光伏发电功率的预测方法及相关设备与流程

1.本技术涉及光伏发电及机器学习技术领域，具体而言，本技术涉及一种光伏发电功率的预测方法及相关设备。


背景技术：

2.随着温室效应持续加剧，化石能源等非可再生能源的不断消耗，向太阳能和风能等有助于减少碳排放量的可再生能源的转型势在必行。光伏发电在近年来获得了广泛的关注和发展。但是，由于光伏发电具有波动性和间歇性，大规模光伏电站入网运行可能对电力系统的安全稳定运行造成影响。因此，对光伏电站的输出功率进行准确的预测，有助于常规能源和光伏发电协调配合的统筹安排，开展光伏发电功率预测方法和研究具有重要的价值。
3.考虑到网络基础设施投入成本大，网络容量亦不可无限放大，为了避免网络过载现象，网络容量局部部署必须可控。目前，现有技术方案未明确给出光伏发电历史数据的异常值检测方法。由于光伏发电系统在白天和夜晚的性能存在显著的差异，其历史数据的分布是有偏的，一般地统计学方法对异常值的处理效果有限；晴空模型在光伏功率预测技术中的潜力未得到充分的发挥；且数据驱动的方法的效果建立在对数据量较强的依赖上。


技术实现要素：

4.本技术实施例提供了一种光伏发电功率的预测方法、装置、电子设备、存储介质及程序产品，用于解决现有技术中对异常值的处理效果有限、所需数据量过大等技术问题。
5.根据本技术实施例的一个方面，提供了一种光伏发电功率的预测方法，包括：
6.通过晴空辐照度模型和预设的光伏系统模拟模型，基于历史气象数据、地理数据和设备数据确定历史晴空光伏发电功率；
7.计算从历史数据中获取的历史光伏发电功率与计算所得的所述历史晴空光伏发电功率的功率差值；
8.对所述功率差值进行预处理，得到预处理后的数据；
9.基于预处理后的数据训练长短期时序模型，并通过训练后的长短期时序模型对光伏发电功率进行预测。
10.在一个可能的实现方式中，通过晴空辐照度模型和预设的光伏系统模拟模型，基于历史气象数据、地理数据和设备数据确定历史晴空光伏发电功率，包括：
11.将历史气象数据输入到晴空辐照度模型中，计算晴空辐照度；
12.将所述晴空辐照度、地理信息和设备信息输入到光伏系统模拟模型中，计算历史晴空光伏发电功率。
13.在一个可能的实现方式中，对所述功率差值进行预处理，得到预处理后的数据，包括：
14.对各时间节点的功率差值进行异常值检测，删除异常值节点得到第一差值；
15.基于正态分布对所述第一差值进行填充得到第二差值；
16.标准化处理所述第二差值，输出包括标准化处理后的第二差值和所述历史晴空光伏发电功率的预处理后的数据。
17.在一个可能的实现方式中，基于预处理后的数据训练长短期时序模型，包括：
18.对所述预处理后的数据进行特征分析，筛选出目标特征和/或目标特征对；
19.基于所述目标特征和/或目标特征对训练长短期时序模型。
20.在一个可能的实现方式中，对所述预处理后的数据进行特征分析，筛选出目标特征和/或目标特征对，包括：
21.将预处理后的功率差值和历史晴空光伏发电功率相加，得到目标光伏发电功率；
22.根据所述目标光伏发电功率，对各特征的重要度和/或特征之间的相关性进行分析，筛选出重要度高于第一预设阈值的目标特征和/或相关度高于第二预设阈值的目标特征对。
23.在一个可能的实现方式中，长短期时序模型包括卷积神经网络和循环神经网络；基于所述目标特征和/或目标特征对训练长短期时序模型，包括：
24.将预处理后的功率差值和所述目标特征和/或目标特征对输入卷积神经网络进行训练，得到基于特征的功率差值关系模型；
25.将所述基于特征的功率差值关系模型输入循环神经网络进行时间循环训练，得到基于特征的功率差值时间关系模型；
26.将预测的气象数据、时间周期输入得到基于特征的功率差值时间关系模型，对所得光伏功率差值和历史晴空光伏发电功率进行处理，输出训练后的长短时序模型。
27.在一个可能的实现方式中，根据所述目标光伏发电功率，对各特征的重要度和/或特征之间的相关性进行分析，筛选出重要度高于第一预设阈值的目标特征和/或相关度高于第二预设阈值的目标特征对，包括：
28.基于梯度下降树模型，计算各特征的重要度和/或特征之间的相关性的数值，所述数值分别记为第一重要度数值、第一相关性数值；
29.基于沙普利值，计算各特征的重要度和/或特征之间的相关性的数值，所述数值分别记为第二重要度数值、第二相关性数值；
30.综合第一重要度数值和第二重要度数值，得到各特征的重要度；
31.综合第一相关性数值和第二相关性数值，得到各特征对之间的相关度。
32.根据本技术实施例的另一个方面，提供了一种光伏发电功率的预测装置，包括：
33.数据预处理模块，用于通过晴空辐照度模型和预设的光伏系统模拟模型，基于历史气象数据、地理数据和设备数据确定历史晴空光伏发电功率；计算从历史数据中获取的历史光伏发电功率与计算所得的所述历史晴空光伏发电功率的功率差值；对所述功率差值进行预处理，得到预处理后的数据；
34.预测模型模块，用于基于预处理后的数据训练长短期时序模型，并通过训练后的长短期时序模型对光伏发电功率进行预测。
35.根据本技术实施例的另一个方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序以实现上述实施例所述方法的步骤。
36.根据本技术实施例的另一个方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述实施例所述的方法的步骤。
37.根据本技术实施例的再一个方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现上述实施例所述方法的步骤。
38.本技术实施例提供的技术方案带来的有益效果是：
39.本技术提供的光伏发电功率的预测方法，通过晴空辐照度模型和预设的光伏系统模拟模型，基于历史气象数据、地理数据和设备数据确定历史晴空光伏发电功率；计算从历史数据中获取的历史光伏发电功率与计算所得的所述历史晴空光伏发电功率的功率差值；对所述功率差值进行预处理，得到预处理后的数据；基于预处理后的数据训练长短期时序模型，并通过训练后的长短期时序模型对光伏发电功率进行预测。在本技术中晴空模型不依赖大量的光伏功率历史数据，解决了现有技术中数据需求量大的技术问题，且通过对数据进行预处理操作，实现异常值检测，缺失值填充和数据去趋势、去周期，提高数据的质量，进而提高光伏发电功率预测的准确度，同时也进一步减少了本方案中对数据量的依赖。
附图说明
40.为了更清楚地说明本技术实施例中的技术方案，下面将对本技术实施例描述中所需要使用的附图作简单地介绍。
41.图1为本技术实施例提供的计算机系统架构示意图；
42.图2为本技术实施例提供的一种光伏发电功率预测方法的流程示意图；
43.图3为本技术实施例提供的一种光伏发电功率预测的总流程示意图；
44.图4为本技术实施例提供的一种数据预处理模块的流程示意图；
45.图5为本技术实施例提供的一种预测模型模块的流程示意图；
46.图6为本技术实施例提供的一种光伏发电功率预测装置的结构示意图；
47.图7为本技术实施例提供的一种电子设备的结构示意图。
具体实施方式
48.下面结合本技术中的附图描述本技术的实施例。应理解，下面结合附图所阐述的实施方式，是用于解释本技术实施例的技术方案的示例性描述，对本技术实施例的技术方案不构成限制。
49.本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本技术实施例所使用的术语“包括”以及“包含”是指相应特征可以实现为所呈现的特征、信息、数据、步骤、操作、元件和/或组件，但不排除实现为本技术领域所支持其他特征、信息、数据、步骤、操作、元件、组件和/或它们的组合等。应该理解，当我们称一个元件被“连接”或“耦接”到另一元件时，该一个元件可以直接连接或耦接到另一元件，也可以指该一个元件和另一元件通过中间元件建立连接关系。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的术语“和/或”指示该术语所限定的项目中的至少一个，例如“a和/或b”可以实现为“a”，或者实现为“b”，或者实现为“a和b”。
50.为使本技术的目的、技术方案和优点更加清楚，下面将结合附图对本技术实施方
式作进一步地详细描述。
51.图1为本技术实施例提供的计算机系统架构示意图。该计算机系统 100包括终端设备101和服务器102，其中，终端设备101与服务器102 之间通过通信网络连接，且终端设备101以及服务器102可以通过有线或无线通信方式进行直接或间接地连接，本技术对此不做限制。
52.终端设备101可以为安装有应用程序或可以运行程序的任意终端设备，诸如智能手机、平板电脑、笔记本电脑、台式计算机等，本技术实施例并不对此进行限定。关于硬件结构，上述终端设备101包括显示屏、存储器、处理器及输入设备，但不限于此。
53.服务器102可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络、以及大数据和人工智能平台等基础云计算服务的云服务器。
54.服务器102为多个终端设备101中开发且运行的应用程序提供后台服务。在本技术中，终端设备101用于采集历史气象数据、地理数据和设备数据等数据，并将采集到的数据发送到服务器，使得该服务器102基于接收到的历史气象数据和晴空辐照度模型和预设的光伏系统模拟模型确定历史晴空光伏发电功率，继而计算从历史数据中获取的历史光伏发电功率与计算所得的历史晴空光伏发电功率的功率差值，并对所述功率差值进行预处理，得到预处理后的数据，从而基于预处理后的数据训练长短期时序模型，最后即通过训练后的长短期时序模型对光伏发电功率进行预测，以获得光伏发电功率预测结果，能够减少预测所需数据量并提高光伏发电功率预测的准确度。
55.可选地，本技术实施例提供的网络性能预测方法可以实施于终端设备 101中，也即由终端设备101采集到相关的数据后，自身完成光伏发电功率预测模型的构建，以及对光伏发电功率进行预测得到预测结果。
56.图2为本技术实施例提供的一种光伏发电功率的预测方法的流程示意图。本技术实施例中提供了一种光伏发电功率的预测方法，以应用于图 1所示的服务器102为例进行说明，该方法包括步骤s201和s202。
57.s201、通过晴空辐照度模型和预设的光伏系统模拟模型，基于历史气象数据、地理数据和设备数据确定历史晴空光伏发电功率；计算从历史数据中获取的历史光伏发电功率与计算所得的所述历史晴空光伏发电功率的功率差值；对所述功率差值进行预处理，得到预处理后的数据，具体流程如图4所示，将在后续说明中详细展开。
58.其中，从历史数据中获取的历史光伏发电功率为历史数据中所统计的设备历史实际光伏发电功率，可以理解的是，该数据即可通过系统自动采集的方式获取，也可通过输入数据的方式获取。计算所得的所述历史晴空光伏发电功率，为通过晴空辐照度模型和预设的光伏系统模拟模型，基于历史气象数据、地理数据和设备数据确定的。进一步的，从历史数据中获取的历史光伏发电功率与计算所得的所述历史晴空光伏发电功率的功率差值，可以理解为除晴空辐射度外，其他天气因素对光伏发电功率影响所造成的光伏发电功率差值。
59.需要说明的是，由于从历史数据中获取的历史光伏发电功率和计算所得的所述历史晴空光伏发电功率共享光伏系统、地理环境等信息，两者的差别主要来源于云量，从而两
者具有几乎一致的周期和趋势，所以两者之间的差值没有周期和趋势，通过该方法实现了光伏功率历史数据的去周期和去趋势，并因此降低了机器学习模型对时序数据量的需求。
60.s202、基于预处理后的数据训练长短期时序模型，并通过训练后的长短期时序模型对光伏发电功率进行预测，具体流程如图5所示，将在后续说明中详细展开。
61.在本技术中，将历史气象数据、地理数据、设备数据等模型数据输入数据预处理模块。在数据处理模块中，将模型数据输入晴空辐照度模型，并进通过光伏系统模拟模型进行运算，确定历史晴空光伏发电功率。进一步，计算从历史数据中获取的历史光伏发电功率与计算所得的所述历史晴空光伏发电功率的功率差值，继而对该功率差值进行相应预处理，以此得到预处理后的数据，将预处理后的数据输入预测模型模块。在预测模型模块中，基于该预处理数据训练长短期时序模型，最后使用已完成训练的长短时序模型对光伏发电率进行预测，从此获得光伏发电功率的预测结果，具体流程如图3所示。
62.在一些实施例中，所述通过晴空辐照度模型和预设的光伏系统模拟模型，基于历史气象数据、地理数据和设备数据确定历史晴空光伏发电功率，包括：
63.将历史气象数据输入到晴空辐照度模型中，计算晴空辐照度；
64.将所述晴空辐照度、地理信息和设备信息输入到光伏系统模拟模型中，计算历史晴空光伏发电功率。
65.需要说明的是，输入的地理数据和设备数据中的额定功率等通常为常数，且本技术中假设收集的气象数据是完整的，否则可采用统计学方法，如季节性差分自回归滑动平均模型sarima，平滑指数模型ets，时间序列模型prophet等对采集的气象数据进行预处理，以保证数据的完整性。
66.在本实施例中，晴空辐照度模型可以是bird模型，也可以是esra 模型，但不限于此。可以理解的是，基于不同的晴空辐照度模型，所输入的数据类型也不完全相同，所输入数据也可为历史气象数据、地理数据、设备数据之外的其他数据。
67.可选的，采用esra模型计算法向束辐射，如下公式(1)所示：
68.e
bnc
＝en·
exp(-8.662
·
t
l
·
amr·
δr)
69.......公式(1)
70.相应地，采用esra模型计算水平扩散辐射，如下公式(2)所示：
71.e
dhc
＝eh·
tr(t
l
)
·
fd(θz,amr)
72.......公式(2) 在上述公式(1)和公式(2)中，en和eh是地球外辐照度的法向和水平分量，t
l
是linke混浊系数，tr是基于linke混浊系数计算的漫透射率，amr是大气光学质量，δr是光路积分rayleigh光学厚度，fd是通过大气光学质量和太阳天顶角δz的漫射角函数。基于以上计算法向束辐射以及水平扩散辐射的结果，进一步结合物理模型，计算光伏发电设备接收到的晴空辐照度。
73.在本实施例中，光伏系统模拟模型结合光伏和逆变器类型和出厂参数，地理位置信息等计算得出历史晴空光伏发电功率。
74.可选的，基于晴空辐照度模型估计的晴空辐照度，具体如公式(3) 所示：
[0075][0076]
可以通过上述公式(3)估计晴空光伏功率。其中，p
ac0
是逆变器的额定功率；p
mpa
是依赖晴空辐照度等估计的设备最大功率；a，b和c是直流电压。
[0077]
在一些实施例中，对所述功率差值进行预处理，得到预处理后的数据，包括：
[0078]
对各时间节点的功率差值进行异常值检测，删除异常值节点得到第一差值；
[0079]
基于正态分布对所述第一差值进行填充得到第二差值；
[0080]
标准化处理所述第二差值，输出包括标准化处理后的第二差值和所述历史晴空光伏发电功率的预处理后的数据。
[0081]
在本实施例中，对各时间节点的功率差值进行异常值检测可采用分位数法、孤立森林法，但不限于此。
[0082]
可选的，运用分位数法(iqr,interquartile range)进行异常值检测，并删除对应异常值节点得到第一差值。将功率差值记为dp，计算dp的第一和第三分位数，分别记为q1和q3，则iqr＝q
3-q1，定义集合
[0083][0084]
其中k》0，常用的取值为k＝1.5。集合i
ad
存储分位数法检测的光伏功率异常值节点的索引。删除dp中索引属于i
ad
的数据，记为第一差值
[0085]
在本实施例中，求第一差值的期望μ和标准差σ，基于正态分布对缺失数据进行随机填充得到第二差值
[0086]
在本实施例中，将标准化后的气象数据，标准化处理第二差值和历史晴空光伏功率p
cs
一起组成预处理后的数据输出。
[0087]
需要说明的是，本技术中对时序数据的预处理通常包含异常值检测，缺失值填充，归一化或标准化，但不限于此。本技术基于晴空模型进行了异常值检测和缺失值填充，并在此基础上进行归一化或标准化处理，极大地减小了数据的偏差。
[0088]
在一些实施例中，所述基于预处理后的数据训练长短期时序模型，包括：
[0089]
对所述预处理后的数据进行特征分析，筛选出目标特征和/或目标特征对；
[0090]
基于所述目标特征和/或目标特征对训练长短期时序模型。
[0091]
在本技术中，基于预处理后的数据，通过分析输入的特征数据筛选出目标特征和/或特征对，目标特征和/或特征对用于后续模型训练中，作为主要输入关系参数训练模型。需要说明的是，目标特征和/或特征对主要为气象特征，但不限于此。
[0092]
在一些实施例中，对所述预处理后的数据进行特征分析，筛选出目标特征和/或目标特征对，包括：
[0093]
将预处理后的功率差值和历史晴空光伏发电功率相加，得到目标光伏发电功率；
[0094]
根据所述目标光伏发电功率，对各特征的重要度和/或特征之间的相关性进行分析，筛选出重要度高于第一预设阈值的目标特征和/或相关度高于第二预设阈值的目标特征对。
[0095]
在本实施例中，目标光伏发电功率即为晴空发电功率与处理后的功率差值的和，通过分析特征和该目标发电功率重要度关系，找到重要度高于某一阈值的目标特征，即该特征为对该目标光伏发电功率影响较大的目标特征。同样的，通过分析特征对之间的相关度，找到相关度高于某一阈值的目标特征对，从而用于验证特征之间的对预测结果贡献的相关性，继而为后续模型训练提供相应的理论支持。需要说明的是，本技术中并不限定第一预设阈值和第二预设阈值的具体值，且该值大小根据不同重要度和/ 或相关度分析模型进行具体界定。
[0096]
在一些实施例中，根据所述目标光伏发电功率，对各特征的重要度和 /或特征之间的相关性进行分析，筛选出重要度高于第一预设阈值的目标特征和/或相关度高于第二预设阈值的目标特征对，包括：
[0097]
基于梯度下降树模型，计算各特征的重要度和/或特征之间的相关性的数值，所述数值分别记为第一重要度数值、第一相关性数值；
[0098]
基于沙普利值，计算各特征的重要度和/或特征之间的相关性的数值，所述数值分别记为第二重要度数值、第二相关性数值；
[0099]
综合第一重要度数值和第二重要度数值，得到各特征的重要度；
[0100]
综合第一相关性数值和第二相关性数值，得到各特征对之间的相关度。
[0101]
在本实施例中，通过下降树模型和基于博弈论沙普利值的方法分别分析光伏功率数据特征的重要度和特征之间的相关性。继而，综合两种分析方法的结果，得到各特征的重要度和/或各特征对之间的相关度。
[0102]
需要说明的是，综合第一重要度和/或相关度与第二重要度和/或相关度数值有以下方法，但不限于此：可比较第一重要度和/或相关度与第二重要度和/或相关度后，仅选取其中一种数值作为重要度和/或相关度；也可根据两种分析模型的准确度，按照一定比例将第一重要度和/或相关度与第二重要度和/或相关度相加，所求和作为各特征的重要度和/或各特征对之间的相关度。
[0103]
示例性的，通过下降树模型xgboost计算各特征的重要度和/或特征之间的相关性的数值，该模型使用一阶和二阶偏导数，并通过泰勒展开取得函数做自变量的二阶导数形式，进而量化输入特征的重要度。沙普利值通过计算每个参与者在不同的特征对中的边际贡献，从而公平地分配信用或贡献给特征。进一步的，沙普利互动值通过考虑给定的一对特征的边际贡献，在给定特征对时，计算这一对特征同时参与，分另参与和同时不参与时模型的最终输出，通过一系列的数学公式得到这一对特征的沙普利互动值，该数值反应了这一对特征贡献的相关性。
[0104]
在一些实施例中，所述长短期时序模型包括卷积神经网络和循环神经网络；所述基于所述目标特征和/或目标特征对训练长短期时序模型，包括：
[0105]
将预处理后的功率差值和所述目标特征和/或目标特征对输入卷积神经网络进行训练，得到基于特征的功率差值关系模型；
[0106]
将所述基于特征的功率差值关系模型输入循环神经网络进行时间循环训练，得到基于特征的功率差值时间关系模型；
[0107]
将预测的气象数据、时间周期输入得到基于特征的功率差值时间关系模型，对所得光伏功率差值和历史晴空光伏发电功率进行处理，输出训练后的长短时序模型。
[0108]
在本实施例中，根据特征的结果显示的数据间，特别是气象特征数据间的对光伏功率预测贡献的相关性，本技术选择结合了卷积神经网络和循环神经网络特点的长短期时序模型作为预测模型，该长短期时序模型包括卷积神经网络和循环神经网络，通过这两种网络分别对长短时序网络，针对光伏发电功率差值与特征、时间区间的关系进行训练。
[0109]
示例性的，将预处理后的功率差值与历史晴空光伏发电功率p
cs
按 80％、20％的比例为分训练集p
cs,tr
和测试集p
cs,te
。其中，n为特征的数量，t为数据所覆盖时刻的数量。令长短期时序模型的卷积模块采用的卷积核的大小为(n,s)，卷积层 hk＝relu(wk*xs+bk)的输入该卷积层通过可学习的权重矩阵对局部特征进行组合。卷积模块的目标是学习一个映射使得能够提取数据的局部特征依赖，w,b是可训练的参数。
[0110]
进一步，将xc输入到循环模块中，通过gru(gated recurrent unit，门控循环单元)的特性捕获时序数据的模式。循环模块旨在学习映射其中是循环模块的输出。长短期时序模型的最终输出为其中是时间区间[t+1,t+m]的晴空光伏功率估计。lstnet的训练是探索最优参数(θ
*
,w
*
,b
*
)满足下述公式 (4)：
[0111][0112]
本技术提供的光伏发电功率的预测方法，通过晴空辐照度模型和预设的光伏系统模拟模型，基于历史气象数据、地理数据和设备数据确定历史晴空光伏发电功率；计算从历史数据中获取的历史光伏发电功率与计算所得的所述历史晴空光伏发电功率的功率差值；对所述功率差值进行预处理，得到预处理后的数据；基于预处理后的数据训练长短期时序模型，并通过训练后的长短期时序模型对光伏发电功率进行预测。在本技术中晴空模型不依赖大量的光伏功率历史数据，解决了现有技术中数据需求量大的技术问题，且通过对数据进行预处理操作，实现异常值检测，缺失值填充和数据去趋势、去周期，提高数据的质量，进而提高光伏发电功率预测的准确度，同时也进一步减少了本方案中对数据量的依赖。
[0113]
参见图6，为本技术实施例提供的一种网络性能预测装置的结构示意图，该网络性能预测装置300，包括：
[0114]
数据预处理模块301，用于通过晴空辐照度模型和预设的光伏系统模拟模型，基于历史气象数据、地理数据和设备数据确定历史晴空光伏发电功率；计算从历史数据中获取的历史光伏发电功率与计算所得的所述历史晴空光伏发电功率的功率差值；对所述功率差值进行预处理，得到预处理后的数据；
[0115]
预测模型模块302，用于基于预处理后的数据训练长短期时序模型，并通过训练后的长短期时序模型对光伏发电功率进行预测。
[0116]
本技术实施例的装置可执行本技术实施例所提供的方法，其实现原理相类似，本技术各实施例的装置中的各模块所执行的动作是与本技术各实施例的方法中的步骤相对应的，对于装置的各模块的详细功能描述具体可以参见前文中所示的对应方法中的描述，此处不再赘述。
[0117]
本技术实施例中提供了一种电子设备，包括存储器、处理器及存储在存储器上的计算机程序，该处理器执行上述计算机程序以实现光伏发电功率预测的步骤，与相关技术相比可实现：在本技术中晴空模型不依赖大量的光伏功率历史数据，解决了现有技术中数据需求量大的技术问题，且通过对数据进行预处理操作，实现异常值检测，缺失值填充和数据去趋势、去周期，提高数据的质量，进而提高光伏发电功率预测的准确度，同时也进一步减少了本方案中对数据量的依赖。
[0118]
在一个可选实施例中提供了一种电子设备，如图7所示，图7所示的电子设备4000包括：处理器4001和存储器4003。其中，处理器4001和存储器4003相连，如通过总线4002相连。可选地，电子设备4000还可以包括收发器4004，收发器4004可以用于该电子设备与其他电子设备之间的数据交互，如数据的发送和/或数据的接收等。需要说明的是，实际应用中收发器4004不限于一个，该电子设备4000的结构并不构成对本技术实施例的限定。
[0119]
处理器4001可以是cpu(central processing unit，中央处理器)，通用处理器，dsp(digital signal processor，数据信号处理器)，asic (application specific integrated circuit，专用集成电路)，fpga(fieldprogrammable gate array，现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本技术公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器4001 也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，dsp 和微处理器的组合等。
[0120]
总线4002可包括一通路，在上述组件之间传送信息。总线4002可以是pci(peripheral component interconnect，外设部件互连标准)总线或 eisa(extended industry standard architecture，扩展工业标准结构)总线等。总线4002可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0121]
存储器4003可以是rom(read only memory，只读存储器)或可存储静态信息和指令的其他类型的静态存储设备，ram(random accessmemory，随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备，也可以是eeprom(electrically erasable programmable read onlymemory，电可擦可编程只读存储器)、cd-rom(compact disc read onlymemory，只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质、其他磁存储设备、或者能够用于携带或存储计算机程序并能够由计算机读取的任何其他介质，在此不做限定。
[0122]
存储器4003用于存储执行本技术实施例的计算机程序，并由处理器 4001来控制执行。处理器4001用于执行存储器4003中存储的计算机程序，以实现前述方法实施例所示的步骤。
[0123]
本技术实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时可实现前述方法实施例的步骤及相应内容。
[0124]
本技术实施例还提供了一种计算机程序产品，包括计算机程序，计算机程序被处理器执行时可实现前述方法实施例的步骤及相应内容。
[0125]
本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”、“1”、“2”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例能够以除图示或文字描述以外的顺序实施。
[0126]
应该理解的是，虽然本技术实施例的流程图中通过箭头指示各个操作步骤，但是这些步骤的实施顺序并不受限于箭头所指示的顺序。除非本文中有明确的说明，否则在本技术实施例的一些实施场景中，各流程图中的实施步骤可以按照需求以其他的顺序执行。此外，各流程图中的部分或全部步骤基于实际的实施场景，可以包括多个子步骤或者多个阶段。这些子步骤或者阶段中的部分或全部可以在同一时刻被执行，这些子步骤或者阶段中的每个子步骤或者阶段也可以分别在不同的时刻被执行。在执行时刻不同的场景下，这些子步骤或者阶段的执行顺序可以根据需求灵活配置，本技术实施例对此不限制。
[0127]
以上所述仅是本技术部分实施场景的可选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本技术的方案技术构思的前提下，采用基于本技术技术思想的其他类似实施手段，同样属于本技术实施例的保护范畴。