一种适应多场景应用的储能剩余容量分配方法

1.本发明涉及一种适应多场景应用的储能剩余容量分配方法，具体设计面向储能剩余容量根据应用场景需求的分配过程。


背景技术：

2.为了促进可再生能源的消纳，减少大量可再生能源并网对电网带来的影响，储能将成为未来电力系统中重要而广泛的资源，近年来储能技术及其相关应用得到了长足的发展。但储能系统的投资规模大、投资回报周期长，多数储能用户并不具备建设储能系统的能力；且由于缺乏成熟的商业模式，储能系统投资商也未获取理想的收益，这些都限制了储能系统发展。近年来，共享经济模式突破传统经济模式的桎梏蓬勃发展，共享经济利用现代互联网信息通信技术，通过租、借等共享方式实现物品使用权的转移。共享经济模式拥有很强的资源优化配置及利用能力，能够实现参与者们互利共赢。将共享经济引入储能技术中，共享储能在减少投资成本、发挥储能效益与价值以及方便服务用户等方面具有较高的发展潜力。
3.汇聚闲置的共享储能资源以及要服务的不同技术服务场景，并且为保证能够充分满足技术服务场景的需求，规定共享储能资源的个数大于技术服务场景的个数，每个闲置的共享储能资源与技术服务场景一一对应，并且能够保证最终每个技术服务场景的需求都能满足，对于每种技术服务场景所需储能的功率和容量也存在差别，若共享储能功率和容量不足以支撑该种场景，则认为该共享储能不能与此种技术服务场景进行匹配，若共享储能功率和容量足以支撑该种场景，则认为该储能可以与此种技术服务场景进行匹配。在共享储能可以满足技术服务场景的情况下，共享储能付出的代价是不同的，该种场景所需的功率和容量与共享储能可用功率和容量越接近，浪费越小，代价越小，该种场景所需的功率和容量与共享储能可用功率和容量越不接近，浪费越大，代价越大，本发明借供需关系的匹配思想、对匹配后方案指标的评估思想以及对评估结果的寻优思想，得到共享储能资源与技术服务场景最大匹配且代价最小的方案，对共享储能的研究推广具有重要意义和应用价值。


技术实现要素：

4.本发明的目的在于：提供一种适应多场景应用的储能剩余容量分配方法。首先调研技术服务场景需求以及共享储能可用剩余容量，保证最终全部技术服务场景必须全部满足；然后计算每个共享储能对每个技术服务场景是否能够完成以及完成任务的代价大小；再通过储能与技术服务场景间的供需关系，计算共享储能与技术服务场景最大匹配方案的总代价；最后通过优化算法得到共享储能与技术服务场景中最大匹配方案当中总代价最小的方案。本发明专利将最大匹配思想、评估与优化思想进行结合，最终选择出最优方案，对共享储能的研究推广具有重要意义和应用价值。
5.本发明采用的技术方案为：一种适应多场景应用的储能剩余容量分配方法，包括
步骤如下：步骤1：调研技术服务场景需求以及共享储能可用剩余容量，保证最终全部技术服务必须全部满足；步骤2：计算每个储能对每个技术服务场景是否能够完成，以及结合评估算法求得完成任务的代价大小；步骤3：基于共享储能供给能力与技术服务场景需求水平，通过最大匹配算法计算共享储能与技术服务场景的最大匹配方案并计算总代价；步骤4：通过优化算法优化出最佳储能剩余容量分配方案，获得共享储能与技术服务场景中最大匹配方案当中总代价最小的方案。
6.进一步优选，步骤1具体过程为：步骤1.1 技术服务场景个数为n，第i个技术服务场景用xi来表示，明确各个技术服务场景所需储能的功率以及容量，p
ni
为第i个技术服务场景所需的储能功率，q
ni
为第i个技术服务场景所需的储能容量；步骤1.2 共享储能个数为m个，m》n，一项储能技术服务需求只能由一个共享储能完成，p
rj
为第j个共享储能实际可用功率，q
rj
为第j个共享储能实际可用容量，第j个共享储能用yj来表示，共享储能需保证全部技术服务场景需求都满足。
7.进一步优选，步骤2具体过程为：步骤2.1 考虑步骤1得出的每个技术服务场景所需储能的功率以及容量，建立完成任务的代价模型；步骤2.2 若第j个共享储能的实际可用功率小于第i个技术服务场景所需储能的功率或第j个共享储能的实际可用容量小于第i个技术服务场景所需储能的容量，则第j个共享储能对第i个技术服务场景不能完成，若第j个共享储能的实际可用功率以及容量均大于等于第i个技术服务场景所需储能的功率以及容量，则第j个共享储能对第i个技术服务场景能完成，完成代价由步骤2.1的代价模型得出，得到共享储能与技术服务场景之间的联系关系。
8.进一步优选，代价模型建立方式如下：对技术服务场景采用各个共享储能设定指标，指标数值通过测试或根据功率以及容量简单计算得到，第i个技术服务场景采用第j个共享储能的成本c
c_ij
为：c
p
为共享储能系统单位功率成本单价，cq为共享储能系统单位容量成本单价，p
su_ij
为第i个技术服务场景采用第j个共享储能的功率，q
su_ij
为第i个技术服务场景采用第j个共享储能的容量；指标数量为z个，设定的指标分为成本型指标、效益型指标和中间型指标，对指标进行正向化处理，采用公式(2.2)转化为效益性指标数据：采用公式(2.3)转化为效益性指标数据：
为在指标f下第i个技术服务场景采用第j个共享储能正向化后的结果，为在指标f下第i个技术服务场景采用各个共享储能中的最大值，为在指标f下第i个技术服务场景采用第j个共享储能的结果，为在指标f下第i个技术服务场景的最佳数值；采用公式(2.4)对所有指标值进行标准化：标准化：为在指标f下第i个技术服务场景采用第j个共享储能标准化后的结果；采用公式(2.5)和公式(2.6)计算各评价指标与最优及最劣指标之间的差距：采用公式(2.5)和公式(2.6)计算各评价指标与最优及最劣指标之间的差距：采用公式(2.5)和公式(2.6)计算各评价指标与最优及最劣指标之间的差距：为第i个技术服务场景采用第j个共享储能与最好情况的差距，ωf为指标f的权重，可通过专家打分的方式获得，为标准化后在指标f下第i个技术服务场景采用第j个共享储能最大指标值，为标准化后在指标f下第i个技术服务场景采用第j个共享储能最小指标值，为第i个技术服务场景采用第j个共享储能与最差情况的差距；采用公式(2.7)评价第i个技术服务场景采用第j个共享储能与最优方案的接近程度：di,j
为第i个技术服务场景采用第j个共享储能与最优方案的接近程度；采用公式(2.8)计算第i个技术服务场景采用第j个共享储能完成任务的代价：采用公式(2.8)计算第i个技术服务场景采用第j个共享储能完成任务的代价：为第i个技术服务场景采用第j个共享储能完成任务的代价，d
i_max
为第i个技术服务场景采用各个共享储能与最优方案的接近程度中的最大值。
9.进一步优选，步骤3具体过程为：步骤 3.1 各个技术服务场景为xi，i=1,2,
…
,n，各个共享储能为yj，j=1,2,
…
,m，开始时，建立共享储能与技术服务场景之间的匹配ma，起始状态ma=φ，φ表示为空集合，即表示储能与技术服务场景之间空匹配；步骤 3.2 如果技术服务场景集合x中的每一点都是ma的饱和点，则不存在ma的可增广路径，转步骤 3.5；步骤 3.3 在x中取一还没尝试扩展的非ma饱和点x
p
，如果这样的点不存在转步骤 3.5，用u表示从xi出发的ma可增广路径p在x中的顶点，w表示p在共享储能集合y中的顶点，初始值为：u={x
p
}, w=φ；步骤 3.4 寻找从x
p
出发的ma的可增广路径，如果u中对应元素可走路径对应y中的顶点等于w中元素，则p不可扩展，即不存在从xi出发的可增广路径，转步骤3.2，如果u中对应元素可走路径对应y中的顶点不等于w中元素，取对应y中的顶点但不属于w中元素的yj，若yj不饱和，则从xi到yj的路径p是可增广路径，则扩展ma=ma∪p
‑ꢀ
ma∩p，转步骤3.2，若yj饱和，则存在xi，有(xi，yj)∈ma,需要继续扩展p，令u=u∪{xi},w= w∪{ y
j },转步骤 3.4；步骤 3.5 技术服务场景中所有非饱和点都已尝试过扩展，得到最大匹配；步骤 3.6 将最大匹配中的每个路径代价求和，计算该最大匹配的代价。
10.进一步优选，步骤4采用遗传算法，具体过程为：步骤4.1 初始化交叉率pc、变异率pm以及最大迭代次数g，同时设置技术服务场景的顺序，定义技术服务场景的顺序所对应的编码串的形式以及数量，编码串的位数等于技术服务场景数n，在第g次迭代中，编码串为，随机取1~n中的一个数，随机取1~n中除了前一个已取的数剩下的数中的一个数，随机取1~n中除了前两个已取的数剩下的数中的一个数，取最后剩下的数，初始随机生成m个技术服务场景的顺序所对应的编码串，w=1,2,
…
,m，初始化迭代次数为0，即g=0；步骤4.2 通过步骤3得出遗传算法的目标函数，计算m个编码串对应的目标函数值；步骤4.3 根据当前编码串对应的目标函数值，对各个编码串的编码位数值进行选择运算、交叉运算、变异运算，迭代次数增加1，即g=g+1；
步骤4. 4 判断当前迭代次数是否达到最大迭代次数g，若是，则计算结束，将最后一代编码串中对应的遗传算法的目标函数最低的编码串中所对应的技术服务场景的顺序作为最终结果，此时最大匹配结果为实际选择的方案，否则回到步骤4.2。
11.进一步优选，步骤4采用遗传算法，步骤4.3具体过程如下：步骤4.3.1 根据编码串对应的目标函数值，按目标函数由低到高对编码串进行1~m的排序，排序为k的编码串的选择率ps=(m-k+1)/ m；步骤4.3.2 对选择运算产生的编码串，w=1,2,
…
,m进行交叉运算产生新的编码串，在第g次迭代中，，且，第t个编码串与第a个编码串在随机任意一点发生交叉运算，交叉点前的编码位数值若有和交叉点后的编码位数值相同的，则这些相同数值从第一个相同的数开始随机取1~n中除了交叉点后的编码位数值以及交叉点前与交叉点后数值不同的编码位数值之外的数值，并且这些相同的数最终取值不同，产生新的编码串；步骤4.3.3 对交叉运算之后产生的编码串，w=1,2,
…
,m进行变异运算产生新的编码串，在第g次迭代中，，，第s个编码串的第b个编码位发生变异运算产生编码串，将产生的编码串进行转换，第b个编码位的数值变异为1~n中的任意一个数，而原本为此数的编码位的数值变为b编码位原本的数值，迭代次数增加1，即g=g+1。
12.与最接近的现有技术相比，本发明的优异效果是：本发明专利综合考虑闲置共享储能资源和技术服务场景，可用于使每个闲置的共享储能资源与技术服务场景一一匹配，通过分析共享储能与技术服务场景的供需关系以及服务代价，形成共享储能与技术服务场景的最大匹配，使全部的技术服务场景都有对应的不同共享储能与之匹配，通过评估算法求得完成任务的代价大小，不同的技术服务场景采用不同的共享储能所需的代价可能不同，进行匹配需考虑付出代价的情况，由于对技术服务场景的排序不同，将形成多种不同的最大匹配方案，进而影响其总代价差异，因此将评估算法与优化算法结合，通过优化算法改变技术服务场景的排序，选择所有最大匹配中代价最小的最大匹配，最终选择出最优方案，对共享储能的研究推广具有重要意义和应用价值。
附图说明
13.下面结合附图对本发明进一步说明。
14.图1是一种适应多场景应用的储能剩余容量分配方法流程图。
15.图2是共享储能与技术服务场景之间的连线图。
16.图3是用于共享储能与技术服务场景间的最大匹配算法求解图一；图4是用于共享储能与技术服务场景间的最大匹配算法求解图二；
图5是用于共享储能与技术服务场景间的最大匹配算法求解图三；图6是用于共享储能与技术服务场景间的最大匹配算法求解图四；图7是用于共享储能与技术服务场景间的最大匹配算法求解图五。
17.图8是最大匹配算法实现的流程图。
18.图9是遗传优化算法求解流程图。
19.图10是编码串示意图。
20.图11是遗传交叉运算过程示意图。
21.图12是遗传变异运算过程示意图。
具体实施方式
22.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述。
23.本发明提供了一种适应多场景应用的储能剩余容量分配方法，图1展示出了本实施例中所述方法的实施过程，包括下述步骤：步骤1：调研技术服务场景需求以及共享储能可用剩余容量，保证最终全部技术服务必须全部满足。
24.步骤1.1 技术服务场景个数为n，第i个技术服务场景用xi来表示，明确各个技术服务场景所需储能的功率以及容量，p
ni
为第i个技术服务场景所需的储能功率，q
ni
为第i个技术服务场景所需的储能容量。
25.步骤1.2 共享储能个数为m个，m》n，一项储能技术服务需求只能由一个共享储能完成，p
rj
为第j个共享储能实际可用功率，q
rj
为第j个共享储能实际可用容量，第j个共享储能用yj来表示，共享储能需保证全部技术服务场景需求都满足。
26.步骤2：计算每个储能对每个技术服务场景是否能够完成，以及结合评估算法，如topsis、vokia等算法，求得完成任务的代价大小。
27.步骤2.1 考虑步骤1得出的每个技术服务场景所需储能的功率以及容量，建立完成任务的代价模型：对技术服务场景采用各个共享储能设定成本、收入等指标，指标数值可通过测试或根据功率以及容量简单计算得到，例如第i个技术服务场景采用第j个共享储能的成本c
c_ij
为：c
p
为共享储能系统单位功率成本单价，cq为共享储能系统单位容量成本单价，p
su_ij
为第i个技术服务场景采用第j个共享储能的功率，q
su_ij
为第i个技术服务场景采用第j个共享储能的容量。
28.表1是第i个技术服务场景采用各个共享储能的指标表
指标数量为z个，设定的指标分为成本型指标、效益型指标和中间型指标，对指标进行正向化处理。以第i个技术服务场景采用各个共享储能为例，第i个技术服务场景采用各个共享储能的指标表如表1所示，其中：对于指标值越小越好的成本型指标，采用公式(2.2)转化为效益性指标数据：对于越接近某个值越好的成本型指标，采用公式(2.3)转化为效益性指标数据：对于越接近某个值越好的成本型指标，采用公式(2.3)转化为效益性指标数据：为在指标f下第i个技术服务场景采用第j个共享储能正向化后的结果，为在指标f下第i个技术服务场景采用各个共享储能中的最大值，为在指标f下第i个技术服务场景采用第j个共享储能的结果，为在指标f下第i个技术服务场景的最佳数值；采用公式(2.4)对所有指标值进行标准化：采用公式(2.4)对所有指标值进行标准化：为在指标f下第i个技术服务场景采用第j个共享储能标准化后的结果；采用公式(2.5)和公式(2.6)计算各评价指标与最优及最劣指标之间的差距：
为第i个技术服务场景采用第j个共享储能与最好情况的差距，ωf为指标f的权重，可通过专家打分的方式获得，为标准化后在指标f下第i个技术服务场景采用第j个共享储能最大指标值，为标准化后在指标f下第i个技术服务场景采用第j个共享储能最小指标值，为第i个技术服务场景采用第j个共享储能与最差情况的差距；采用公式(2.7)评价第i个技术服务场景采用第j个共享储能与最优方案的接近程度：d
i,j
为第i个技术服务场景采用第j个共享储能与最优方案的接近程度；采用公式(2.8)计算第i个技术服务场景采用第j个共享储能完成任务的代价：采用公式(2.8)计算第i个技术服务场景采用第j个共享储能完成任务的代价：为第i个技术服务场景采用第j个共享储能完成任务的代价，d
i_max
为第i个技术服务场景采用各个共享储能与最优方案的接近程度中的最大值。
29.依次对每个技术服务场景进行步骤2.1中的过程。
30.步骤2.2 若第j个共享储能的实际可用功率小于第i个技术服务场景所需储能的功率或第j个共享储能的实际可用容量小于第i个技术服务场景所需储能的容量，则第j个共享储能对第i个技术服务场景不能完成，若第j个共享储能的实际可用功率以及容量均大于等于第i个技术服务场景所需储能的功率以及容量，则第j个共享储能对第i个技术服务场景能完成，完成代价由步骤2.1的代价模型得出，如图2所示，得到共享储能与技术服务场景之间的联系关系，若能完成，则xi与yj之间连线，不能完成，则没有连线。
31.步骤3：基于共享储能供给能力与技术服务场景需求水平，通过最大匹配算法计算共享储能与技术服务场景的最大匹配方案并计算总代价，最大匹配算法流程图如图8所示，首先，共享储能与技术服务场景的空匹配，然后依次从每个技术服务场景找增广路径，有增广路径则更新匹配，无增广路径，则判断是否已遍历完，如为否，则下一个技术服务场景找增广路径，如为是，则结束。
32.步骤 3.1 以图2为例，各个技术服务场景为xi，i=1,2,
…
,n，各个共享储能为yj，j=1,2,
…
,m，开始时，建立共享储能与技术服务场景之间的匹配ma，起始状态ma=φ，φ表示为空集，即表示储能与技术服务场景之间空匹配。
33.步骤 3.2 如果技术服务场景集合x中的每一点都是ma的饱和点，则不存在ma的可
增广路径，转步骤 3.5；步骤 3.3 在x中取一还没尝试扩展的非ma饱和点x
p
，如果这样的点不存在转步骤 3.5，用u表示从xi出发的ma可增广路径p在x中的顶点，w表示p在共享储能集合y中的顶点，初始值为：u={x
p
}, w=φ；步骤 3.4 寻找从x
p
出发的ma的可增广路径，如果u中对应元素可走路径对应y中的顶点等于w中元素，则p不可扩展，即不存在从xi出发的可增广路径，转步骤3.2，如果u中对应元素可走路径对应y中的顶点不等于w中元素，取对应y中的顶点但不属于w中元素的yj，若yj不饱和，则从xi到yj的路径p是可增广路径，则扩展ma=ma∪p
‑ꢀ
ma∩p，转步骤3.2，若yj饱和，则存在xi，有(xi，yj)∈ma,需要继续扩展p，令u=u∪{xi},w= w∪{ y
j },转步骤 3.4。
34.选中第一条边(x1，y1)，加入到匹配ma中，即ma={(x1，y1)}，如图3所示。
35.取非ma饱和点x2，u={x2}，w=φ，寻找从x2出发的ma可增广路径p，从x2出发的有x2y2和x2y5，y2不饱和，选择y2，则p=x2y2为可增广路径，扩展ma，ma=ma∪p
‑ꢀ
ma∩p，即ma={(x1，y1)，(x2，y2)}，如图4所示。
36.取非ma饱和点x3，u={x3}，w=φ，寻找从x3出发的ma可增广路径p，从x3出发的有x3y1、x3y4和x3y7，取y1，因为(x1，y1)∈ma，所以y1饱和，需要继续扩展p，令u={x3，x1}，w={y1}，从x1出发的有x1y1，x1y2和x1y4，y1、y2均饱和，因此选择y4，则p=x3y1、x1y4为可增广路径，扩展ma，ma=ma∪p
‑ꢀ
ma∩p，即ma={(x3，y1)，(x2，y2) ，(x1，y4)}，如图5所示。
37.取非ma饱和点x4，u={x4}，w=φ，寻找从x4出发的ma可增广路径p，从x4出发的有x4y3、x4y4和x4y6，y3不饱和，选择y3，则p=x4y3为可增广路径，ma=ma∪p
‑ꢀ
ma∩p，即ma={(x3，y1)，(x2，y2) ，(x1，y4) ，(x4，y3)}，如图6所示。
38.取非ma饱和点x5，u={x5}，w=φ，寻找从x5出发的ma可增广路径p，从x5出发的有x5y4，取y4，因为(x1，y4)∈ma，所以y4饱和，需要继续扩展p，令u={x5，x1}，w={y4}，从x1出发的有x1y1，x1y2和x1y4，y1、y2、y4均饱和，取y1，(x3，y1)∈ma，需要继续扩展p，令u={x5，x1，x3}，w={y4，y1}，从x3出发的有x3y1、x3y4和x3y7，y1、y4均饱和，因此选择y7，则p=x5y4、x1y1、x3y7为可增广路径，扩展ma，ma=ma∪p
‑ꢀ
ma∩p，即ma={(x5，y4)，(x1，y1) ，(x2，y2) ，(x3，y7) ，(x4，y3)}，如图7所示。
39.步骤 3.5技术服务场景中所有非饱和点都已尝试过扩展，得到最大匹配ma
max
={(x5，y4)，(x1，y1) ，(x2，y2) ，(x3，y7) ，(x4，y3)}，步骤 3.6 将最大匹配中的每个路径代价求和，计算该最大匹配的代价。
40.步骤4：通过优化算法优化出最佳储能剩余容量分配方案，以遗传优化算法为例，获得共享储能与技术服务场景中最大匹配方案当中总代价最小的方案。
41.步骤4.1 初始化交叉率pc、变异率pm以及最大迭代次数g，同时设置技术服务场景的顺序，定义技术服务场景的顺序所对应的编码串的形式以及数量，编码串的位数等于技术服务场景数n，在第g次迭代中，编码串为，
随机取1~n中的一个数，随机取1~n中除了前一个已取的数剩下的数中的一个数，随机取1~n中除了前两个已取的数剩下的数中的一个数，取最后剩下的数，初始随机生成m个技术服务场景的顺序所对应的编码串，w=1,2,
…
,m，m为编码串的个数，编码串表示的是技术服务场景的顺序，如图10所示，以5个技术服务场景为例，第一个编码位可以取1~5中的一个数，随机取了1之后，第二个编码位可以取2~5中的一个数，随机取了3之后，第3个编码位可以随机取2、4、5中的一个数，随机取了5之后，第四个编码位可以取2、4中的一个数，随机取了2之后，第5个编码位为4，初始化迭代次数为0，即g=0。
42.步骤4.2 通过步骤3得出遗传算法的目标函数，计算m个编码串对应的目标函数值。
43.步骤4.3 根据当前编码串对应的目标函数值，对各个编码串的编码位数值进行选择运算、交叉运算、变异运算，迭代次数增加1，即g=g+1。
44.步骤4.3.1 根据编码串对应的目标函数值，按目标函数由低到高对编码串进行1~m的排序，排序为k的编码串的选择率ps=(m-k+1)/ m。
45.步骤4.3.2 对选择运算产生的编码串，w=1,2,
…
,m进行交叉运算产生新的编码串，在第g次迭代中，，且，第t个编码串与第a个编码串在随机任意一点发生交叉运算，交叉点前的编码位数值若有和交叉点后的编码位数值相同的，则这些相同数值从第一个相同的数开始随机取1~n中除了交叉点后的编码位数值以及交叉点前与交叉点后数值不同的编码位数值之外的数值，并且这些相同的数最终取值不同，产生新的编码串，如图11所示，仍以5个技术服务场景为例，[5，3，1，2，4]和[1，2，3，4，5]在第2个编码位后发生了交叉运算，交叉后的编码串为[5，3，3，4，5]和[1，2，1，2，4]，则对于编码串[5，3，3，4，5]来说，交叉点前的5和3与交叉点后数值相同了，而1~5除了交叉点后的3、4、5外还剩1、2，再除了交叉点前与交叉点后数值不同的数还剩1、2，则第一个相同的编码位(即第一个编码位)，随机取1、2中的一个数，下一个相同的编码位随机取1、2中除了前面相同编码位取得数值外其他的数，若第一个相同编码位取1，则第二个取2，若第一个相同编码位取2，则第二个取1，另一个交叉后的编码串同理进行转换。
[0046]
步骤4.3.3 对交叉运算之后产生的编码串，w=1,2,
…
,m进行变异运算产生新的编码串，在第g次迭代中，，，第s个编码串的第b个编码位发生变异运算产生编码串，将产生的编码串进行转换，第b个编码位的数值变异为1~n中的任意一个数，而原本为此数的编
码位的数值变为b编码位原本的数值，迭代次数增加1，即g=g+1，如图12所示，仍以5个技术服务场景为例，设编码串为[5，3，1，2，4]，若第三个编码位发生变异，编码位数值由1变异为5，则原本第一个编码位数值为5的编码位数值变为1，最终编码串转换为[1，3，5，2，4]。
[0047]
步骤4.4 判断当前迭代次数是否达到最大迭代次数g，若是，则计算结束，将最后一代编码串中对应的遗传算法的目标函数最低的编码串中所对应的技术服务场景的顺序作为最终结果，此时最大匹配结果为实际选择的方案，否则回到步骤4.2。
[0048]
最后应当说明的是：所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。