电压、零序电压变化特征相一致。
[0117]
(3)同样的方法得到其它故障类型金属性故障时的最大稀疏系数曲线如图8(a)、图8(b)和图8(c)所示。
[0118]
由图6(a)和图6(b)、图7、图8(a)、图8(b)和图8(c)，结合表1所示的各类故障三相电压和零序电压的变化特征，可以得出同样的结论，即本实施例所提自适应字典稀疏表示得到的最大稀疏系数携带了故障三相电压和零序电压的全部特征。
[0119]
因此，可以用三相电压和零序电压的最大稀疏系数构造故障检测判据。
[0120]
2、验证基于自适应字典稀疏表示的故障类型分类效果
[0121]
用ag故障情形的全部40组原始数据，分为两组，其中将32组作为训练样本，8组作
为测试样本，每组样本的样本数量相同。8组测试样本中，1-4组为系统正常运行数据，5-8组为ag接地故障数据。训练样本用于稀疏字典学习，测试样本用来测试分类效果。基于src的分类思想，根据式(5)和式(6)判断输入信号的故障类型。8组测试样本分类结果如表2。
[0122]
表2、ag金属性故障分类结果
[0123][0124][0125]
表3、ag经300ω过渡电阻故障分类结果
[0126]
[0127]
由表2和表3可以得出，ag金属性故障和经300ω过渡电阻故障时的分类准确率均为100％，验证了本实施例方法的有效性。同样，对其余9种故障类型进行了故障类型识别验证，分类的准确率亦为100％，仿真结果初步表明该算法可以识别出全部样本的所属类别。
[0128]
以同样的采样频率采集了1000组样本数据进行特征提取和分类，仍选择80％的样本数据即800组数据作为训练样本，20％的样本数据即200组数据作为测试样本进行仿真试验，均可准确识别样本的所属类别，正确率仍能达到100％，进一步验证了本实施例所提出的故障类型识别方法的可行性。
[0129]
实施例二
[0130]
本实施例提供了一种基于数据驱动的配电网故障类型识别系统，其具体包括如下模块：
[0131]
信号获取模块，其被配置为：获取配电网的故障信号；
[0132]
信号重构模块，其被配置为：在每类故障对应的过完备字典的基础上，对故障信号进行自适应字典稀疏分解，得到稀疏向量，并将稀疏向量与过完备字典的乘积作为重构信号；
[0133]
识别模块，其被配置为：比较不同类故障下得到的重构信号与故障信号的残差，将故障信号归为最小残差对应的类别。
[0134]
此处需要说明的是，本实施例中的各个模块与实施例一中的各个步骤一一对应，其具体实施过程相同，此处不再累述。
[0135]
实施例三
[0136]
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例一所述的一种基于数据驱动的配电网故障类型识别方法中的步骤。
[0137]
实施例四
[0138]
本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述实施例一所述的一种基于数据驱动的配电网故障类型识别方法中的步骤。
[0139]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明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和光学存储器等)上实施的计算机程序产品的形式。
[0140]
本发明是参照根据本发明实施例的方法、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。
[0141]
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。
[0142]
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。
[0143]
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，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)或随机存储记忆体(random accessmemory，ram)等。
[0144]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。