一种基于概率转移矩阵的电动汽车分层式充电策略方法

1.本发明涉及新能源电动汽车技术领域，具体而言，涉及一种基于概率转移矩阵的电动汽车分层式充电策略方法。


背景技术：

2.电动汽车的大规模发展，给交通系统带来了巨大变革，同时也给电力系统乃至整个能源系统产生了深远的影响。首先，电动汽车大规模、无序地接入电网充电将对电力系统的运行和规划带来严峻的挑战，主要包括负荷的增长和电能质量的影响，电网运行优化控制难度增加，对配电网规划与运行提出了新的要求。同时电动汽车大规模接入电网也给未来电网乃至能源互联网的发展带来重要机遇，通过先进的有序充电调控，降低充电负荷的影响，提升电网的运行效率，实现规模化电动汽车和智能电网的深度融合与互动，促进以电动汽车为支柱之一的能源互联网的快速发展，已成为当前重点的发展趋向。
3.目前电动汽车与电网的互动策略可分为集中式控制、分布式控制、分层式控制三种。集中式控制是指在一个控制中心汇总各电动汽车的信息，由控制中心集中决策各电动汽车的充电计划，并下达给各电动汽车控制方法，其优点在于控制思路较为简单，控制策略容易实现；缺点在于信息的优化和存储都在控制中心进行，当电动汽车大规模接入电网时会给控制中心带来较大的计算负担。分布式控制的电动汽车充电计划在本地完成电动汽车充电计划的决策，各电动汽车根据调控信号制订充电计划，控制中心根据电动汽车反馈的充放电计划修正控制信号，引导电动汽车实现预定的控制目标，分布式控制适用于解决大规模、分散的电动汽车的优化控制问题，将计算量分散至各电动汽车以减轻控制中心的计算负担，减少计算时间。但是分布式控制存在电动汽车大规模接入电网时造成负荷峰谷差过大，从而极大地影响电能质量的问题。


技术实现要素：

4.鉴于此，本发明的目的在于提供一种基于概率转移矩阵的电动汽车分层式充电策略，主要解决电动汽车大规模接入电网时造成负荷峰谷差过大，从而极大地影响电能质量的问题。
5.分层式控制将大规模的电动汽车分解为多个受控电动汽车群体，各受控电动汽车群体交由控制中心进行控制，实现其有序充电，顶层控制则关注多个受控电动汽车群体之间的协调配合，通过分层控制将大规模电动汽车的互动控制问题转化为小群体的互动问题降低优化问题的规模和求解难度。
6.本发明提供一种基于物联网的工业生产安全感知模型的电动汽车分布式充电策略方法，包括如下步骤：
7.s1、结合区域内电动汽车历史充电负荷数据建立基于lstm神经网络的电动汽车充电负荷预测模型；
8.所述电动汽车充电负荷预测模型通过lstm神经网络的逻辑门：输入门f
t
、输出门ot
、遗忘门f
t
控制数据信息的丢弃或者增加；
9.所述逻辑门：输入门f
t
、输出门o
t
、遗忘门f
t
的功能分别由各自的sigmoid函数和点乘操作组成；
10.所述输入门i
t
用于控制数据信息输入的多少；输入门i
t
和一个tanh函数配合，所述tanh函数产生新的候选向量输入门i
t
为中的每一项产生一个在[0,1]内的值，控制数据信息被加入的多少，更新后的记忆单元的单元状态为：
[0011][0012]
式(1)中，σ为输入门sigmoid函数，wi和wc为输入门权重系数，bi和bc为输入门偏差，c
t
为更新后的记忆单元状态；
[0013]
遗忘门f
t
是以上一单元的输出h
t-1
和本单元的输入x
t
为输入的sigmoid函数，用于控制历史状态t-1的数据信息允许多少流入到t时刻，输出表示为：
[0014]ft
＝σ(wf·
[h
t-1
,x
t
]+bf)
ꢀꢀꢀ
(2)
[0015]
式(2)中，σ为遗忘门sigmoid函数，wf为遗忘门权重系数，x
t
为区域内天气信息、放假情况以及出行目的因素的输入特征；h
t-1
为上一单元的输出，bf为遗忘门偏差；
[0016]
所述输出门o
t
用于控制t时刻状态信息的过滤，为t时刻状态信息其中的每一项产生一个在[0,1]内的值，控制单元状态被过滤的程度；输出门o
t
表达式为：
[0017][0018]
式(3)中，σ为输出门sigmoid函数，wo为输出门权重系数，bo为输出门偏差，h
t
为lstm神经网络的输出，即区域内次日电动汽车充电负荷的预测结果，完成基于lstm神经网络的电动汽车充电负荷预测模型；
[0019]
s2、主控制中心对所述电动汽车充电负荷预测模型的充电负荷曲线进行优化得到充电功率指导曲线h
t
，并下达给各个次级控制中心；
[0020]
s3、各个所述次级控制中心根据主控制中心下达的所述充电功率指导曲线h
t
计算概率转移矩阵并广播至受控电动汽车群；
[0021]
所述充电功率指导曲线的下达方法包括：次级控制中心跟随充电功率指导曲线的目标函数为：
[0022][0023]
式(4)中，t为时间序列{1,2,3,...,t}；p
i,t
为t时刻第i个次级控制中心的电动汽车充电负荷，h
i,t
为主控制中心给出的要求跟随的充电功率指导曲线h
t
的t时刻的分量；通过所述目标函数以使电动汽车总充电负荷曲线与充电功率指导曲线的欧氏距离最小；
[0024]
所述概率转移矩阵的计算方法包括：计算概率转移矩阵m：
[0025][0026]
式(5)中，概率转移矩阵m的第i行第j列元素m
i,j
代表由状态j转移至状态i的概率，物理意义代表一辆电动汽车在j时刻的充电负荷转移至i时刻的概率；定义峰时段为当前负荷大于充电指导负荷的时段，即p
i,t
≥h
i,t
的时段；定义谷时段为当前负荷小于充电指导负荷的时段，即p
i,t
≤h
i,t
的时段，定义充电负荷转移时段和负荷不转移时段，待转移时段为电动汽车充电负荷大于充电指导负荷曲线的时段，不转移时段为电动汽车充电负荷小于充电指导负荷曲线的时段，计算各时段的负荷富裕值q
t
，如下式所示：
[0027][0028]
对于峰时段j，p
i,t
≥h
i,t
，如下式所示：
[0029][0030]
式(7)中，i≠j且i∈t。对于谷时段j，p
i,t
≤h
i,t
，如下式所示：
[0031][0032]
式(8)中，i≠j且i∈t。
[0033]
s4、受控电动汽车群的电动汽车根据所述概率转移矩阵结合本地约束更新充电计划。
[0034]
进一步地，所述s1步骤的所述建立lstm神经网络的电动汽车充电负荷预测模型的方法包括：主控制中心对区域内电动汽车历史充电负荷进行一天内144个等间隔时间点的数据采样。
[0035]
进一步地，所述s2步骤的对所述电动汽车充电负荷预测模型的充电负荷曲线进行优化得到充电功率指导曲线并下达给各次级控制中心的方法包括：主控制中心以电网侧负荷峰谷差最小为目标函数对充电负荷曲线进行优化得到功率指导曲线，目标函数为：
[0036][0037]
式(9)中，t为时间序列{1,2,3,...,t}，l
t
为区域内常规用电负荷，通过对充电负荷曲线h
t
进行优化得到功率指导曲线h
t
；主控制中心将功率指导曲线h
t
下达至各次级控制中心。
[0038]
进一步地，所述s3步骤的所述次级控制中心跟随充电功率指导曲线的目标函数的构建方法包括：
[0039]
在模型约束方面，需考虑功率边界约束以及能量边界约束为：
[0040]
功率边界约束以及能量边界约束为：
[0041][0042]
式(10)中，p
i,t
为t时刻电动汽车总充电功率的上、下限；e
i,t
为t时刻电动汽车已经充入的总能量；e
i,t
为t时刻电动汽车总充电能量的上、下限；电动汽车的总充电能量e
i，t
的表达式为：
[0043]ei,t
＝∑p
i,t
·
δt
ꢀꢀꢀ
(11)
[0044]
式(11)中，δt为时间间隔次级控制中心i分布式控制模型的电动汽车的总充电功率下限为零，次级控制中心i分布式控制模型的电动汽车总充电功率上限为：
[0045][0046]
式(12)中，t
i,n
为第i辆电动汽车的可充电时段，为第i辆电动汽车的充电额定功率；为所有可充电时段包含t时刻的电动汽车额定充电功率之和，p
limit,t
为总功率上限，t时刻的电动汽车总充电功率上限为两者之间的较小值；
[0047]
次级控制中心i分布式控制模型的能量上下限e
i,t
满足下式：
[0048][0049]
式(13)中，代表次级控制中心i内第n辆电动汽车所需的能量，t时刻电动汽车总充电能量的下限为所有在t时刻已经完成充电的电动汽车所需的总能量；t时刻电动汽车总充电能量的上限为所有在t时刻已经开始充电或完成充电的电动汽车所需的总能量；
[0050]
通过计算概率转移矩阵以达到追踪充电指导功率曲线：
[0051]hi,t
＝m
×
p
i,t
ꢀꢀꢀ
(14)
[0052]
进一步地，所述s4步骤的所述电动汽车根据所述概率转移矩阵结合本地约束更新充电计划的方法包括：
[0053]
电动汽车接收次级控制中心下达的更新后的次日电动汽车充电方案，并结合自身本地约束更新充电计划；在一般情况下，接收到的矩阵m不是一个0-1矩阵，不可直接作为电
动汽车的充电计划且可能不满足各电动汽车的本地约束，故电动汽车在接收到概率转移矩阵m后需根据自身约束情况，对m进行本地修正之后才能进一步更新充电计划。根据电动汽车的充电时段约束修正m，在非可充电时段没有充电负荷，非可充电时段的充电负荷转入其他时段的概率为0，其他时段的充电负荷转入非可充电时段的概率也为0，修正规则如下式所示：
[0054][0055]
再根据电动汽车当前充电计划修正m，如果电动汽车在j时段不充电，则将j时段的充电负荷转移入其他时段的概率为0；如果第n辆电动汽车在j时刻不充电，修正规则如下式所示：
[0056]mt,j
＝0
ꢀꢀꢀ
(16)
[0057]
如果第n辆电动汽车在j时段充电，则其他时段的充电负荷转移入j时段的概率为0，修正规则如下式所示：
[0058]mj,t
＝0
ꢀꢀꢀ
(17)
[0059]
所述s4步骤的所述电动汽车根据所述概率转移矩阵结合本地约束更新充电计划的方法还包括：
[0060]
修正m为一个0-1矩阵，根据轮盘赌选择原则，从第i行的元素被挑中的概率为：
[0061][0062]
如果落入第i个区间，则m
i,j
被选中并修正为1，第i行，第j列的其他元素修正为0，修正规则如下式所示：
[0063][0064]
经过上述修正，得到一个0-1矩阵m
′
，保证电动汽车充电计划更新前后充电能量不变。
[0065]
与现有技术相比，本发明的有益效果在于：
[0066]
本发明基于电动汽车历史充电负荷数据建立神经网络负荷预测模型，能够准确的预测次日电动汽车充电负荷曲线，基于概率转移矩阵的电动汽车充电策略能够有效的优化次日电动汽车充电计划，本发明为分层与分布式相结合的有序充电控制策略，能有效的达到削峰填谷的目标。
附图说明
[0067]
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。
[0068]
在附图中：
[0069]
图1是本发明一种基于概率转移矩阵的电动汽车分层式充电策略方法的流程图；
[0070]
图2是本发明实施例基于概率转移矩阵的电动汽车有序充电分层式控制策略流程图；
[0071]
图3是本发明实施例基于lstm神经网络预测模型的原理图；
[0072]
图4是本发明实施例基于lstm神经网络模型的电动汽车充电负荷预测模型的充电负荷预测结果；
[0073]
图5是本发明实施例基于lstm神经网络模型的电动汽车充电负荷预测模型的总用电负荷预测结果；
[0074]
图6是本发明实施例区域一内主控制中心下发的电动汽车充电充电功率指导曲线；
[0075]
图7是本发明实施例区域二内主控制中心下发的电动汽车充电充电功率指导曲线；
[0076]
图8是本发明实施例区域三内主控制中心下发的电动汽车充电充电功率指导曲线；
[0077]
图9是本发明实施例区域一内基于概率转移矩阵的电动汽车有序充电策略优化后负荷曲线；
[0078]
图10是本发明实施例区域二内基于概率转移矩阵的电动汽车有序充电策略优化后负荷曲线；
[0079]
图11是本发明实施例区域三内基于概率转移矩阵的电动汽车有序充电策略优化后负荷曲线。
具体实施方式
[0080]
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和产品的例子。
[0081]
在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
[0082]
应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本公开范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在
……
时”或“当
……
时”或“响应于确定”。
[0083]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进一步详细说明。本发明的实施方式包括但不限于下列实施例。
[0084]
实施例
[0085]
本发明实施例提供一种基于概率转移矩阵的电动汽车分层式充电策略方法，参见图1所示，包括以下步骤：
[0086]
s1、结合区域内电动汽车历史充电负荷数据建立基于lstm神经网络的电动汽车充电负荷预测模型；
[0087]
s2、主控制中心对所述电动汽车充电负荷预测模型的充电负荷曲线进行优化得到充电功率指导曲线g
i，t
，并下达给各次级控制中心；
[0088]
s3、所述次级控制中心根据主控制中心下达的所述充电功率指导曲线计算概率转移矩阵并广播至受控电动汽车群；
[0089]
s4、受控电动汽车群的电动汽车根据所述概率转移矩阵结合本地约束更新充电计划。
[0090]
为实现大规模电动汽车有序充电控制策略，需要解决多个控制中心和电动汽车的协调运行问题，综合分布式与分层式的调控模式，如图2所示，该模式架构共分为主控制中心、次级控制中心、受控电动汽车群三层。主控制中心的任务在于各次级控制中心的协调配合；次级控制中心采用集中式控制策略对电网中相对集中分布的电动汽车进行控制；采用分布式控制策略对分散接入电网的电动汽车进行有序充电控制。在主控制中心建立电动汽车次日充电负荷预测模型，主控制中心对区域内电动汽车历史充电负荷数据进行一天144个等时间间隔的数据采样，采集到的历史数据时间序列相对较长。
[0091]
建立区域内电动汽车次日充电负荷预测模型，基于区域内电动汽车充电负荷历史数据建立电动汽车充电负荷预测模型，当历史数据时间序列过长时，使用循环神经网络(recurrent neural networks，rnns)会有拟合精度下降的问题，而长短期记忆神经网络(long short term mermory network，lstm)模型通过其特有的输入门、输出门、遗忘门三个逻辑门控制丢弃或者增加信息，逻辑门功能由sigmoid函数和点乘操作组成。在处理长时间序列的数据时，三个逻辑控制单元会对该信息进行选择性的记忆或遗忘，有效克服了循环神经网络易发生梯度消失和梯度爆炸的缺点，lstm神经网络原理图如图3所示，本发明选取三个区域内天气信息、放假情况以及出行目的等因素为输入特征x
t
，遗忘门f
t
是以上一单元的输出h
t-1
和本单元的输入x
t
为输入的sigmoid函数，用于控制历史状态t-1的数据信息允许多少流入到t时刻，输出表示为：
[0092]ft
＝σ(wf·
[h
t-1
,x
t
]+bf)
ꢀꢀꢀ
(2)
[0093]
式(2)中，σ为遗忘门sigmoid函数，wf为遗忘门权重系数，bf为遗忘门偏差；。输入门和一个tanh函数配合控制新信息的加入,tanh函数产生新的候选向量输入门为中的每一项产生一个在[0,1]内的值，控制新信息被加入的多少，更新后的记忆单元的单元状态为：
[0094][0095]
式(1)中，σ为输入门sigmoid函数，wi和wc为输入门权重系数，bi和bc为输入门偏差，c
t
为更新后的记忆单元状态。输出门用来控制当前的单元状态信息的过滤，先将单元状
态激活，输出门为其中每一项产生一个在[0,1]内的值，控制单元状态被过滤的程度，其表达式为：
[0096][0097]
式(3)中，σ为输出门sigmoid函数，wo为输出门权重系数，bo为输出门偏差，h
t
为lstm神经网络的输出，即为区域内次日电动汽车充电负荷信息，由此完成基于lstm神经网络模型的电动汽车充电负荷预测模型。
[0098]
基于已建立得到的基于lstm神经网络模型的电动汽车充电负荷预测模型,主控制中心通过基于lstm神经网络模型的电动汽车充电负荷预测模型得到区域内电动汽车充电负荷曲线，如图4所示，即为基于lstm神经网络模型的电动汽车充电负荷预测模型对三个区域内电动汽车充电负荷进行预测得到的结果，可以看出在三个区域内电动汽车的充电负荷集中在17时至21时；如图5所示，即为预测得到的电动汽车充电负荷曲线结合居民常规用电负荷，得到三个区域的总负荷预测曲线图。主控制中心以电网侧负荷峰谷差最小为目标函数对充电负荷曲线进行优化得到充电功率指导曲线。
[0099]
主控制中心通过基于lstm神经网络模型的电动汽车充电负荷预测模型得到区域内电动汽车充电负荷曲线h
t
，主控制中心以电网侧负荷峰谷差最小为目标函数对充电负荷曲线进行优化得到功率指导曲线，目标函数为：
[0100][0101]
式(9)中，t为时间序列{1,2,3,...,t}，l
t
为区域内常规用电负荷，通过对充电负荷曲线h
t
进行优化得到功率指导曲线h
t
；主控制中心将功率指导曲线h
t
下达至各次级控制中心。主控制中心将充电功率指导曲线下达至各次级控制中心。
[0102]
基于主控制中心下达的充电功率指导曲线，次级控制中心根据主控制中心下达的充电充电功率指导曲线h
t
,通过控制电动汽车充电负荷避开负荷高峰时段，转移至负荷低谷时段充电，从而降低方差，减小峰谷差，削峰填谷控制目标的实质是令负荷曲线尽量平滑，为跟随充电充电功率指导曲线，次级控制中心的目标函数即为电动汽车总充电负荷曲线与充电充电功率指导曲线的欧氏距离最小，即目标函数如式所示：
[0103][0104]
式(4)中，t为时间序列{1,2,3,...,t}；p
i,t
为t时刻第i个次级控制中心的电动汽车充电负荷，h
i,t
为主控制中心给出的要求跟随的充电功率指导曲线h
t
的t时刻的分量；通过所述目标函数以使电动汽车总充电负荷曲线与充电功率指导曲线的欧氏距离最小；
[0105]
在模型约束方面，需考虑功率边界约束以及能量边界约束，如下式所示：
[0106][0107]
式(10)中，p
i,t
为t时刻电动汽车总充电功率的上、下限；e
i,t
为t时刻电动汽车
已经充入的总能量；e
i,t
为t时刻电动汽车总充电能量的上、下限；电动汽车的总充电能量e
i,t
的表达式为：
[0108]ei,t
＝∑p
i,t
·
δt
ꢀꢀꢀ
(11)
[0109]
式(11)中，δt为时间间隔次级控制中心i分布式控制模型的电动汽车的总充电功率下限为零，次级控制中心i分布式控制模型的电动汽车总充电功率上限为：
[0110][0111]
式(12)中，t
i,n
为第i辆电动汽车的可充电时段，为第i辆电动汽车的充电额定功率；为所有可充电时段包含t时刻的电动汽车额定充电功率之和，p
limit,t
为总功率上限，t时刻的电动汽车总充电功率上限为两者之间的较小值；
[0112]
次级控制中心i分布式控制模型的能量上下限e
i,t
满足下式：
[0113][0114]
式(13)中，代表次级控制中心i内第n辆电动汽车所需的能量，t时刻电动汽车总充电能量的下限为所有在t时刻已经完成充电的电动汽车所需的总能量；t时刻电动汽车总充电能量的上限为所有在t时刻已经开始充电或完成充电的电动汽车所需的总能量。如图6，图7，图8所示，即为三个区域内主控制中心下发的电动汽车充电充电功率指导曲线。
[0115]
通过计算概率转移矩阵以达到追踪充电指导功率曲线的目的，如下式所示：
[0116]hi,t
＝m
×
p
i,t
ꢀꢀꢀ
(14)
[0117]
次级控制中心计算概率转移矩阵m，如下式所示：
[0118][0119]
式(5)中，概率转移矩阵m的第i行第j列元素m
i,j
代表由状态j转移至状态i的概率，物理意义代表一辆电动汽车在j时刻的充电负荷转移至i时刻的概率；定义峰时段为当前负荷大于充电指导负荷的时段，即p
i,t
≥h
i,t
的时段；定义谷时段为当前负荷小于充电指导负荷的时段，即p
i,t
≤h
i,t
的时段，定义充电负荷转移时段和负荷不转移时段，待转移时段为电动汽车充电负荷大于充电指导负荷曲线的时段，不转移时段为电动汽车充电负荷小于充电指导负荷曲线的时段，计算各时段的负荷富裕值q
t
，如下式所示：
[0120][0121]
对于峰时段j，p
i,t
≥h
i,t
，如下式所示：
[0122][0123]
式(7)中，i≠j且i∈t。对于谷时段j，p
i,t
≤h
i,t
，如下式所示：
[0124][0125]
式(8)中，i≠j且i∈t。
[0126]
次级控制中心根据计算所得概率转移矩阵更新次日电动汽车充电方案，并将更新的次日电动汽车充电方案广播至受控电动汽车群。
[0127]
次级控制中心下达次日电动汽车充电方案，区域内电动汽车接收次级控制中心下达的更新后的次日电动汽车充电方案，结合各电动汽车约束完成电动汽车充电计划更新。大多数情况下，电动汽车接收到的充电方案无法满足各电动汽车的本地约束，故不能直接按照充电计划执行，各电动汽车应结合约束条件对概率转移矩阵进行优化。在不可充电时段不应该有充电负荷，即为不可充电时段的电动汽车充电负荷不能转移至其他时段，其他任何时段的充电负荷也不能转移至此时段，具体优化规则如下式所示：
[0128][0129]
再根据电动汽车当前充电计划修正m，如果电动汽车在j时段不充电，则将j时段的充电负荷转移入其他时段的概率为0；如果第n辆电动汽车在j时刻不充电，修正规则如下式所示：
[0130]mt,j
＝0
ꢀꢀꢀ
(16)
[0131]
如果第n辆电动汽车在j时段充电，则其他时段的充电负荷转移入j时段的概率为0，修正规则如下式所示：
[0132]mj,t
＝0
ꢀꢀꢀ
(17)
[0133]
进一步修正m为一个0-1矩阵，根据轮盘赌选择原则，从第i行的元素被挑中的概率为：
[0134][0135]
如果落入第i个区间，则m
i,j
被选中并修正为1，第i行，第j列的其他元素修正为0，修正规则如下式所示：
[0136][0137]
经过上述修正，得到一个0-1矩阵m
′
。可以保证电动汽车充电计划更新前后充电能量不变。电动汽车更新充电计划后将更新的充电计划上传至本地次级控制中心。如图9，图10，图11所示，即为基于概率转移矩阵的电动汽车有序充电控制策略优化后的区域内负荷曲线。
[0138]
结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
[0139]
以上所述仅为本发明的优选实施例，并不用于限制本发明；对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。