综合能源数据融合方法、装置及设备与流程

1.本发明涉及综合能源技术领域，具体地涉及一种综合能源数据融合方法、一种综合能源数据融合装置以及一种综合能源数据融合设备。


背景技术：

2.电网设备在感知层通过多类型传感器和采集终端获取电网状态基础信息，并利用物联网等信息通信技术构建数据链路，实现数据的互联、互通、互享，开展数据的多元融合和综合分析。随着城市综合能源系统建设的推进，分布式能源接入控制、配电自动化、“多表合一”信息采集、电动汽车充放电有序控制等智能化业务种类越来越多，设备数量不断增加，本地通信接入层可选用的通信技术繁杂，各类业务的通信需求尚未统一，设备通信网络底层连接协议差异大，通信灵活性、可靠性受限，受到一定限制，制约了互联互通实现；各个设备的数据形成了信息孤岛，不能组成全数据网络，海量关联数据的存储和处理需要可靠的业务感知、计算、分析和处理模型，以便更好地支撑综合能源本地业务实时分析和智能化处理。
3.传统的数据采集和状态感知终端不具备数据分析能力，数据通过各层级的信息汇集终端，连接到统一的数据中台，实现集中计算和分析，无法满足如故障实时研判、区域能源自治等对业务实时性要求较高的需求；且现存大量传感设备未充分发挥作用，用户用能信息感知不及时，配电信息覆盖面不全，新兴业务感知未充分共享，各专业系统自成体系，传感设备重复部署，难以实现一次采集、共享共用；各业务场景设备主数据模型不统一，各业务系统之间数据难以互联互通，制约了设备状态的大数据综合应用，无法支撑综合能源服务、数据运营等新业态发展。


技术实现要素：

4.本发明实施例的目的是提供一种综合能源数据融合方法、装置及设备，其能够完成异构数据的初步筛选、基于回声状态网络的业务分类以及基于语义关联特征挖掘的数据融合，以解决现有技术中的综合能源数据融合效率不高的问题。
5.为了实现上述目的，本发明第一方面提供一种综合能源数据融合方法，所述融合方法包括：获取综合能源数据；所述综合能源数据包括能源感知设备生成的计量数据、运行状态数据或监测数据；采用训练好的回声状态网络确定每条综合能源数据所属的业务类型；根据每条综合能源数据的业务类型提取所述每条综合能源数据的数据内容；根据所述数据内容对应的语义关联特征量将所述综合能源数据进行数据融合。
6.优选的，所述融合方法还包括：在获取综合能源数据之后，对所述综合能源数据中的异常数据进行去除的步骤：根据所述综合能源数据的属性，将所述综合能源数据映射至坐标系中，每条综合能源数据对应一个数据点；若某一个数据点与其余数据点的连线所构成的夹角中的最大值小于设定阈值；则将所述某一数据点对应的综合能源数据作为异常数据去除。
7.优选的，所述回声状态网络包括：包括多个输入神经元的输入层、包括多个储备池神经元的储备池以及包括多个输出神经元的输出层；所述储备池中的多个储备池神经元构成环形拓扑；所述训练好的回声状态网络包括：将不同业务类型的样本输入所述回声状态网络，对所述回声状态网络模型进行训练；将训练所得的回声状态网络作为所述训练好的回声状态网络。
8.优选的，采用训练好的回声状态网络确定所述综合能源数据所属的业务类型，包括：获取所述综合能源数据的业务特征集，所述业务特征集包括至少一个业务特征；将所述业务特征集输入训练好的回声状态网络，得到计算结果；根据所述计算结果得到所述综合能源数据对应的业务类型。
9.优选的，所述业务特征包括：业务数据的大小、业务持续时间、数据包长、数据包到达间隔。
10.优选的，将待数据融合的综合能源数据根据数据内容对应的语义关联特征量进行数据融合，包括：基于随机高斯观测矩阵构建所述待数据融合的综合能源数据的数据内容的关联特征分布；根据所述关联特征分布构造大数据语义关联性特征融合的目标函数；根据所述目标函数得到所述数据内容对应的数据特征；对所述数据内容进行加性融合得到数据融合结果，同时采用所述数据特征更新所述数据融合结果的数据特征。
11.优选的，基于随机高斯观测矩阵构建待数据融合的综合能源数据的数据内容的关联特征分布，包括：
12.确定数据内容为yi和yj的数据内容的等价语义映射关系满足：
[0013][0014]
其中φ
ij
为yi和yj之间的随机高斯观测矩阵，则yi的关联特征分布θ(t)为：
[0015][0016]
其中，a
mn
是yi的包络幅度值，g
mn
(t)是数据统计平均值，n(t)是干扰噪声。
[0017]
优选的，根据所述目标函数得到所述数据内容对应的数据特征，包括：根据所述目标函数，对所述数据内容进行均值处理，得到所述数据特征的公共部分；将数据内容结合所述目标函数进行迭代优化处理，得到所述数据内容对应的数据特征的独立部分；将所述数据特征的公共部分和所述数据特征的独立部分，形成所述数据内容对应的数据特征。
[0018]
在本发明的第二方面，还提供了一种综合能源数据融合装置，包括：数据获取模块，用于获取综合能源数据；所述综合能源数据包括能源感知设备生成的计量数据、运行状态数据或监测数据；业务分类模块，用于采用训练好的回声状态网络确定每条综合能源数据所属的业务类型；内容提取模块，用于根据每条综合能源数据的业务类型提取所述每条综合能源数据的数据内容；以及融合计算模块，用于根据所述数据内容对应的语义关联特征量将所述综合能源数据进行数据融合。
[0019]
在本发明的第三方面，还提供了一种综合能源数据融合设备，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，其特征在于，所述处理器执行所述计算机程序时实现前述的综合能源数据融合方法的步骤。
[0020]
优选的，所述融合设备为芯片。
[0021]
优选的，所述存储器和处理器被集成于核心板单元中，所述融合设备还包括：交流采样单元，用于采集并传送线路上的状态参数；安全单元，用于向对应的计量设备和对应的配变设备提供密钥，以及本地通信模块，用于实现本地设备的数据交互。
[0022]
优选的，所述融合设备还包括：数据存储单元，用于存储来自所述核心板单元的数据；显示单元，用于显示融合设备的状态参数；4g\5g模块，用于实现与远程主站的通信；以及还包括以下接口中的至少一者：遥控口、rs232/rs485接口、以太网接口、rs-485接口、蓝牙接口、lora接口、m-bus接口和遥信口。
[0023]
在本发明的第四方面，还提供了一种计算机可读存储介质，所述存储介质中存储有指令，当其在计算机上运行时，使得计算机执行前述的综合能源数据融合方法。
[0024]
本发明第五方面提供一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现前述的综合能源数据融合方法。
[0025]
上述技术方案具有以下有益效果：
[0026]
(1)基于简化后的回声状态网络实现电力业务的类型感知，将储备池结构简化为由n个神经单元节点所构成的环形拓扑，降低储备池的复杂度，解决了传统回声状态网络算法复杂程度高，在边缘计算资源有限的情况下实用难度大的问题。
[0027]
(2)本发明提供的融合装置或融合设备面向多业务场景，能够完成多种能源信息的采集，支持多种通信方式，有利于发挥综合能源电力大数据的价值。
[0028]
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
[0029]
附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：
[0030]
图1示意性示出了根据本发明实施方式的综合能源数据融合方法的实施示意图；
[0031]
图2示意性示出了根据本发明实施方式的对异常数据进行去除的检测示意图；
[0032]
图3示意性示出了根据本发明实施方式的回声状态网络的模型示意图；
[0033]
图4示意性示出了根据本发明实施方式的综合能源数据融合装置的结构示意图；
[0034]
图5示意性示出了根据本发明实施方式的综合能源数据融合设备的结构示意图。
具体实施方式
[0035]
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。
[0036]
图1示意性示出了根据本发明实施方式的综合能源数据融合方法的实施示意图。如图1所示，本实施方式提供一种综合能源数据融合方法，所述融合方法包括：
[0037]
s01、获取综合能源数据；所述综合能源数据包括能源感知设备生成的计量数据、运行状态数据或监测数据；
[0038]
综合能源系统数据来源十分广泛，通过各类能源使用情况的传感器采集数据，包括用户在某时刻的电、水、气、热等能源使用情况；各类设备运行状态的监测，包括风、光、储等设备单元的监测数据、冷热电联供分布式能源运行信息、智能家电、智慧家具等设备运行
监测数据等。
[0039]
s02、采用训练好的回声状态网络确定每条综合能源数据所属的业务类型；回声状态网络(esn)算法作为神经网络发展而来的一种新型储备池计算模型，采用随机稀疏连接的神经元组成的储备池作为隐含层，极大简化了深度学习过程，保证了算法模型的全局最优和泛化能力。回声状态网络在一定程度上满足了边缘计算对实时性的要求，是实现边缘侧实时高速计算的有效途径，但原有的回声状态网络算法复杂程度仍然较高，在边缘计算资源有限的情况下存在实用难度大的问题。本步骤中采用回声状态网络进行业务类型的确定，以在较少资源和实时性的限制下，实现识别效率的提升。其中，此处的业务类型可以包括：光伏接入、有序充电、配电监测、电能质量管理、无功补偿、故障定位等。
[0040]
s03、根据每条综合能源数据的业务类型提取所述每条综合能源数据的数据内容；
[0041]
不同业务类型的综合能源数据的数据格式数据内容和存在差异。在识别出业务类型之后，能够根据数据格式从获取的综合能源数据中提取到数据内容，为下一步骤中的数据融合提供数据基础。
[0042]
s04、根据所述数据内容对应的语义关联特征量将所述综合能源数据进行数据融合。
[0043]
综合能源数据在进行数据融合之前，对来自于不同数据采集装置节点数据特征进行学习和提取，以充分挖掘数据相关性结构，实现数据融合。考虑数据融合的执行终端的计算资源和存储资源受到限制，本实施方式提出了一种“语义关联特征挖掘”的数据特征提取方法，该方法通过一个语义特征提取器，在对多源异构数据进行了数据清洗和感知的基础上，进行数据的特征提取。在重构的空间中提取数据的语义关联维特征量，进一步优化融合数据并提供特征向量，提升数据融合的效率。
[0044]
通过以上实施方式，能够提升在多类型传感器的能源数据采集场景中的数据融合的效率。本实施方式中的回声状态网络和语义关联特征识别能够在较低系统资源的情况下，实现高效的识别。
[0045]
在本发明提供的可选实施方式中，所述融合方法还包括：在获取综合能源数据之后，对所述综合能源数据中的异常数据进行去除的步骤：根据所述综合能源数据的属性，将所述综合能源数据映射至坐标系中，每条综合能源数据对应一个数据点；若某一个数据点与其余数据点的连线所构成的夹角中的最大值小于设定阈值；则将所述某一数据点对应的综合能源数据作为异常数据去除。由于数据采集和状态感知终端常常处于恶劣环境中，采集的数据难以保证可靠性和准确性，此外边缘计算节点受尺寸、计算和存储等能力限制，需要降低算法的复杂度，从而提升算法可行性，因此需要对综合能源多源异构数据进行清洗。首先实现对数据的初步筛查，剔除数据中明显存在的噪声信息、空值信息、错误信息、重复信息等内容；然后对异常数据进行初步筛选。图2示意性示出了根据本发明实施方式的对异常数据进行去除的检测示意图，如图2所示。假设采集到的综合能源数据有多条，其被一一对应至多个数据点，每条数据点用一个小圈表示，横纵坐标分别是数据的不同数据属性。遍历每条数据点，计算该数据点和其余任意两个数据点所构成的角度中的最大角。对于正常的数据，例如b和c，最大角α和β都是比较大的角，而对异常点e来说，其构成的最大角ω相对要小得多。利用这种角度的差异性可以有效地鉴别异常数据。对异常数据进行去除的步骤之后，将经过初步筛查之后的剩余数据点集合作为业务感知的输入，进行确定业务类型的
步骤。
[0046]
在本发明提供的可选实施方式中，所述回声状态网络包括：包括多个输入神经元的输入层、包括多个储备池神经元的储备池以及包括多个输出神经元的输出层；所述储备池中的多个储备池神经元构成环形拓扑；所述训练好的回声状态网络包括：将不同业务类型的样本输入所述回声状态网络，对所述回声状态网络模型进行训练；将训练所得的回声状态网络作为所述训练好的回声状态网络。传统的回声状态网络(esn)通常包括：u个输入神经元、x个储备池神经元、y个输出神经元。根据公式(1)，信号由输入层传送至隐含层中的储备池神经元。其中u(n)为输入层函数，x(n)为隐含层计算结果，w
in
为输入连接矩阵，w为储备池的状态矩阵，f1(x)表示隐含层的激励函数。
[0047]
x(n+1)＝f1(w
in
u(n+1)+wx(n))
ꢀꢀ
(1)
[0048]
则隐含层神经元的输出函数y(n)为：
[0049]
y(n+1)＝f2(w
out
u(n+1),x(n+1),y(n+1))
ꢀꢀ
(2)
[0050]
其中，y(n)为输出层函数，f2(x)为输出层的激励函数，w
out
为储备池到输出神经单元的连接矩阵。
[0051]
图3示意性示出了根据本发明实施方式的回声状态网络的模型示意图。本实施方式中的回声状态网络为s-esn模型，即简化回声状态网络模型。s-esn模型主要是对传统的储备池计算进行了裁剪，在降低回声状态网络中储备池复杂度的同时，将储备池结构简化为由n个神经单元节点所构成的环形拓扑，在简化原有回声状态网络模型的同时为了保持储备池运算准确度，结合具有丰富动态特征的动力学方程生成储备池内的节点，如公式(3)所示。
[0052][0053]
其中，p为节点平均生成速率，α为激励系数，δ为节点消亡率，τ为节点间距。对方程(3)作积分处理，可得到s-esn中神经元节点x(n)：
[0054][0055]
在本发明提供的可选实施方式中，采用训练好的回声状态网络确定所述综合能源数据所属的业务类型，包括：获取所述综合能源数据的业务特征集，所述业务特征集包括至少一个业务特征；将所述业务特征集输入训练好的回声状态网络，得到计算结果；根据所述计算结果得到所述综合能源数据对应的业务类型。以及所述业务特征包括：业务数据的大小、业务持续时间、数据包长、数据包到达间隔。基于s-esn模型的业务感知方法，本质上为业务特征到业务类型的映射，其实质是根据业务特征确定业务类型的分类识别。业务特征参数的提取是业务识别的重要前提，而如何选取业务特征参数直接决定了业务识别的性能。对每一个接入业务，对收到的双向数据提取其特征参数，包括：业务数据的大小、业务持续时间、数据包长、数据包到达间隔。将特征参数根据公式(5)进行归一化处理以避免过拟合现象，从而获得描述该业务的特征集c(i)，其中d
size_max
为统计的最大业务数据，d
time_max
为最大的业务持续时间，p
length_max
为最大的数据包长，p
interval_max
为数据包到达的最大间
隔。
[0056][0057]
将业务流的特征集c(i)输入训练后的s-esn，通过计算w
out
获得该业务所属的分类，从而实现多种电力业务类型的感知。
[0058]
在本发明提供的可选实施方式中，将待数据融合的综合能源数据根据数据内容对应的语义关联特征量进行数据融合，包括：基于随机高斯观测矩阵构建所述待数据融合的综合能源数据的数据内容的关联特征分布；根据所述关联特征分布构造大数据语义关联性特征融合的目标函数；根据所述目标函数得到所述数据内容对应的数据特征；对所述数据内容进行加性融合得到数据融合结果，同时采用所述数据特征更新所述数据融合结果的数据特征。以及根据所述目标函数，对所述数据内容进行均值处理，得到所述数据特征的公共部分；将数据内容结合所述目标函数进行迭代优化处理，得到所述数据内容对应的数据特征的独立部分；将所述数据特征的公共部分和所述数据特征的独立部分，构成所述数据内容对应的数据特征。具体计算过程如下：
[0059]
首先需要对清洗和感知后的数据进行相空间重构。假设任意两组采集数据样本集为yi，yj，其中i,j∈(1,2,3
…
j)，若等价的语义映射关系满足：
[0060][0061]
其中φ
ij
为节点i,j之间的随机高斯观测矩阵，则待挖掘的采集数据样本yi的关联特征分布θ(t)为：
[0062][0063]amn
是yi的包络幅度值，g
mn
(t)是数据统计平均值，n(t)是干扰噪声。对采集数据进行相空间重构，采用关联维特征提取方法构造大数据语义关联性特征融合的目标函数，表示为：
[0064][0065]
其中p是重构相轨迹之间的欧氏距离。针对语义关联性特征融合目标函数，对所有采集数据进行均值化处理，得到融合数据特征的公共部分θc：
[0066][0067]
针对每一组样本数据，结合语义关联性特征融合目标函数进行迭代优化处理，得到融合数据特征独立部分θi的迭代式：
[0068][0069]
ω为自适应训练权重，ω∈[0,1]；a
ij
是相空间嵌入维数。在数据融合阶段，智能终端依次对不同的采集数据进行加性融合，同时记录储存每步融合的数据特征m(i)：
[0070]
m(i)＝m(i-1)∪{θc,θi}
ꢀꢀ
(11)
[0071]
最后，获得的融合数据表示为：
[0072][0073]
图4示意性示出了根据本发明实施方式的综合能源数据融合装置的结构示意图，如图4所示。一种综合能源数据融合装置，包括：数据获取模块，用于获取综合能源数据；所述综合能源数据包括能源感知设备生成的计量数据、运行状态数据或监测数据；业务分类模块，用于采用训练好的回声状态网络确定每条综合能源数据所属的业务类型；内容提取模块，用于根据每条综合能源数据的业务类型提取所述每条综合能源数据的数据内容；以及融合计算模块，用于根据所述数据内容对应的语义关联特征量将所述综合能源数据进行数据融合。
[0074]
上述的综合能源数据融合装置中的各个功能模块的具体限定可以参见上文中对于综合能源数据融合方法的限定，在此不再赘述。上述装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0075]
在本发明提供的一种实施方式中，还提供了一种综合能源数据融合设备，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权利要求前述的基于移动设备的数据采集方法的步骤。此处的处理器具有数值计算和逻辑运算的功能，其至少具有数据处理能力的中央处理器cpu、随机存储器ram、只读存储器rom、多种i/o口和中断系统等。处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来实现前述的方法。存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非
易失性内存等形式，如只读存储器(rom)或闪存(flash ram)，存储器包括至少一个存储芯片。
[0076]
在本发明提供的一些可选实施方式中，前述的能够实现综合能源数据融合方法的综合能源数据融合设备为芯片。采用芯片实现前述的综合能源数据融合方法，具有集成度高和易于部署的优点。
[0077]
在本发明提供的一些可选实施方式中，所述存储器和处理器被集成于核心板单元中，所述融合设备还包括：交流采样单元，用于采集并传送线路上的状态参数；安全单元，用于向对应的计量设备和对应的配变设备提供密钥，以及本地通信模块，用于实现本地设备的数据交互。具体的，核心板单元：主要由主控芯片mcu、电源管理芯片、内存组成，其它各个硬件模块连接到核心板单元，核心板单元是整个智能终端的主控制部分。交流采样单元：采集并传送运行参数，包括各种电气量(线路上的电压、电流、功率等量值)等；安全单元：采用单芯片双秘钥的方式，一种秘钥对应计量设备，另外一种对应配变设备；本地通信模块：采用hplc高速电力线载波模块或者微功率无线模块，实现本地设备的数据交互。
[0078]
在本发明提供的一些可选实施方式中，所述融合设备还包括：数据存储单元，用于存储来自所述核心板单元的数据；显示单元，用于显示融合设备的状态参数；4g模块，用于实现与远程主站的通信；以及还包括以下接口中的至少一者：遥控口、rs232/rs485接口、以太网接口、rs-485接口、蓝牙接口、lora接口、m-bus接口和遥信口。以上的接口的功能如下：
[0079]
遥控口：接受并执行遥控命令，用于控制开关设备分合闸；rs232/rs485接口：用于支持rs232/rs485通信方式的设备接入，232/485可配置；核心板单元：主要由主控芯片mcu、电源管理芯片、内存组成，其它各个硬件模块连接到核心板，核心板是整个智能终端的主控制部分。本地通信模块：采用hplc高速电力线载波模块或者微功率无线模块，实现本地设备的数据交互；4g\5g模块：采用4g通信芯片或5g通信芯片设计，实现远程主站通信，兼容5g；以太网接口：采用以太网芯片设计，实现本地调试通信；rs-485接口：用于支持485通信方式的设备接入；蓝牙接口：用于支持蓝牙通信方式的设备接入；lora接口：用于支持lora通信方式的设备接入；m-bus接口：用于支持m-bus总线设备接入；遥信口：采集并传输门节点信息。
[0080]
图5示意性示出了根据本发明实施方式的综合能源数据融合设备的结构示意图。如图5所示，图中的各个单元模块的功能如前所述，此处不再重复。本实施方式提供的综合能源数据融合设备支持多种通信协议，支持4g、5g、电力线载波、rs485、lora、蓝牙等多种通信方式。该融合设备适用于智慧楼宇、园区和工业企业及用户侧综合能源等多种应用场景，可以实现多源异构数据的接入、分析和处理，通过边缘计算更好地支撑综合能源本地业务实时分析和智能化处理。
[0081]
在本发明的一种实施方式中，还提供了一种计算机可读存储介质，所述存储介质中存储有指令，当其在计算机上运行时，该指令在被处理器执行时使得处理器被配置成执行上述的综合能源数据融合方法。
[0082]
在本发明提供的一种实施方式中，提供了一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现上述的综合能源数据融合方法。
[0083]
通过以上实施方式，能够提升综合能源数据融合的效率。
[0084]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序
产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0085]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0086]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0087]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0088]
在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
[0089]
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。存储器是计算机可读介质的示例。
[0090]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0091]
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0092]
以上仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。