基于小波变换的电能质量扰动识别方法与流程

本发明属于电力系统检测与分析领域，具体涉及一种基于小波变换的电能质量扰动识别方法。

背景技术：

随着大量的非线性负载和电力电子设备接入电网中，为了保障电能质量满足用户的性能要求，有必要对输电和配电系统中的电能质量进行有效检测和分析。其中，电能质量扰动(powerqualitydisturbance，pqd)信号是分析电能质量的重要参数，pqd识别技术已成为电能质量分析领域的一个重要研究方向。pqd识别的目的是从海量的电能质量数据中将pqd快速准确地定位和识别。pqd识别过程包括特征提取和模式识别两部分。而pqd特征提取则是pqd识别的关键所在，好的pqd特征能有效地提高识别准确度和减少计算复杂度。

pqd特征提取是通过映射变换提取到能反映扰动信号波形特征的特征量。目前，常用的特征提取方法包括：傅里叶变换、小波变换、希尔伯特-黄变换等。其中，傅里叶变换着重反映分析信号的整体信息，但是由于忽略了信号的局部特性，且对于非平稳信号不具备时间局部性，因此不满足时频分析要求。虽然小波变换已被广泛应用于pqd特征提取，该变换从各层小波分解系数中提取特征向量，适用于平稳和非平稳信号进行分析，可获得较好的效果，但是现有技术中的小波变换算法复杂度较高。

技术实现要素：

为了提高pqd识别的准确度，克服输电和配电系统中电能质量检测效率低的问题，本发明提供一种基于小波变换的电能质量扰动识别方法，将最大方差展开(maximumvarianceunfolding，mvu)非线性流行学习算法引入小波变换中，在提取信号小波能量向量的基础上通过mvu进行特征向量降维，以很好地保持原数据的分布边界且使信息量更集中，缩减特征向量个数并满足k-最近邻点间局部距离不变的约束，减轻后续pqd的分类运算时间，提高pqd识别准确率。

为了实现上述目的，本发明采取了如下技术方案。

一种基于小波变换的pqd识别方法，所述方法包括如下步骤：

步骤s1，构建pqd信号模型；

步骤s2，基于mvu对小波变换提取到的pqd特征向量进行压缩。

进一步地，所述步骤s1中所构建的pqd信号模型中，包括电压凸起、电压凹陷、电压间断、谐波、电压脉冲暂态和电压振荡暂态六种pqd信号。

进一步地，所述步骤s2进一步包括：

步骤s21，pqd的小波变换得到pqd原始特征集；

步骤s22，引入mvu算法进行mvu特征提取得到pqd特征向量；

步骤s23，选取mvu算法对小波变换提取到的pqd特征提取参数并进行压缩。

进一步地，所述步骤s22进一步包括：

步骤s221，选择合适的近邻数k来进行构建邻接矩阵wn×n,若xi是xj的k近邻,则wij＝1,否则wij＝0,其中xi为相空间数据点,n为相空间内数据点个数；

步骤s222，求解优化问题得到最优核矩阵k。

由上述本发明的实施例提供的技术方案可以看出，本发明实施例将mvu方法引入到基于小波变换的pqd特征提取中，考虑扰动参数随机性和噪声影响，根据常见的pqd模型产生信号，在提取信号小波能量向量的基础上通过mvu进行特征向量降维。得到的低维pqd特征向量很好地保持了原数据的分布边界，且信息量更集中。mvu算法缩减了特征向量个数并满足k-最近邻点间局部距离不变的约束，在选取核函数时充分考虑了高维数据集的分布特性，减轻了后续pqd的分类压力，减少了分类运算时间，提高了pqd识别准确率。

本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例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一些实施例，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，还可以根据这些附图获得其他的附图。

图1为本发明实施例的基于小波变换的pqd识别方法流程示意图；

图2为本发明实施例输入信号分析时间长度取为10个周波的波形图；

图3为本发明实施例采用db1-10小波分别对纯正弦信号进行10尺度分解的示意图；

图4为本发明实施例参数k的寻优结果图；

图5为本发明实施例采用isomap算法进行数据处理结果图；

图6为本发明实施例采用lle算法进行数据处理结果图；

图7为本发明实施例采用ltsa算法进行数据处理结果图；

图8为本发明实施例采用lpp算法进行数据处理结果图；

图9为本发明实施例采用mvu算法进行数据处理结果图。

具体实施方式

下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

为便于对本发明实施例的理解，下面将结合附图以具体实施例为例做进一步的解释说明，且实施例并不构成对本发明的限定。

本发明实施例提供了一种基于小波变换的电能质量扰动识别方法。

小波变换是一种pqd特征提取方法，被广泛应用于pqd特征提取，现有技术中，该变换从各层小波分解系数中提取特征向量，可获得较好的信号分析效果，但是算法复杂度较高。

数据降维技术分为线性降维和非线性降维，非线性降维又分为基于核方法和基于几何结构的非线性降维。几何结构的非线性降维，即流行学习可在有效减少数据规模的同时保留高维空间的非线性流形结构，实现维数约简。并且流形学习是在没有任何先验知识的条件下，根据高维观测数据集发现未知映射，并找到与高维观测数据集对应的低维流形表示。目前主要的流形学习算法有：等距映射算法(isometricmapping，isomap)、局部线性嵌入算法(locallylinearembedding，lle)、局部切空间排列算法(localtangentspacealignment，ltsa)、局部保持映射算法(localitypreservingprojection，lpp)和最大方差展开算法(maximumvarianceunfolding，mvu)。其中，mvu算法是一种基于流形局部等距概念的流形学习算法，当近邻点间的欧式距离保持不变时，可通过平移旋转等变换，在低维空间中展开高维数据流形。

本发明实施例结合小波变换出现的pqd识别问题，将mvu方法引入到基于小波变换的pqd特征提取中，考虑扰动参数随机性和噪声影响，根据常见的pqd模型产生信号，在提取信号小波能量向量的基础上通过mvu进行特征向量进行压缩降维。得到的低维pqd特征向量很好地保持了原数据的分布边界，且信息量更集中。mvu算法缩减了特征向量个数并满足k-最近邻点间局部距离不变的约束，在选取核函数时充分考虑了高维数据集的分布特性，减轻了后续pqd的分类压力，减少了分类运算时间，提高了pqd识别准确率。

本实施例基于小波变换的pqd识别方法，首先对pqd信号进行小波分解得到信号的小波能量作为原始特征集，然后通过mvu算法对原始特征集进行压缩，由于在算法中引入核函数将非凸二次规划转化为凸半正定最优化问题，从而得到信息量更集中且很好保持训练数据分布边界的低维pqd特征，最后结合分类器算法完成pqd识别。

非线性流行学习理论表明，当原始pqd特征集需要压缩数据和分类信号类别时，mvu流行学习算法可以很好找到潜入在r^d内的r^r。而k*进行谱分解得到特征值和相对应的特征向量，可以表征原来的向量空间，而选取的r<d，也就是说r维特征向量保留了d维原始pqd信号x的所有有用特征，且信息量更集中。以上分析可以得出，基于mvu算法提取到的特征在分类识别过程中，要优于特征分散的原始特征集。因此，基于mvu算法提取pqd特征向量，作为分类器的输入，是一种有改进的pqd识别方法。

图1所示为本发明实施例的基于小波变换的pqd识别方法流程示意图。如图1所示，根据本发明的一个实施例，所述基于小波变换的pqd识别方法包括如下步骤：

步骤s1，构建pqd信号模型；

步骤s2，基于mvu对小波变换提取到的pqd特征向量进行压缩。

所述步骤s1中：

本实施例建立如表1所示的标准信号与6种扰动信号的仿真模型。

表1pqd信号模型

如表1所示，数学公式模型包括了六种常见的pqd信号(电压凸起、电压凹陷、电压间断、谐波、电压暂态，其中电压暂态包括脉冲暂态和振荡暂态)。其中：u(t)为阶跃函数；α为幅度；t1和t2分别为扰动开始时刻和结束时刻；t为信号周波；ω为基波角频率，基波频率设定为50hz。其输入信号的分析时间长度取为10个周波即0.2s。图2示出了本实施例所述的输入信号分析时间长度取为10个周波的波形图。

所述步骤s2，进一步包括如下步骤：

步骤s21，pqd的小波变换得到pqd原始特征集。

具体的，为：选择合适的小波函数对原始pqd信号进行分解得到m维(m＝1,2,3,…,n)相空间。

目前，采用小波变换提取pqd原始信号中的特征向量是一种普遍的方法。多分辨率分析是小波分析的基本理论，mallat算法则能快速实现小波变换。其通过重复使用低通滤波器和高通滤波器来实现分解。滤波器得到的低频分量和高频分量各占信号频带的1/2。对得到的新的低频分量重复上述分解过程，得到下一层的高频分量和低频分量。

根据parseval定理，能量小波系数公式如下：

∫[f(t)]²dt＝∑[aj(k)]²+∑[dj(k)]²(1)

式(1)中，f(t)为待分解信号，aj(k)为小波分解第j层的近似系数，dj(k)为小波分解第j层的细节系数。对pqd进行j层分解，f(t)信号的小波变换近似能量分布和细节能量分布分别定义为：

式(2)和(3)中，j＝1,2,…,j，经过j层小波分解，得到j+1个特征量，将特征量构成能量函数

与正常信号相比，各种pqd对应的各尺度下小波变换系数的能量是不同的，因此可对扰动进行多尺度分解，然后根据能量特征构造特征向量。由于daubechies(db)系列小波的正交性、紧支性，对不规则信号较为敏感，非常适合对pqd信号进行变换，可得db4小波处理能力最优。用以上提到的db正交小波基对采样率为6.4khz的纯正弦信号(不含噪声)进行分析。图3所示为采用db1-10小波分别对纯正弦信号进行10尺度分解的示意图。如图3所示，横坐标为分解尺度，纵坐标为能量，在第7分解尺度上出现信号分解能量最大能量值。利用以上公式进行db4小波7层分解，只提取细节能量部分由7个特征量组成向量构造pqd信号的原始向量集，作为下一步mvu运算的数据样本。

步骤s22，引入mvu算法进行mvu特征提取得到pqd特征向量。

具体包括：

步骤s221，选择合适的近邻数k来进行构建邻接矩阵wn×n,若xi是xj的k近邻,则wij＝1,否则wij＝0,其中xi为相空间数据点,n为相空间内数据点个数。

假设高维空间r^d中的观测数据集x＝(x1,x2,...,xn)^t是从嵌入在d维空间中的r维流形m上采样得到，流形学习就是在没有任何关于m和r先验知识的条件下，根据高维观测数据集x发现未知映射f:r^d→r^r(r＜＜d)，并找到与高维观测数据集x一一对应的低维流形表示y＝(y1,y2,...yn)^t,y∈r^r。

mvu算法首先根据x构造一个n×n的邻接矩阵w,如果xi是xj的k近邻，则wij＝1，否则wij＝0。mvu算法可表述为如下的优化问题：

s.t.||yi-yj||²wij＝||xi-xj||²wij,

式(4)中，第一个约束函数是局部等距约束，它保证高维空间中的数据点向低维映射时，近邻点间的欧式距离保持不变，数据集的局部结构因此得以保留。第二个是中心化约束，用来消除平移自由度。

这是一个在平方等式约束下的非凸二次规划问题，容易陷入局部最优解。通过引入核函数可转化为一个凸半正定最优化问题，定义数据集y的核矩阵为k＝[kij]n×n，它的元素为kij＝<yi,yj>，其中<·,·>表示求内积。此时，上述优化问题可转化为：

maxtrace(k)

s.t.k≥0,

kii-2kij+kjj＝||xi-xj||²,如果wij＝1(5)

式(5)中，trace(·)表示矩阵的迹，第一个增加的约束k≥0表示k为半正定矩阵，用来保证数据来自于凸集。

步骤s222，求解优化问题公式(5)得到最优核矩阵k。

对上述的凸半正定最优化问题(5)的求解有成熟的快速算法，在此不再赘述。

步骤s223，对k进行谱分解，根据k特征值及其相应特征向量由公式(7)和(8)计算出高维流形在r维空间的坐标表示。

设k^*为该优化问题的最优解,对k^*进行谱分解得到

其中λα是矩阵k^*的第α个特征值，vαi为相应特征向量的第i个元素。由此，高维数据xi的n维映射的第α个元素为

至此,d维观测数据xi的r维嵌入可用式(8)表示：

mvu是一种能够自动学习训练数据核矩阵的流行算法。通过求解一个半正定规划，从而得到训练数据的最优核矩阵。在满足k-最近邻点间局部距离不变的约束下，使映射到核特征空间中的训练数据方差最大化。因此，潜在的高维数据中的非线性结构被映射到对应的核特征空间中，并使得映射为线性。由于mvu算法只需要保持数据集局部等距离，因此mvu可以对非凸流形进行有效处理，且信息量更集中。由于mvu算法取核函数时充分考虑了高维数据集的分布特性，从而保证非线性分布的数据集映射到特征空间后能满足线性分布，并较好地保持了训练数据集的分布边界。

步骤s23，选取mvu算法对小波变换提取到的pqd特征提取参数并进行压缩。

由步骤s21及步骤s22可得两个重要参数，即估计维数参数r和邻近点个数k，这两个参数的选取分别涉及到基于pqd信号的本征维数估计和邻域参数选取。其中，

所述本征维数估计选取过程如下：

在确保无信息丢失的前提下，通过最少变量个数表示数据自由变量，称为该数据集合的本征维数，其是数据集的一种固有属性。相空间内相点邻域内的分布特质是由信号的本征维数决定的，因此，通过分析相点邻域所张成的子空间可以确定信号的本征维数。在重构相空间中，噪声分布在整个高维相空间中，而有用信号实质上是分布在以本征维数为大小的特征空间里。因此，在采用流形学习进行降维时，若约简目标维数选择过大，则可能消除噪声分布不理想；而若约简目标维数选择过小，则可能消除掉有用信号。

极大似然估计法(maximumlikelihoodestimate，mle)估计数据的本征维数是通过建立近邻点对间距离的似然函数估计数据的本征维数。设x1，x2，…，xn为高维的样本数据，构造一个二项随机过程，建立邻近点距离的似然函数。对于给定的k，将本征维数的估计式遍历x1，x2，…，xn从而得到n个局部本征维数的估计值mk(xi)，并取平均值作为全局本征维数的估计值：

对每种pqd信号的ed进行mle本征维数估计，结果得到估计维数r＝3。

所述邻域参数选取过程如下：

邻域选择参数,邻近点个数k对于流形学习算法的性能影响也很大。这是因为大量的最近邻域可以促成流形小规模结构的消除及整个流形的平滑。相反，太少邻域可能误将连续的流形划分成脱节的子流形。由于算法的参数较少且相互独立，搜索的复杂度不高，所以在搜索范围内遍历所有的邻近点个数k，在一定的约束条件下找到最合适的参数值，从而搜寻到最优的邻域参数k。

对于pqd信号的ed进行mvu流行算法特征提取计算时，当r＝3时，参数k在10～20的搜索范围内遍历邻近参数k，搜索步长为2，其中约束条件为以svm分类器分类时训练准确率和测试准确率最高，从而搜寻到最优的邻域参数k。参数k的寻优结果如图4所示。如图4所示，k值在10到20之间变化时,当k＝12，k＝14时，模型训练准确率和测试准确率最高，分别为100％，99.52％。

为了避免计算资源消耗过多,只要k值能至少较好地保持数据集局部低维流形的特性就可以。表2对比了当k＝12，k＝14时的700个pqd信号的特征提取运行时间,可以看出k＝12时的耗时要少。因此，在实验过程中选取mvu算法参数为r＝3，k＝12。

表2运行时间对比

tab.2runtimecomparison

为了验证本发明实施例的基于小波变换的pqd识别方法所提取的特征向量的有效性和鲁棒性，分别选取经典的分类算法k最近邻法(knn，k-nearestneighbor)和支持向量机法(supportvectormachine，svm)进行分类验证。knn分类算法是数据挖掘分类技术中最简单的方法之一。其优点在于其算法简单，容易理解，易于实现，不需要估计参数和分类训练。svm是在统计学习理论的基础上发展起来的一种新的模式识别方法。本实施例选用一对一svm构造多个二分类器实现pqd分类，其中选取径向基函数中的高斯核函数作为svm的核函数。由于svm算法需要预学习，因此分别输入训练样本和测试样本进行实验分类。

根据表1所提供的信号模型产生pqd数据。取电压正弦信号和电压凸起、电压凹陷、电压间断、谐波、电压暂态，其中电压暂态包括脉冲暂态和振荡暂态6类扰动信号各100个，共700个样本；输入信号的分析时间长度取10个周波(0.2s)，采样率为6.4khz，信号的采样点为1280个，每个周波采128个点；为较好地模拟实际中的各种情况，保证分析结果的可靠性，令每种扰动的参数如扰动起止时间、幅值、持续时间在允许范围内随机变化，并给扰动信号加入信噪比为30db的随机白噪声。对pqd信号进行采样得到7组100×1280的样本数据。应用上述数据，实现基于mvu算法的pqd特征提取，并分别选用knn和svm分类器进行算法验证。在svm分类器分类时，分别取每种扰动70个样本作为训练集，取30个样本作为测试集。

为了验证mvu方法能有效解决pqd特征提取的相关性和冗余性问题，采用mvu算法对ed进行数据处理，从而提取pqd的3维特征向量。并将isomap、lle、ltsa、lpp算法与本文算法进行了特征提取对比。首先，通过db4小波7层分解的能量值构造样本向量数据，然后再分别采用isomap、lle、ltsa、lpp、mvu算法进行数据处理，从而提取pqd的3维特征向量。其可视化嵌入图，分别如图5、图6、图7、图8、图9所示。其中，不同类别pqd的样本表示方法如图例所示。

图5、图6、图7分别为采用isomap、lle、ltsa算法进行pqd特征提取的可视化嵌入图。可以看出以上三种降维方法的嵌入结果很不理想，图中均出现了严重的数据拥挤问题，嵌入结果中不同类别的样本相互交叠在一起，几乎无法展示相互分离的状况。

图8为采用lpp方法进行pqd特征提取的三维散点图。该图可以看出lpp方法将pqd信号分为两类混叠，即电压正弦、凸起和凹陷信号拥挤混叠在一起，无法区分；其它信号拥挤混叠在一起，无法区分。

图9为mvu算法的pqd特征向量提取结果的嵌入图。由于mvu算法更好的保持了训练数据集的分布边界，3维散点降维结果分离程度较好，为了更清晰的显示结果可将其3维结果投影到2维平面。由图9可得，7种不同类别的样本数据降维后的空间分布，正常信号和6种pqd信号均能明显区分，在完成维数简化的同时很好的保持了训练数据的分布边界。

与其它经典的非线性流行学习算法相比，mvu算法不但完成了对pqd特征向量的降维，而且很好的解决了流行算法在pqd分析中出现的数据“拥挤问题”。这是由于mvu算法尝试通过学习核矩阵来解决如何选择核函数这个问题。mvu算法在数据上定义一个邻域图并在结果图中保留两两距离来学习核矩阵。在邻域图中的距离保留不变的约束下(即在数据流行的局部几何形状不变的约束下)，通过使数据点之间的欧几里得距离最大化来实现流行展开。所得到的优化问题可以使用半正定规划来解决。

综上所述，基于mvu算法的pqd特征提取方法能保持样本高维空间中隐藏的低维结构，并将这潜在的流形嵌入到低维空间中。并且mvu降维后的低维数据较好的保持了训练数据的分布边界。从以上实验结果分析可以看出mvu算法对于pqd特征提取的降维效果优于其它流行学习算法。

为了验证本发明实施例的基于小波变换的pqd识别方法的有效性和鲁棒性，分别采用knn和svm分类器，对以上得到的pqd特征向量进行分类验证。

采用knn分类算法来验证基于mvu算法的pqd特征提取的识别效果。在实验过程中，在给定范围内取任意k值，基于mvu算法得到的pqd特征向量的识别结果均为100％。以上结果说明该特征向量具有明确的分类边界，使得对于后续的分类算法要求极低，对于分类器参数选择并不敏感，是一种强壮稳健的pqd特征。

采用一对一方法构造多分类svm分类器，来验证基于mvu的pqd特征提取的识别效果。svm的核函数采用高斯径向基核函数。其中核函数的尺度参数取σ＝0.1、正则化参数取c＝100。每种扰动的前70个数据用于svm分类器的训练。后30个数据用于测试分类的准确率。svm分类器的训练集分类结果为100％。svm分类器的测试集分类结果为99.52％，如表3所示。

表3基于mvu算法的svm测试集分类结果

tab.3classificationresultsofsvmtestsetsbasedonmvu

由pqd特征提取可知，对pqd信号进行采样得到7组100×1280的样本数据。经过7层小波分解，每种扰动的小波能量数据为100×7的矩阵，通过mvu算法降维后得到100×3的矩阵。从而达到样本降维的目的。分别选取mvu算法降维前x100×7为特征向量和mvu算法降维后y100×3为特征向量进行pqd分类对比，两种特征向量的识别结果如表4所示。

表4mvu算法降维前后pqd识别结果

tab.4comparisonofpqdrecognitionresults

由以上实验结果可得，在mvu算法降维前，将小波能量ed作为特征向量，用svm分类器对pqd分类，其训练和测试准确率都低于mvu算法，而其训练和测试运行时间都高于mvu算法。实验结果说明由于mvu算法处理后的pqd特征向量减少了维数，从而在识别过程中缩减了运行时间；由于mvu算法处理后的pqd特征向量很好的保持了训练数据的分布边界，且信息量更集中，从而有助于提高分类准确率。

由此可见，本发明实施例的基于小波变换的pqd识别方法，在考虑了随机参数和噪声的影响下，较好地完成了对pqd信号的低维嵌入表示，是一种理想的特征提取方法。通过构造通用分类器，验证了mvu算法提取到的pqd特征向量的有效性，其可以减少分类运行时间和提高pqd识别率。mvu维数约简后的低维pqd特征向量很好的保持了训练数据的分布边界，且信息量较其他流行算法更集中，在降维的同时可以减轻后续pqd的分类压力。

本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中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网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

本领域普通技术人员可以理解：实施例中的装置中的部件可以按照实施例描述分布于实施例的装置中，也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的部件可以合并为一个部件，也可以进一步拆分成多个子部件。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。