一种低压配电网络拓扑生成方法及装置

1.本发明涉及配电网络的优化运行与管理领域，尤其涉及一种低压配电网络拓扑生成方法及装置。


背景技术：

2.低压台区配电网络直接连接着千家万户，其运行维护管理的智能化水平将直接影响客户满意度的高低。正确辨识低压台区拓扑结构，对于供电部门计算潮流、更新开关状态的变化、分析研判故障、进行远程费控、分析线路损耗并提出优化策略具有重要意义。然而，随着经济的发展，低压供电台区在各个城市的数量越来越多，连接越来越混乱，甚至存在未按规定走线的现象。随着分布式电源、可控负载、电动汽车接入，以及供需响应技术日渐广泛的应用，电网安全运行水平和经济性得以提高，同时，城市低压供电台区拓扑改动频繁的问题日益凸显。因此，供电部门记录的拓扑结构多存在数据丢失、记录错误等情况，而采取人工排查拓扑方法成本高，效率低。探索高效、准确、动态地识别台区内电力拓扑结构的方法，建立合理、准确、统一的低压拓扑模型，有利于供电部门对低压台区用户进行管理，满足配电网供电可靠性要求，提升客户服务质量。
3.目前，主流的拓扑结构识别方法可分为离线方法和在线方法。离线方法由人工带硬件设备进入现场进行测试和整理分类，需消耗大量人力物力，成本高，效率、准确率低且无法自动更新。在线方法通过分析用电相关信息，进行配电网拓扑辨识，具有低成本、实时性高等优点，如注入信号法、数据标签法以及数据分析法。但总体而言，目前已有的配网台区拓扑辨识方法大多无法充分挖掘实际工程中智能电表所采集的电气量数据信息，有着识别简单结构易、识别复杂结构难的特点。在识别较大规模的配电网拓扑结构时，准确率仍有进一步提高的空间，能够实际应用于工程中的低压配电网拓扑识别技术也有待深入研究。


技术实现要素：

4.为至少一定程度上解决现有技术中存在的技术问题之一，本发明的目的在于提供一种低压配电网络拓扑生成方法及装置。
5.本发明所采用的技术方案是：
6.一种低压配电网络拓扑生成方法，包括以下步骤：
7.获取低压台区下各用户电表采集的电气量数据，从电气量数据中提取采集信息，根据采集信息生成时序电压数据矩阵u；其中，采集信息包括电表id、电压幅值、数据采集时间；
8.从时序电压数据矩阵中筛选异常采集数据，对筛选获得的异常采集数据进行重新赋值；
9.赋初值给t-sne算法的输入参数，将时序电压数据矩阵u作为t-sne算法的输入数据集，并运行t-sne算法，获得低维电压特征数据集y
t
；
10.赋初值给dbscan算法的输入参数，将低维电压特征数据集y
t
作为dbscan算法的输
入数据集，并运行dbscan算法，获得所有的簇类集合c以及二维电压特征聚类图；
11.赋初值给lle算法的输入参数，将时序电压数据矩阵u作为lle算法的输入数据集，并运行lle算法，获得在簇类标签c分类下的二维电压特征图；
12.计算特征图中簇类中心与总表簇之间的欧氏距离关系并排序，输出排序结果，表示不同用户分支与总表间的相对电气距离关系；
13.基于dbscan算法和lle算法得到的拓扑识别信息生成节点邻接矩阵；
14.将节点邻接矩阵可视化生成低压配电网络节点连接拓扑图。
15.进一步地，所述时序电压数据矩阵u的表达式为：
[0016][0017]
式中，任一电压数据u
i,tj
表示为电表i在tj时刻所测得的电压幅值；m表示所有台区用户数量；n表示表计在某一时段内采集的该用户的电压采样点数目；时序电压数据矩阵u的任一行向量ui表示同一用户表计在采样时段内测量的所有时刻的时序电压数据，任一列向量u
tj
表示同一时刻下各电表采集的不同用户的电压数据。
[0018]
进一步地，通过以下方式对筛选获得的异常采集数据进行重新赋值：
[0019][0020]
式中，为电压矩阵中某一采样时序t
err
电表采集的异常电压数据；与分别表示同一时序电压序列中距离异常采集数据最近的且采样时序早于时序t
err
与晚于时序t
err
的正常电压数据。
[0021]
进一步地，所述t-sne算法的输入参数包括n_components，perplexity，learning_rate；其中，n_components表示目标降维维度，perplexity表示困惑度，learning_rate表示学习率；
[0022]
t-sne算法的运行步骤如下：
[0023]
a1、将高维电压数据点的欧式距离转换成联合概率来表达各点之间的相关性，其中在高维空间下使用高斯分布函数进行转换，分别计算条件概率p
j|i
，p
i|j
以及联合概率分布p
ij
；
[0024]
a2、采用正态分布n(0,10-4
i)随机初始化目标低维数据集y0＝{y1,y2,...,yn}；
[0025]
a3、在低维空间下使用t分布函数进行转换，计算低维空间下数据的联合概率分布q
ij
；
[0026]
a4、使概率分布p
ij
＝q
ij
，对两个概率分布之间的kl散度进行优化，建立目标函数；迭代计算梯度，根据计算获得的梯度对目标低维数据集y
t
进行更新；
[0027]
a5、判断迭代次数是否达到n_iter次；若达到，执行步骤a6；若没有达到，返回执行步骤a3；
[0028]
a6、得到kl散度最小的低维特征数据集，作为高维数据集的t-sne特征表示y
t
＝{y1,y2,...,yn}以及二维电压特征图。
[0029]
进一步地，条件概率p
j|i
，p
i|j
以及联合概率分布p
ij
的表达式如下：
[0030][0031][0032][0033]
式中，xi，xj，xk分别为高维输入数据集中任意3个高维向量；σi和σj分别为以xi和xj为高斯分布中心的高斯函数模型方差，通过输入参数perplexity用二分搜索的方式来确定；n为高维输入数据集中高维向量的个数；
[0034]
低维空间下数据的联合概率分布q
ij
的表达式如下：
[0035][0036]
式中，yi，yj，yk，y
l
分别表示初始化的或更新后的目标低维数据集y0或y
t
中任意4个低维向量。
[0037]
进一步地，所述迭代计算梯度，根据计算获得的梯度对目标低维数据集y
t
进行更新，包括：
[0038]
采用梯度下降法迭代计算梯度：
[0039][0040][0041]
式中，y
t-1
、y
t-2
分别表示y
t
在前两次更新的目标低维数据集，η表示学习率，α(t)表示算法给定的动量阈值。
[0042]
进一步地，所述dbscan算法的输入参数包括ε和minpts；其中，ε是输入的指定每个数据样本对象的邻域半径，minpts是指数据样本的ε-邻域中样本对象个数；
[0043]
dbscan算法的运行步骤如下：
[0044]
b1、从低维电压特征数据集y
t
中任意选择一个无类别核心对象作为种子，获取所有与该核心对象有着密度可达关系的数据样本集合，作为一个聚类簇cj；其中，核心对象定义为ε-邻域内的样本点数大于等于minpts的对象；密度可达关系定义为对于某一样本集，给定一串样本点p1,p2,...,pn,p＝p1,q＝pn，满足条件样本点pi在p
i-1
的ε-邻域内，并且p
i-1
为核心对象，那么对象q从对象p密度可达；
[0045]
b2、判断所有核心对象是否都有类别，若都有，继续执行步骤b3；反之，返回执行步骤b1；
[0046]
b3、将少数在簇外游离的异常样本点标记为噪音点，这些噪音点不在任何一个核
心对象附近，其余正常样本点被划分到各个簇内，最终获得所有的簇类集合c以及二维电压特征聚类图。
[0047]
进一步地，lle算法的输入参数包括d，k和c；其中，d表示目标降维维度，k表示最近邻数，c表示聚类标签；
[0048]
lle算法的运行步骤如下：
[0049]
c1、依据欧式距离度量求高维电压数据样本xi在邻域里的k个最近邻获取高维电压数据样本xi对应的局部协方差矩阵；
[0050]
c2、获取高维电压数据样本xi对应的权重系数向量；
[0051]
c3、判断是否满足条件：所有高维电压数据样本对应的局部协方差矩阵与权重系数向量都完成求解；如果满足，继续执行步骤c4；反之，返回步骤c1；
[0052]
c4、根据权重系数向量wi组成权重系数矩阵w，根据权重系数矩阵w计算矩阵m；
[0053]
c5、计算矩阵m的前d+1个特征值及其对应的特征向量，并将第2个特征向量到第d+1个特征向量所张成的矩阵y
l
＝{y2,y3,...,y
d+1
}作为高维数据集的lle特征表示，同时输出在簇类标签c分类下的二维电压特征图。
[0054]
进一步地，通过以下方式求取高维电压数据样本xi对应的局部协方差矩阵：
[0055]
zi＝(x
i-xj)(x
i-xj)
t
[0056]
式中，xj表示xi在邻域里k个最近邻中的其中任意一个样本；
[0057]
通过以下方式求取高维电压数据样本xi对应的权重系数向量：
[0058][0059]
式中，1k表示为k维全1向量；
[0060]
矩阵m的表达式如下：
[0061]
m＝(i-w)(i-w)
t
。
[0062]
本发明所采用的另一技术方案是：
[0063]
一种低压配电网络拓扑生成装置，包括：
[0064]
至少一个处理器；
[0065]
至少一个存储器，用于存储至少一个程序；
[0066]
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上所述方法。
[0067]
本发明的有益效果是：本发明使用改良的数据降维聚类方法分析长时间尺度下低压网络中各负荷节点的电压时空特性，得出各节点的可能存在的连接关系，进而实现低压配电网络中节点拓扑信息的识别。结合图论知识，便能将拓扑信息可视化生成节点拓扑图，为电网拓扑纠错、故障排查等各项高级应用提供了信息参考。
附图说明
[0068]
为了更清楚地说明本发明实施例或者现有技术中的技术方案，下面对本发明实施例或者现有技术中的相关技术方案附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例，对于本领域的技术人员而言，在
无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。
[0069]
图1是本发明实施例中低压配电台区典型拓扑结构示意图；
[0070]
图2是本发明实施例中工程实施例1中的低压配电网仿真拓扑图；
[0071]
图3是本发明实施例中工程实施例1生成的低压配电网络拓扑预测图；
[0072]
图4是本发明实施例中一种低压配电网络拓扑生成方法流程图。
具体实施方式
[0073]
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
[0074]
在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
[0075]
在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
[0076]
本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
[0077]
近年来，随着越来越多的智能化终端监测设备的开发应用，低压配电网络将拥有更多的可视化监控接口，大量、高密度的用户数据信息通过智能电表反馈至电网公司，为低压配电台区拓扑结构的自动识别提供了数据来源。本发明利用高级量测体系(ami)采集的用户电压数据，提出一种基于数据降维聚类与图论知识的低压配电网络拓扑生成方法。该方法使用改良的数据降维聚类方法分析长时间尺度下低压网络中各负荷节点的电压时空特性，得出各节点的可能存在的连接关系，进而实现低压配电网络中节点拓扑信息的识别。之后，结合图论知识，便能将拓扑信息可视化生成节点拓扑图，为电网拓扑纠错、故障排查等各项高级应用提供了信息参考。同时，该方法无需消耗额外的人力物力进行设备加装与维护，更加高效便捷，具有较高的工程应用前景。其中，图1为低压配电台区典型拓扑结构示意图。
[0078]
如图4所示，本实施例提供一种基于数据降维聚类与图论知识的低压配电网络拓扑生成方法，该方法适用于低压配电网络的拓扑识别，具体包括以下步骤：
[0079]
s1.从数据采集中心获取低压台区下各用户电表采集的完整电气量数据表格，提取出关键的三类采集信息(电表id、电压幅值、数据采集时间)，生成如下式所示的时序电压数据矩阵u；
[0080][0081]
式中：任一电压数据u
i,tj
表示为电表i在tj时刻所测得的电压幅值；m表示所有台区用户数量；n表示表计在某一时段内采集的该用户的电压采样点数目。时序电压数据矩阵u的任一行向量ui表示同一用户表计在采样时段内测量的所有时刻的时序电压数据，任一列向量u
tj
表示同一时刻下各电表采集的不同用户的电压数据。
[0082]
s2.从电压矩阵u中筛选异常采集数据(零电压数据与电压波动大于正常值10％的电压数据)，采用如下式所示的线性拟合方法对这类数据进行重新赋值，避免对后续算法识别精度造成影响；
[0083][0084]
式中：为电压矩阵中某一采样时序t
err
电表采集的异常电压数据；与分别表示同一时序电压序列中距离异常采集数据最近的且采样时序早于t
err
与晚于t
err
的正常电压数据。
[0085]
s3.赋初值给t-sne算法输入参数n_components，perplexity，learning_rate和n_iter，将电压矩阵u作为t-sne算法的输入数据集，执行t-sne算法，具体执行步骤包括步骤s4-s9。
[0086]
其中，n_components表示目标降维维度，出于算法的可视化效果以及后续与聚类算法的兼容性考虑，一般将其设置为2更为合适；perplexity表示困惑度，该数值的大小反映了降维数据的不同聚散程度，一般将其值设置为预估的簇类种群大小；learning_rate表示学习率，影响了成本函数寻找到最优解的速率，一般将其设置为200；n_iter表示迭代次数，影响了算法的收敛程度，一般将其设置为1000。
[0087]
s4.先将高维电压数据点的欧式距离转换成联合概率来表达各点之间的相关性，其中在高维空间下使用高斯分布函数进行转换，分别计算条件概率p
j|i
，p
i|j
以及联合概率分布p
ij
，如下式所示；
[0088][0089][0090][0091]
式中：xi，xj，xk分别为高维输入数据集中任意3个高维向量；σi和σj分别为以xi和xj为高斯分布中心的高斯函数模型方差，通过输入参数perplexity用二分搜索的方式来确定；n为高维输入数据集中高维向量的个数。
[0092]
s5.用正态分布n(0,10-4
i)随机初始化目标低维数据集y0＝{y1,y2,...,yn}；
[0093]
s6.在低维空间下使用t分布函数进行转换，计算低维空间下数据的联合概率分布q
ij
，如下式所示；
[0094][0095]
式中：yi，yj，yk，y
l
分别表示初始化的或更新后的目标低维数据集y0或y
t
中任意4个低维向量。
[0096]
s7.使p
ij
＝q
ij
，对两个概率分布之间的kl散度进行优化，建立目标函数，采用如下式所示的梯度下降法迭代计算梯度以及对目标低维数据集y
t
进行更新；
[0097][0098][0099]
式中：y
t-1
、y
t-2
分别表示y
t
在前两次更新的目标低维数据集，η表示学习率，α(t)表示算法给定的动量阈值。
[0100]
s8.判断是否满足条件：迭代次数达到n_iter次；
[0101]
a.如果满足，则继续执行步骤s9；
[0102]
b.如果不满足，则返回步骤s6；
[0103]
s9.得到kl散度最小的低维特征数据集作为高维数据集的t-sne特征表示y
t
＝{y1,y2,...,yn}以及二维电压特征图。
[0104]
s10.赋初值给dbscan算法输入参数ε和minpts，将s7得到的低维电压特征数据集y
t
作为dbscan算法的输入数据集，执行dbscan算法，具体执行步骤包括步骤s11-s13。
[0105]
其中，ε是输入的指定每个数据样本对象的邻域半径，minpts是指某一数据样本的ε-邻域中样本对象个数，两个参数数值一般通过机器调参进行确定。
[0106]
s11.先从y
t
中任意选择一个无类别核心对象作为种子，然后找到所有与该核心对象有着密度可达关系的数据样本集合，即为一个聚类簇cj；
[0107]
其中，核心对象定义为ε-邻域内的样本点数大于等于minpts的对象；密度可达关系定义为对于某一样本集，给定一串样本点p1,p2,...,pn,p＝p1,q＝pn，满足条件样本点pi在p
i-1
的ε-邻域内，并且p
i-1
为核心对象，那么对象q从对象p密度可达。
[0108]
s12.判断是否满足条件：所有核心对象都有类别
[0109]
a.如果满足，则继续执行步骤s13；
[0110]
b.如果不满足，则返回步骤s11；
[0111]
s13.将少数在簇外游离的异常样本点标记为噪音点，这些点不在任何一个核心对象附近，其余正常样本点被划分到各个簇内，最终便得到所有的簇类集合c以及二维电压特
征聚类图，即低压台区分类结果与用户相位分类结果，以“电表id+分类结果”的格式输出成一个数据表格。
[0112]
s14.赋初值给lle算法输入参数d，k和c，将s2得到的电压矩阵u作为lle算法的输入数据集，执行lle算法，具体执行步骤包括步骤s15-s19。
[0113]
其中，d表示目标降维维度，出于算法的可视化效果以及后续与聚类算法的兼容性考虑，一般将其设置为2更为合适；k表示最近邻数，反映了任一数据的线性表示样本个数，越大则表示得越准确，一般将其值设置为总的高维数据样本数-1；c表示s11得到的聚类标签。
[0114]
s15.依据欧式距离度量求高维电压数据样本xi在邻域里的k个最近邻再利用下式求出xi对应的局部协方差矩阵；
[0115]
zi＝(x
i-xj)(x
i-xj)
t
(9)
[0116]
式中：xj表示xi在邻域里k个最近邻中的其中任意一个样本。
[0117]
s16.利用下式求出xi对应的权重系数向量；
[0118][0119]
式中：1k表示为k维全1向量。
[0120]
s17.判断是否满足条件：所有高维电压数据样本对应的局部协方差矩阵与权重系数向量都完成求解；
[0121]
a.如果满足，则继续执行步骤s18；
[0122]
b.如果不满足，则返回步骤s15；
[0123]
s18.由权重系数向量wi组成权重系数矩阵w,利用下式计算矩阵m；
[0124]
m＝(i-w)(i-w)
t
(11)
[0125]
s19.计算矩阵m的前d+1个特征值及其对应的特征向量，并将第2个特征向量到第d+1个特征向量所张成的矩阵y
l
＝{y2,y3,...,y
d+1
}作为高维数据集的lle特征表示，同时输出在簇类标签c分类下的二维电压特征图；
[0126]
s20.计算特征坐标图中簇类中心与总表簇之间的欧氏距离关系并排序，输出排序结果，表示不同用户分支与总表间的相对电气距离关系；
[0127]
s21.基于s13与s19得到的拓扑识别信息生成如下式所示的节点邻接矩阵a
ij
；
[0128][0129]
s22.将节点邻接矩阵可视化生成低压配电网络节点连接拓扑图。
[0130]
以下结合附图及具体实施例对上述方法进行详细解释说明。
[0131]
工程实施例1：
[0132]
以2个低压配电网仿真拓扑数据样本为例，如图2所示。一个拓扑网络代表一个低压台区，节点电压代表用户智能电表所测得的电压。具体拓扑参数为：低压配电网仿真拓扑1包含74个用户节点，拓扑2包含82个用户节点，每个节点的电压数据采集长度都为30天，采集频率为15min/次，共计2880个电压采集时刻。其中，图2(a)为仿真拓扑i的示意图，图2(b)为仿真拓扑ii的示意图。
[0133]
由于仿真拓扑中部分小分支节点与相邻大分支节点电压数据相似性较高，可以认为将小分支并入某相邻大分支或某一节点归类于相邻分支也算作辨识正确，识别结果准确率列于表1，低压配电网络拓扑预测图如图3所示。其中，图3(a)为仿真拓扑ⅰ拓扑预测图，图3(b)为仿真拓扑ⅱ拓扑预测图。
[0134]
表1 tsne-dbscan-lle联合降维聚类方法对仿真算例分析识别准确率
[0135][0136]
分析表1可知，针对低压配电网络仿真拓扑数据，即在理想数据样本的情况下，所提识别方法能够有效识别仿真拓扑下的3类拓扑信息，并依据识别信息生成低压配电网络预测拓扑图，实现低压台区用户拓扑的初步预测。
[0137]
工程实施例2：
[0138]
以中国广东省广州市下属3个台区的用户实际电压数据为例，其中，3个实际台区的基础参数如表2所示。其中，每个智能电表数据采集长度都为3天，数据采集频率为1min/次，共计4320个时刻。
[0139]
表2实际台区基础参数
[0140][0141]
经过对本工程实施例对应台区的现场核查，识别结果准确率列于表3。
[0142]
表3台区识别与相位识别结果准确率对比
[0143][0144]
分析表3可知，针对实际工程数据，所提识别方法能够有效识别实际低压台区下低压用户-低压台区归属关系信息与用户相位信息。
[0145]
由于每个地区所用到的智能电表的数据采集能力都各不相同，为了得出所提识别方法的适用范围，本实施例还对输入数据集进行了特殊处理，在智能电表时钟同步率为100％与时钟同步率为70％两种情况下对不同采样率的用户电压数据进行算例测试，测试结果分别列于表4与表5。
[0146]
表4 100％时钟同步率情况下不同采样率的用户电压数据测试结果
[0147][0148]
表5 70％时钟同步率情况下不同采样率的用户电压数据测试结果
[0149][0150]
表4与表5的测试结果表明了所提识别方法能够适应不同的数据条件，在解决低压台区拓扑信息识别问题上具有一定的有效性与优势性，能够为后续低压台区拓扑识别领域的研究提供一个参考。
[0151]
本实施例还提供一种低压配电网络拓扑生成装置，包括：
[0152]
至少一个处理器；
[0153]
至少一个存储器，用于存储至少一个程序；
[0154]
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现图4所示方法。
[0155]
本实施例的一种低压配电网络拓扑生成装置，可执行本发明方法实施例所提供的一种低压配电网络拓扑生成方法，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。
[0156]
本技术实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或
计算机程序包括计算机指令，该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图4所示的方法。
[0157]
本实施例还提供了一种存储介质，存储有可执行本发明方法实施例所提供的一种低压配电网络拓扑生成方法的指令或程序，当运行该指令或程序时，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。
[0158]
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
[0159]
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
[0160]
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0161]
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
[0162]
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的
介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
[0163]
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0164]
在本说明书的上述描述中，参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
[0165]
尽管已经示出和描述了本发明的实施方式，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
[0166]
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于上述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本技术权利要求所限定的范围内。