一种基于区间优化的含风电电力系统日前市场购电优化方法与流程

本发明涉及电力市场领域，特别是一种基于区间优化的含风电电力系统日前市场购电优化方法。

背景技术：

为了减少化石燃料的使用，我国大力发展风电，随着风电并网规模的增加，风电的不确定性对电力交易和调度的影响越来越大，需要在日前市场中考虑风电不确定性的影响。目前，在日前市场交易的研究中主要利用概率模型来表示风电的不确定性，然而概率模型需要大量的历史数据统计得到，如果数据量较小，则得到的概率分布可能不准确，影响购电结果。

在日前市场中，能量市场和备用容量市场的报价明确，如果风电可控，则可以得到较为明确的出清结果。但是，风电出力具有很强的随机性，当风电实际出力与日前市场购电出力不同时，实时市场将会产生较大的不平衡功率，需要调用备用容量并通过实时市场交易来平衡，实时市场功率偏差越大，需要调用的备用容量也越大。

目前，结合风电出力变化区间，考虑日前能量市场、备用容量市场以及实时市场功率偏差的日前市场购电优化尚未见报道。

技术实现要素：

有鉴于此，本发明的目的是提出一种基于区间优化的含风电电力系统日前市场购电优化方法，本发明可以获得日前市场火电机组的最优购电区间和备用容量区间，给购电决策提供参考，降低购电成本，合理利用风资源。

本发明采用以下方案实现：一种基于区间优化的含风电电力系统日前市场购电优化方法，具体包括以下步骤：

步骤s1：提取系统信息：提取风电功率区间预测信息、负荷预测信息、发电机组日前能量市场报价信息、以及发电机组备用容量市场报价信息；

步骤s2：以日前能量市场的费用和备用容量市场的费用之和最小为目标1；以实时市场偏差功率最小为目标2，建立含风电的多目标非线性区间日前市场购电优化模型；

步骤s3：将步骤s2得到的所述含风电的多目标非线性区间日前市场购电优化模型转换为乐观解和悲观解优化模型；

步骤s4：用多目标量子粒子群算法求解乐观解和悲观解优化模型,得到乐观解和悲观解的帕累托前沿；

步骤s5：用理想点法求得乐观解和悲观解的帕累托前沿的折衷解，并获得火电在日前市场上的最优购电出力区间和备用容量区间。

本发明在考虑风电不确定性的日前市场交易中，用区间表示风电的不确定性，以日前能量市场和备用容量市场费用最小、实时市场偏差功率最小为多目标，建立含风电的区间优化模型。本发明可以获得日前市场火电机组的最优购电区间和备用容量区间，给购电决策提供参考，降低购电成本，合理利用风资源。

进一步地，所述步骤s2具体包括以下步骤：

步骤s21：以日前能量市场的费用和备用容量市场的费用之和最小为目标，建立含风电的日前能量市场和备用容量市场联合出清模型，用数学函数表示为：

其中，ρr,i,t为第i台火电机组t时段的出清价；pi,t为第i台火电机组t时段的出力；t为日前市场时段数，其中，t为24；ng为火电机组数量；分别为第i台火电机组t时段日前市场上、下备用容量价格；cu,i,t、cd,i,t为第i台火电机组t时段日前市场上、下备用容量；

步骤s22：考虑由于风电的随机性而造成的实时市场上、下偏差功率，以加权偏差功率最小为目标，建立含风电的实时市场功率偏差模型，用数学函数表示为：

其中，为区间[pdes,t]上界，[pdes,t]＝α[pde,t]⁺∪-(1-α)[pde,t]^-，其中，α为权重系数，α＝(ρr,i,t-ρd,i,t)/(ρr,i,t-ρd,i,t+ρu,i,t)，其中ρu,i,t为实时市场t时段从i台火电机组的购电价格，ρd,i,t为实时市场t时段向i台火电机组的售电价格，和分别为t时段的正功率偏差区间和负功率偏差区间；

具体的，在电力交易中，为了减少实时市场的偏差功率，实时市场价格需要满足ρu,i,t≥ρr,i,t≥ρd,i,t,其中ρu,i,t为实时市场t时段从i台火电机组的购电价格，ρd,i,t为实时市场t时段向i台火电机组的售电价格。如果实时偏差功率为正，相当于日前市场火电购电出力过多，要调用下备用，并在实时市场售电，由于ρr,i,t≥ρd,i,t，相当于在日前市场以ρr,i,t的价格购电，而在实时市场只能以ρd,i,t的价格出售，出售单位电量将会损失ρr,i,t－ρd,i,t，增加了总购电费用。另一方面，如果实时偏差功率为负，相当于日前市场火电购电出力过少，此时要以ρu,i,t的价格在实时市场购电，也增加了总购电费用。无论实时市场的偏差功率为正还是为负，都会增加日前市场和实时市场的总购电费用，购电决策者需要找到最优的日前市场出清方案降低日前市场和实时市场总费用。由于风电出力的不确定性，且实时市场的能量价格是未知，实时市场的平衡费用无法被准确计算。然而实时市场偏差功率由风电功率预测误差引起的，可以通过减少风电功率偏差区间来减少实时市场费用，因此本方法以功率偏差区间最小为目标。实时市场的功率偏差区间可以表示为：

式中：nw为风电场数量；pl,t为t时段负荷预测值；[pde,t]为t时段功率偏差区间，具体表示为其中分别为功率偏差区间的下界与上界。

无论在实时市场购电还是售电都会产生损失，为了减少实时市场交易电量，日前市场的风电购电出力会在风电实际出力区间内，即此时偏差区间下界小于0，上界大于0，即：当实时市场偏差功率为正时，需要在实时市场购电，反之当实时市场偏差功率为负时，需要售电。由于在实时市场单位购电损失ρu,i,t和单位售电损失(ρr,i,t－ρd,i,t)不同，因此可以将功率偏差区间分为两部分：

式中：[pde,t]⁺和[pde,t]^-为t时段的正功率偏差区间(火电购电出力过多的功率偏差区间)和负功率偏差区间(火电购电出力过少的功率偏差区间)。[pde,t]⁺和[pde,t]^-可以表示为：

在日前市场购电时，购电决策者无法预先知道实际功率偏差为正还是为负，需要按照一定权重综合考虑上下偏差区间，可以得到上下偏差加权区间：

[pdes,t]＝α[pde,t]⁺∪-(1-α)[pde,t]^-

式中：α为权重系数：

α＝(ρr,i,t-ρd,i,t)/(ρr,i,t-ρd,i,t+ρu,i,t)

由于实时市场价格会满足ρu,i,t≥ρr,i,t≥ρd,i,t，α的取值区间为[0,0.5]。

综合考虑日前市场各个时段的功率偏差区间，目标2可以具体表示为：

由上式可知目标2值为一个区间数，对于区间数的比较较为困难，然而[pde,t]⁺和[pde,t]^-的下界均为0，目标2值的区间下界也为0，因此在比较目标2区间大小时，只需要比较目标2区间上界的大小，因此可以将目标2转换为：

式中：为区间[pdes,t]上界。

步骤s23：本发明是考虑风电出力为一个区间数的情况下建立含风电的日前市场购电出力模型，包含了两套约束：建立日前市场出清计划约束以及满足风电出力在出力区间范围内变化时的区间约束。

进一步地，步骤s23中，所述日前市场出清计划约束包括：

(1)火电机组出力约束：在日前市场出清计划中，火电机组出力需要满足机组出力约束和上、下爬坡速率约束：

max(pi,min,ri,down×δt)≤pi,t-cd,i,t≤min(pi,max,ri,up×δt)；

max(pi,min,ri,down×δt)≤pi,t+cu,i,t≤min(pi,max,ri,up×δt)；

其中，ri,down、ri,up为第i台火电机组的上、下爬坡速率；pi,min、pi,max分别为第i台火电机组最大、最小出力；δt为两个时段时间间隔，本发明中，δt为一个小时；

日前市场备用容量约束可以表示为：

式中：为第i台机组t时段申报的最大上、下备用容量；

(2)功率平衡约束：日前市场出清计划的功率平衡约束可以表示为：

其中，为日前市场出清计划的风电购电出力；pl,t是t时段系统的负荷；nw为风电场数量；

(3)交流潮流约束：日前市场出清计划的的交流潮流约束可以表示为：

-pl,max≤pl,t≤pl,max；

其中，pl,t为线路l在t时段的潮流；pl,max为线路l的最大潮流；

(4)系统备用容量约束：当风电实际出力在出力区间范围内波动时，会产生功率偏差，为了减少弃风，需要购买足够的备用容量：

其中，cd,t、cu,t分别表示t时段上、下备用容量购买量，分别为功率偏差区间的下界与上界；会随着日前市场购电出力的变化而变化；

(5)节点电压约束：日前市场出清计划的的节点电压约束可以表示为：

un,min≤un,t≤un,max；

其中，un,t表示节点n在t时段的节点电压；un,min、un,max分别为节点n最小、最大时的节点电压；

(6)风电购电出力区间约束：日前市场出清计划的风电购电出力约束可以表示为：

其中，为日前市场的风电购电出力，与分别表示风电实际出力的下界与上界；

进一步地，步骤s23中，所述满足风电出力在出力区间范围内变化时的区间约束包括：

(1)火电机组出力区间约束：当风电的购电出力在风电预测出力区间内变化时，第i台机组t时段的最优出力组成的优化出力区间都应该在备用调节范围内：

其中，为第i台机组t时段在最优火电购电出力区间内的任意值；分别为第i台机组t时段出力区间的下界与上界，为第i台机组t时段申报的最大上、下备用容量；

(2)功率平衡约束：当风电的购电出力在风电预测出力区间内变化时，日前市场功率平衡约束可以表示为：

其中，为在第j个风电场t时段在风电出力区间内可能的风电购电出力；

(3)潮流约束：当风电购电出力在出力区间范围内变化时，交流潮流都应在约束范围内：

其中，表示当风电购电出力在出力区间内变化时，线路l在t时段的交流潮流区间内可能的潮流值，其中分别为t时段线路l的交流潮流区间的下界与上界；

(4)节点电压约束：当风电购电出力在出力区间范围内变化时，节点电压都应在约束范围内：

其中，表示当风电购电出力在出力区间内变化时，t时段节点n在节点电压区间内可能的节点电压值，其中分别为t时段节点电压区间的下界与上界；

(5)风电购电出力区间约束：日前市场出清计划的风电购电出力约束可以表示为：

进一步地，步骤s3中，本发明的模型为多目标非线性区间规划模型，需要求解得到该模型的区间解，也就是目标函数的上界和下解对应的购电方案。为了得到上述模型的区间解，本发明将其转换为两个多目标非线性规划问题，即乐观解模型和悲观解模型。其中悲观解是目标函数上界所对应的解，而乐观解是目标函数下界所对应的解

所述悲观解优化模型表示为：

由于本方法的模型中有两个目标，为了便于理解，以购电费用目标为例，解释悲观解模型的含义：当风电购电出力为出力区间范围内任意一个值时，总可以找到一个最优的日前市场购电方案，使其购电总费用最小。对于不同的风电购电出力，其最小的购电总费用也不同，其中使最小的购电总费用最大的解即为悲观解；反之，最小总费用最小的解为乐观解，可以用“minmin”模型来表示。对于本发明的乐观解模型，也是一个多目标问题，由于其约束条件同悲观解模型，因此乐观解模型可以表示为：

进一步地，步骤s5具体为：首先需要寻找一个理想点，然后再计算帕累托前沿中各个解与理想点之间的距离，其中与理想点距离最短的点即为折衷解。

理想点的坐标一般为各个目标的最优值。对于本章中“maxmin”的悲观解模型，由于外层为“max”模型，理想点坐标为(为最优解集中第m个目标的最大值)；同理，“minmin”乐观解模型的理想点为(为最优解集中第m个目标的最小值)。由于各个目标数量级不同，在计算帕累托前沿中各个解到理想点之间的距离时，要将各个目标归一化，然后再计算各个解到理想点的加权距离，具体计算公式如下：

式中：第m个目标归一化值，取值范围为[0,1]；m为目标编号；为最优解集中第i个解第m个目标的目标值；为归一化后理想点第m个目标的目标值；di,ideal为第i个解与理想点之间的距离；λm表示第m个目标的权重系数，各目标的权重系数之和为1，即λ1+λ2＝1。

计算得到帕累托前沿中各个解到理想点的距离的di,ideal后，可以通过比较得到di,ideal最小值，其对应的解即为帕累托前沿的折衷解。

与现有技术相比，本发明有以下有益效果：本发明在电力市场日前交易中利用区间优化，合理优化日前市场火电的最优出力区间和备用容量区间，减少日前市场的购电成本以及实时市场的功率偏差，给购电决策提供参考，能更有效的利用风资源，并增加社会效益。

附图说明

图1为本发明的风电功率预测区间和负荷预测值。

图2为乐观解和悲观解帕累托前沿和折衷解。

图3为发电机组参数。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

本实施例提供了一种基于区间优化的含风电电力系统日前市场购电优化方法，具体包括以下步骤：

步骤s1：提取系统信息：提取风电功率区间预测信息、负荷预测信息、发电机组日前能量市场报价信息、以及发电机组备用容量市场报价信息；其中网络数据采用ieee-30节点网络。风电场于节点26接入系统，装机容量为100mw；发电机组参数见图3；风电功率预测信息和负荷预测信息见图1；α＝0.3；λ1＝0.7；λ2＝0.3。

步骤s2：以日前能量市场的费用和备用容量市场的费用之和最小为目标1；以实时市场偏差功率最小为目标2，建立含风电的多目标非线性区间日前市场购电优化模型；

步骤s3：将步骤s2得到的所述含风电的多目标非线性区间日前市场购电优化模型转换为乐观解和悲观解优化模型；

步骤s4：用多目标量子粒子群算法求解乐观解和悲观解优化模型,得到乐观解和悲观解的帕累托前沿，如图2所示；

步骤s5：用理想点法求得乐观解和悲观解的帕累托前沿的折衷解，并获得火电在日前市场上的最优购电出力区间和备用容量区间。

本发明在考虑风电不确定性的日前市场交易中，用区间表示风电的不确定性，以日前能量市场和备用容量市场费用最小、实时市场偏差功率最小为多目标，建立含风电的区间优化模型。本发明可以获得日前市场火电机组的最优购电区间和备用容量区间，给购电决策提供参考，降低购电成本，合理利用风资源。

在本实施例中，所述步骤s2具体包括以下步骤：

步骤s21：以日前能量市场的费用和备用容量市场的费用之和最小为目标，建立含风电的日前能量市场和备用容量市场联合出清模型，用数学函数表示为：

其中，ρr,i,t为第i台火电机组t时段的出清价；pi,t为第i台火电机组t时段的出力；t为日前市场时段数，其中，t为24；ng为火电机组数量；分别为第i台火电机组t时段日前市场上、下备用容量价格；cu,i,t、cd,i,t为第i台火电机组t时段日前市场上、下备用容量；

步骤s22：考虑由于风电的随机性而造成的实时市场上、下偏差功率，以加权偏差功率最小为目标，建立含风电的实时市场功率偏差模型，用数学函数表示为：

其中，为区间上界，[pdes,t]＝α[pde,t]⁺∪-(1-α)[pde,t]^-，其中，α为权重系数，α＝(ρr,i,t-ρd,i,t)/(ρr,i,t-ρd,i,t+ρu,i,t)，其中ρu,i,t为实时市场t时段从i台火电机组的购电价格，ρd,i,t为实时市场t时段向i台火电机组的售电价格，和分别为t时段的正功率偏差区间和负功率偏差区间；

具体的，在电力交易中，为了减少实时市场的偏差功率，实时市场价格需要满足ρu,i,t≥ρr,i,t≥ρd,i,t,其中ρu,i,t为实时市场t时段从i台火电机组的购电价格，ρd,i,t为实时市场t时段向i台火电机组的售电价格。如果实时偏差功率为正，相当于日前市场火电购电出力过多，要调用下备用，并在实时市场售电，由于ρr,i,t≥ρd,i,t，相当于在日前市场以ρr,i,t的价格购电，而在实时市场只能以ρd,i,t的价格出售，出售单位电量将会损失ρr,i,t－ρd,i,t，增加了总购电费用。另一方面，如果实时偏差功率为负，相当于日前市场火电购电出力过少，此时要以ρu,i,t的价格在实时市场购电，也增加了总购电费用。无论实时市场的偏差功率为正还是为负，都会增加日前市场和实时市场的总购电费用，购电决策者需要找到最优的日前市场出清方案降低日前市场和实时市场总费用。由于风电出力的不确定性，且实时市场的能量价格是未知，实时市场的平衡费用无法被准确计算。然而实时市场偏差功率由风电功率预测误差引起的，可以通过减少风电功率偏差区间来减少实时市场费用，因此本方法以功率偏差区间最小为目标。实时市场的功率偏差区间可以表示为：

式中：nw为风电场数量；pl,t为t时段负荷预测值；[pde,t]为t时段功率偏差区间，具体表示为其中为功率偏差区间的下界与上界。

无论在实时市场购电还是售电都会产生损失，为了减少实时市场交易电量，日前市场的风电购电出力会在风电实际出力区间内，即此时偏差区间下界小于0，上界大于0，即：当实时市场偏差功率为正时，需要在实时市场购电，反之当实时市场偏差功率为负时，需要售电。由于在实时市场单位购电损失ρu,i,t和单位售电损失(ρr,i,t－ρd,i,t)不同，因此可以将功率偏差区间分为两部分：

式中：[pde,t]⁺和[pde,t]^-为t时段的正功率偏差区间(火电购电出力过多的功率偏差区间)和负功率偏差区间(火电购电出力过少的功率偏差区间)。[pde,t]⁺和[pde,t]^-可以表示为：

在日前市场购电时，购电决策者无法预先知道实际功率偏差为正还是为负，需要按照一定权重综合考虑上下偏差区间，可以得到上下偏差加权区间：

[pdes,t]＝α[pde,t]⁺∪-(1-α)[pde,t]^-

式中：α为权重系数：

α＝(ρr,i,t-ρd,i,t)/(ρr,i,t-ρd,i,t+ρu,i,t)

由于实时市场价格会满足ρu,i,t≥ρr,i,t≥ρd,i,t，α的取值区间为[0,0.5]。

综合考虑日前市场各个时段的功率偏差区间，目标2可以具体表示为：

由上式可知目标2值为一个区间数，对于区间数的比较较为困难，然而[pde,t]⁺和[pde,t]^-的下界均为0，目标2值的区间下界也为0，因此在比较目标2区间大小时，只需要比较目标2区间上界的大小，因此可以将目标2转换为：

式中：为区间[pdes,t]上界。

步骤s23：本发明是考虑风电出力为一个区间数的情况下建立含风电的日前市场购电出力模型，包含了两套约束：建立日前市场出清计划约束以及满足风电出力在出力区间范围内变化时的区间约束。

在本实施例中，步骤s23中，所述日前市场出清计划约束包括：

(1)火电机组出力约束：在日前市场出清计划中，火电机组出力需要满足机组出力约束和上、下爬坡速率约束：

max(pi,min,ri,down×δt)≤pi,t-cd,i,t≤min(pi,max,ri,up×δt)；

max(pi,min,ri,down×δt)≤pi,t+cu,i,t≤min(pi,max,ri,up×δt)；

其中，ri,down、ri,up为第i台火电机组的上、下爬坡速率；pi,min、pi,max分别为第i台火电机组最大、最小出力；δt为两个时段时间间隔，本发明中，δt为一个小时；

日前市场备用容量约束可以表示为：

式中：为第i台机组t时段申报的最大上、下备用容量；

(2)功率平衡约束：日前市场出清计划的功率平衡约束可以表示为：

其中，为日前市场出清计划的风电购电出力；pl,t是t时段系统的负荷；nw为风电场数量；

(3)交流潮流约束：日前市场出清计划的的交流潮流约束可以表示为：

-pl,max≤pl,t≤pl,max；

其中，pl,t为线路l在t时段的潮流；pl,max为线路l的最大潮流；

(4)系统备用容量约束：当风电实际出力在出力区间范围内波动时，会产生功率偏差，为了减少弃风，需要购买足够的备用容量：

其中，cd,t、cu,t分别表示t时段上、下备用容量购买量，分别为功率偏差区间的下界与上界；会随着日前市场购电出力的变化而变化；

(5)节点电压约束：日前市场出清计划的的节点电压约束可以表示为：

un,min≤un,t≤un,max；

其中，un,t表示节点n在t时段的节点电压；un,min、un,max分别为节点n最小、最大时的节点电压；

(6)风电购电出力区间约束：日前市场出清计划的风电购电出力约束可以表示为：

其中，为日前市场的风电购电出力，与分别表示风电实际出力的下界与上界；

在本实施例中，步骤s23中，所述满足风电出力在出力区间范围内变化时的区间约束包括：

(1)火电机组出力区间约束：当风电的购电出力在风电预测出力区间内变化时，第i台机组t时段的最优出力组成的优化出力区间都应该在备用调节范围内：

其中，为第i台机组t时段在最优火电购电出力区间内的任意值；分别为第i台机组t时段出力区间的下界与上界，为第i台机组t时段申报的最大上、下备用容量；

(2)功率平衡约束：当风电的购电出力在风电预测出力区间内变化时，日前市场功率平衡约束可以表示为：

其中，为在第j个风电场t时段在风电出力区间内可能的风电购电出力；

(3)潮流约束：当风电购电出力在出力区间范围内变化时，交流潮流都应在约束范围内：

其中，表示当风电购电出力在出力区间内变化时，线路l在t时段的交流潮流区间内可能的潮流值，其中分别为t时段线路l的交流潮流区间的下界与上界；

(4)节点电压约束：当风电购电出力在出力区间范围内变化时，节点电压都应在约束范围内：

其中，表示当风电购电出力在出力区间内变化时，t时段节点n在节点电压区间内可能的节点电压值，其中分别为t时段节点电压区间的下界与上界；

(5)风电购电出力区间约束：日前市场出清计划的风电购电出力约束可以表示为：

在本实施例中，步骤s3中，本发明的模型为多目标非线性区间规划模型，需要求解得到该模型的区间解，也就是目标函数的上界和下解对应的购电方案。为了得到上述模型的区间解，本发明将其转换为两个多目标非线性规划问题，即乐观解模型和悲观解模型。其中悲观解是目标函数上界所对应的解，而乐观解是目标函数下界所对应的解

所述悲观解优化模型表示为：

由于本方法的模型中有两个目标，为了便于理解，以购电费用目标为例，解释悲观解模型的含义：当风电购电出力为出力区间范围内任意一个值时，总可以找到一个最优的日前市场购电方案，使其购电总费用最小。对于不同的风电购电出力，其最小的购电总费用也不同，其中使最小的购电总费用最大的解即为悲观解；反之，最小总费用最小的解为乐观解，可以用“minmin”模型来表示。对于本发明的乐观解模型，也是一个多目标问题，由于其约束条件同悲观解模型，因此乐观解模型可以表示为：

在本实施例中，步骤s5具体为：首先需要寻找一个理想点，然后再计算帕累托前沿中各个解与理想点之间的距离，其中与理想点距离最短的点即为折衷解。

理想点的坐标一般为各个目标的最优值。对于本章中“maxmin”的悲观解模型，由于外层为“max”模型，理想点坐标为(为最优解集中第m个目标的最大值)；同理，“minmin”乐观解模型的理想点为(为最优解集中第m个目标的最小值)。由于各个目标数量级不同，在计算帕累托前沿中各个解到理想点之间的距离时，要将各个目标归一化，然后再计算各个解到理想点的加权距离，具体计算公式如下：

式中：第m个目标归一化值，取值范围为[0,1]；m为目标编号；为最优解集中第i个解第m个目标的目标值；为归一化后理想点第m个目标的目标值；di,ideal为第i个解与理想点之间的距离；λm表示第m个目标的权重系数，各目标的权重系数之和为1，即λ1+λ2＝1。

计算得到帕累托前沿中各个解到理想点的距离的di,ideal后，可以通过比较得到di,ideal最小值，其对应的解即为帕累托前沿的折衷解。

在本实施例中，用理想点法得到乐观解折衷解so(坐标为(f1,o,f2,o))和悲观解的折衷解悲观解折衷解sp(坐标为(f1,p,f2,p))，如图2所示，得到火电最优购电出力区间和备用容量区间。利用理想点法求得的悲观解折衷解sp的目标函数值f1,p和f2,p分别为259.8万元和224.53mw，实时市场功率上偏差区间为[0,451.05]mw，下偏差区间为[-142.05,0]mw；乐观解折衷解so的目标函数值f1,o和f2,o分别为245.9万元和315.88mw，其中，实时市场功率上偏差区间为[0,141.95]mw，下偏差区间为[-451.15,0]mw。

以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。