本发明涉及电气技术领域，特别涉及一种电力客户分类方法、系统、终端及计算机可读存储介质。
背景技术：
目前，电力行业为了精准地实现客户需求，提高服务质量和服务效率，需要对电力客户进行详细分类，以根据分类结果识别客户的不同需求，进而推出针对性的营销策略。
现有技术中在对电力客户进行详细分类时使用的是k-means算法实现。现有的k-means算法因其具有操作简单、易于实现和效率高等优点，被广泛应用于数据挖掘、模式识别和机器学习等领域，是目前电力客户分类的一种常用方法。但它存在以下缺点：
首先，k-means算法的k值(即初始聚类中心)需要事先人为给出，而人为给出的k值与最佳的k值之间存在偏差，导致聚类效果不佳。
其次，k-means算法容易受到噪点的影响，因为初始聚类中心是随机选取，如果初始中心选取到了噪点，则会对分类结果造成很大影响。
技术实现要素：
本发明的目的是提供一种电力客户分类方法、系统、终端及计算机可读存储介质，能够通过自适应思想自动选取最优聚类数值，并采用基于密度的思想来选取初始聚类中心，最终提高电力客户分类的可靠性和准确性。
为解决上述技术问题，本发明提供一种电力客户分类方法，包括：
s1、接收随机生成的k以及输入的预设组数的客户数据；其中，k为聚类数值；
s2、计算任意两组客户数据的欧式距离以及所述预设组数的客户数据的平均距离，利用所述欧式距离以及所述平均距离将所述预设组数的客户数据聚类为k堆数据，并确定每堆数据的初始聚类中心；
s3、计算每组客户数据到各初始聚类中心的距离，并将对应每组客户数据划分到所述距离中最小距离对应的初始聚类中心的数据堆中，将所述客户数据重新聚类为k堆数据，并确定每堆数据的新聚类中心；
s4、若所述新聚类中心与所述初始聚类中心一致，则进入s6，若不一致，则s5将所述新聚类中心作为初始聚类中心重新执行s3；
s6、计算k对应的不适度值fk；
s7、分别将k赋值为k-1和k+1，执行s2至s6，得到k-1对应的不适度值fk-1和k+1对应的不适度值fk+1；
s8、判断不适度值fk是否小于不适度值fk-1和不适度值fk+1，若是，则执行s9，若否，则s10将最小的不适度值对应的聚类数值作为新的k后进入s2；
s9、输出k对应的电力客户分类结果。
可选的，所述s2包括：
利用op＝sqrt((xi1-xj1)2+(xi2-xj2)2+(xi3-xj3)2+···+(xii-xji)2)计算任意两组客户数据的欧式距离op；
利用meandist＝sum/(m(m-1))计算所述预设组数的客户数据的平均距离meandist；
利用所述欧式距离op以及所述平均距离meandist将所述预设组数的客户数据聚类为k堆数据，并选取每堆数据的中心点作为初始聚类中心；
其中，sqrt为平方根计算，xi1为第i组客户数据中第1个数据，xii为第i组客户数据中第i个数据，xj1为第j组客户数据中第1个数据，xji为第j组客户数据中第i个数据；sum为所有的任意两组客户数据的欧式距离op之和，m为预设组数。
可选的，所述确定每堆数据的新聚类中心，包括：
利用zhongxin＝((x11+x21+…xi1)/i,(x12+x22+…xi2)/i,…,(x1j+x2j+…xij)/i)计算每堆数据的新聚类中心zhongxin；
其中，x11为各堆数据中第1组客户数据中第1个数据，xi1为各堆数据中第i组客户数据中第1个数据，xi2为各堆数据中第i组客户数据中第2个数据，xij为各堆数据中第i组客户数据中第j个数据，i为各堆数据中客户数据的组数。
可选的，所述s6包括：
利用fk＝β1*dbi+β2*mdc计算k对应的不适度值fk；
其中，dbi为戴维森堡丁指数，mdc为不同类间的中心负荷曲线的距离的平均值，β1和β2为权重系数。
可选的，所述s1包括：
接收随机生成的k；其中，k为2到10之间的随机生成的聚类数值；
接收输入的初始客户数据，并对所述初始客户数据进行无效数据清除以及数据补全操作形成预设组数的客户数据。
可选的，所述s9包括：
通过绘图功能输出k对应的电力客户分类结果图。
本发明还提供一种电力客户分类系统，包括：
接收模块，用于接收随机生成的k以及输入的预设组数的客户数据；其中，k为聚类数值；
初始聚类中心模块，用于计算任意两组客户数据的欧式距离以及所述预设组数的客户数据的平均距离，利用所述欧式距离以及所述平均距离将所述预设组数的客户数据聚类为k堆数据，并确定每堆数据的初始聚类中心；
新聚类中心模块，用于计算每组客户数据到各初始聚类中心的距离，并将对应每组客户数据划分到所述距离中最小距离对应的初始聚类中心的数据堆中，将所述客户数据重新聚类为k堆数据，并确定每堆数据的新聚类中心；
第一判断模块，用于若所述新聚类中心与所述初始聚类中心一致，则进入不适度值计算模块，若不一致，则将所述新聚类中心作为初始聚类中心重新执行所述新聚类中心模块；
不适度值计算模块，用于计算k对应的不适度值fk；
赋值模块，用于分别将k赋值为k-1和k+1，执行所述初始聚类中心模块、所述新聚类中心模块以及所述第一比较模块得到k-1对应的不适度值fk-1和k+1对应的不适度值fk+1；
第二判断模块，用于判断不适度值fk是否小于不适度值fk-1和不适度值fk+1，若是，则执行输出模块，若否，则将最小的不适度值对应的聚类数值作为新的k后执行所述初始聚类中心模块；
输出模块，用于输出k对应的电力客户分类结果。
可选的，所述接收模块，包括：
接收单元，用于接收随机生成的k以及输入的初始客户数据；其中，k为2到10之间的随机生成的聚类数值；
预处理单元，用于对所述初始客户数据进行无效数据清除以及数据补全操作形成预设组数的客户数据。
本发明还提供一种终端，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上述任一项所述电力客户分类方法的步骤；
输出部件，用于输出k对应的电力客户分类结果。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述电力客户分类方法的步骤。
本发明所提供的电力客户分类方法，包括：s1、接收随机生成的k以及输入的预设组数的客户数据；其中，k为聚类数值；s2、计算任意两组客户数据的欧式距离以及预设组数的客户数据的平均距离，利用欧式距离以及平均距离将预设组数的客户数据聚类为k堆数据，并确定每堆数据的初始聚类中心；s3、计算每组客户数据到各初始聚类中心的距离，并将对应每组客户数据划分到距离中最小距离对应的初始聚类中心的数据堆中，将客户数据重新聚类为k堆数据，并确定每堆数据的新聚类中心；s4、若新聚类中心与初始聚类中心一致，则进入s6，若不一致，则s5将新聚类中心作为初始聚类中心重新执行s3；s6、计算k对应的不适度值fk；s7、分别将k赋值为k-1和k+1，执行s2至s6，得到k-1对应的不适度值fk-1和k+1对应的不适度值fk+1；s8、判断不适度值fk是否小于不适度值fk-1和不适度值fk+1，若是，则执行s9，若否，则s10将最小的不适度值对应的聚类数值作为新的k后进入s2；s9、输出k对应的电力客户分类结果。
可见，该方法利用欧式距离以及平均距离将预设组数的客户数据聚类为k堆数据，并确定每堆数据的初始聚类中心，即采用基于密度的思想来选取聚类的初始聚类中心，避免现有技术中随机选取的初始聚类中心为噪声点从而对结果造成的巨大影响；进一步该方法通过判断不适度值fk是否小于不适度值fk-1和不适度值fk+1来确认最终k值，即采用自适应思想来确认k值，避免人工反复输入k值来确认最佳聚类数值k。该方法可以提高电力客户分类的准确性，电力公司可以根据该分类对每类客户进行针对性服务，或者根据客户分类结果确定各类客户用电习惯，用电量等数据以备后续为其提供相应供电服务。本发明还提供了一种电力客户分类系统、终端及计算机可读存储介质，具有上述有益效果，在此不再赘述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明实施例所提供的电力客户分类方法的流程图；
图2为本发明实施例所提供的电力客户分类系统的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，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，都属于本发明保护的范围。
请参考图1，图1为本发明实施例所提供的电力客户分类方法的流程图；该方法可以包括：
s1、接收随机生成的k以及输入的预设组数的客户数据；其中，k为聚类数值；
具体的，本实施例中不需要人为指定k的值，即不需要由用户人为输入聚类数值。本实施例通过计算机随机生成一个k并在后续步骤中通过自适应计算，自动得到最佳的聚类数值也就是k值。由于k值即最后的分类的类别数值，因此其为正整数，一般情况下为2到10之间的正整数。
本实施例中并不对客户数据的具体内容进行限定，用户可以根据实际需求进行设定，例如电力客户的负荷波动数据，负荷数据等。进而每一组客户数据具有几个参数(几个数据量)本实施例并不限定，即本实施例并不限定一组客户数据的维数。本实施例也不限定预设组数的具体数值，用户可以根据实际分类需求进行设定和修改。
进一步，输入的预设组数的客户数据的可靠性会影响到最终的分类结果的准确性。优选的，本实施例可以对输入的客户数据进行预处理，从而提高得到的预设组数的客户数据的可靠性。本实施例并不限定对数据进行预处理的具体过程，用户可以根据实际选择的客户数据的类型进行适应性选择，例如去除无效数据等。优选的，接收输入的初始客户数据，并对初始客户数据进行无效数据清除以及数据补全操作形成预设组数的客户数据。
其中，本实施例并不限定无效数据清除的具体操作，例如可以是设定判定无效数据的规则，根据该规则对输入的初始客户数据进行无效数据清除。本实施例也不限定数据补全操作的具体过程，例如可以是对不全的数据根据以往数据进行纵向预测补全。
s2、计算任意两组客户数据的欧式距离以及预设组数的客户数据的平均距离，利用欧式距离以及平均距离将预设组数的客户数据聚类为k堆数据，并确定每堆数据的初始聚类中心；
具体的，利用op＝sqrt((xi1-xj1)2+(xi2-xj2)2+(xi3-xj3)2+···+(xii-xji)2)计算任意两组客户数据的欧式距离op；利用meandist＝sum/(m(m-1))计算预设组数的客户数据的平均距离meandist；
其中，sqrt为平方根计算，xi1为第i组客户数据中第1个数据，xi2为第i组客户数据中第2个数据，xi3为第i组客户数据中第3个数据，xii为第i组客户数据中第i个数据，xj1为第j组客户数据中第1个数据，xj2为第j组客户数据中第2个数据，xj3为第j组客户数据中第3个数据，xji为第j组客户数据中第i个数据；sum为所有的任意两组客户数据的欧式距离op之和，m为预设组数。
例如计算第一组客户数据和第二组客户数据的欧式距离的具体过程是利用op＝sqrt((x11-x21)2+(x12-x22)2+(x13-x23)2+···+(x1i-x2i)2)计算第一组客户数据和第二组客户数据的欧式距离。
利用欧式距离以及平均距离将预设组数的客户数据聚类为k堆数据，并确定每堆数据的初始聚类中心可以是：把欧式距离小于平均距离的对应的客户数据划分到一堆，按密集度从大到小获取k堆数据，并选取数据堆中的中心点作为初始聚类中心。具体的，对预设组数的客户数据中每组客户数据分别找出与其他组客户数据的欧式距离小于平均距离的集合，举个例子：第一组客户数据(即对象1)是预设组数客户数据(即数据集)中的一个数据，在计算出平均距离之后，计算对象1跟其他对象之间的欧式距离，判断其小于平均距离的个数有多少个。对于其他对象也是类似做法。然后找出其欧式距离小于平均距离的数目最多的那个距离集合。举个例子：若属于对象1的小于平均距离的数目有m个，属于对象2的小于平均距离的数目有n个，……，对象i的小于平均距离的数目有q个。若所有的数目中m最大。将m对应的那个对象作为一个初始聚类中心。即将对象1作为一个初始聚类中心。然后将选出的初始聚类中心对应的所有小于平均距离的距离全部剔除，再重复上述过程选取其他初始聚类中心直到选出的初始聚类中心数达到数目k。举个例子：假如说n是所有距离数目中仅小于m的数，那么在剔除了对象1对应的所有小于平均距离的距离之后，最大距离数就是n，这个时候就将这个最大距离集合n对应的那个对象2作为另一个初始聚类中心，然后又把对象2对应的所有小于平均距离的距离全部剔除。利用这个过程选出了初始聚类中心。即采用基于密度的思想来选取聚类的初始聚类中心，避免现有技术中随机选取的初始聚类中心为噪声点从而对结果造成的巨大影响。
s3、计算每组客户数据到各初始聚类中心的距离，并将对应每组客户数据划分到距离中最小距离对应的初始聚类中心的数据堆中，将客户数据重新聚类为k堆数据，并确定每堆数据的新聚类中心；
具体的，计算每组客户数据到各初始聚类中心的距离，并根据距离大小把该组客户数据划分到距离最小对应的那个初始聚类中心对应的数据集合(即数据堆)将客户数据重新聚类为k堆数据。重新计算k个数据集合的聚类中心，具体过程如下：
利用zhongxin＝((x11+x21+…xi1)/i,(x12+x22+…xi2)/i,…,(x1j+x2j+…xij)/i)计算每堆数据的新聚类中心zhongxin；
其中，x11为各堆数据中第1组客户数据中第1个数据，xi1为各堆数据中第i组客户数据中第1个数据，xi2为各堆数据中第i组客户数据中第2个数据，xij为各堆数据中第i组客户数据中第j个数据，i为各堆数据中客户数据的组数。例如当k＝3时，x11表示第一堆数据中第1组客户数据中第1个数据，第二堆数据中第1组客户数据中第1个数据，第三堆数据中第1组客户数据中第1个数据，其他字符也这样理解。即当k＝3时，调用三次上述公式得到三个新聚类中心zhongxin。
s4、若新聚类中心与初始聚类中心一致，则进入s6，若不一致，则s5将新聚类中心作为初始聚类中心重新执行s3；
具体的，若新聚类中心与初始聚类中心一致则计算对应的不适度值，若不一致则以新聚类中心代替初始聚类中心，即将新聚类中心作为初始聚类中心重新执行s3。循环执行直到新聚类中心与初始聚类中心一致此时才可以执行不适度值的计算。
s6、计算k对应的不适度值fk；
具体的，利用fk＝β1*dbi+β2*mdc计算k对应的不适度值fk；
其中，dbi为戴维森堡丁指数，mdc为不同类间的中心负荷曲线的距离的平均值，β1和β2为权重系数。
其中，
s7、分别将k赋值为k-1和k+1，执行s2至s6，得到k-1对应的不适度值fk-1和k+1对应的不适度值fk+1；
具体的，本实施例中s2至s6的过程要分别以聚类数值为k，k-1以及k+1分别执行下来，从而可以得到聚类数值为k对应的不适度值fk，k-1对应的不适度值fk-1以及k+1对应的不适度值fk+1。即当k＝3时，需要分别以聚类数值为2，聚类数值为3，聚类数值为4分别执行上述过程，得到2对应的不适度值，3对应的不适度值，4对应的不适度值。这三次循环过程的执行顺序可以不进行限定，例如可以是先执行k对应的过程，在执行k-1对应的过程，最后执行k+1对应的过程。也可以是同时并行执行k对应的过程、k-1对应的过程和k+1对应的过程。
进一步，在s2中可以只计算一次欧式距离以及平均距离，然后利用欧式距离以及平均距离将预设组数的客户数据聚类为k堆数据，并确定每堆数据的初始聚类中心；k-1堆数据，并确定每堆数据的初始聚类中心；k+1堆数据，并确定每堆数据的初始聚类中心。后续进行数据堆划分以及初始聚类中心的确定可以每次计算一个按顺序执行，也可以并行执行，本实施例对此并不进行限定。
s8、判断不适度值fk是否小于不适度值fk-1和不适度值fk+1，若是，则执行s9，若否，则s10将最小的不适度值对应的聚类数值作为新的k后进入s2；
具体的，当fk为三者中最小的则执行s9，若fk不为三者中最小的则将三者中最小的不适度值对应的聚类数值作为新的k后进入s2。例如当k＝3时，此时fk-1为最小值，则将k-1即2作为新的聚类数值k(此时执行s2时k为2)，重新执行上述过程，直到k对应的不适度值fk为三者中最小的，该循环结束。即本实施例通过该过程自适应来确认k值来进行客户数据的聚类分析，避免人工反复输入k值来确认最佳聚类数k。
s9、输出k对应的电力客户分类结果。
具体的，该步骤的主要目的就是将电力客户分类(k类)的结果输出给客户。本实施例并不限定具体的输出形式，例如可以是表格输出，也可以是图形输出，也可以是数据输出等。本实施例也不限定电力客户分类结果的内容。例如每种类别的客户数量以及种类，如输入150组客户数据，且客户数据为负荷大小数据以及负荷波动数据，通过本实施例中的方法后得到k＝2，对应预测用电量大于第一阈值且用电波动小于指定值类(50个)，对应预测用电量不大于第一阈值且用电波动不小于指定值(100个)；再如输入200组客户数据，且客户数据为负荷大小数据以及负荷波动数据，通过本实施例中的方法后得到k＝3，对应重点客户类(50个)，重点关注客户类(60个)，其他客户类(90个)。
进一步，为了提高用户的体验，使得用户能够直观快速得到电力用户的分类信息。可选的，通过绘图功能输出k对应的电力客户分类结果图。
即本实施例中针对传统基于k-means算法的电力客户分类方法的不足，提出本实施例中基于密度的自适应k-means算法来进行电力客户分类，该方法能够自动确认聚类数值k和初始聚类中心，并用来进行电力客户细分，进而提高了电力客户分类的准确性，为后续电力公司根据电力客户的分类结果针对性的推出供电方案奠定基础，从而提高电力公司的收益。
为了验证本实施例的优异性，下面分别使用传统k-means电力客户分类方法和本实施例中的电力客户分类方法分别对iris数据集(鸾尾类植物数据集)和wine数据集(玻璃辨识数据集)进行聚类，并进行聚类比较。两个数据集的具体信息请参考表1，两个分类方法的对iris数据集聚类结果请参考表2，两个分类方法的对wine数据集聚类结果请参考表3。
表1数据集具体信息
表2iris数据集聚类结果
表3wine数据集聚类结果
通过上述实验数据可以看到本实施例通过密度确定初始聚类中心以及自适应确定最佳的聚类数值k可以避免传统电力客户分类的缺点，提高电力客户分类的准确性。
下面结合某地的电力客户数据说明上述过程：
步骤1：先进行客户数据预处理，对无效数据进行清除处理，对不全的数据根据以往数据进行纵向预测补全。
步骤2：将清洗后的客户数据代入本实施例的方法中进行聚类分析，得出k＝3为最佳聚类数。
步骤3：将电力客户分成3类(即其他客户类，重要客户类以及重点关注客户类)，并通过绘图功能将电力客户分类结果图输出。各类客户特征及其分类如表4所示。
表4各类客户特征及其分类
基于上述技术方案，本发明实施例提供的电力客户分类方法，该方法利用欧式距离以及平均距离将预设组数的客户数据聚类为k堆数据，并确定每堆数据的初始聚类中心，即采用基于密度的思想来选取聚类的初始聚类中心，避免现有技术中随机选取的初始聚类中心为噪声点从而对结果造成的巨大影响；进一步该方法通过判断不适度值fk是否小于不适度值fk-1和不适度值fk+1来确认最终k值，即采用自适应思想来确认k值，避免人工反复输入k值来确认最佳聚类数值k，通过提高初始聚类中心选取的可靠性以及最佳聚类数值k选取的可靠性，最终提高电力客户分类的准确性，进而电力公司根据该可靠的分类结果可以提高对电力客户管理的效率。
下面对本发明实施例提供的电力客户分类系统、终端及计算机可读存储介质进行介绍，下文描述的电力客户分类系统、终端及计算机可读存储介质与上文描述的电力客户分类方法可相互对应参照。
请参考图2，图2为本发明实施例所提供的电力客户分类系统的结构框图；该系统可以包括：
接收模块100，用于接收随机生成的k以及输入的预设组数的客户数据；其中，k为聚类数值；
初始聚类中心模块200，用于计算任意两组客户数据的欧式距离以及预设组数的客户数据的平均距离，利用欧式距离以及平均距离将预设组数的客户数据聚类为k堆数据，并确定每堆数据的初始聚类中心；
新聚类中心模块300，用于计算每组客户数据到各初始聚类中心的距离，并将对应每组客户数据划分到距离中最小距离对应的初始聚类中心的数据堆中，将客户数据重新聚类为k堆数据，并确定每堆数据的新聚类中心；
第一判断模块400，用于若新聚类中心与初始聚类中心一致，则进入不适度值计算模块，若不一致，则将新聚类中心作为初始聚类中心重新执行新聚类中心模块；
不适度值计算模块500，用于计算k对应的不适度值fk；
赋值模块600，用于分别将k赋值为k-1和k+1，执行初始聚类中心模块、新聚类中心模块以及第一比较模块得到k-1对应的不适度值fk-1和k+1对应的不适度值fk+1；
第二判断模块700，用于判断不适度值fk是否小于不适度值fk-1和不适度值fk+1，若是，则执行输出模块，若否，则将最小的不适度值对应的聚类数值作为新的k后执行初始聚类中心模块；
输出模块800，用于输出k对应的电力客户分类结果。
基于上述实施例，接收模块100可以包括：
接收单元，用于接收随机生成的k以及输入的初始客户数据；其中，k为2到10之间的随机生成的聚类数值；
预处理单元，用于对初始客户数据进行无效数据清除以及数据补全操作形成预设组数的客户数据。
需要说明的是，基于上述任意实施例，所述装置可以是基于可编程逻辑器件实现的，可编程逻辑器件包括fpga，cpld，单片机等。
本发明实施例还一种终端，包括：
存储器，用于存储计算机程序；
处理器，用于执行计算机程序时实现如上述任意实施例所述的电力客户分类方法的步骤；
输出部件，用于输出k对应的电力客户分类结果。
具体的，本实施例并不对具体的输出部件进行限定。例如可以是显示屏等。
本发明实施例还一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述任意实施例所述的电力客户分类方法的步骤。
该计算机可读存储介质可以包括：u盘、移动硬盘、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的一种电力客户分类方法、系统、终端及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。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，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。