一种写字楼水蓄能设备水箱温度变化率预测方法及系统与流程

1.本发明属于节能环保技术领域，特别是涉及一种写字楼水蓄能设备水箱温度变化率预测方法及系统。


背景技术：

2.能源是我国经济社会发展的重要物质基础，对经济的快速健康发展和人民生活水平的改善发挥着十分重要的作用。20世纪末期以来，我国城镇发展迅速，民用建筑用电量不断增加，在民用建筑中，公共建筑能耗较大，例如大型高档写字楼的单位面积能耗约为城镇普通居住建筑能耗的10～15倍。而公共建筑能耗中约50％～60％用于空调系统，以夏季制冷为例，空调系统的能耗主要在于冷水机组、冷却塔、冷冻泵等能耗，为了降低这些能耗，可以提高机组的制冷效率以减少制冷机组的能耗、将冷冻泵的一次泵定流量系统改为一次泵变流量系统和二次泵变流量系统来降低水泵能耗。但是上述方法都无法避免能耗的浪费，且实际运行时费用较高。
3.我国蓄能技术主要是为了调节峰谷电力供需关系，实现“削峰填谷”的作用，经过多年的研究和实践，主流的蓄能技术分为冰蓄能技术、水蓄能技术和共晶盐蓄能技术，其中水蓄能技术简单且易于控制，所以现在主要使用水蓄能技术。
4.针对目前的水蓄能系统，虽然技术已经比较成熟，但是如何更高效地进行蓄能和放能以满足写字楼的要求仍然有待研究，比如外界因素对水温变化有显著的影响，当温度达不到要求时再启动其他能源设备时，楼内温度会出现明显波动，影响舒适度。同时在蓄热或者蓄冷时，水箱水温过高或过低又会造成能源的浪费。传统水蓄能水箱的使用多关注出水温度和回水温度，这两个温度一般是设定值，当不满足要求时，水箱温度已明显降低，因此需要提前预判，以提前启动其他能源设备，才能保证楼内温度的平稳。目前对水箱温度变化的研究多通过具体实验来建立模型，或直接给出数学模型，较少考虑外界因素的作用以及按需蓄能，也缺少不同楼宇的泛化能力。


技术实现要素：

5.本发明为了解决水箱水温预测方法采用传统实验建模或数学建模，没有考虑外界因素和适用范围受限带来的技术问题，采用机器学习方法来预测水蓄能设备水箱在不同外界因素影响下蓄能和放能时的水温变化，具体到本发明采用的是梯度提升模型树模型xgboost。
6.本发明的第一目的是提供一种写字楼水蓄能设备水箱温度变化率预测方法，包括如下步骤：
7.s1、获取水箱w个位置点的实时水温数据，计算w个实时水温数据的平均值，将该平均值作为水箱温度；w为大于1的自然数；
8.s2、采用xgboost梯度提升模型树模型；分别构建蓄能时水温变化率模型和放能时水温变化率模型，找出水温变化的奇点；
9.s3、收集写字楼历史时段的天气数据如温度、风力、湿度和时间信息，以及对应历史时段内水箱的蓄能量、放能量、水箱温度，经过数据预处理得到训练集；
10.s4、以写字楼历史时段的天气数据(如温度、风力、湿度)和时间信息作为输入，以对应历史时段内水箱的水温变化率作为期望输出，对蓄能时水温变化率模型和放能时水温变化率模型进行训练；训练步骤为：
11.s401、建立数据集的表达式：
12.s＝{(ym,xm),n＝1,
…
,m}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
13.其中：s表示数据集，m表示样本数量，xm为第m个样本的特征向量，ym为第m个样本的预测值，p为所包含特征数量，每一个特征向量的表达式为(x1,x2,
…
,x
p
)；
14.s402、对数据集进行数据清洗，并且对离散数据进行独热编码，对缺失数据进行填充，然后将数据集按比例划分为训练集s0和测试集s1；
15.s403、设置xgboost的初始参数，并将训练集输入模型中进行模型训练，得到训练后的模型，再将测试集输入模型进行预测，针对预测结果计算误差，然后不断地调整xgboost的参数使得误差最小；
16.s5、将第二天分时间段的天气数据(如温度、风力、湿度)和时间信息输入蓄能时水温变化率模型和放能时水温变化率模型，得到第二天分时段的水温变化率预测结果。
17.优选地，所述数据预处理包括：
18.划分时间特征：将日期时间划分为星期数、周数、月份、季节、节假日；将季节信息和节假日信息以整数的形式表示；
19.填充缺失数据：采用平均值填充的方式对缺失值进行填充；
20.剔除异常数据和重复数据：所述异常数据包括空值和负值；
21.提取分时段的天气数据(如温度、风力、湿度)；
22.计算水温变化率：计算单位时间内水温的变化幅度。
23.优选地，所述误差为平均绝对百分比误差mape，表达式为：
[0024][0025]
其中：xi为实际水温变化率，yi为预测水温变化率；最后统计预测水温变化率和实际水温变化率的精确度作为最终评价指标，对应的数学表达式为：
[0026][0027]
其中，ys为预测的第二天水温变化率，ps为预测的第二天的实际水温变化率。
[0028]
优选地，所述历史时段的天气数据使用网络爬虫进行爬取，温度数据包括写字楼所在地区最高温度、最低温度、风力和湿度。
[0029]
本发明的第二目的是提供一种写字楼水蓄能设备水箱温度变化率预测系统，包括：
[0030]
数据采集模块：获取水箱w个位置点的实时水温数据，计算w个实时水温数据的平均值，将该平均值作为水箱温度；w为大于1的自然数；
[0031]
预测模型构建模块：采用xgboost梯度提升模型树模型；分别构建蓄能时水温变化率模型和放能时水温变化率模型，找出水温变化的奇点；
[0032]
训练集构建模块：收集写字楼历史时段的天气数据(如温度、风力、湿度)和时间信
息，以及对应历史时段内水箱的蓄能量、放能量、水箱温度，经过数据预处理得到训练集；
[0033]
预测模型训练模块、以写字楼历史时段的天气数据(如温度、风力、湿度)和时间信息作为输入，以对应历史时段内水箱的水温变化率作为期望输出，对蓄能时水温变化率模型和放能时水温变化率模型进行训练；训练步骤为：
[0034]
建立数据集的表达式：
[0035]
s＝{(ym,xm),n＝1,
…
,m}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0036]
其中：s表示数据集，m表示样本数量，xm为第m个样本的特征向量，ym为第m个样本的预测值，p为所包含特征数量，每一个特征向量的表达式为(x1,x2,
…
,x
p
)；
[0037]
对数据集进行数据清洗，并且对离散数据进行独热编码，对缺失数据进行填充，然后将数据集按比例划分为训练集s0和测试集s1；
[0038]
设置xgboost的初始参数，并将训练集输入模型中进行模型训练，得到训练后的模型，再将测试集输入模型进行预测，针对预测结果计算误差，然后不断地调整xgboost的参数使得误差最小；
[0039]
预测执行模块：将第二天分时间段的天气数据(如温度、风力、湿度)和时间信息输入到蓄能时水温变化率模型和放能时水温变化率模型，得到第二天分时段的水温变化率预测结果。
[0040]
优选地，所述数据预处理包括：
[0041]
划分时间特征：将日期时间划分为星期数、周数、月份、季节、节假日；将季节信息和节假日信息以整数的形式表示；
[0042]
填充缺失数据：采用平均值填充的方式对缺失值进行填充；
[0043]
剔除异常数据和重复数据：所述异常数据包括空值和负值；
[0044]
提取分时段的天气数据(如温度、风力、湿度)；
[0045]
计算水温变化率：计算单位时间内水温的变化幅度。
[0046]
优选地，所述误差为平均绝对百分比误差mape，表达式为：
[0047][0048]
其中：xi为实际水温变化率，yi为预测水温变化率；最后统计预测水温变化率和实际水温变化率的精确度作为最终评价指标，对应的数学表达式为：
[0049][0050]
其中，ys为预测的第二天水温变化率，ps为预测的第二天的实际水温变化率。
[0051]
优选地，所述历史时段的天气数据使用网络爬虫进行爬取，温度数据包括写字楼所在地区最高温度、最低温度、风力和湿度。
[0052]
本专利的第三发明目的是提供一种实现上述写字楼水蓄能设备水箱温度变化率预测方法的计算机程序。
[0053]
本专利的第四发明目的是提供一种实现写字楼水蓄能设备水箱温度变化率预测方法的信息数据处理终端。
[0054]
本专利的第五发明目的是提供一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行上述的写字楼水蓄能设备水箱温度变化率预测方法。
[0055]
本发明的优点及积极效果为：
[0056]
1、通过大数据模型预判水箱水温变化的拐点，从而为其他能源设备的开启提供有效的依据，从而保持楼内温度的平稳，避免大幅波动，提升舒适性。
[0057]
2、根据水箱水温的变化率模型，可以按需确定蓄能温度，避免蓄热温度过高和蓄冷温度过低，可以进一步节约电费。
[0058]
3、通过观察水箱的平均水温，比关注水箱的出水和回水温度以及水箱的最上层温度，能更好地预测和反应水箱温度可能发生的变化。
[0059]
4、本发明采用xgboost模型构建水蓄能设备蓄能、放能时水温变化率模型，充分利用了xgboost模型的集成思想，减少了模型过拟合的风险，提高了模型的泛化性能和预测准确率。
[0060]
5、本发明能够预测写字楼水蓄能设备在外界环境因素的作用下水箱的水温变化，有利于在生成设备运行策略时提供更加准确的水蓄能设备的蓄能、放能功率，选择合理的水箱温度设置。
附图说明
[0061]
图1是本发明优选实施例中的网络爬虫原理图；
[0062]
图2是本发明优选实施例中的数据预处理流程图；
[0063]
图3是本发明优选实施例中的水温变化率曲线图；
[0064]
图4是本发明优选实施例中的水蓄能设备蓄能、放能时水温变化率模型流程图；
[0065]
图5是某写字楼水蓄能设备蓄能流程预测的水温变化率与真实数据比较图；
[0066]
图6是某写字楼水蓄能设备放能流程预测的水温变化率与真实数据比较图。
具体实施方式
[0067]
为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。
[0068]
请参阅图1至图6，
[0069]
一种写字楼水蓄能设备水箱温度变化率预测方法，该方法包括以下几个步骤：
[0070]
s1、根据水蓄能设备水箱温度在供能时具有分层分布的特点，在水箱的不同深度，每层的不同位置设置水温表，水箱的实时水温由多个水温表测得，取多个水温表读数的平均值来计算水温，将该平均值作为水箱温度；
[0071]
s2、构建蓄能时水温变化率模型和放能时水温变化率模型：所述水蓄能设备蓄能、放能时水温变化率模型采用的是xgboost梯度提升模型树模型；分别构建蓄能时水温变化率模型和放能时水温变化率模型，找出水温变化的奇点；所述奇点为变化率由正转负，或由负转正，或超过阈值的点位，阈值可以根据不同情况设定。
[0072]
s3、收集写字楼历史时段的天气数据(如温度、风力、湿度)和时间信息，以及对应历史时段内水箱的蓄能量、放能量、水箱温度，经过数据预处理得到训练集；
[0073]
写字楼历史时段的天气数据需要使用网络爬虫进行爬取，具体需要爬取的数据包括写字楼所在地区最高温度、最低温度、风力和湿度，网络爬虫原理如图1所示。获得网络爬虫爬取到的天气数据之后，需要将天气数据和采集到的水蓄能设备的蓄能、放能量、水温变化量按对应时间进行合并得到原始数据集。
[0074]
由于原始数据集存在很多问题，所以需要对原始数据集进行预处理，预处理的步骤主要包括划分时间特征、填充缺失数据、计算水箱平均水温、计算水温变化率、异常值的检测与剔除和划分蓄能和放能数据集。
[0075]
如图2为数据预处理的过程，各部分的具体操作过程如下：
[0076]
(1)划分时间特征：将一般的日期时间划分为星期数、周数、月份、季节、节假日等特征。季节信息包括春、夏、秋、冬，以整数的形式表示(0:春、1:夏、2:秋、3:冬)。节假日信息包括非节假日和节假日，同样以整数的形式表示(0:非节假日、1:节假日)；
[0077]
(2)填充缺失数据：收集到的数据难免存在缺失值，对于缺失数据，除了直接剔除之外，还可以人为的进行填充，在本例中采用的是平均值填充的方式对缺失值进行填充；
[0078]
(3)计算水箱平均水温：因为水蓄能系统的水箱实时水温由多个水温表测得，所以需要取各个水温表读数的平均值来作为水箱的实际水温；如图3为某写字楼2020年12月17日全天的水箱温度变化曲线，其中标明了各个水温表的水温变化(yc1～yc3)，以及平均的水温变化(yc_avg)；
[0079]
(4)计算水温变化率：当水蓄能设备蓄能和放能时，水箱中的水温会随之上升和下降，由于原始数据集中记录的只是某个时间点的水温，不能表达出某时刻水温变化的快慢，所以需要通过将当前时间点的水温同上一个时间点的水温作差值近似计算出当前时刻的水温变化率；
[0080]
(5)异常值的检测与剔除：原始数据集通常存在着大量的异常数据，比如空值，负值等。在本文中，一类很典型的异常值就是当水蓄能设备蓄能时水温却下降了，以及当水蓄能设备放能时水温却升高了，当遇到这类异常值时，可以直接将其剔除掉。
[0081]
(6)划分蓄能和放能数据集：因为水蓄能设备的蓄能和放能过程是两个不同的过程，所以需要分别建模，那么自然需要将原数据集划分为两个数据集以供不同的模型使用，划分方式就是将蓄能量大于0的数据划分为一类，将放能量大于0的数据划分为一类。
[0082]
下面是预处理前和预处理后的部分数据集：
[0083]
表1预处理前的部分数据集
[0084][0085]
表2预处理后的部分数据集
[0086][0087][0088]
表1是本实施例将天气数据和采集到的水蓄能设备的蓄能、放能量、水温变化量按对应时间进行合并得到原始数据集，没有将时间进行特征划分，并且有多个水箱温度特征，还缺少水温变化率特征；而表2是经过预处理之后的训练数据，将时间划分为小时数、星期数、季节、节假日，并且对于多个水温表记录的水箱温度，取了水温的平均值，除此之外还计算出了水温变化率。
[0089]
s4、以写字楼历史时段的温度、风力、湿度和时间信息作为输入，以对应历史时段内水箱的水温变化率作为期望输出，对蓄能时水温变化率模型和放能时水温变化率模型进行训练；训练步骤为：
[0090]
s401、建立数据集的表达式：
[0091]
s＝{(ym,xm),n＝1,
…
,m}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0092]
其中：s表示数据集，m表示样本数量，xm为第m个样本的特征向量，ym为第m个样本的预测值，p为所包含特征数量，每一个特征向量的表达式为(x1,x2,
…
,x
p
)；
[0093]
s402、对数据集进行数据清洗，并且对离散数据进行独热编码，对缺失数据进行填充，然后将数据集按比例划分为训练集s0和测试集s1；
[0094]
s403、设置xgboost的初始参数，并将训练集输入模型中进行模型训练，得到训练后的模型，再将测试集输入模型进行预测，针对预测结果计算误差，然后不断地调整xgboost的参数使得误差最小；
[0095]
值得注意的是，由于水箱蓄能和放能是两个不同的过程，其水箱温度变化的过程是有差异的，所以要分别对水蓄能和放能以上述方式进行建模并训练。
[0096]
s5、从天气网站爬取第二天的天气数据，将待预测的第二天的温度、风力、湿度和时间信息输入训练后的水蓄能设备蓄能、放能时水温变化率模型，得到第二天的水温变化率预测结果。
[0097]
本发明中水蓄能设备蓄能、放能时水温变化率模型预测评价指标采用平均绝对百
分比误差mape，表达式为：
[0098][0099]
(3)式中xi为实际水温变化率，yi为预测水温变化率；最后统计预测水温变化率和实际水温变化率的精确度作为最终评价指标，对应的数学表达式为：
[0100][0101]
其中，ys为预测的第二天水温变化率，ps为预测的第二天的实际水温变化率。
[0102]
为验证本发明的有效性，本实施例预测了某写字楼2021年1月1日至2021年1月10日水蓄能设备在蓄能和放能时的水温变化率，水蓄能设备蓄能时预测的水温变化率与真实数据比较图如图5所示，水蓄能设备放能时预测的水温变化率与真实数据比较图如图6所示。以水蓄能设备蓄能时预测的水温变化率为例，其中横坐标代表2021年1月1日至2021年1月10日以小时为单位的时间序列，纵坐标为每小时的水温变化率，以小时为单位计算绝对平均百分比误差为2.3％。
[0103]
一种写字楼水蓄能设备水箱温度变化率预测系统，包括：
[0104]
数据采集模块：根据水蓄能设备水箱温度在供能时具有分层分布的特点，在水箱的不同深度，每层的不同位置设置水温表，水箱的实时水温由多个水温表测得，取多个水温表读数的平均值来计算水温；
[0105]
预测模型构建模块：构建蓄能时水温变化率模型和放能时水温变化率模型：所述水蓄能设备蓄能、放能时水温变化率模型采用的是xgboost梯度提升模型树模型；分别构建蓄能时水温变化率模型和放能时水温变化率模型，找出水温变化的奇点；所述奇点为变化率由正转负，或者由负转正时的点位。
[0106]
训练集构建模块、收集写字楼历史时段的温度、风力、湿度和时间信息，以及对应历史时段内水箱的蓄能量、放能量、水箱温度，经过数据预处理得到训练集；
[0107]
写字楼历史时段的天气数据需要使用网络爬虫进行爬取，具体需要爬取的数据包括写字楼所在地区最高温度、最低温度、风力和湿度，网络爬虫原理如图1所示。获得网络爬虫爬取到的天气数据之后，需要将天气数据和采集到的水蓄能设备的蓄能、放能量、水温变化量按对应时间进行合并得到原始数据集。
[0108]
由于原始数据集存在很多问题，所以需要对原始数据集进行预处理，预处理的步骤主要包括划分时间特征、填充缺失数据、计算水箱平均水温、计算水温变化率、异常值的检测与剔除和划分蓄能和放能数据集。
[0109]
如图2为数据预处理的过程，各部分的具体操作过程如下：
[0110]
(1)划分时间特征：将一般的日期时间划分为星期数、周数、月份、季节、节假日等特征。季节信息包括春、夏、秋、冬，以整数的形式表示(0:春、1:夏、2:秋、3:冬)。节假日信息包括非节假日和节假日，同样以整数的形式表示(0:非节假日、1:节假日)；
[0111]
(2)填充缺失数据：收集到的数据难免存在缺失值，对于缺失数据，除了直接剔除之外，还可以人为的进行填充，在本例中采用的是平均值填充的方式对缺失值进行填充；
[0112]
(3)计算水箱平均水温：因为水蓄能系统的水箱实时水温由多个水温表测得，所以需要取各个水温表读数的平均值来作为水箱的实际水温；如图3为某写字楼2020年12月17日全天的水箱温度变化曲线，其中标明了各个水温表的水温变化(yc1～yc3)，以及平均的
水温变化(yc_avg)；
[0113]
(4)计算水温变化率：当水蓄能设备蓄能和放能时，水箱中的水温会随之上升和下降，由于原始数据集中记录的只是某个时间点的水温，不能表达出某时刻水温变化的快慢，所以需要通过将当前时间点的水温同上一个时间点的水温作差值近似计算出当前时刻的水温变化率；
[0114]
(5)异常值的检测与剔除：原始数据集通常存在着大量的异常数据，比如空值，负值等。在本文中，一类很典型的异常值就是当水蓄能设备蓄能时水温却下降了，以及当水蓄能设备放能时水温却升高了，当遇到这类异常值时，可以直接将其剔除掉。
[0115]
(6)划分蓄能和放能数据集：因为水蓄能设备的蓄能和放能过程是两个不同的过程，所以需要分别建模，那么自然需要将原数据集划分为两个数据集以供不同的模型使用，划分方式就是将蓄能量大于0的数据划分为一类，将放能量大于0的数据划分为一类。
[0116]
下面是预处理前和预处理后的部分数据集：
[0117]
表1预处理前的部分数据集
[0118][0119]
表2预处理后的部分数据集
[0120][0121]
表1是本实施例将天气数据和采集到的水蓄能设备的蓄能、放能量、水温变化量按对应时间进行合并得到原始数据集，没有将时间进行特征划分，并且有多个水箱温度特征，还缺少水温变化率特征；而表2是经过预处理之后的训练数据，将时间划分为小时数、星期数、季节、节假日，并且对于多个水温表记录的水箱温度，取了水温的平均值，除此之外还计算出了水温变化率。
[0122]
预测模型训练模块：以写字楼历史时段的温度、风力、湿度和时间信息作为输入，以对应历史时段内水箱的水温变化率作为期望输出，对蓄能时水温变化率模型和放能时水温变化率模型进行训练；训练步骤为：
[0123]
建立数据集的表达式：
[0124]
s＝{(ym,xm),n＝1,
…
,m}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0125]
其中：s表示数据集，m表示样本数量，xm为第m个样本的特征向量，ym为第m个样本的预测值，p为所包含特征数量，每一个特征向量的表达式为(x1,x2,
…
,x
p
)；
[0126]
对数据集进行数据清洗，并且对离散数据进行独热编码，对缺失数据进行填充，然后将数据集按比例划分为训练集s0和测试集s1；
[0127]
设置xgboost的初始参数，并将训练集输入模型中进行模型训练，得到训练后的模型，再将测试集输入模型进行预测，针对预测结果计算误差，然后不断地调整xgboost的参数使得误差最小；
[0128]
值得注意的是，由于水箱蓄能和放能是两个不同的过程，其水箱温度变化的过程是有差异的，所以要分别对水蓄能和放能以上述方式进行建模并训练。
[0129]
预测执行模块：从天气网站爬取第二天的天气数据，将待预测的第二天的温度、风力、湿度和时间信息输入训练后的水蓄能设备蓄能、放能时水温变化率模型，得到第二天的水温变化率预测结果。
[0130]
本发明中水蓄能设备蓄能、放能时水温变化率模型预测评价指标采用平均绝对百分比误差mape，表达式为：
[0131][0132]
(3)式中xi为实际水温变化率，yi为预测水温变化率；最后统计预测水温变化率和实际水温变化率的精确度作为最终评价指标，对应的数学表达式为：
[0133][0134]
其中，ys为预测的第二天水温变化率，ps为预测的第二天的实际水温变化率。
[0135]
一种实现上述写字楼水蓄能设备水箱温度变化率预测方法的计算机程序。
[0136]
一种实现上述写字楼水蓄能设备水箱温度变化率预测方法的信息数据处理终端。
[0137]
一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行上述的写字楼水蓄能设备水箱温度变化率预测方法。
[0138]
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘solid state disk(ssd))等。
[0139]
以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。