本发明涉及电力领域，具体而言，涉及一种负荷分析方法、装置、存储介质和处理器。
背景技术：
10kv电缆(以下简称电缆)线路负荷管理是供电公司配网管理的一项重要工作。其中，电缆线路(以下简称线路)额定电流的确定和线路负荷预测，用传统的计算分析方法不能有效解决。
为提高供电可靠性，电力公司要求线路在额定电流下运行，对于双路供电的线路，则要求线路满足n-1(n供1备，由多个电源供电，并准备一个备用电源)。这需要运行单位掌握线路负荷情况。由于负荷是一个变化量，运行单位一般选取线路的年度最大负荷进行分析。而这个最大负荷，一般不是线路持续的负荷状态，往往仅出现很短的时间，因此用电缆短时尖峰负荷与额定电流去比较，不能准确的说明电缆负载率。
线路负荷预测工作主要通过人工方式进行，人工方式所能处理的信息量极为有限，数据分析能力也较低。线路负荷是一个动态的信息，其大小取决于线路所带用户实际用电的情况，而用电情况则与很多因素有关，包括地区天气情况，经济发展情况，行业发展情况，居民生活水平情况等多种因素。且各因素之间没有简单的对应关系，从而给预测工作带来实际困难。
针对上述现有技术无法准确根据影响线路负荷因素来分析线路的问题，目前尚未提出有效的解决方案。
技术实现要素：
本发明实施例提供了一种负荷分析方法、装置、存储介质和处理器，以至少解决现有技术无法准确根据影响线路负荷因素来分析线路的技术问题。
根据本发明实施例的一个方面，提供了一种负荷分析方法，包括：获取目标对象的负荷信息；获取所述负荷信息对应的关联信息，其中，所述关联信息为能够对所述负荷产生影响的信息；使用多组待分析数据通过机器学习训练出的预定分析模型，其中，所述预定分析模型为使用所述多组待分析数据通过机器学习训练出的用于表示所述负荷信息与所述关联信息之间对应关系的模型，所述多组待分析数据中的每组数据均包括：目标对象的负荷信息和所述负荷信息对应的关联信息；根据所述预定分析模型分析所述目标对象。
进一步地，获取目标对象的负荷信息包括：采集所述目标对象在预定时间周期内的负荷数据；根据所述负荷数据确定所述目标对象的负载率，其中，所述负载率为所述目标对象在预定时间周期内，持续时间高于预定时间阈值的最大负荷与所述目标对象的用电容量之比。
进一步地，获取目标对象的负荷信息包括以下至少之一：获取预定时间周期内所述目标对象的平均负荷；获取预定时间周期内所述目标对象的最大负荷；获取预定时间周期内所述目标对象的负荷超过预定阈值的次数，其中，所述预定阈值根据所述最大负荷确定；获取预定时间范围内所述目标对象的负荷超过所述预定阈值的持续时间、以及所述最大负荷的持续时间；获取预定时间范围内所述目标对象的负荷超过预定阈值的产生时间、以及最大负荷的产生时间；获取预定时间范围内在距所述目标对象的负荷超过预定阈值前与产生最大负荷前预定时刻的平均负荷。
进一步地，使用多组待分析数据通过机器学习训练出的预定分析模型包括以下至少之一：使用多组待分析数据通过机器学习训练出的预定地区分析模型，其中，所述预定地区分析模型为表示所述负荷信息与地区经济指标之间对应关系的模型，所述关联信息包括：所述地区经济指标；使用多组待分析数据通过机器学习训练出的预定行业分析模型，其中，所述预定行业分析模型为表示所述负荷信息与行业经济指标之间对应关系的模型，所述关联信息包括：所述行业经济指标；使用多组待分析数据通过机器学习训练出的预定容量分析模型，其中，所述预定容量分析模型为表示所述负荷信息与接电容量之间对应关系的模型，所述关联信息包括：所述接电容量；使用多组待分析数据通过机器学习训练出的预定天气分析模型，其中，所述预定天气分析模型为表示所述负荷信息与天气指标之间对应关系的模型，所述关联信息包括：所述天气指标。
根据本发明的另一方面，本发明实施例还提供了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述所述的负荷分析方法。
根据本发明的另一方面，本发明实施例还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述所述的负荷分析方法。
根据本发明实施例的另一方面，还提供了一种负荷分析装置，包括：第一获取单元，用于获取目标对象的负荷信息；第二获取单元，用于获取所述负荷信息对应的关联信息，其中，所述关联信息为能够对所述负荷产生影响的信息；训练单元，用于使用多组待分析数据通过机器学习训练出的预定分析模型，其中，所述预定分析模型为使用所述多组待分析数据通过机器学习训练出的用于表示所述负荷信息与所述关联信息之间对应关系的模型，所述多组待分析数据中的每组数据均包括：目标对象的负荷信息和所述负荷信息对应的关联信息；分析单元，用于根据所述预定分析模型分析所述目标对象。
进一步地，所述第一获取单元包括：第一采集模块，用于采集所述目标对象在预定时间周期内的负荷数据；确定单元，用于根据所述负荷数据确定所述目标对象的负载率，其中，所述负载率为所述目标对象在预定时间周期内，持续时间高于预定时间阈值的最大负荷与所述目标对象的用电容量之比。
进一步地，所述第一获取单元包括以下至少之一：第一获取模块，用于获取预定时间周期内所述目标对象的平均负荷；第二获取模块，用于获取预定时间周期内所述目标对象的最大负荷；第三获取模块，用于获取预定时间周期内所述目标对象的负荷超过预定阈值的次数，其中，所述预定阈值根据所述最大负荷确定；第四获取模块，用于获取预定时间范围内所述目标对象的负荷超过所述预定阈值的持续时间、以及所述最大负荷的持续时间；第五获取模块，用于获取预定时间范围内所述目标对象的负荷超过预定阈值的产生时间、以及最大负荷的产生时间；第六获取模块，用于获取预定时间范围内在距所述目标对象的负荷超过预定阈值前与产生最大负荷前预定时刻的平均负荷。
进一步地，训练单元包括以下至少之一：第一训练模块，用于使用多组待分析数据通过机器学习训练出的预定地区分析模型，其中，所述预定地区分析模型为表示所述负荷信息与地区经济指标之间对应关系的模型，所述关联信息包括：所述地区经济指标；第二训练模块，用于使用多组待分析数据通过机器学习训练出的预定行业分析模型，其中，所述预定行业分析模型为表示所述负荷信息与行业经济指标之间对应关系的模型，所述关联信息包括：所述行业经济指标；第三训练模块，用于使用多组待分析数据通过机器学习训练出的预定容量分析模型，其中，所述预定容量分析模型为表示所述负荷信息与接电容量之间对应关系的模型，所述关联信息包括：所述接电容量；第四训练模块，用于使用多组待分析数据通过机器学习训练出的预定天气分析模型，其中，所述预定天气分析模型为表示所述负荷信息与天气指标之间对应关系的模型，所述关联信息包括：所述天气指标。
在本发明实施例中，获取多个目标对象的负荷信息，以及每个目标对象所对应的能够对目标对象的负荷产生影响的关联信息，然后再将多个负荷信息以及每个负荷信息所对应的关联信息，通过机器学习的方式进行训练，得到能够表示负荷信息与关联信息之间关联关系的预定分析模型，进而根据该预定分析模型进行分析，从而可以根据目标对象的关联信息准确确定目标对象的负荷信息，进而解决了现有技术无法准确根据影响线路负荷因素来分析线路的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，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。在附图中：
图1是根据本发明实施例的一种负荷分析方法的流程图；
图2是根据本发明实施例的一种数据来源的示意图；
图3是根据本发明实施例的一种负荷分析装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例，提供了一种负荷分析方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种负荷分析方法的流程图，如图1所示，该方法包括如下步骤：
步骤s102，获取目标对象的负荷信息；
步骤s104，获取负荷信息对应的关联信息，其中，关联信息为能够对负荷产生影响的信息；
步骤s106，使用多组待分析数据通过机器学习训练出的预定分析模型，其中，预定分析模型为使用多组待分析数据通过机器学习训练出的用于表示负荷信息与关联信息之间对应关系的模型，多组待分析数据中的每组数据均包括：目标对象的负荷信息和负荷信息对应的关联信息；
步骤s108，根据预定分析模型分析目标对象。
通过上述步骤，获取多个目标对象的负荷信息，以及每个目标对象所对应的能够对目标对象的负荷产生影响的关联信息，然后再将多个负荷信息以及每个负荷信息所对应的关联信息，通过机器学习的方式进行训练，得到能够表示负荷信息与关联信息之间关联关系的预定分析模型，进而根据该预定分析模型进行分析，从而可以根据目标对象的关联信息准确确定目标对象的负荷信息，进而解决了现有技术无法准确根据影响线路负荷因素来分析线路的技术问题。
可选地，用于进行机器学习的多组待分析数据，可以是目标对象的多个历史数据，例如，目标对象在不同时间段内的多个负荷信息，以及每个负荷信息所对应的关联信息；还可以是多个目标对象的实时数据，例如，多个目标对象的当前负荷信息，以及每个目标对象所对应的关联信息。
在上述步骤s108中，根据预定分析模型分析目标对象，可以包括：预测目标对象的关联信息，然后再根据预测得出的关联信息通过预定分析模型来预测出目标对象的负荷信息。
作为一种可选的实施例，获取目标对象的负荷信息包括：采集目标对象在预定时间周期内的负荷数据；根据负荷数据确定目标对象的负载率，其中，负载率为目标对象在预定时间周期内，持续时间高于预定时间阈值的最大负荷与目标对象的用电容量之比。
采用本发明上述实施例，采集目标对象在预定时间周期内的负荷数据，并根据该负荷数据确定目标对象的负载率，从而可以根据负载率来直观确定目标对象的负载情况。
可选地，采集目标对象在预定时间周期内的负荷数据包括，采集目标对象的负荷高于预定时间阈值的最大负荷，以及目标对象的用电容量，然后再根据采集到的负荷数据确定目标对象的负载率。
可选地，使用多组数据通过机器学习训练出的负载率模型，其中，负载率模型为使用多组数据通过机器学习训练出的，多组数据中的每组数据均包括：目标对象的负载率和目标对象对应的关联信息。
作为一种可选的实施例，获取目标对象的负荷信息包括以下至少之一：获取预定时间周期内目标对象的平均负荷；获取预定时间周期内目标对象的最大负荷；获取预定时间周期内目标对象的负荷超过预定阈值的次数，其中，预定阈值根据最大负荷确定；获取预定时间范围内目标对象的负荷超过预定阈值的持续时间、以及最大负荷的持续时间；获取预定时间范围内目标对象的负荷超过预定阈值的产生时间、以及最大负荷的产生时间；获取预定时间范围内在距目标对象的负荷超过预定阈值前与产生最大负荷前预定时刻的平均负荷。
采用本发明上述实施例，通过获取预定时间周期内目标对象的平均负荷、最大负荷、负荷超过预定阈值的次数；目标对象的负荷超过预定阈值的持续时间、以及最大负荷的持续时间；目标对象的负荷超过预定阈值的产生时间、以及最大负荷的产生时间；目标对象的负荷超过预定阈值前与产生最大负荷前预定时刻的平均负荷等，多种类型的负荷信息，进而根据多种类型负荷信息所确定的预定分析模型，从而可以使预定分析模型能够支持多种类型的负荷信息，能够根据相关信息准确得出符合用户需求的负荷信息。
作为一种可选的实施例，使用多组待分析数据通过机器学习训练出的预定分析模型包括以下至少之一：使用多组待分析数据通过机器学习训练出的预定地区分析模型，其中，预定地区分析模型为表示负荷信息与地区经济指标之间对应关系的模型，关联信息包括：地区经济指标；使用多组待分析数据通过机器学习训练出的预定行业分析模型，其中，预定行业分析模型为表示负荷信息与行业经济指标之间对应关系的模型，关联信息包括：行业经济指标；使用多组待分析数据通过机器学习训练出的预定容量分析模型，其中，预定容量分析模型为表示负荷信息与接电容量之间对应关系的模型，关联信息包括：接电容量；使用多组待分析数据通过机器学习训练出的预定天气分析模型，其中，预定天气分析模型为表示负荷信息与天气指标之间对应关系的模型，关联信息包括：天气指标。
采用本发明上述实施例，关联信息包括：地区经济指标、行业经济指标、接电容量、天气指标，通过机器学习的方式训练出的预定分析模型包括：预定地区分析模型、预定行业分析模型、预定容量分析模型、预定天气分析模型，从而使预定分析模型能够建立负荷信息与多种类型的关联信息的之间的对应关系，从而可以使预定分析模型能够支持多种类型的关联信息，加强预定分析模型的适用范围，使预定分析模型能够根据多种类型的关联信息来确定对应的负荷信息。
本发明还提供了一种优选实施例，该优选实施例提供了一种精准开展电缆线路负荷分析提高线路经济运行水平。
本发明所提供的技术方案，采用大数据的思想和方法，对电缆线路全部负荷数据进行分析，得出能够反映电缆运行工况的实际负荷情况，再综合考虑各类因素对负荷影响基础之上，对负荷进行较为准确的预测，最终实现电缆线路的高级负荷管理。
根据本发明的又一个实施例，还提供了一种存储介质，存储介质包括存储的程序，其中，程序运行时执行上述任一项的方法。
根据本发明的又一个实施例，还提供了一种处理器，处理器用于运行程序，其中，程序运行时执行上述任一项的方法。
图2是根据本发明实施例的一种数据来源的示意图，如图2所示，可以通过主网自动系统和配电自动系统中获取负荷实时数据，从营销系统、pms系统中获取电网相关信息，天气信息和经济信息中获取其他相关信息，其中，相关信息包括电网相关信息和其他相关信息。
本发明所提供的技术方案，可以先根据负荷实时数据进行预处理，具体方案如下：
可选地，以变电站10kv馈线为单元，对其一年的负荷(负荷实时数据)进行分析，计算出以下信息：线路平均负荷，线路最大负荷，全年线路超过最大负荷95％、90％和80％的次数、每次持续时间、每次发生时间、每次前半个小时的平均负荷。
可选地，可以将有关联的10kv馈线进行合并计算，对双射网、单环网进行求和计算，推算出n-1(n供1备，由多个电源供电，并准备一个备用电源)的负荷情况；对双环网进行求和计算，推算出n-2(n供1备，由多个电源供电，并准备2个备用电源)的负荷情况，并结合每一分段的负荷情况，考虑环网供电的方式，推算出n-1(n供1备，由多个电源供电，并准备一个备用电源)的负荷情况。
可选地，以环网开关(包括开闭站馈线开关)为单元，对其一年的负荷进行分析，计算出以下信息：分段线路平均负荷，分段线路最大负荷，分段线路最大负荷持续时间超过20分钟的最大负荷，所带10kv用户(含公共配电变，下同)最大负荷持续时间超过20分钟的最大负荷。
可选地，以10kv高压用户为单元，对其历史负荷情况进行分析，从投产初期到正常运行的时间、负载率变化等情况，得出一个时间、负载率对应关系。
本发明所提供的技术方案，在完成对负荷实时数据的预处理后，还可以处理电网相关信息数据，具体方案如下：
可选地，在营配贯通的基础上，计算线路每一个10kv用户的典型负载率(以一年中，最大负荷持续时间超过20分钟的最大负荷与用户用电容量之比)。
可选地，以线路为单元，可以将业扩工程(业务扩建工程)、技改工程(技术改进工程)计划的接入容量情况作为条件，并结合大数据分析出的典型负载率，推断出线路负荷受工程影响及时间的变化情况。
可选地，可以计算地区不同的用电类别、行业类别、不同发展阶段、不同时间的多维度下的负载率情况。
本发明所提供的技术方案，在完成对负荷实时数据的预处理后，可以处理其他相关数据，具体方案如下：
可选地，可以分析地区天气的相关信息，与各点负荷、各类负荷情况的对应关系。
可选地，可以分析地区经济信息，与各点负荷、各类负荷情况的对应关系。
可选地，各点负荷用于对现有电网负荷进行预测分析，各类负荷用于指导新接入负荷进行预测分析。
可选地，由于负荷是一个变化的量，因此需要采用大数据全采样的思想，对每一个负荷点进行全采样，通过对全部的样本进行数据处理和分析，能够得到线路的真实负荷情况。
可选地，由于负荷受多种因素影响，因此需要采用大数据多样性的思想，将相关信息，包括地区经济指标、行业经济指标、接电容量、天气指标等，与负荷进行关联，得出负荷与相关信息的相关性，根据这些相关性，进行负荷预测分析。针对新接入(切出)的负荷预测，需要在对现有负荷进行大数据分析的基础上进行。
根据本发明上述实施例，通过对负荷开展大数据分析，能够实现对负荷分析的两个转变，一是由以最大负荷作为参考，改为由综合负荷作为参考的转变；二是由人工经验型的负荷预测，改为基于大数据的综合预测的转变。这两个转变，实现了线路整体负载情况的客观判断与准确预测。
根据本发明上述实施例，在对负荷实现客观判断的基础上，能够从以下三个方面带来提升：一是提高电网改造管理水平。由于用线路的综合负荷替代了最大负荷，在没有影响线路运行的情况下，重过载线路数量将有所下降，可不对这些线路进行分倒路改造，由此带来的电缆工程投资将大幅减少，以亦庄公司为例，每年将减少1000万的投资，北京公司层面减少的投资将更加可观。二是提高业扩报装水平。
由于有了较为准确的现状负荷情况和负荷预测，业扩方案编制人员能够更准确的制定业扩报装方案，避免了因对负荷的错误掌控，造成用户近电远供或者过负荷接电等问题，更为后期线路运行提供了保障。三是提高规划水平。规划人员可在掌握准确的电网负荷和负荷预测的基础上，进一步对地区主配网进行分析，编制更为有效的规划发展方案，让电网建设能够更加准确的满足电网发展，从而实现资金的高效利用。
根据本发明实施例，还提供了一种负荷分析装置实施例，需要说明的是，该负荷分析装置可以用于执行本发明实施例中的负荷分析方法，本发明实施例中的负荷分析方法可以在该负荷分析装置中执行。
图3是根据本发明实施例的一种负荷分析装置的示意图，如图3所示，该装置可以包括：第一获取单元30，用于获取目标对象的负荷信息；第二获取单元32，用于获取负荷信息对应的关联信息，其中，关联信息为能够对负荷产生影响的信息；训练单元34，用于使用多组待分析数据通过机器学习训练出的预定分析模型，其中，预定分析模型为使用多组待分析数据通过机器学习训练出的用于表示负荷信息与关联信息之间对应关系的模型，多组待分析数据中的每组数据均包括：目标对象的负荷信息和负荷信息对应的关联信息；分析单元36，用于根据预定分析模型分析目标对象。
需要说明的是，该实施例中的第一获取单元30可以用于执行本申请实施例中的步骤s102，该实施例中的第二获取单元32可以用于执行本申请实施例中的步骤s104，该实施例中的训练单元34可以用于执行本申请实施例中的步骤s106，该实施例中的分析单元36可以用于执行本申请实施例中的步骤s108。上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例所公开的内容。
根据本发明上述实施例，获取多个目标对象的负荷信息，以及每个目标对象所对应的能够对目标对象的负荷产生影响的关联信息，然后再将多个负荷信息以及每个负荷信息所对应的关联信息，通过机器学习的方式进行训练，得到能够表示负荷信息与关联信息之间关联关系的预定分析模型，进而根据该预定分析模型进行分析，从而可以根据目标对象的关联信息准确确定目标对象的负荷信息，进而解决了现有技术无法准确根据影响线路负荷因素来分析线路的技术问题。
作为一种可选的实施例，第一获取单元包括：第一采集模块，用于采集目标对象在预定时间周期内的负荷数据；确定单元，用于根据负荷数据确定目标对象的负载率，其中，负载率为目标对象在预定时间周期内，持续时间高于预定时间阈值的最大负荷与目标对象的用电容量之比。
作为一种可选的实施例，第一获取单元包括以下至少之一：第一获取模块，用于获取预定时间周期内所述目标对象的平均负荷；第二获取模块，用于获取预定时间周期内所述目标对象的最大负荷；第三获取模块，用于获取预定时间周期内所述目标对象的负荷超过预定阈值的次数，其中，所述预定阈值根据所述最大负荷确定；第四获取模块，用于获取预定时间范围内所述目标对象的负荷超过所述预定阈值的持续时间、以及所述最大负荷的持续时间；第五获取模块，用于获取预定时间范围内所述目标对象的负荷超过预定阈值的产生时间、以及最大负荷的产生时间；第六获取模块，用于获取预定时间范围内在距所述目标对象的负荷超过预定阈值前与产生最大负荷前预定时刻的平均负荷。
作为一种可选的实施例，训练单元包括以下至少之一：第一训练模块，用于使用多组待分析数据通过机器学习训练出的预定地区分析模型，其中，预定地区分析模型为表示负荷信息与地区经济指标之间对应关系的模型，关联信息包括：地区经济指标；第二训练模块，用于使用多组待分析数据通过机器学习训练出的预定行业分析模型，其中，预定行业分析模型为表示负荷信息与行业经济指标之间对应关系的模型，关联信息包括：行业经济指标；第三训练模块，用于使用多组待分析数据通过机器学习训练出的预定容量分析模型，其中，预定容量分析模型为表示负荷信息与接电容量之间对应关系的模型，关联信息包括：接电容量；第四训练模块，用于使用多组待分析数据通过机器学习训练出的预定天气分析模型，其中，预定天气分析模型为表示负荷信息与天气指标之间对应关系的模型，关联信息包括：天气指标。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以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信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
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。
另外，在本发明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。
所述集成的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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。