太阳能溴化锂制冷机组的整体建模与最优控制一体化方法与流程

本发明涉及太阳能溴化锂制冷技术领域，尤其涉及太阳能溴化锂制冷机组的整体建模与最优控制一体化方法。

背景技术：

能源紧缺、环境污染和气候变化是制约当今世界经济和社会可持续发展的重要因素，能源和环境问题已成为国内外高度关注的重大战略问题。而太阳能绿色清洁、可持续利用的能源，容易获取并安全可靠。太阳能溴化锂制冷机组利用太阳能集热技术将太阳能转化为热能，并利用热能驱动溴化锂机组制冷，实现建筑的低碳环保化运行，且运行成本低，是绿色建筑发展的重要方向，太阳能溴化锂制冷机组具有良好的发展前景。

然而，太阳能溴化锂制冷机组是一个典型的多能量流输入、多能量流输出、多级信息流、多种设备耦合的复杂能源转换系统，它具有强非线性、参数时变、大惯性、大延迟及多变量耦合特点，太阳能溴化锂制冷机组能否高效、经济、环保运行，取决于太阳能溴化锂制冷机组的整体建模、参数优化及最优控制方法。太阳能溴化锂制冷机组的多设备耦合，难以建立溴化锂制冷机组的整体运行模型以准确描述机组运行的规律特性。同时，太阳能溴化锂制冷机组工况复杂，在不同工况和负载下，溴化锂制冷机组的效能参数和运行参数差异较大，但现有产品都是在固定运行参数下运行未实现实时优化。因此，在不同工况和负载下实时优化溴化锂机组的最佳内部运行参数和外部过程变量也是影响机组高效运行的关键因素。在最优运行参数的目标值基础上，采用先进控制算法控制系统快速、准确跟踪外部过程变量目标值更是机组高效稳定运行的决定性因素。但目前国内外文献和产品还未有涉及到太阳能溴化锂制冷机组的整体建模、参数优化及最优控制的一体化设计方法。

技术实现要素：

本发明的目的就是为了解决上述问题，提供一种太阳能溴化锂制冷机组的整体建模与最优控制一体化方法，给出了太阳能溴化锂制冷机组整体建模方法和运行参数实时优化方法在最优内部运行参数和外部控制变量的基础上，运用数据驱动pid算法快速跟踪最优外部控制变量目标值，以实现太阳能溴化锂在不同工况和负载下都能高效、安全稳定运行。

为了实现上述目的，本发明采用如下技术方案：

太阳能溴化锂制冷机组的整体建模方法，包括以下步骤：

步骤一：确定太阳能溴化锂制冷机组的整体建模的输入变量ri；

步骤二：利用c-c方法相空间重构所述输入变量ri；

步骤三：确定太阳能溴化锂制冷机组的整体建模的输出变量si；

步骤四：基于深度学习方法建立太阳能溴化锂制冷机组的整体模型。

所述步骤一中的输入变量ri为:

ri＝[ttyn-c,ttyn-j,ltyn,tkts-c,tkts-j,lkts,tlqs-c,tlqs-j,llqs,tfsq,wfsq,txsq,wxsq,tzlj,lzlj,txhl,lxhl,nxhl,tzfq,yzfq]；

其中：ttyn-c为太阳能热水出溴化锂机组温度值，ttyn-j为太阳能热水进溴化锂机组温度值，ltyn为太阳能热水进溴化锂机组的流量值，tkts-c为空调制冷水出溴化锂机组的温度值，tkts-j为空调制冷水进溴化锂机组的温度值，lkts为空调制冷水出溴化锂机组的流量值，tlqs-c为冷却水出溴化锂机组的温度值，tlqs-j为冷却水进溴化锂机组的温度值，llqs为冷却水进溴化锂机组的流量值，tfsq为溴化锂机组发生器内的温度值，wfsq为溴化锂机组发生器内的液位值，txsq为溴化锂机组吸收器内的温度值，wxsq为溴化锂机组吸收器内的液位值，tzlj为制冷剂的温度值，lzlj为制冷剂的流量值，txhl为溴化锂溶液的温度值，lxhl为溴化锂溶液的流量值，nxhl为溴化锂溶液的浓度值，tzfq为溴化锂机组蒸发器内的温度值，yzfq为溴化锂机组蒸发器的压力值。

所述步骤二中，采用c-c方法相空间重构太阳能溴化锂制冷机组的整体建模的输入变量时间序列ri，设定ri的延迟时间ti和嵌入维数mi，将太阳能溴化锂制冷机组的整体建模的输入变量ri统一表达为ri＝[ri(t),ri(t-ti),…,ri(t-(mi-1)ti)]；将ri特征数据表达为20×mi的输入变量时间序列向量ri。

所述步骤三中，太阳能溴化锂制冷机组的整体建模的输出变量si为:

si＝[cop,pkts,ptyn,plqs]；

其中：cop为太阳能溴化锂机组的效率参数值，pkts为太阳能溴化锂机组生产空调冷水功率值，ptyn为输入到太阳能溴化锂机组的太阳能热水功率，plqs为太阳能溴化锂机组的冷却水功率。

所述步骤四的具体方法为：

步骤4.1，构造基于rbm的5层dbn，包括1个输入层，3个隐藏层和1个决策层；

步骤4.2，指定dbn的输入层节点数为20×3600；第一个隐藏层节点数为500；第二个隐藏层节点数为500；第三个隐藏层节点数为1000；决策层的节点数为4；

步骤4.3，使用对比散度cd算法对dbn的5层进行逐层训练，计算3个隐藏层和1个决策层的输出值和各层之间的权值及偏置；

步骤4.4，使用bp算法对整个dbn进行调整，优化dbn参数，完成dbn全局训练；训练的最优权值和偏置，得出太阳能溴化锂机组的整体模型参数mi。

基于太阳能溴化锂制冷机组的整体建模方法的最优控制一体化方法，包括：

步骤1，确定太阳能溴化锂制冷机组的内部运行参数优化变量ei和外部过程控制变量ci；

步骤2，确定太阳能溴化锂制冷机组的实时优化的目标函数；

步骤3，采用自适应混沌粒子群优化算法求解太阳能溴化锂制冷机组的最优内部运行参数参数值和外部过程控制变量值

步骤4，将最优内部运行参数下发给太阳能溴化锂制冷机组控制系统并运行，将最优外部过程变量下发到两个控制回路的控制器，控制器采用数据驱动pid算法快速跟踪最优外部过程变量值。

所述步骤1中，太阳能溴化锂制冷机组的内部运行参数优化变量ei和外部过程控制变量ci具体为：

ei＝[yzfq,ttyn-j,ltyn,lkts,llqs,tlqs-j,lxhl,txhl,lzlj,tzlj]；

ci＝[tkts-c,nxhl]；

其中：yzfq为溴化锂机组蒸发器的压力值，ttyn-j为太阳能热水进溴化锂机组温度值，ltyn为太阳能热水进溴化锂机组的流量值，tkts-c为空调制冷水出溴化锂机组的温度值，lkts为空调制冷水出溴化锂机组的流量值，llqs为冷却水进溴化锂机组的流量值，tlqs-j为冷却水进溴化锂机组的温度值，lxhl为溴化锂溶液的流量值，txhl为溴化锂溶液的温度值，nxhl为溴化锂溶液的浓度值，lzlj为制冷剂的流量值，tzlj为制冷剂的温度值。

所述步骤2中的目标函数为运行成本npv最低，minnpv^br＝rcbr+com+ce，式中：npv^br为冷热电联供系统年运行成本，单位:元；r为投资回收系数，其中，l为年利率，m为设备使用年限；cbr为太阳能溴化锂制冷机组的投资总额，单位：元，com为太阳能溴化锂制冷机组的维修管理费用，包括设备维护与维修费用、管理人员费用，单位：元；

ce＝je(pzkb+pktsb+plqsb+pxhlb+pzljb+plqfs)

式中，ce为太阳能溴化锂制冷机组的用电成本，单位：元；je为用电价格，单位：元/kwh；pzkb为溴化锂机组抽真空泵耗电量，单位：kwh；pktsb为溴化锂机组空调水泵耗电量，单位：kwh；plqsb为溴化锂机组冷却水水泵耗电量，单位：kwh；pxhlb为溴化锂机组溴化锂泵耗电量，单位：kwh；pzljb为溴化锂机组制冷剂泵耗电量，单位：kwh；plqfs为冷却塔冷却风扇耗电量，单位：kwh。

所述步骤3的具体为：

步骤3.1初始化粒子群，在允许范围内随机设置粒子的初始位置x和初始速度v，i∈[1,n]，n为粒子个数；

步骤3.2将第i个粒子的pbest设置为该粒子的当前位置，gbest设置为初始群体中最佳粒子位置；

步骤3.3将按照式(4)、式(5)和式(6)更新例子的位置和速度；

x(t+1)＝x(t)+v(t+1)(4)

v(t+1)＝ωv(t)+c1r1(pbest(t)-x(t))+c2r2(gbest(t)-x(t))(5)

其中，t为当前的进化代数；c1、c2为学习因子，设定c1＝c2＝2；r1、r2为分布于[0,1]内的随机数；pbest为粒子个体的最优解；gbest为整个粒子群的全局最优解；ω为惯性系数；ωmax、ωmin分别为最大和最小惯性系数；tmax为最大迭代次数；τ为权重系数，设置为τ＝30；

步骤3.4计算粒子i的适应度f(xi)，i∈[1,n]，f(xi)是适应度函数；

步骤3.5若粒子i的适应度f(xi)优于自身个体极值pbest的适应度f(pbest)，就用粒子当前的位置xi替换pbest；

步骤3.6若粒子i的适应度f(xi)优于当前的全局极值gbest的适应度f(gbest)，就用粒子当前的位置xi替换全局极值gbest；

步骤3.7根据式(7)计算群体适应度方差σ²；

其中，fi为第i个粒子的适应度函数值，favg为粒子群当前的平均适应度函数值；

步骤3.8判断算法是否满足收敛条件，如果满足就转到步骤6.10，否则转到步骤6.9；

步骤3.9根据式(8)、式(9)进行混沌搜索，再用搜索到的最好的可行点随机取代一个粒子，然后转到步骤3.3；

zi+1＝μzi(1-zi),μ∈(2,4](8)

x(t+1)＝xmin+zi+1(xmax-xmin)(9)

其中，zi+1为混沌变量，μ为控制参数，设定为μ＝4；xmax为当前位置变量的最大值；xmin为当前位置变量的最小值；

步骤3.10输出全局最优解gbest，并求出对应的目标函数值，算法结束。

所述步骤4的具体方法为：

和分别为：

步骤(1)通过逆解耦器将太阳能溴化锂制冷机组解耦为太阳能热水流量-空调水水温和空调水温度-溴化锂浓度两个独立控制回路，设计二自由度数据驱动pid控制器进行控制；

步骤(2)用φ(j)表示数据库中存储的输入输出值和pid参数值；

其中，n为数据库中信息变量的个数；

φ(j)＝[y(j-1),y(j-2),...,y(j-ny),u(j-1),u(j-2),...,u(j-nu)]为信息变量，y(j-ny)和u(j-nu)分别为系统的输出和控制输入，ny和nu分别为系统输出和控制输入的阶次；tp(j)为pid的比例参数；ti(j)为pid的积分参数；td(j)为pid的微分参数；为φ(j)所对应的pid参数；

步骤(3)利用euclideandistance方法计算t时刻φ(t)和数据库中的信息向量φ(j)之间距离dtj：

通过式(11)计算出的距离大小度量φ(t)与存储在数据库中的各信息向量φ(j)间的相似度；在所有信息向量中选择k个dtj最小时所对应的信息向量；

步骤(4)计算pid参数运行步骤(3)所选择的k个信息向量，利用线性加权平均法，根据选定的信息向量所对应的k个pid参数值得到参数的预测估计值

其中，ωi为第i个信息向量φ(i)的权值；

步骤(5)采用最速下降法，优化pid参数：

η＝diag{ηp,ηi,ηd}(14)

e(t)＝r(t)-y(t)(16)

其中，η为学习速率，ηp、ηi、ηd分别为比例、积分、微分的学习速率；j(t)为误差准则；为误差准则求偏导，前一迭代周期的pid参数，为当前迭代周期的最新pid参数。

步骤(6)数据库更新，并删除冗余数据。

所述步骤(6)的具体方法为：

步骤(6.1)、将步骤(3)选取的k个信息向量排除在要删除的冗余数据外，在数据库中提取出其他与当前输入点的距离dtj≤σ1的信息向量；

步骤(6.2)、利用式(17)信息向量对应的pid参数间相似的准则，删除数据库冗余数据；

其中，tl(i)为数据库所存pid参数，为当前迭代周期的pid参数，σ1和σ2分别为从冗余数据中提取出被删除数据的抑制系数；设定σ1＝σ2＝0.5。

本发明的有益效果：

本发明确定了一种太阳能溴化锂制冷机组的整体建模、参数优化及最优控制的一体化方法，给出了基于深度学习的太阳能溴化锂制冷机组整体建模方法，在整体模型的基础上给出了基于自适应混沌粒子群优化算法的内部运行参数和外部运行变量的实时优化方法，并运用数据驱动pid控制算法快速跟踪最优外部控制变量目标值，实现在不同工况和负载下实时优化太阳能溴化锂制冷机组的内部运行参数和外部运行参数，有效解决了太阳能溴化锂制冷机组难建模、难优化、难控制的技术难题，该方法能使太阳能溴化锂制冷机组在不同工况和负载下都能在最优参数和高效区运行，有效提高了太阳能溴化锂制冷机组的制冷效率和安全稳定性。

附图说明

图1太阳能溴化锂制冷机组的整体建模与最优控制一体化方法设计图；

图2数据驱动pid控制方法流程图。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

本发明包括：基于深度学习的太阳能溴化锂制冷机组的整体建模方法、基于自适应混沌粒子群优化算法的太阳能溴化锂制冷机组的内部运行参数和外部过程变量优化方法，基于数据驱动pid控制算法的太阳能溴化锂制冷机组外部过程变量最优控制方法，其整体设计图如图1所示。

太阳能溴化锂制冷机组的整体建模与最优控制一体化方法，包括：

步骤一：确定太阳能溴化锂制冷机组的整体建模的输入变量，包括；

步骤1.1选择太阳能溴化锂制冷机组整体建模的输入变量ri:

ri＝[ttyn-c,ttyn-j,ltyn,tkts-c,tkts-j,lkts,tlqs-c,tlqs-j,llqs,tfsq,wfsq,txsq,wxsq,tzlj,lzlj,txhl,lxhl,nxhl,tzfq,yzfq]；

其中：ttyn-c为太阳能热水出溴化锂机组温度值(℃)，ttyn-j为太阳能热水进溴化锂机组温度值(℃)，ltyn为太阳能热水进溴化锂机组的流量值(m³/h)，tkts-c为空调制冷水出溴化锂机组的温度值(℃)，tkts-j为空调制冷水进溴化锂机组的温度值(℃)，lkts为空调制冷水出溴化锂机组的流量值(m³/h)，tlqs-c为冷却水出溴化锂机组的温度值(℃)，tlqs-j为冷却水进溴化锂机组的温度值(℃)，llqs为冷却水进溴化锂机组的流量值(m³/h)，tfsq为溴化锂机组发生器内的温度值(℃)，wfsq为溴化锂机组发生器内的液位值(m)，txsq为溴化锂机组吸收器内的温度值(℃)，wxsq为溴化锂机组吸收器内的液位值(m)，tzlj为制冷剂的温度值(℃)，lzlj为制冷剂的流量值(m³/h)，txhl为溴化锂溶液的温度值(℃)，lxhl为溴化锂溶液的流量值(m³/h)，nxhl为溴化锂溶液的浓度值(％)，tzfq为溴化锂机组蒸发器内的温度值(℃)，yzfq为溴化锂机组蒸发器的压力值(kpa)；

步骤1.2利用c-c方法相空间重构输入变量ri：

采用c-c方法相空间重构太阳能溴化锂制冷机组的整体建模的输入变量时间序列ri，设定ri的延迟时间ti和嵌入维数mi，将太阳能溴化锂制冷机组的整体建模的输入变量ri统一表达为ri＝[ri(t),ri(t-ti),…,ri(t-(mi-1)ti)]；将ri特征数据表达为20×mi的输入变量时间序列向量ri；

步骤二：确定太阳能溴化锂制冷机组的整体建模的输出变量si，包括：

si＝[cop,pkts,ptyn,plqs]；

其中：cop为太阳能溴化锂机组的效率参数值，pkts为太阳能溴化锂机组生产空调冷水功率值(kw)，ptyn为输入到太阳能溴化锂机组的太阳能热水功率(kw)，plqs为太阳能溴化锂机组的冷却水功率(kw)；

步骤三：本发明以深度学习方法建立太阳能溴化锂制冷机组的整体模型，主要步骤包括：

步骤3.1构造深信度网络dbn，具体包括以下步骤：

步骤3.1.1构造基于rbm的5层dbn，包括1个输入层，3个隐藏层和1个决策层；

步骤3.1.2指定dbn的输入层节点数为20×3600；第一个隐藏层节点数为500；第二个隐藏层节点数为500；第三个隐藏层节点数为1000；决策层的节点数为4。

步骤3.2所述训练dbn，具体包括以下步骤：

步骤3.2.1使用对比散度cd算法对dbn的5层进行逐层训练，计算3个隐藏层和1个决策层的输出值和各层之间的权值及偏置；

步骤3.2.2使用bp算法对整个dbn进行调整，优化dbn参数，完成dbn全局训练。

步骤3.3利用步骤3.2训练的最优权值和偏置，得出太阳能溴化锂机组的整体模型；

步骤四：确定太阳能溴化锂制冷机组的内部运行参数优化变量ei和外部过程控制变量ci：

ei＝[yzfq,ttyn-j,ltyn,lkts,llqs,tlqs-j,lxhl,txhl,lzlj,tzlj]；

ci＝[tkts-c,nxhl]；

其中：yzfq为溴化锂机组蒸发器的压力值(kpa)，ttyn-j为太阳能热水进溴化锂机组温度值(℃)，ltyn为太阳能热水进溴化锂机组的流量值(m³/h)，tkts-c为空调制冷水出溴化锂机组的温度值(℃)，lkts为空调制冷水出溴化锂机组的流量值(m³/h)，llqs为冷却水进溴化锂机组的流量值(m³/h)，tlqs-j为冷却水进溴化锂机组的温度值(℃)，lxhl为溴化锂溶液的流量值(m³/h)，txhl为溴化锂溶液的温度值(℃)，nxhl为溴化锂溶液的浓度值(％)，lzlj为制冷剂的流量值(m³/h)，tzlj为制冷剂的温度值(℃)；

步骤五：确定太阳能溴化锂制冷机组内部运行参数和外部过程控制变量优化的目标函数：

本发明的目标函数为：运行成本npv最低：

minnpv^br＝rcbr+com+ce(1)

式(1)中：npv^br为冷热电联供系统年运行成本，单位:元；r为投资回收系数，

其中，l为年利率，m为设备使用年限；cbr为太阳能溴化锂制冷机组的投资总额，单位：元，com为太阳能溴化锂制冷机组的维修管理费用，包括设备维护与维修费用、管理人员费用，单位：元；

ce＝je(pzkb+pktsb+plqsb+pxhlb+pzljb+plqfs)(3)

式(3)中，ce为太阳能溴化锂制冷机组的用电成本，单位：元；je为用电价格，单位：元/kwh；pzkb为溴化锂机组抽真空泵耗电量，单位：kwh；pktsb为溴化锂机组空调水泵耗电量，单位：kwh；plqsb为溴化锂机组冷却水水泵耗电量，单位：kwh；pxhlb为溴化锂机组溴化锂泵耗电量，单位：kwh；pzljb为溴化锂机组制冷剂泵耗电量，单位：kwh；plqfs为冷却塔冷却风扇耗电量，单位：kwh；

步骤六：本发明采用自适应混沌粒子群优化算法求解太阳能溴化锂制冷机组的最优内部运行参数和外部过程控制变量，主要步骤包括：

步骤6.1初始化粒子群，在允许范围内随机设置粒子的初始位置x和初始速度v，i∈[1,n]，n为粒子个数；

步骤6.2将第i个粒子的pbest设置为该粒子的当前位置，gbest设置为初始群体中最佳粒子位置；

步骤6.3将按照式(4)、式(5)和式(6)更新例子的位置和速度；

x(t+1)＝x(t)+v(t+1)(4)

v(t+1)＝ωv(t)+c1r1(pbest(t)-x(t))+c2r2(gbest(t)-x(t))(5)

其中，t为当前的进化代数；c1、c2为学习因子，设定c1＝c2＝2；r1、r2为分布于[0,1]内的随机数；pbest为粒子个体的最优解；gbest为整个粒子群的全局最优解；ω为惯性系数；ωmax、ωmin分别为最大和最小惯性系数；tmax为最大迭代次数；τ为权重系数，设置为τ＝30；

步骤6.4计算粒子i的适应度f(xi)，i∈[1,n]，f(xi)是适应度函数；

步骤6.5若粒子i的适应度f(xi)优于自身个体极值pbest的适应度f(pbest)，就用粒子当前的位置xi替换pbest；

步骤6.6若粒子i的适应度f(xi)优于当前的全局极值gbest的适应度f(gbest)，就用粒子当前的位置xi替换全局极值gbest；

步骤6.7根据式(7)计算群体适应度方差σ²；

其中，fi为第i个粒子的适应度函数值，favg为粒子群当前的平均适应度函数值；

步骤6.8判断算法是否满足收敛条件，如果满足就转到步骤6.10，否则转到步骤6.9；

步骤6.9根据式(8)、式(9)进行混沌搜索，再用搜索到的最好的可行点随机取代一个粒子，然后转到步骤6.3；

zi+1＝μzi(1-zi),μ∈(2,4](8)

x(t+1)＝xmin+zi+1(xmax-xmin)(9)

其中，zi+1为混沌变量，μ为控制参数，设定为μ＝4；xmax为当前位置变量的最大值；xmin为当前位置变量的最小值；

步骤6.10输出全局最优解gbest，并求出对应的目标函数值，算法结束。

步骤七：根据步骤六所求解的最优运行参数目标值和外部过程变量

将最优内部运行参数下发给太阳能溴化锂制冷机组控制系统并运行，，将最优外部过程变量下发到两个控制回路的控制器，控制器采用数据驱动pid算法快速跟踪外部过程变量目标值，数据驱动pid控制方法流程图，如图2所示。

步骤7.1通过逆解耦器将太阳能溴化锂制冷机组解耦为l(太阳能热水流量)-t(空调水水温)和w(空调水温度)-d(溴化锂浓度)两个独立控制回路，对其设计二自由度数据驱动pid控制器进行控制。

步骤7.2用φ(j)表示数据库中存储的输入输出值和pid参数值；

其中，n为数据库中信息变量的个数；

φ(j)＝[y(j-1),y(j-2),...,y(j-ny),u(j-1),u(j-2),...,u(j-nu)]为信息变量，y(j-ny)和u(j-nu)分别为系统的输出和控制输入，ny和nu分别为系统输出和控制输入的阶次；tp(j)为pid的比例参数；ti(j)为pid的积分参数；td(j)为pid的微分参数；为φ(j)所对应的pid参数；

步骤7.3利用euclideandistance方法计算t时刻φ(t)和数据库中的信息向量φ(j)的之间距离dtj：

通过式(11)计算出的距离大小度量φ(t)与存储在数据库中的各信息向量φ(j)间的相似度；在所有信息向量中选择k个dtj最小时所对应的信息向量；

步骤7.4计算pid参数运行步骤7.3所选择的k个信息向量，利用线性加权平均法(lwa)，根据选定的信息向量所对应的k个pid参数值，得到参数的预测估计值

其中，ωi为第i个信息向量φ(i)的权值。

步骤7.5采用最速下降法，优化pid参数：

η＝diag{ηp,ηi,ηd}(14)

e(t)＝r(t)-y(t)(16)

其中，η为学习速率，ηp、ηi、ηd分别为比例、积分、微分的学习速率；j(t)为误差准则；为误差准则求偏导，前一迭代周期的pid参数，为当前迭代周期的最新pid参数。

步骤7.6数据库更新，并删除冗余数据；

首先将步骤7.5选取的k个信息向量排除在要删除的冗余数据外，在数据库中提取出其他与当前输入点的距离dtj≤σ1的信息向量；利用式(17)信息向量对应的pid参数间相似的准则，删除数据库冗余数据；

其中，tl(i)为数据库所存pid参数，为当前迭代周期的pid参数，σ1和σ2分别为从冗余数据中提取出被删除数据的抑制系数；设定σ1＝σ2＝0.5。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。