一种区域风电场群预报及间歇性定量刻画方法及装置与流程
本申请涉及风电技术领域，尤其涉及一种区域风电场群预报及间歇性定量刻画方法及装置。
背景技术：
近几年，风电发展迅猛并在电力系统中占越来越大的比例。然而，由于风的间歇性，使得风电大规模并网后会对电网的稳定和安全运行产生影响。因此，对大规模风电的间歇性研究，可以为电力系统提供更为详细的决策参考信息，对于风电接入后电力系统的安全运行有着重要的意义。
目前，现有研究成果主要集中在风速间歇性方面。有学者给出了一个风速间歇性的定性定义：指均线沿时间轴的接近不连续的快速变化。这使得风电出力出现陡变，给电力系统的安全运行造成威胁，特别是在负荷的高峰和低谷时期，这种威胁尤为巨大。因为在负荷高峰时段，机组的出力基点已调至高点，备用裕量明显不足，如果此时原有接入电网的风电出力突然降低，很可能会造成电网出力跟不上负荷的变化，从而使得系统频率下降，系统内有功功率不能平衡。在负荷低谷时段，机组的出力基点已调至低点，各机组出力压到较低的位置，系统备用向下调节能力明显不足，如果此时原有接入电网的风电出力突然升高，不可避免的要采取弃风的措施来维持系统的平衡。
因此，为了消除间歇性的影响，许多研究人员对实际中的风电爬坡事件进行预测。也有学者提出了利用风机启停频度来定量刻画风速的间歇性，在此基础上进一步提出了如何利用单台风电机组的启停频度参数，实现对风电场群的多台风电机组进行虚拟集结后总发电质量评估及辅助调度方法。然而，并没有出现用具体的参数来定量刻画风电场群间歇性的方式，存在精确度不高的技术问题。
技术实现要素：
本申请实施例提供了一种区域风电场群预报及间歇性定量刻画方法及装置，解决了现有技术中没有出现用具体的参数来定量刻画风电场群间歇性的方式，存在精确度不高的技术问题。
有鉴于此，本申请第一方面提供了一种区域风电场群预报及间歇性定量刻画方法，所述方法包括：
基于风速陡变占空比的定义，利用区域风电场群中每台风电机组的历史风速数据得到每台风电机组的风速陡变占空比时间序列；
通过pearson互相关性分析法确定不同风电机组的风速陡变占空比时间序列的相关性，并将互相关系数大于第一预设阈值的多台风电机组集结为一个虚拟统一调度单元；
将每个虚拟统一调度单元中的多台风电机组的风速陡变占空比时间序列进行叠加，得到多个虚拟统一调度单元的风速陡变占空比时间序列；
通过pearson自相关性分析法确定每个虚拟统一调度单元的风速陡变占空比时间序列的可预报性，并将自相关系数大于第二预设阈值的自相关长度作为对应虚拟统一调度单元的最佳预报长度；
基于每个虚拟统一单元的最佳预报长度，针对每个虚拟统一调度单元利用bp神经网络建立多个预报模型，通过多个预报模型得到未来区域风电场群的预报风速陡变占空比，并利用预报风速陡变占空比得到区域风电场群的间歇性定量刻画结果。
可选地，基于风速陡变占空比的定义，利用区域风电场群中每台风电机组的历史风速数据得到每台风电机组的风速陡变占空比时间序列具体包括：
根据区域风电场群中每台风电机组的历史风速数据得到每台风电机组的风速变化量序列{δv(t)}；
统计每台风电机组的风速变化量序列{δv(t)}的分布，并利用正态分布置信区间得到每台风电机组的第一陡变阈值θ1和第二陡变阈值θ2；
基于风速陡变占空比的定义，根据每台风电机组的第一陡变阈值θ1和第二陡变阈值θ2计算每台风电机组的风速陡变占空比时间序列，其中，风速陡变占空比的定义为：
式中，δt为预设时间间隔，m为预设时间间隔δt下的风速变化量序列{δv(t)}的长度，n1和n2分别为预设时间段内风速发生陡升和陡降的次数，每台风电机组的风速变化量序列{δv(t)}的分布中，高于第一陡变阈值θ1的第一时间段内风速发生了陡升，低于第二陡变阈值θ2的第二时间段内风速发生了陡降，根据第一时间段内风速发生陡升的次数确定n1，根据第二时间段内风速发生陡降的次数确定n2。
可选地，通过pearson互相关性分析法确定不同风电机组的风速陡变占空比时间序列的相关性，并将互相关系数大于第一预设阈值的多台风电机组集结为一个虚拟统一调度单元具体包括：
通过pearson互相关函数计算每两台风电机组的风速陡变占空比时间序列的互相关系数，pearson互相关函数具体为：
式中，k为第一预设延迟步长，n为风电机组的风速陡变占空比时间序列的长度，
当互相关系数大于第一预设阈值时，将两台风电机组集结为一个虚拟统一调度单元。
可选地，通过pearson自相关性分析法确定每个虚拟统一调度单元的风速陡变占空比时间序列的可预报性，并将自相关系数大于第二预设阈值的自相关长度作为对应虚拟统一调度单元的最佳预报长度具体包括：
通过pearson自相关函数计算每个虚拟统一调度单元的风速陡变占空比时间序列的自相关系数，pearson自相关函数具体为：
式中，k为第二预设延迟步长，n为虚拟统一调度单元的风速陡变占空比时间序列的长度，
当自相关系数大于第二预设阈值时，将自相关长度作为对应的虚拟统一调度单元的最佳预报长度。
可选地，基于每个虚拟统一单元的最佳预报长度，针对每个虚拟统一调度单元利用bp神经网络建立多个预报模型，通过多个预报模型得到未来区域风电场群的预报风速陡变占空比，并利用预报风速陡变占空比得到区域风电场群的间歇性定量刻画结果之后还包括：
根据区域风电场群的预报风速陡变占空比和间歇性定量刻画结果制定辅助调度方案。
本申请第二方面提供一种区域风电场群预报及间歇性定量刻画装置，所述装置包括：
序列生成单元，用于基于风速陡变占空比的定义，利用区域风电场群中每台风电机组的历史风速数据得到每台风电机组的风速陡变占空比时间序列；
互相关分析单元，用于通过pearson互相关性分析法确定不同风电机组的风速陡变占空比时间序列的相关性，并将互相关系数大于第一预设阈值的多台风电机组集结为一个虚拟统一调度单元；
叠加单元，用于将每个虚拟统一调度单元中的多台风电机组的风速陡变占空比时间序列进行叠加，得到多个虚拟统一调度单元的风速陡变占空比时间序列；
自相关分析单元，用于通过pearson自相关性分析法确定每个虚拟统一调度单元的风速陡变占空比时间序列的可预报性，并将自相关系数大于第二预设阈值的自相关长度作为对应虚拟统一调度单元的最佳预报长度；
预报及刻画单元，用于基于每个虚拟统一单元的最佳预报长度，针对每个虚拟统一调度单元利用bp神经网络建立多个预报模型，通过多个预报模型得到未来区域风电场群的预报风速陡变占空比，并利用预报风速陡变占空比得到区域风电场群的间歇性定量刻画结果。
可选地，序列生成单元还用于：
根据区域风电场群中每台风电机组的历史风速数据得到每台风电机组的风速变化量序列{δv(t)}；
统计每台风电机组的风速变化量序列{δv(t)}的分布，并利用正态分布置信区间得到每台风电机组的第一陡变阈值θ1和第二陡变阈值θ2；
基于风速陡变占空比的定义，根据每台风电机组的第一陡变阈值θ1和第二陡变阈值θ2计算每台风电机组的风速陡变占空比时间序列，其中，风速陡变占空比的定义为：
式中，δt为预设时间间隔，m为预设时间间隔δt下的风速变化量序列{δv(t)}的长度，n1和n2分别为预设时间段内风速发生陡升和陡降的次数，每台风电机组的风速变化量序列{δv(t)}的分布中，高于第一陡变阈值θ1的第一时间段内风速发生了陡升，低于第二陡变阈值θ2的第二时间段内风速发生了陡降，根据第一时间段内风速发生陡升的次数确定n1，根据第二时间段内风速发生陡降的次数确定n2。
可选地，互相关分析单元还用于：
通过pearson互相关函数计算每两台风电机组的风速陡变占空比时间序列的互相关系数，pearson互相关函数具体为：
式中，k为第一预设延迟步长，n为风电机组的风速陡变占空比时间序列的长度，
当互相关系数大于第一预设阈值时，将两台风电机组集结为一个虚拟统一调度单元。
可选地，自相关分析单元还用于：
通过pearson自相关函数计算每个虚拟统一调度单元的风速陡变占空比时间序列的自相关系数，pearson自相关函数具体为：
式中，k为第二预设延迟步长，n为虚拟统一调度单元的风速陡变占空比时间序列的长度，
当自相关系数大于第二预设阈值时，将自相关长度作为对应的虚拟统一调度单元的最佳预报长度。
可选地，还包括：
调度方案制定单元，用于根据区域风电场群的预报风速陡变占空比和间歇性定量刻画结果制定辅助调度方案。
从以上技术方案可以看出，本申请实施例具有以下优点：
本申请实施例中，提供了一种区域风电场群预报及间歇性定量刻画方法，本申请基于风速陡变占空比这个可以刻画风速间歇性的参数，然后利用pearson互相关性分析法将不同风电机组的风速陡变占空比时间序列进行聚类划分，将存在强相关性的风电机组聚集成一个虚拟统一调度单元，再利用pearson自相关性分析法将虚拟统一调度单元中可预报性高的最佳预报长度确定，最终利用bp神经网络对未来区域风电场群的预报风速陡变占空比进行预报，并完成对未来区域风电场群的间歇性定量刻画，解决了现有技术中没有出现用具体的参数来定量刻画风电场群间歇性的方式，存在精确度不高的技术问题。
附图说明
图1为本申请实施例中一种区域风电场群预报及间歇性定量刻画方法的方法流程图；
图2为本申请实施例中一种区域风电场群预报及间歇性定量刻画装置的装置结构图；
图3为内蒙古一个风电场群1月份风速时间序列图；
图4为风速变化量的时间序列图；
图5为风速变化量的统计分布图；
图6为风速陡变占空比时间序列图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
本申请设计了一种区域风电场群预报及间歇性定量刻画方法及装置，解决了现有技术中没有出现用具体的参数来定量刻画风电场群间歇性的方式，存在精确度不高的技术问题。
为了便于理解，请参阅图1，图1为本申请实施例中一种区域风电场群预报及间歇性定量刻画方法的方法流程图，如图1所示，具体为：
101、基于风速陡变占空比的定义，利用区域风电场群中每台风电机组的历史风速数据得到每台风电机组的风速陡变占空比时间序列；
102、通过pearson互相关性分析法确定不同风电机组的风速陡变占空比时间序列的相关性，并将互相关系数大于第一预设阈值的多台风电机组集结为一个虚拟统一调度单元；
103、将每个虚拟统一调度单元中的多台风电机组的风速陡变占空比时间序列进行叠加，得到多个虚拟统一调度单元的风速陡变占空比时间序列；
104、通过pearson自相关性分析法确定每个虚拟统一调度单元的风速陡变占空比时间序列的可预报性，并将自相关系数大于第二预设阈值的自相关长度作为对应虚拟统一调度单元的最佳预报长度；
105、基于每个虚拟统一单元的最佳预报长度，针对每个虚拟统一调度单元利用bp神经网络建立多个预报模型，通过多个预报模型得到未来区域风电场群的预报风速陡变占空比，并利用预报风速陡变占空比得到区域风电场群的间歇性定量刻画结果。
进一步地，基于风速陡变占空比的定义，利用区域风电场群中每台风电机组的历史风速数据得到每台风电机组的风速陡变占空比时间序列具体包括：
根据区域风电场群中每台风电机组的历史风速数据得到每台风电机组的风速变化量序列{δv(t)}；
统计每台风电机组的风速变化量序列{δv(t)}的分布，并利用正态分布置信区间得到每台风电机组的第一陡变阈值θ1和第二陡变阈值θ2；
基于风速陡变占空比的定义，根据每台风电机组的第一陡变阈值θ1和第二陡变阈值θ2计算每台风电机组的风速陡变占空比时间序列，其中，风速陡变占空比的定义为：
式中，δt为预设时间间隔，m为预设时间间隔δt下的风速变化量序列{δv(t)}的长度，n1和n2分别为预设时间段内风速发生陡升和陡降的次数，每台风电机组的风速变化量序列{δv(t)}的分布中，高于第一陡变阈值θ1的第一时间段内风速发生了陡升，低于第二陡变阈值θ2的第二时间段内风速发生了陡降，根据第一时间段内风速发生陡升的次数确定n1，根据第二时间段内风速发生陡降的次数确定n2。
需要说明的是，记t时刻及t+δt的风速分别为v(t)和v(t+δt)，则δt时间间隔内风速的变化量δv(t)＝v(t+δt)-v(t)。对于风速变化量，提前给定一个正的第一陡变阈值θ1和一个负的第二陡变阈值θ2，当δv(t)＞θ1时，表明风速发生了一个陡升；当δv(t)＜θ2时，表明风速发生了一个陡降。取预设时间段l(可以是1个小时或者1天)内的风速序列，计算在给定的时间间隔δt下的风速变化量序列{δv(t)}，该序列的长度记为m，同时统计l时间段内风速发生陡升和陡变的次数，分别记为n1和n2。在此基础上，风速陡变占空比(drwsr)的定义如下：
同样的，还可以定义风速陡升占空比(drwsru)和风速陡降占空比(drwsrd)：
风速陡变占空比(drwsr)实际上表示一段时间内风速发生陡变的持续时间所占的比例，其取值范围为[0,1]。drwsr越大，表明一段时间内风速陡变持续的时间越长，则该时间段内风速的间歇性较强；反之drwsr越小，表明一段时间内风速陡变持续时间短，该时间段内风速的间歇性较弱。由此我们可以用风速陡变占空比这一参数实现对风速间歇性的定量刻画。
根据风速陡变占空比的定义，可以看出其与风速陡升和陡降的次数有关，而风速陡升陡降的判定与提前给定的第一陡变阈值θ1和第二陡变阈值θ2有关，所以需要给出阈值的确定方法。在本发明中，我们采用置信区间的方法来给出这两个阈值。在得到风速变化量序列{δv(t)}后，统计其分布。以正态分布为例，假设风速变化量序列{δv(t)}的统计分布其符合正态分布，则表明{δv(t)}中有95％的数据处于区间[μ-2σ，μ+2σ]之内，即
p(μ-2σ≤δv(t)≤μ+2σ)＝95％；
其中μ是{δv(t)}的均值，σ是{δv(t)}的标准差。
令θ1＝μ+2σ，θ2＝μ-2σ，则表明我们认为{δv(t)}中95％的变化量是正常的风速变化量，处于区间[μ-2σ，μ+2σ]之内，而剩余5％的风速变化量则代表风速发生了陡变。
最后，基于真实风速数据，计算每台风电机组的风速陡变占空比时间序列，本申请中所有风速数据的采样间隔为5s，计算时的预设时间间隔δt选为1min。而电力系统日前调度是以小时为单位来制定的，所以预设时间段l取为1小时。
图3为内蒙古一个风电场群1月份风速时间序列图，采样时间为5s。图4为得到的1min时间间隔的风速变化量序列{δv(t)}，
进一步地，通过pearson互相关性分析法确定不同风电机组的风速陡变占空比时间序列的相关性，并将互相关系数大于第一预设阈值的多台风电机组集结为一个虚拟统一调度单元具体包括：
通过pearson互相关函数计算每两台风电机组的风速陡变占空比时间序列的互相关系数，pearson互相关函数具体为：
式中，k为第一预设延迟步长，n为风电机组的风速陡变占空比时间序列的长度，
当互相关系数大于第一预设阈值时，将两台风电机组集结为一个虚拟统一调度单元。
需要说明的是，利用pearson互相关函数法，设{xt}t＝1:n和{yt}t＝1:n是一随机时间序列，则度量xt与yt的互相关系数被定义为样本的协方差，即：
互相关函数定义为：
将上式中的随机时间序列{xt}t＝1:n和{yt}t＝1:n分别替换成2个实际风电机组的陡变占空比时间序列，并根据互相关函数的定义，对风机风速陡变占空比时间序列进行互相关函数计算，计算时k是延迟步长，n是风机风速陡变占空比时间序列的长度，
随着互相关长度的增大，相关系数成递减的趋势。而一般认为互相关系数在0.5—0.8之间表明数据之间存在强相关，所以本申请中取互相关系数的第一预设阈值为0.6。当互相关系数大于0.6时，认为两台风电机组可以进行虚拟集结。
最后，根据计算结果分析每两台不同风电机组的风速陡变占空比时间序列的互相关性，实现多台风电机组虚拟发电场群的聚集划分。根据统计结果，将存在很强关联的风电机组聚集在一起形成虚拟风场，即虚拟统一调度单元。
进一步地，通过pearson自相关性分析法确定每个虚拟统一调度单元的风速陡变占空比时间序列的可预报性，并将自相关系数大于第二预设阈值的自相关长度作为对应虚拟统一调度单元的最佳预报长度具体包括：
通过pearson自相关函数计算每个虚拟统一调度单元的风速陡变占空比时间序列的自相关系数，pearson自相关函数具体为：
式中，k为第二预设延迟步长，n为虚拟统一调度单元的风速陡变占空比时间序列的长度，x是虚拟统一调度单元的风速陡变占空比时间序列的均值，xt+k是将原始虚拟统一调度单元的风速陡变占空比时间序列xt延迟k个步长后得到的时间序列，γ(k)是延迟k个步长后的协方差，γ(0)是延迟步长k＝0时的协方差，ρ(k)是延迟k个步长后得到的自相关系数；
当自相关系数大于第二预设阈值时，将自相关长度作为对应的虚拟统一调度单元的最佳预报长度。
需要说明的是，电力系统需要保证能量的供需平衡，大规模风电机组并网后，为了保证系统安全稳定的运行，电力系统需要提供足够的旋转备用来平抑风电功率的波动。针对风电机组的间歇性问题，如果能够提前提供有关区域风电场群间歇性的信息，就可以为风电场群间歇性较强的时间段提高较多的备用容量，而在风电场群间歇性较弱的时间段预留较少的备用容量。
利用pearson自相关分析的方法来研究整个风场陡变占空比的可预报性。设{xt}t＝1:n是一随机时间序列，xt与其延迟k个步长的样本xt+k之间的自相关系数表示这两个信号的相关程度。自相关系数越大，表明这两个信号之间存在很强的依赖关系，可以用统计方法挖掘数据中隐藏的规律，实现对未来数据的预报。而此时的k个步长则代表自相关长度。
其中，pearson自相关分析方法的基本原理如下：
时间序列自相关性的经典方法是pearson自相关函数法，设{xt}t＝1:n是一随机时间序列，则度量xt与其延迟k个步长的样本xt+k的自相关系数ρ(k)的计算公式如下：
在具体计算时，将上式中的随机时间序列{xt}t＝1:n替换成实际的叠加得到虚拟统一调度单元的风场陡变占空比的时间序列，对得到的虚拟统一调度单元的风场陡变占空比时间序列进行自相关函数计算，计算时k是延迟步长，n是风速陡变占空比时间序列的长度，
随着自相关长度的增大，自相关系数成递减的趋势。而一般认为自相关系数在0.5—0.8之间表明数据之间存在强相关，所以本申请中取自相关系数的阈值为0.6。取自相关系数在0.6以上的自相关长度为最佳预报长度，说明当前时刻的信号和最佳预报长度时间后的信号间存在很强的依赖关系，可以采用统计方法用历史的风速陡变占空比来预测未来一段时间内的风场陡变占空比。
采用同样的方法也可以对进一步叠加得到的风场陡升占空比及风场陡降占空比时间序列的可预报性进行分析。
进一步地，基于每个虚拟统一单元的最佳预报长度，针对每个虚拟统一调度单元利用bp神经网络建立多个预报模型，通过多个预报模型得到未来区域风电场群的预报风速陡变占空比，并利用预报风速陡变占空比得到区域风电场群的间歇性定量刻画结果之后还包括：
根据区域风电场群的预报风速陡变占空比和间歇性定量刻画结果制定辅助调度方案。
需要说明的是，采用bp神经网络建立对应的多步预报模型，对风场陡变占空比进行预报，完成对未来区域风场间歇性的定量刻画。同样也可以对区域风电场群陡升占空比及陡降占空比进行预报。
对分区电力系统进行实时调度与优化控制，可以根据区域风场陡变占空比的预报结果制定更为合理经济的调度计划，在风场间歇性较强的时间段提供较多的备用容量，而在风场间歇性较弱的时间段预留较少的备用容量。除此之外，该预报方法对其它风工程领域也有一定的借鉴意义。
以上是对本申请提供的一种区域风电场群预报及间歇性定量刻画方法的方法流程进行的说明，以下将对本申请提供的一种区域风电场群预报及间歇性定量刻画装置的装置结构进行说明。
请参阅图2，本申请提供了一种区域风电场群预报及间歇性定量刻画装置的装置结构图，装置包括：
序列生成单元201，用于基于风速陡变占空比的定义，利用区域风电场群中每台风电机组的历史风速数据得到每台风电机组的风速陡变占空比时间序列；
互相关分析单元202，用于通过pearson互相关性分析法确定不同风电机组的风速陡变占空比时间序列的相关性，并将互相关系数大于第一预设阈值的多台风电机组集结为一个虚拟统一调度单元；
叠加单元203，用于将每个虚拟统一调度单元中的多台风电机组的风速陡变占空比时间序列进行叠加，得到多个虚拟统一调度单元的风速陡变占空比时间序列；
自相关分析单元204，用于通过pearson自相关性分析法确定每个虚拟统一调度单元的风速陡变占空比时间序列的可预报性，并将自相关系数大于第二预设阈值的自相关长度作为对应虚拟统一调度单元的最佳预报长度；
预报及刻画单元205，用于基于每个虚拟统一单元的最佳预报长度，针对每个虚拟统一调度单元利用bp神经网络建立多个预报模型，通过多个预报模型得到未来区域风电场群的预报风速陡变占空比，并利用预报风速陡变占空比得到区域风电场群的间歇性定量刻画结果。
进一步地，序列生成单元201还用于：
根据区域风电场群中每台风电机组的历史风速数据得到每台风电机组的风速变化量序列{δv(t)}；
统计每台风电机组的风速变化量序列{δv(t)}的分布，并利用正态分布置信区间得到每台风电机组的第一陡变阈值θ1和第二陡变阈值θ2；
基于风速陡变占空比的定义，根据每台风电机组的第一陡变阈值θ1和第二陡变阈值θ2计算每台风电机组的风速陡变占空比时间序列，其中，风速陡变占空比的定义为：
式中，δt为预设时间间隔，m为预设时间间隔δt下的风速变化量序列{δv(t)}的长度，n1和n2分别为预设时间段内风速发生陡升和陡降的次数，每台风电机组的风速变化量序列{δv(t)}的分布中，高于第一陡变阈值θ1的第一时间段内风速发生了陡升，低于第二陡变阈值θ2的第二时间段内风速发生了陡降，根据第一时间段内风速发生陡升的次数确定n1，根据第二时间段内风速发生陡降的次数确定n2。
进一步地，互相关分析单元202还用于：
通过pearson互相关函数计算每两台风电机组的风速陡变占空比时间序列的互相关系数，pearson互相关函数具体为：
式中，k为第一预设延迟步长，n为风电机组的风速陡变占空比时间序列的长度，
当互相关系数大于第一预设阈值时，将两台风电机组集结为一个虚拟统一调度单元。
进一步地，自相关分析单元204还用于：
通过pearson自相关函数计算每个虚拟统一调度单元的风速陡变占空比时间序列的自相关系数，pearson自相关函数具体为：
式中，k为第二预设延迟步长，n为虚拟统一调度单元的风速陡变占空比时间序列的长度，
当自相关系数大于第二预设阈值时，将自相关长度作为对应的虚拟统一调度单元的最佳预报长度。
进一步地，还包括：
调度方案制定单元206，用于根据区域风电场群的预报风速陡变占空比和间歇性定量刻画结果制定辅助调度方案。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)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，以便这里描述的本申请的实施例例如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。
应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“a和/或b”可以表示：只存在a，只存在b以及同时存在a和b三种情况，其中a，b可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，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，仅仅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，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
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单元来实现本实施例方案的目的。
另外，在本申请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，本申请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(可以是个人计算机，服务器，或者网络设备等)执行本申请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、移动硬盘、只读存储器(英文全称：read-onlymemory，英文缩写：rom)、随机存取存储器(英文全称：randomaccessmemory，英文缩写：ram)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
- 还没有人留言评论。精彩留言会获得点赞！