一种电量负荷预测方法及装置与流程

本发明属于能源技术领域，尤其涉及一种电量负荷预测方法及装置。

背景技术：

光伏是太阳能光伏发电系统的简称，是一种利用太阳电池半导体材料的光伏效应，将太阳光辐射能直接转换为电能的一种新型发电系统，同时，基于太阳能光伏发电系统的分类，一种是集中式，如大型西北地面光伏发电系统；一种是分布式，如工商企业厂房屋顶光伏发电系统。目前电量供应用户分为工业、商业、居民、办公等，不同用户的电量负荷、负荷量级、负荷特点都不尽相同，负荷预测的准确性难度也不尽相同。光伏电量负荷预测的方法很多，比如指数平滑、差分整合移动平均自回归模型(autoregressiveintegratedmovingaveragemodel)等，但均存在负荷预测准确性欠佳、预测偏差较大的现状。针对上述这一问题，亟需一种解决光伏电量负荷预测准确性差的新方法。

技术实现要素：

有鉴于此，本发明实施例提供了一种电量负荷预测方法、装置、终端设备及计算机可读存储介质，以解决现有技术中无法准确预测电量负荷、尤其是光伏电量负荷的技术问题。

本发明实施例的第一方面，提供了一种电量负荷预测方法，包括：

获取待预测时刻对应的时间序列数据与所述时间序列数据对应的外部因素数据；

采用多层降噪自编码器对所述外部因素数据进行处理，获取对应的隐含特征；

采用支持向量回归机对所述时间序列数据、所述外部因素数据和所述隐含特征进行处理，获取至少两个预测值；

采用回归加权模型对所述至少两个预测值进行处理，获取所述待预测时刻的电量负荷预测结果。

本发明实施例的第二方面，提供了一种电量负荷预测装置，包括：

数据获取模块，用于获取待预测时刻对应的时间序列数据和与所述时间序列数据对应的外部因素数据；

特征获取模块，用于采用多层降噪自编码器对所述外部因素数据进行处理，获取对应的隐含特征；

预测值获取模块，用于采用支持向量回归机对所述时间序列数据、所述外部因素数据和所述隐含特征进行处理，获取至少两个预测值；

结果获取模块，用于采用回归加权模型对所述至少两个预测值进行处理，获取所述待预测时刻的电量负荷预测结果。

本发明实施例的第三方面，提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述电量负荷预测方法步骤。

本发明实施例的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述电量负荷预测方法步骤。

本发明实施例提供的电量负荷预测方法的有益效果至少在于：本发明实施例通过三种预测方法的结合使用弥补了单一负荷预测不准确的缺点，解决了预测偏差大的问题，同时准确的预测结果利于后续工作的调度优化；该方法的整体运算具有较强的鲁棒性，具备较强的运算能力和运算稳定性，保证了预测的准确性、便捷性和迅速性，提升了整体处理速度，节约了处理资源，保证了该方案的科学性。

附图说明

为了更清楚地说明本发明实施例中的技术方案，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它的附图。

图1是本发明实施例提供的电量负荷预测方法的实现流程示意图一；

图2是本发明实施例提供的电量负荷预测方法中获取待预测时刻对应的时间序列数据与所述时间序列数据对应的外部因素数据的实现流程示意图；

图3是本发明实施例提供的电量负荷预测方法中获取对应的隐含特征的实现流程示意图；

图4是本发明实施例提供的电量负荷预测方法的实现流程示意图二；

图5是本发明实施例提供的电量负荷预测方法中获取满足预设要求的多层降噪自编码器、支持向量回归机和回归加权模型用于电量负荷预测的实现流程示意图；

图6是本发明实施例提供的电量负荷预测方法中获取满足预设要求的经过训练的多层降噪自编码器用于获取隐含特征的实现流程示意图；

图7是本发明实施例提供的电量负荷预测方法中确定满足预设要求的多层降噪自编码器、支持向量回归机和回归加权模型用于电量负荷预测的实现流程示意图；

图8是本发明实施例提供的电量负荷预测装置的示意图一；

图9是本发明实施例提供的电量负荷预测装置中信息获取模块的示意图；

图10是本发明实施例提供的电量负荷预测装置中特征获取模块的示意图；

图11是本发明实施例提供的电量负荷预测装置的示意图二；

图12是本发明实施例提供的电量负荷预测装置中训练模块的示意图；

图13是本发明实施例提供的终端设备的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。基于所描述的本发明的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。若未特别指明，实施例中所用的技术手段为本领域技术人员所熟知的常规手段。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

参阅图1，是本发明实施例提供的电量负荷预测方法的实现流程示意图一，该方法可以包括：

步骤s10：获取待预测时刻对应的时间序列数据与所述时间序列数据对应的外部因素数据。

进一步地，为了获取待预测时刻对应的时间序列数据与所述时间序列数据对应的外部因素数据，需要获取待预测时刻对应的时间序列数据。请参阅图2，是本发明实施例提供的电量负荷预测方法中获取待预测时刻对应的时间序列数据与所述时间序列数据对应的外部因素数据的实现流程示意图，在本实施例中，获取目标数据集的一种方式可以包括如下步骤：

步骤s101：获取时间序列的电量负荷数据。

时间序列的电量负荷数据可以为时间序列的光伏电量负荷数据，当然也可以是其他电量负荷数据，此处不作限制。

步骤s102：根据预设规则，从所述时间序列的电量负荷数据中提取与待预测时刻对应的时间序列数据。

预设规则可以是预设周数每周同一时刻的电量负荷数据、预设天数每天同一时刻的电量负荷数据，也可以是预设小时数每小时同一时刻的电量负荷数据，例如选择最近7周的数据、选择最近21天的数据、选择最近24小时的数据等，当然也可以是其他内容的预设规则，此处不作限制。

步骤s103：根据所述时间序列数据，获取与所述时间序列数据对应的外部因素数据，所述外部因素数据至少包括温度数据和天气数据。

应当理解的是，外部因素数据不仅包括温度和天气，还可以包括湿度、风速、能见度、压强等，此处不作限制。

请参阅图1，进一步地，在获取待预测时刻对应的时间序列数据和与所述时间序列数据对应的外部因素数据后，可以进行下述步骤：

步骤s30：采用多层降噪自编码器对所述外部因素数据进行处理，获取对应的隐含特征。

进一步地，为了获取隐含特征，需要采用多层降噪自编码器对所述外部因素数据进行处理。请参阅图3，是本发明实施例提供的电量负荷预测方法中获取对应的隐含特征的实现流程示意图，在本实施例中，获取隐含特征的一种方式可以包括如下步骤：

多层降噪自编码器(mdae)是由若干个去噪自编码(dae)组成，可以在一定程度上克服噪声的干扰，学习到更加鲁棒的特征表达。

步骤s301：对所述外部因素数据进行扰动操作，获取扰动数据。

单层去噪自编码器先对网络输入的数据进行某种干扰操作(比如加入高斯噪音)得到扰动数据。

步骤s302：采用特征提取函数对所述扰动数据进行处理，获取隐含特征。

扰动数据再通过映射函数对其变换得到隐含表示特征，然后再通过解码映射函数去重构输出向量，目标是输入数据和输出数据尽量相同，因此最小化目标函数来训练堆叠降噪自编码器，得到映射函数来对输入的特征数据进行特征隐藏表达。经过对多层dae神经网络的训练，可以得到多个特征提取函数，利用这些特征提取函数来对数据进行隐含特征表达。

请参阅图1，进一步地，在获取目隐含特征后，可以进行下述步骤：

步骤s40：采用支持向量回归机对所述时间序列数据、所述外部因素数据和所述隐含特征进行处理，获取至少两个预测值。

支持向量机(svm)本身是针对二分类问题提出的，而svr(支持向量回归机)是svm(支持向量机)中的一个重要的应用分支。svr回归与svm分类的区别在于，svr的样本点最终只有一类，它所寻求的最优超平面不是svm那样使两类或多类样本点分的“最开”，而是使所有的样本点离着超平面的总偏差最小。

请参阅图1，在获取至少两个预测值后，可以进行下述步骤：

步骤s50：采用回归加权模型对所述至少两个预测值进行处理，获取所述待预测时刻的电量负荷预测结果。

进一步地，请参阅图4，是本发明实施例提供的电量负荷预测方法的实现流程示意图二，采用多层降噪自编码器对所述外部因素数据进行处理，获取对应的隐含特征步骤前还可以包括以下步骤：

步骤s20：对初始多层降噪自编码器、初始支持向量回归机和初始回归加权模型进行训练，以获取满足预设要求的多层降噪自编码器、支持向量回归机和回归加权模型用于电量负荷预测。

进一步地，为了获取满足预设要求的多层降噪自编码器、支持向量回归机和回归加权模型用于电量负荷预测，需要对初始多层降噪自编码器、初始支持向量回归机和初始回归加权模型进行训练。请参阅图5，是本发明实施例提供的电量负荷预测方法中获取满足预设要求的多层降噪自编码器、支持向量回归机和回归加权模型用于电量负荷预测的实现流程示意图，在本实施例中，获取满足预设要求的多层降噪自编码器、支持向量回归机和回归加权模型用于电量负荷预测的一种方式可以包括如下步骤：

步骤s201：对所述待预测时刻的时间序列数据和所述时间序列数据对应的外部因素数据进行分割，以获取训练数据和测试数据。

步骤s202：采用所述训练数据对所述初始多层降噪自编码器进行训练，以获取经过训练的多层降噪自编码器和所述训练数据对应的隐含特征。

进一步地，为了获取满足预设要求的经过训练的多层降噪自编码器用于获取隐含特征，需要对初始多层降噪自编码器进行训练。请参阅图6，是本发明实施例提供的电量负荷预测方法中获取满足预设要求的经过训练的多层降噪自编码器用于获取隐含特征的实现流程示意图，在本实施例中，获取经过训练的多层降噪自编码器和所述训练数据对应的隐含特征的一种方式可以包括如下步骤：

步骤s2021：采用初始多层降噪自编码器对所述训练数据进行处理，获取所述训练数据的隐含特征。

步骤s2022：采用解码器函数对所述隐含特征进行解码处理，获取所述训练数据的输出向量。

步骤s2023：预设目标函数，使目标函数最小化，根据所述训练数据的输出向量，获取所述训练数据的输出数据，所述目标函数获取方式为：

l(x,z)＝(x-z)²

其中，x表征所述训练数据；z表征输出向量。

步骤s2024：将所述训练数据的输出数据进行反向传播求导训练初始编码器和解码器，获取经过训练的编码器和解码器。

步骤s2025：根据所述经过训练的编码器和解码器，获取经过训练的多层降噪自编码器。

步骤s2026：判断所述经过训练的多层降噪自编码器是否满足预设要求。

步骤s2027：若所述经过训练的多层降噪自编码器满足预设要求，则确定所述经过训练的多层降噪自编码器用于获取隐含特征。

步骤s2028：若所述经过训练的多层降噪自编码器不满足预设要求，则返回采用初始多层降噪自编码器对所述训练数据进行处理，获取所述训练数据的隐含特征步骤。

进一步地，获取满足预设要求的经过训练的多层降噪自编码器用于获取隐含特征后，可进行以下步骤：

步骤s203：采用所述隐含特征和所述训练数据对所述初始支持向量回归机进行训练，以获取经过训练的初始支持向量回归机和所述训练数据的预测值。

步骤s204：采用所述训练数据的预测值对所述初始回归加权模型进行训练，以获取经过训练的回归加权模型。

步骤s205：采用所述测试数据对所述经过训练的多层降噪自编码器、所述经过训练的初始支持向量回归机和所述经过训练的回归加权模型进行测试，以确定满足预设要求的多层降噪自编码器、支持向量回归机和回归加权模型用于电量负荷预测。

进一步地，为了确定满足预设要求的多层降噪自编码器、支持向量回归机和回归加权模型用于电量负荷预测，需要采用所述测试数据对所述经过训练的多层降噪自编码器、所述经过训练的初始支持向量回归机和所述经过训练的回归加权模型进行测试。请参阅图7，是本发明实施例提供的电量负荷预测方法中确定满足预设要求的多层降噪自编码器、支持向量回归机和回归加权模型用于电量负荷预测的实现流程示意图，在本实施例中，确定满足预设要求的多层降噪自编码器、支持向量回归机和回归加权模型用于电量负荷预测的一种方式可以包括如下步骤：

步骤s2051：将所述测试数据输入所述经过训练的多层降噪自编码器，以获取所述测试数据的隐含特征。

步骤s2052：将所述测试数据的隐含特征和所述测试数据输入所述经过训练的初始支持向量回归机，获取所述测试数据对应的预测值。

步骤s2053：将所述测试数据对应的预测值输入所述经过训练的回归加权模型，获取测试预测结果。

步骤s2054：根据所述测试预测结果和所述测试数据，获取测试指标。

步骤s2055：判断所述测试指标是否满足预设要求。

步骤s2056：若所述测试指标满足预设要求，则确定所述经过训练的多层降噪自编码器、所述经过训练的初始支持向量回归机和所述经过训练的回归加权模型分别为用于电量负荷预测的多层降噪自编码器、初始支持向量回归机和回归加权模型。

步骤s2057：若所述测试指标不满足预设要求，则返回采用所述训练数据对所述初始多层降噪自编码器进行训练步骤。

应当理解的是，以上各英文字母和/或符号仅是为清楚说明设备或者步骤的具体参数意义，也可用其他字母或者符号表示。此处不作限制。

应当理解的是，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

本发明实施例提供的电量负荷预测方法的有益效果至少在于：

(1)本文提出了一种基于降噪自编码器和支持向量回归机的负荷预测算法来对电量数据(例如光伏电量数据)进行负荷预测，算法由三部分组成，第一部分由多层降噪自编码器组成，对数据进行特征提取；第二部分由支持向量回归机组成，对抽取的特征进行负荷预测；第三部分由回归模型组成，对多个支持向量回归机的预测值进行加权分配，得到最终的负荷预测值。

(2)本发明实施例通过三种预测方法的结合使用弥补了单一负荷预测不准确的缺点，解决了预测偏差大的问题，同时准确的预测结果利于后续工作的调度优化；该方法的整体运算具有较强的鲁棒性，具备较强的运算能力和运算稳定性，保证了预测的准确性、便捷性和迅速性，提升了整体处理速度，节约了处理资源，保证了该方案的科学性。

本发明实施例的目的还在于提供一种电量负荷预测方法装置，图8是本发明实施例提供的电量负荷预测装置的示意图一，为了便于说明，仅示出与本申请实施例相关的部分。

请参阅图8，电量负荷预测方法装置包括数据获取模块61、特征获取模块63、预测值获取模块64以及结果获取模块65。其中，数据获取模块61用于获取待预测时刻对应的时间序列数据与所述时间序列数据对应的外部因素数据；特征获取模块63用于采用多层降噪自编码器对所述外部因素数据进行处理，获取对应的隐含特征；预测值获取模块64用于采用支持向量回归机对所述时间序列数据、所述外部因素数据和所述隐含特征进行处理，获取至少两个预测值；结果获取模块65用于采用回归加权模型对所述至少两个预测值进行处理，获取所述待预测时刻的电量负荷预测结果。

请参阅图9，进一步地，数据获取模块61包括第一数据获取单元611、第二数据获取单元612以及第三数据获取单元613。其中，第一数据获取单元611用于获取时间序列的电量负荷数据；第二数据获取单元612用于根据预设规则，从所述时间序列的电量负荷数据中提取与待预测时刻对应的时间序列数据；第三数据获取单元613用于根据所述时间序列数据，获取与所述时间序列数据对应的外部因素数据，所述外部因素数据至少包括温度数据和天气数据。

请参阅图10，进一步地，特征获取模块63包括扰动数据获取单元631和隐含特征获取单元632。其中，扰动数据获取单元631用于对所述外部因素数据进行扰动操作，获取扰动数据；隐含特征获取单元632用于采用特征提取函数对所述扰动数据进行处理，获取隐含特征。

进一步地，请参阅图11，是本发明实施例提供的电量负荷预测装置的示意图二。电量负荷预测装置包括训练模块62，用于获取满足预设要求的多层降噪自编码器、支持向量回归机和回归加权模型用于电量负荷预测。

请参阅图12，进一步地，训练模块62包括分割单元621、第一训练单元622、第二训练单元623、第三训练单元624以及测试单元625。其中，分割单元621用于对所述待预测时刻的时间序列数据和所述时间序列数据对应的外部因素数据进行分割，以获取训练数据和测试数据；第一训练单元622用于采用所述训练数据对所述初始多层降噪自编码器进行训练，以获取经过训练的多层降噪自编码器和所述训练数据对应的隐含特征；第二训练单元623用于采用所述隐含特征和所述训练数据对所述初始支持向量回归机进行训练，以获取经过训练的初始支持向量回归机和所述训练数据的预测值；第三训练单元624用于采用所述训练数据的预测值对所述初始回归加权模型进行训练，以获取经过训练的回归加权模型；测试单元625用于采用所述测试数据对所述经过训练的多层降噪自编码器、所述经过训练的初始支持向量回归机和所述经过训练的回归加权模型进行测试，以确定满足预设要求的多层降噪自编码器、支持向量回归机和回归加权模型用于电量负荷预测。

图13是本发明一实施例提供的终端设备的示意图。如图13所示，所述终端设备7，包括存储器71、处理器70以及存储在所述存储器71中并可在所述处理器70上运行的计算机程序72，所述处理器70执行所述计算机程序72时实现如所述电量负荷预测方法的步骤，例如图1-图6所示的步骤s10至s50。

所述终端设备7可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器70、所述存储器71。本领域技术人员可以理解，图13仅仅是终端设备7的示例，并不构成对终端设备7的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器70可以是中央处理单元(centralprocessingunit，cpu)，还可以是其它通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现场可编程门阵列(field-programmablegatearray，fpga)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器71可以是所述终端设备7的内部存储单元，例如终端设备7的硬盘或内存。所述存储器71也可以是终端设备7的外部存储设备，例如所述终端设备7上配备的插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)等。进一步地，所述存储器71还可以既包括所述终端设备5的内部存储单元也包括外部存储设备。所述存储器71用于存储所述计算机程序以及所述终端设备所需的其它程序和数据。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。

所述集成的模块/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，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

具体可以如下，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中的存储器中所包含的计算机可读存储介质；也可以是单独存在，未装配入终端设备中的计算机可读存储介质。所述计算机可读存储介质存储有一个或者一个以上计算机程序：

计算机可读存储介质，包括所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述电量负荷预测方法的步骤。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，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、或者计算机软件和电子硬件的结合来实现。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。

在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，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，在本发明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。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。