火电机组控制系统建模方法、装置、设备及介质

1.本公开实施例涉及数据处理技术领域，尤其涉及一种火电机组控制系统建模方法、装置、设备及介质。


背景技术：

2.目前，数字化的工业生产系统产生了大规模的时序数据，对其有效建模以指导生产一直是研究热点。传统时序数据模型诸如状态空间模型等，无法识别时间序列内部和时间序列之间的复杂模式，需要繁重的前置任务和人力劳动。现有方法所建模型在对系统输出预测准确的前提下，无法准确辨识出原系统参数的问题。
3.针对系统状态空间模型辨识的算法主要是子空间辨识法(n4sid、moesp和cva)，该方法在求解系统参数时，并未按照最有准则来求解，虽然所辨识出的系统模型往往能够给出很好的预测效果，但并不能准确反应原系统模型各个矩阵的参数；深度学习等智能方法(rnn、lstm等)也能够给出很好的预测模型，由于其采用端到端的训练方式，所得模型参数缺乏可解释性，难以适用动态变化的应用场景。
4.可见，现有的火电机组控制系统建模方法存在预测精准度和适应性较差的问题。


技术实现要素：

5.有鉴于此，本公开实施例提供一种火电机组控制系统建模方法、装置、设备及介质，至少部分解决现有技术中存在预测精准度和适应性较差的问题。
6.第一方面，本公开实施例提供了一种火电机组控制系统建模方法，包括：
7.采集火电机组控制系统在预设时段内的历史运行数据作为时序序列数据集，其中，所述时序序列数据集包括状态变量和输入变量；
8.通过神经常微分方程网络将所述火电机组控制系统对应的传递函数模型转换为带有不确定项的状态空间模型的离散形式，得到状态方程；
9.将所述状态变量和所述输入变量输入所述状态方程，得到一阶微分的近似值；
10.将所述近似值进行归一化后输入常微分求解器，计算预测值；
11.将所述预测值进行反向传播，迭代训练所述神经常微分方程网络中的权重参数直至收敛，得到所述火电机组控制系统对应的预测模型。
12.根据本公开实施例的一种具体实现方式，所述状态方程为其中，xk和uk表示状态变量和输入变量在采样时刻k的值，x
k+1
表示状态变量下个时刻的预测值，yk表示系统在采样时刻k的输出值，g、h和c矩阵分别为系统状态空间模型下系统矩阵、输入矩阵和输出矩阵的离散形式，w为噪声项。
13.根据本公开实施例的一种具体实现方式,所述将所述状态变量和所述输入变量输入所述状态方程，得到一阶微分的近似值的步骤之前，所述方法还包括：
14.设置采样时间和不确定项噪声的幅值。
15.根据本公开实施例的一种具体实现方式,所述神经常微分方程网络包括状态转移网络和输入网络，所述将所述状态变量和所述输入变量输入所述状态方程，得到一阶微分的近似值的步骤，包括：
16.将所述状态变量输入所述状态转移网络，并计算所述状态变量与所述状态转移网络的输出的第一乘积；
17.将所述输入变量输入所述输入网络，并计算所述输入变量与所述输入网络的输出的第二乘积；
18.将所述第一乘积与所述第二乘积求和，得到所述一阶微分的近似值。
19.根据本公开实施例的一种具体实现方式,所述常微分求解器为经典四阶龙格-库塔求解器。
20.根据本公开实施例的一种具体实现方式,所述将所述预测值进行反向传播，迭代训练所述神经常微分方程网络中的权重参数直至收敛，得到所述火电机组控制系统对应的预测模型的步骤之后，所述方法还包括：
21.将所述火电机组控制系统当前时刻的运行数据输入所述预测模型，生成预测数据；
22.根据接收到的控制指令和预测数据生成控制方案。
23.第二方面，本公开实施例提供了一种火电机组控制系统建模装置，包括：
24.采集模块，用于采集火电机组控制系统在预设时段内的历史运行数据作为时序序列数据集，其中，所述时序序列数据集包括状态变量和输入变量；
25.转换模块，用于通过神经常微分方程网络将所述火电机组控制系统对应的传递函数模型转换为带有不确定项的状态空间模型的离散形式，得到状态方程；
26.输入模块，用于将所述状态变量和所述输入变量输入所述状态方程，得到一阶微分的近似值；
27.计算模块，用于将所述近似值进行归一化后输入常微分求解器，计算预测值；
28.训练模块，用于将所述预测值进行反向传播，迭代训练所述神经常微分方程网络中的权重参数直至收敛，得到所述火电机组控制系统对应的预测模型。
29.第三方面，本公开实施例还提供了一种电子设备，该电子设备包括：
30.至少一个处理器；以及，
31.与该至少一个处理器通信连接的存储器；其中，
32.该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述第一方面或第一方面的任一实现方式中的火电机组控制系统建模方法。
33.第四方面，本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的火电机组控制系统建模方法。
34.第五方面，本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述第一方面或第一方面的任一实现方式中的火电机组控制系统建模方法。
35.本公开实施例中的火电机组控制系统建模方案，包括：采集火电机组控制系统在预设时段内的历史运行数据作为时序序列数据集，其中，所述时序序列数据集包括状态变量和输入变量；通过神经常微分方程网络将所述火电机组控制系统对应的传递函数模型转换为带有不确定项的状态空间模型的离散形式，得到状态方程；将所述状态变量和所述输入变量输入所述状态方程，得到一阶微分的近似值；将所述近似值进行归一化后输入常微分求解器，计算预测值；将所述预测值进行反向传播，迭代训练所述神经常微分方程网络中的权重参数直至收敛，得到所述火电机组控制系统对应的预测模型。
36.本公开实施例的有益效果为：通过本公开的方案，以神经常微分方程网络为基础，结合系统状态空间模型，引入反应系统内部状态变量和输入变量关系的状态方程结构知识对系统进行了建模，提高了建模后的预测精准度和适应性。
附图说明
37.为了更清楚地说明本公开实施例的技术方案，下面将对实施例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公开的一些实施例，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。
38.图1为本公开实施例提供的一种火电机组控制系统建模方法的流程示意图；
39.图2为本公开实施例提供的一种火电机组控制系统建模方法涉及的重构的神经常微分方程网络结构图；
40.图3为本公开实施例提供的一种状态反馈控制输入下的神经常微分方程网络结构图；
41.图4为本公开实施例提供的一种火电机组控制系统各模型阶跃响应图；
42.图5为本公开实施例提供的一种火电机组控制系统各模型随机响应图；
43.图6为本公开实施例提供的一种火电机组控制系统建模装置的结构示意图；
44.图7为本公开实施例提供的电子设备示意图。
具体实施方式
45.下面结合附图对本公开实施例进行详细描述。
46.以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
47.需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使
用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
48.还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
49.另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。
50.本公开实施例提供一种火电机组控制系统建模方法，所述方法可以应用于数字化工业生产系统控制场景中的火电机组控制系统控制过程。
51.参见图1，为本公开实施例提供的一种火电机组控制系统建模方法的流程示意图。如图1所示，所述方法主要包括以下步骤：
52.s101，采集火电机组控制系统在预设时段内的历史运行数据作为时序序列数据集，其中，所述时序序列数据集包括状态变量和输入变量；
53.具体实施时，若需要对所述火电机组控制系统的未来状态进行预测以及控制，则可以采集所述火电机组控制系统在预设时段内的历史运行数据例如状态变量和输入变量等作为时序序列数据集。
54.s102，通过神经常微分方程网络将所述火电机组控制系统对应的传递函数模型转换为带有不确定项的状态空间模型的离散形式，得到状态方程；
55.可选的，所述状态方程为
56.其中，xk和uk表示状态变量和输入变量在采样时刻k的值，x
k+1
表示状态变量下个时刻的预测值，yk表示系统在采样时刻k的输出值，g、h和c矩阵分别为系统状态空间模型下系统矩阵、输入矩阵和输出矩阵的离散形式，w为噪声项。
57.例如，以某1000mw超临界火电机组在800mw负荷附近的燃料量与主蒸汽压力间的传递函数模型为例，考虑到实际过程存在的测量噪声和非线性等不确定因素,为了更符合实际情况，首先通过神经常微分方程网络将所述火电机组控制系统对应的传递函数模型转换为带有不确定项的可观型状态空间模型的离散形式，即得到所述状态方程：
[0058][0059]
s103，将所述状态变量和所述输入变量输入所述状态方程，得到一阶微分的近似值；
[0060]
在上述实施例的基础上，步骤s103所述的，将所述状态变量和所述输入变量输入所述状态方程，得到一阶微分的近似值之前，所述方法还包括：
[0061]
设置采样时间和不确定项噪声的幅值。
[0062]
进一步的,所述神经常微分方程网络包括状态转移网络和输入网络，步骤s103所述的，将所述状态变量和所述输入变量输入所述状态方程，得到一阶微分的近似值，包括：
[0063]
将所述状态变量输入所述状态转移网络，并计算所述状态变量与所述状态转移网
络的输出的第一乘积；
[0064]
将所述输入变量输入所述输入网络，并计算所述输入变量与所述输入网络的输出的第二乘积；
[0065]
将所述第一乘积与所述第二乘积求和，得到所述一阶微分的近似值。
[0066]
具体实施时，在得到所述状态方程后，还可以设置采样时间和不确定项噪声的幅值，以使得能获取该状态方程的输入输出和状态数据的数据精度。然后将所述状态变量输入所述状态转移网络，并计算所述状态变量与所述状态转移网络的输出的第一乘积，再将所述输入变量输入所述输入网络，并计算所述输入变量与所述输入网络的输出的第二乘积，最后将所述第一乘积与所述第二乘积求和，得到所述一阶微分的近似值。
[0067]
如图2所示，x
t
和u
t
表示状态变量和输入变量在时刻t的值，本方案中u
t
为固定值，g
θ1
和h
θ2
代表两个权重参数是θ1和θ2的神经网络，其输出与状态变量和输入变量的运算结果用函数f
θ
(x
t
,u
t
)指代，表示状态变量对时间一阶微分的近似值，表示状态变量下个时刻的预测值。
[0068]
将状态变量x与神经网络g
θ1
(x)输出的乘积，和输入变量u与神经网络h
θ2
(x)输出乘积求和，结果用于近似状态变量对时间的一阶微分，其中，g
θ1
(x)为所述状态转移网络，h
θ2
(x)为所述输入网络，并将运算结果即所述一阶微分的近似值，使用f
θ
(x,u)表示。即式(2)所示：
[0069][0070]
s104，将所述近似值进行归一化后输入常微分求解器，计算预测值；
[0071]
可选的，所述常微分求解器为经典四阶龙格-库塔求解器。
[0072]
具体实施时，在得到所述近似值后，使用常微分方程求解器可以预测下一时刻的状态变量数值如果建模对象是线性的，将模型阶数的先验知识引入重构的ode-net，那么此时会有g
θ1
(x)＝a和h
θ2
(x)＝b。
[0073]
另外，本方案也可针对输入u是由状态反馈得到的情况。那么，应该存在一个输出是m维的反馈函数l(x)，满足：
[0074]
u＝l(x)
ꢀꢀꢀ
(3)
[0075]
此时，可以先建立权重参数是φ的神经网络用于逼近反馈控制率：
[0076][0077]
表示对控制量的近似值，此时的近似式可以表示为：
[0078][0079]
结构框图如图3所示，l
φ
(x)用于近似反馈函数l(x)，是输入变量u在t时刻的近似值，l
φ
(x)需要先使用x和u的训练数据进行预训练，之后在使用ode-net优化方法优化θ的过程中不再改变l
φ
(x)网络中的权重参数φ。这样处理后，神经网络可以准确的学习到数据的局部微分。当然，也可以根据实际需求采用欧拉法，矩形法等作为所述常微分求解器。
[0080]
s105，将所述预测值进行反向传播，迭代训练所述神经常微分方程网络中的权重
参数直至收敛，得到所述火电机组控制系统对应的预测模型。
[0081]
具体实施时，在得到所述预测值后，可以将所述预测值进行反向传播，例如根据所述预测值与真实值的损失函数迭代训练所述神经常微分方程网络中的权重参数，直至所述神经常微分方程网络收敛至预设条件，然后将所述神经常微分方程网络作为所述火电机组控制系统对应的预测模型，可以通过所述预测模型对所述火电机组控制系统进行实时预测。
[0082]
本实施例提供的火电机组控制系统建模方法，通过以神经常微分方程网络为基础，结合系统状态空间模型，引入反应系统内部状态变量和输入变量关系的状态方程结构知识对系统进行了建模，提高了建模后的预测精准度和适应性。
[0083]
在上述实施例的基础上，步骤s105所述的，将所述预测值进行反向传播，迭代训练所述神经常微分方程网络中的权重参数直至收敛，得到所述火电机组控制系统对应的预测模型之后，所述方法还包括：
[0084]
将所述火电机组控制系统当前时刻的运行数据输入所述预测模型，生成预测数据；
[0085]
根据接收到的控制指令和预测数据生成控制方案。
[0086]
具体实施时，在得到所述预测模型后，当需要对所述火电机组控制系统进行控制和调整时，可以先采集所述火电机组控制系统当前时刻的运行数据输入所述预测模型，生成预测数据，然后根据接收到的控制指令和预测数据生成控制方案，操作人员或者控制器可以根据所述控制方案对所述火电机组控制系统进行调控。
[0087]
下面将结合一个具体实施例对本方案进行说明，以某1000mw超临界火电机组在800mw负荷附近的燃料量与主蒸汽压力间的传递函数模型为例，使用该方案数值建模方法建模，并与matlab中的子空间模型辨识法n4sid,moesp和cva所建模型进行对比和误差分析，采样时间设置为t＝1s,不确定项w(xk)平均幅值为0.001的白噪声。控制输入保持u＝1采集时间长度为600s的模型输入输出数据和状态方程输入输出数据。为提高训练数据的质量和缩短训练时间,在训练时将状态方程的两个输出进行归一化处理,重构神经常微分方程网络(ode-net)模型的输出进行反归一化处理。对于重构的ode-net模型,设置训练次数n为2000,每次输入数据量为32
×
2。状态转移网络和输出网络设定为一层,激活函数为tanh,中间层的神经元个数分别为80个和60个,学习率设置为0.001。
[0088]
针对火电机组控制系统的子空间辨识模型和重构ode-net所建模型阶跃响应对比和采样时间为10s的0-1范围均匀分布的随机响应对比分别如图4和图5所示。经训练后,四种方法所建模型的输出基本上都拟合了真实系统的输出。除了cva模型的随即响应曲线稍差外,其他几种方法基本都能跟随实际系统的随机响应输出。
[0089]
为更加精确地比较建模精度,对各模型再次进行误差分析.如表1所示,重构ode-net模型的误差均值更接近于0,预测数据也更接近于真实值。由此可见,针对该火电机组控制系统模型,重构ode-net的建模方法所建模型精度更高。
[0090]
表1
[0091][0092]
与上面的方法实施例相对应，参见图6，本公开实施例还提供了一种火电机组控制系统建模装置60，包括：
[0093]
采集模块601，用于采集火电机组控制系统在预设时段内的历史运行数据作为时序序列数据集，其中，所述时序序列数据集包括状态变量和输入变量；
[0094]
转换模块602，用于通过神经常微分方程网络将所述火电机组控制系统对应的传递函数模型转换为带有不确定项的状态空间模型的离散形式，得到状态方程；
[0095]
输入模块603，用于将所述状态变量和所述输入变量输入所述状态方程，得到一阶微分的近似值；
[0096]
计算模块604，用于将所述近似值进行归一化后输入常微分求解器，计算预测值；
[0097]
训练模块605，用于将所述预测值进行反向传播，迭代训练所述神经常微分方程网络中的权重参数直至收敛，得到所述火电机组控制系统对应的预测模型。
[0098]
图6所示装置可以对应的执行上述方法实施例中的内容，本实施例未详细描述的部分，参照上述方法实施例中记载的内容，在此不再赘述。
[0099]
参见图7，本公开实施例还提供了一种电子设备70，该电子设备包括：至少一个处理器以及与该至少一个处理器通信连接的存储器。其中，该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述方法实施例中的火电机组控制系统建模方法。
[0100]
本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述方法实施例中的火电机组控制系统建模方法。
[0101]
本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述方法实施例中的火电机组控制系统建模方法。
[0102]
下面参考图7，其示出了适于用来实现本公开实施例的电子设备70的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。图7示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
[0103]
如图7所示，电子设备70可以包括处理装置(例如中央处理器、图形处理器等)701，其可以根据存储在只读存储器(rom)702中的程序或者从存储装置708加载到随机访问存储器(ram)703中的程序而执行各种适当的动作和处理。在ram 703中，还存储有电子设备70操作所需的各种程序和数据。处理装置701、rom 702以及ram 703通过总线704彼此相连。输入/输出(i/o)接口705也连接至总线704。
[0104]
通常，以下装置可以连接至i/o接口705：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置706；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置707；包括例如磁带、硬盘等的存储装置708；以及通信装置709。通信装置709可以允许电子设备70与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备70，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
[0105]
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置709从网络上被下载和安装，或者从存储装置708被安装，或者从rom 702被安装。在该计算机程序被处理装置701执行时，执行本公开实施例的方法中限定的上述功能。
[0106]
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
[0107]
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
[0108]
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备可以执行上述方法实施例的相关步骤。
[0109]
或者，上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备可以执行上述方法实施例的相关步骤。
[0110]
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)
或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0111]
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0112]
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。
[0113]
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
[0114]
以上所述，仅为本公开的具体实施方式，但本公开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公开揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。