一种适用于小型用能场所电力调度设备的负荷预测方法及系统

1.本发明涉及负荷预测技术领域，具体涉及一种适用于小型用能场所电力调度设备的负荷预测方法及系统。


背景技术：

2.电力负荷预测作为电网规划中的重要组成部分，对于电力系统安全经济运行具有重大意义。精确的电力负荷预测，特别是短期电力负荷预测，既能保障人们用电可靠和电网安全稳定运行，也能使电力行业的效益极大地提升。经典预测方法具有计算简单，可靠性高等优点，但预测精度和预测使用范围始终有限。根据电力行业精益化管理的需要，对负荷预测的依赖越来越强，这就需要改进传统预测方法，适当增加计算量的情况下，显著提高预测精度，随着电力行业的不断发展，对预测精度的要求也越来越高，这就需要改进或使用全新的预测方法，得到更加精确的负荷预测结果，并且能根据所得结果，对电力资源合理调度，提高电力资源的利用率，使经济效益达到最高。


技术实现要素：

3.发明目的：为了克服现有技术的不足，本发明提供一种适用于小型用能场所电力调度设备的负荷预测方法，该方法解决了对负荷预测精度低的技术问题，并提供一种适用于小型用能场所电力调度设备的负荷预测系统。
4.技术方案：本发明的一方面，提供适用于小型用能场所电力调度设备的负荷预测方法，该方法包括以下步骤：
5.(1)采集小型用能场所的电力调度设备的短期历史负荷数据，并形成数据集，将数据集分为训练数据集和测试数据集；
6.(2)构建电负荷灰色神经网络预测模型，采用改进的遗传算法优化所述电负荷灰色神经网络预测模型，并采用训练数据集进行不断训练，直至达到最优预测模型；
7.(3)根据所述最优预测模型计算所述测试数据集对应的负荷预测结果；
8.(4)根据得到的负荷预测结果，对小型用能场所中的用电设备进行智能调控。
9.进一步的，包括：
10.步骤(2)中，所述电负荷灰色神经网络预测模型的构建方法包括以下步骤：
11.(11)电负荷灰色神经网络预测模型包括灰色模型与神经网络预测模型两个部分，结合两个模型，建立灰色神经网络预测模型；
12.(12)电负荷灰色神经网络预测模型公式如下：
13.q(t)＝k1q1(t)+k2q2(t)
14.其中，q(t)表示优化后的预测结果，q1(t)表示灰色模型预测的结果，q2(t)表示神经网络预测结果，k1和k2表示权重系数，且满足k1+k2＝1；
15.(13)建立负荷预测模型误差，公式如下：
[0016][0017][0018]
其中，a0(t)为原始负荷数据，a
(1)
(t)为灰色模型预测负荷数据，a
(2)
(t)为神经网络预测数据，e(t)组合预测模型的参数误差，e
(1)
(t)和e
(2)
(t)分别为灰色模型预测和神经网络预测的参数误差；
[0019]
(14)令
[0020]
k＝(k1，k2)
t
[0021][0022]
e2(t)＝k
t
ek
[0023]
当e2(t)最小时，组合预测模型预测结果最优。
[0024]
进一步的，包括：
[0025]
所述采用改进的遗传算法优化所述电负荷灰色神经网络预测模型，具体包括如下步骤：
[0026]
(21)设有时间数据序列x
(0)
：
[0027][0028]
(22)对x
(0)
经过一次累加，得到新的时间序列x
(1)
，x
(1)
的第t项作为原始数列x
(0)
的前t项和，即：
[0029][0030]
可得到方程：
[0031][0032]
(23)进而得到微分方程的解为：
[0033][0034]
(24)对作一次累减得x
(0)
的预测值即：
[0035][0036]
(25)得出n个参数的灰色神经网络模型的微分方程表达式，公式如下：
[0037][0038]
其中，y1，y2，
…yn
为电负荷预测模型的输入参数，y1为系统的输出参数，a，b1，
b2，...b
n-1
为微分方程系数；
[0039]
(26)进而得出其时间响应式：
[0040][0041]
令：
[0042][0043]
可将其转化为：
[0044][0045]
(27)根据所示灰色神经网络拓扑结构图，令
[0046][0047]
则网络的初始权值表示为：
[0048]w11
＝a，w
21
＝-y1(0)，w
22
＝u1，w
23
＝u2，
…
，w
2n
＝u
n-1
[0049]w31
＝w
32
＝
…
＝w
3n
＝a+e-at
[0050]
即得出ld层中输出节点的阈值：
[0051]
θ＝(1+e-at
)(d-y1(0))。
[0052]
进一步的，包括：
[0053]
所述采用改进的遗传算法优化所述电负荷灰色神经网络预测模型，还包括以下步骤：
[0054]
(28)对网络结构和参数b进行初始化，计算出u；
[0055]
(29)计算w
11
，w
21
，w
22
，
…
，w
2n
，w
31 w
32
，
…w3n
，即：
[0056]w11
＝a，w
21
＝-y1(0)，w
22
＝u1，w
23
＝u2，
…
，w
2n
＝u
n-1
；
[0057]
(210)计算每层的输出，其中：
[0058]
la层：a＝w
11
t
[0059]
lb层：
[0060]
lc层：c1＝bw
21
，c2＝y2(t)bw
22
，c3＝y3(t)bw
23
，
…
，cn＝yn(t)bw
2n
[0061]
ld层：d＝w
31
c1+w
32
c2+
…
+w
3ncn-θ
y1
[0062]
(211)计算预测输出与期望输出之间的误差，其中：
[0063]
ld层误差：δ＝d-y1(t)
[0064]
lc层误差：
[0065]
lb层误差：
[0066]
(212)根据预测误差调整权值，其中：
[0067]
lb到lc的连接权值：
[0068]w21
＝-y1(0)，w
22
＝w
22-μ1δ2b，
…
，w
2n
＝w
2n-μ
n-1
δ
nb[0069]
la到lb的连接权值：w
11
＝w
11
+atδ
n+1
[0070]
(213)调整阈值：
[0071][0072]
(214)判断训练是否结束，若否，返回步骤(210)。
[0073]
另一方面，本发明还提供适用于小型用能场所电力调度设备的负荷预测系统，包括：
[0074]
数据采集模块，用于采集小型用能场所中电力调度设备的短期历史负荷数据，并形成数据集，将数据集分为训练数据集和测试数据集；
[0075]
模型构建模块，用于构建电负荷灰色神经网络预测模型；
[0076]
模型优化模块，用于采用改进的遗传算法优化所述电负荷灰色神经网络预测模型，直至达到最优预测模型；
[0077]
结果预测模块，用于根据所述最优预测模型计算所述测试数据集对应的负荷预测结果，并根据得到的负荷预测结果，对小型用能场所中的用电设备进行智能调控。
[0078]
进一步的，包括：
[0079]
所述模型构建模块中，所述电负荷灰色神经网络预测模型的构建包括以下步骤：
[0080]
(11)电负荷灰色神经网络预测模型包括灰色模型与神经网络预测模型两个部分，结合两个模型，建立灰色神经网络预测模型；
[0081]
(12)电负荷灰色神经网络预测模型公式如下：
[0082]
q(t)＝k1q1(t)+k2q2(t)
[0083]
其中，q(t)表示优化后的预测结果，q1(t)表示灰色模型预测的结果，q2(t)表示神经网络预测结果，k1和k2表示权重系数，且满足k1+k2＝1；
[0084]
(13)建立负荷预测模型误差，公式如下：
[0085][0086][0087]
其中，a0(t)为原始负荷数据，a
(1)
(t)为灰色模型预测负荷数据，a
(2)
(t)为神经网络预测数据，e(t)组合预测模型的参数误差，e
(1)
(t)和e
(2)
(t)分别为灰色模型预测和神经网络预测的参数误差；
[0088]
(14)令
[0089]
k＝(k1，k2)
t
[0090][0091]
e2(t)＝k
t
ek
[0092]
当e2(t)最小时，组合预测模型预测结果最优。
[0093]
进一步的，包括：
[0094]
所述模型优化模块，具体包括：
[0095]
(21)设有时间数据序列x
(0)
：
[0096][0097]
(22)对x
(0)
经过一次累加，得到新的时间序列x
(1)
，x
(1)
的第t项作为原始数列x
(0)
的前t项和，即：
[0098][0099]
可得到方程：
[0100][0101]
(23)进而得到微分方程的解为：
[0102][0103]
(24)对作一次累减得x(0)的预测值即：
[0104][0105]
(25)得出n个参数的灰色神经网络模型的微分方程表达式，公式如下：
[0106][0107]
其中，y1，y2，
…yn
为电负荷预测模型的输入参数，y1为系统的输出参数，a，b1，b2，
…bn-1
为微分方程系数；
[0108]
(26)进而得出其时间响应式：
[0109][0110]
令：
[0111][0112]
可将其转化为：
[0113][0114]
(27)根据所示灰色神经网络拓扑结构图，令
[0115][0116]
则网络的初始权值表示为：
[0117]wi1
＝a，w
21
＝-y1(0)，w
22
＝u1，w
23
＝u2，
…
，w
2n
＝u
n-1
[0118]w31
＝w
a2
＝
…
＝w
3n
＝a+e-at
[0119]
即得出ld层中输出节点的阈值：
[0120]
θ＝(1+e-at
)(d-y1(0))。
[0121]
进一步的，包括：
[0122]
所述模型优化模块，还包括：
[0123]
(28)对网络结构和参数b进行初始化，计算出u；
[0124]
(29)计算w
11
，w
21
，w
22
，
…
，w
2n
，w
31 w
32
，
…w3n
，即：
[0125]w11
＝a，w
21
＝-y1(0)，w
22
＝u1，w
23
＝u2，
…
，w
2n
＝u
n-1
；
[0126]
(210)计算每层的输出，其中：
[0127]
la层：a＝w
11
t
[0128]
lb层：
[0129]
lc层：c1＝bw
21
，c2＝y2(t)bw
22
，c3＝y3(t)bw
23
，
…
，cn＝yn(t)bw
2n
[0130]
ld层：d＝w
31
c1+w
32
c2+
…
+w
3ncn-θ
y1
[0131]
(211)计算预测输出与期望输出之间的误差，其中：
[0132]
ld层误差：δ＝d-y1(t)
[0133]
lc层误差：
[0134]
lb层误差：
[0135]
(212)根据预测误差调整权值，其中：
[0136]
lb到lc的连接权值：
[0137]w21
＝-y1(0)，ω
22
＝w
22-μ1δ2b，
…
，w
2n
＝w
2n-μ
n-1
δ
nb[0138]
la到lb的连接权值：w
11
＝w
11
+atδ
n+1
[0139]
(213)调整阈值：
[0140][0141]
(214)判断训练是否结束，若否，返回步骤(210)。
[0142]
有益效果：与现有技术相比，本发明的显著优点在于：
[0143]
(1)本发明通过建立灰色神经网络预测模型，可通过实验室等小型用能场所的历史负荷数据，对未来短期的电力负荷进行预测，为能源的合理调控提供了依据；组合预测模型，较只使用了单一预测方法预测数据更加精确，更加可靠；通过遗传算法对灰色神经网络模型进行优化处理，使误差进一步减小；根据精确的负荷预测数据进行合理调控，很大程度上减少了经济成本与能源消耗；
[0144]
(2)本发明关键在于通过精确的负荷预测，并利用遗传算法对预测数据进行优化处理，有效的对实验室中用电设备功率进行调控，减小能源的消耗，使综合运行的经济成本达到最优；
[0145]
(3)本发明用于小型用能场所，尤其是小型实验室，实验数据表明，相对于单一的负荷预测方法，本发明中采用的灰色神经网络预测准确有显著提高，可达到95％，采用本发明对实验室中的用电设备进行调控，每个月平均可节约200度电，减小了电力资源的消耗，提高了能源利用率。
附图说明
[0146]
图1为本发明所述的终端设备结构框架图；
[0147]
图2为本发明所述的灰色神经网络预测流程图；
[0148]
图3为本发明所述的遗传算法优化灰色神经网络模型流程图；
[0149]
图4为本发明所述的灰色神经网络拓扑图；
[0150]
图5为灰色模型预测法，神经网络预测法以及本发明所述的的灰色神经网络预测法精确率对比图；
[0151]
图6为本发明所述的设备使用前后，小型实验室一年用电量的前后对比图；
[0152]
图7为本发明所述的采用灰色神经网络预测模型，对使用负荷数据进行预测的结果图。
具体实施方式
[0153]
下面对本发明技术方案进行详细说明。
[0154]
本发明针对传统单一的预测算法难以准确预测电力负荷的问题，将神经网络与灰色模型结合并进行优化改进，形成一种组合预测模型。该设备通过某实验室的历史电负荷数据，通过处理器分析负荷预测的各个因素，获取负荷预测模型；计算得到关联度最高的主要影响负荷预测的因素并输出预测结果；通过遗传算法得到最优个体，进而分配灰色神经网络的初始权值和阈值；设备的存储器用于存在负荷预测结果以及负荷历史数据，并通过终端设备对小型实验室中用电设备进行功率调控。本发明可减少计算量与计算时间，达到节约成本、节约一次能源消耗或减少二氧化碳排放的目的。
[0155]
首先，本发明公开一种适用于小型用能场所电力调度设备的负荷预测方法，该方法包括：
[0156]
步骤1：建立针对短期电负荷预测的灰色神经网络预测模型。
[0157]
灰色神经网络预测模型的建模流程如图2所示：首先构建灰色神经网络预测模型，并对参数进行初始化，后对构建的模型进行训练，训练结束后测试数据，进而模型预测。具体的包括：
[0158]
11)将灰色神经网络预测模型分为灰色模型与神经网络预测模型两个部分，结合两个模型，建立电负荷灰色神经网络预测模型；
[0159]
12)根据步骤11，灰色神经网络预测模型，所述公式如下：
[0160]
q(t)＝k1q1(t)+k2q2(t)
[0161]
其中，q(t)表示优化后的预测结果，q1(t)表示灰色模型预测的结果，q2(t)表示神经网络预测结果，k1和k2表示权重系数，且满足k1+k2＝1。
[0162]
13)根据步骤12，建立负荷预测模型误差，所述公式如下：
[0163][0164]
[0165]
其中，a0(t)为原始负荷数据，a
(1)
(t)为灰色模型预测负荷数据，a
(2)
(t)为神经网络预测数据，e(t)组合预测模型的参数误差，e
(1)
(t)和e
(2)
(t)分别为灰色模型预测和神经网络预测的参数误差。
[0166]
14)根据步骤13，令
[0167]
k＝(k1，k2)
t
[0168][0169]
e2(t)＝k
t
ek
[0170]
当e2(t)最小时，组合预测模型预测结果最优。
[0171]
步骤2：根据步骤1得到的灰色神经网络模型，利用遗传算法优化上述模型；
[0172]
如图3所示，采用遗传算法对灰色神经网络的初始权值和阈值进行优化，流程包括：
[0173]
构建灰色神经网络模型，ga对初始化值进行编码，以灰色神经网络训练得到的误差作为适应度值，进而选择操作、交叉操作、变异操作以及计算适应度，若满足结束条件，则获取最优权值阈值，后进行灰色神经网络训练，训练结束后进行数据测试和模型预测，若没有满足结束条件，则返回到选择操作后，继续优化。
[0174]
具体步骤如下：
[0175]
31)设有时间数据序列x
(0)
：
[0176][0177]
32)根据步骤31，对x
(0)
经过一次累加，得到新的时间序列x
(1)
，x
(1)
的第t项作为原始数列x
(0)
的前t项和，即：
[0178][0179]
可得到方程：
[0180][0181]
33)根据步骤32，得到微分方程的解为：
[0182][0183]
34)根据步骤33，对作一次累减得x
(0)
的预测值即：
[0184][0185]
35)得出n个参数的灰色神经网络模型的微分方程表达式，所述公式如下：
[0186][0187]
其中，y1，y2，
…yn
为电负荷预测模型的输入参数，y1为系统的输出参数，a，b1，b2，...b
n-1
为微分方程系数。
[0188]
36)根据步骤35，得出其时间响应式：
[0189][0190]
37)根据步骤36，令：
[0191][0192]
可将其转化为：
[0193][0194]
38)根据所示灰色神经网络拓扑结构图，令
[0195][0196]
39)则网络的初始权值表示为：
[0197]w11
＝a，w
21
＝-y1(0)，w
22
＝u1，w
23
＝u2，
…
，w
2n
＝u
n-1
[0198]w31
＝w
32
＝
…
＝w
3n
＝a+e-at
[0199]
即得出ld层中输出节点的阈值：
[0200]
θ＝(1+e-at
)(d-y1(0))
[0201]
41)对网络结构和参数b进行初始化，计算出u；
[0202]
42)计算w
11
，w
21
，w
22
，
…
，w
2n
，w
31 w
32
，
…w3n
，即：
[0203]w11
＝a，w
21
＝-y1(0)，w
22
＝u1，w
23
＝u2，
…
，w
2n
＝u
n-1
；
[0204]
43)计算每层的输出，其中：
[0205]
la层：a＝w
11
t
[0206]
lb层：
[0207]
lc层：c1＝bw
21
，c2＝y2(t)bw
22
，c3＝y3(t)bw
23
，
…
，cn＝yn(t)bw
2n
[0208]
ld层：d＝w
31
c1+w
32
c2+
…
+w
3ncn-θ
y1
[0209]
44)计算预测输出与期望输出之间的误差，其中：
[0210]
ld层误差：δ＝d-y1(t)
[0211]
lc层误差：
[0212]
lb层误差：
[0213]
45)根据预测误差调整权值，其中：
[0214]
lb到lc的连接权值：
[0215]w21
＝-y1(0)，w
22
＝w
22-μ1δ2b，
…
，w
2n
＝w
2n-μ
n-1
δ
nb[0216]
la到lb的连接权值：w
11
＝w
11
+atδ
n+1
[0217]
46)调整阈值：
[0218][0219]
判断训练是否结束，若否，返回步骤43。
[0220]
另一方面，本技术还公开一种适用于小型用能场所电力调度设备的负荷预测系统，包括：
[0221]
数据采集模块，用于采集小型用能场所中电力调度设备的短期历史负荷数据，并形成数据集，将数据集分为训练数据集和测试数据集；
[0222]
模型构建模块，用于构建电负荷灰色神经网络预测模型；
[0223]
模型优化模块，用于采用改进的遗传算法优化所述电负荷灰色神经网络预测模型，直至达到最优预测模型；
[0224]
结果预测模块，用于根据所述最优预测模型计算所述测试数据集对应的负荷预测结果，并根据得到的负荷预测结果，对小型用能场所中的用电设备进行智能调控。
[0225]
所述模型构建模块中，所述电负荷灰色神经网络预测模型的构建包括以下步骤：
[0226]
(11)电负荷灰色神经网络预测模型包括灰色模型与神经网络预测模型两个部分，结合两个模型，建立灰色神经网络预测模型；
[0227]
(12)电负荷灰色神经网络预测模型公式如下：
[0228]
q(t)＝k1q1(t)+k2q2(t)
[0229]
其中，q(t)表示优化后的预测结果，q1(t)表示灰色模型预测的结果，q2(t)表示神经网络预测结果，k1和k2表示权重系数，且满足k1+k2＝1；
[0230]
(13)建立负荷预测模型误差，公式如下：
[0231][0232][0233]
其中，a0(t)为原始负荷数据，a
(1)
(t)为灰色模型预测负荷数据，a
(2)
(t)为神经网络预测数据，e(t)组合预测模型的参数误差，e
(1)
(t)和e
(2)
(t)分别为灰色模型预测和神经网络预测的参数误差；
[0234]
(14)令
[0235]
k＝(k1，k2)
t
[0236][0237]
e2(t)＝k
t
ek
[0238]
当e2(t)最小时，组合预测模型预测结果最优。
[0239]
所述模型优化模块，具体包括：
[0240]
(21)设有时间数据序列x
(0)
：
[0241][0242]
(22)对x
(0)
经过一次累加，得到新的时间序列x
(1)
，x
(1)
的第t项作为原始数列x
(0)
的前t项和，即：
[0243][0244]
可得到方程：
[0245][0246]
(23)进而得到微分方程的解为：
[0247][0248]
(24)对作一次累减得x
(0)
的预测值即：
[0249][0250]
(25)得出n个参数的灰色神经网络模型的微分方程表达式，公式如下：
[0251][0252]
其中，y1，y2，...yn为电负荷预测模型的输入参数，y1为系统的输出参数，a，b1，b2，...b
n-1
为微分方程系数；
[0253]
(26)进而得出其时间响应式：
[0254][0255]
令：
[0256][0257]
可将其转化为：
[0258][0259]
(27)如图4所示，根据所示灰色神经网络拓扑结构图，令
[0260][0261]
则网络的初始权值表示为：
[0262]w11
＝a，w
21
＝-y1(0)，w
22
＝u1，w
23
＝u2，
…
，w
2n
＝u
n-1
[0263]w31
＝w
32
＝
…
＝w
3n
＝a+e-at
[0264]
即得出ld层中输出节点的阈值：
[0265]
θ＝(1+e-at
)(d-y1(0))。
[0266]
所述模型优化模块，还包括：
[0267]
(28)对网络结构和参数b进行初始化，计算出u；
[0268]
(29)计算w
11
，w
21
，w
22
，
…
，w
2n
，w
31 w
32
，
…w3n
，即：
[0269]w11
＝a，w
21
＝-y1(0)，w
22
＝u1，w
23
＝u2，
…
，w
2n
＝u
n-1
；
[0270]
(210)计算每层的输出，la到ld对应的是灰色神经网络中拓扑结构中的4层结构，
也就是说明书附图4所画的结构，本发明中对模型的权值和阈值进行优化，也就是根据每层预测输出与期望输出的误差，将权值和阈值调整到最优。其中：
[0271]
la层：a＝w
11
t
[0272]
lb层：
[0273]
lc层：c1＝bw
21
，c2＝y2(t)bw
22
，c3＝y3(t)bw
23
，
…
，cn＝yn(t)bw
2n
[0274]
ld层：d＝w
31
c1+w
32
c2+
…
+w
3ncn-θ
y1
[0275]
(211)计算预测输出与期望输出之间的误差，其中：
[0276]
ld层误差：δ＝d-y1(t)
[0277]
lc层误差：
[0278]
lb层误差：
[0279]
(212)根据预测误差调整权值，其中：
[0280]
lb到lc的连接权值：
[0281]w21
＝-y1(0)，w
22
＝w
22-μ1δ2b，
…
，w
2n
＝w
2n-μ
n-1
δ
nb[0282]
la到lb的连接权值：w
11
＝w
11
+atδ
n+1
[0283]
(213)调整阈值：
[0284][0285]
(214)判断训练是否结束，若否，返回步骤(210)。
[0286]
最后，如图1所示，本发明所述终端设备主要包括但不仅限于处理器和存储器，所述储存器可以是终端设备的内部存储单元，比如硬盘或者内存，也可以是终端设备的外部存储设备，比如：插接式硬盘或者智能存储卡，该存储器可以用于暂时地存储已经输出或者将要输出的数据，如matlab程序。所述处理器可以是中央处理单元，也可以是其它通用处理器或者是数字信号处理器等。所示终端设备可以是笔记本电脑或者其他计算设备。所述终端设备除了所述存储器、所述处理器外，还可以包括网络接入设备、总线、输入输出设备等。
[0287]
因此，本发明的一种基于短期电负荷预测技术的适用于小型实验室的电力调度设备，关键在于利用灰色神经网络预测模型对短期历史负荷数据进行预测，同时利用改进的遗传算法对预测数据进行优化处理；利用分布式能源系统的思想对实验室中的用电设备进行功率调控，达到节能减排，降低经济成本的目的。
[0288]
如图5所示，本发明以遗传算法优化灰色神经网络，预测结果准确率保持在92.36％-96.21％之间，相较于灰色模型预测的59.23％-66.37％以及神经网络预测法的63.28％-73.49％有较为显著的提高。
[0289]
如图6所示，本发明用于小型实验室用电设备的功率调控，在使用上述设备之前，冬夏两季实验室每月用电量约为1500度，春秋两季实验室每月用电量约为1200度；使用上述对实验室用电设备功率合理调控，数据表明，使用上述设备后，实验室每月可节约200-300度电，有效提高了能源利用率。
[0290]
如图7所示，本发明采用的遗传算法优化灰色神经网络预测模型，预测准确率率保持在92.36％-96.12％之间，预测准确率高，预测结果足以成为调控小型实验室用电设备的
依据。
[0291]
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
[0292]
显然，本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样，倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。