一种基于数据分析和红外图像信息融合的光伏并网运行异常检测系统及方法与流程

1.本发明涉及一种基于数据分析和红外图像信息融合的光伏并网运行异常检测系统及方法，属于电力系统数据分析以及红外图像故障识别技术领域。


背景技术：

2.面对当前的能源危机以及大量使用化石能源后带来的环境问题，人类实现可持续发展必须开发绿色能源来逐步取代有限的不可再生能源。新能源中有风能、潮汐能、核能、太阳能等，综合考虑在新能源开发过程中受影响的因素较多，比如开发的难度、成本、供能的稳定性等。毋庸置疑，太阳能将是绿色能源开发的不二之选，因此提高光伏并网发电系统的工作效率和可靠性，实施大力发展光伏产业，具有重要的理论研究与现实意义。
3.国内光伏发电技术仍然处在发展时期，对光伏发电系统的监控方案主要是利用单片机、rs485及组态软件构成，这种方式的数据传输效率较低、容纳节点数少，而且后续工作人员的维护费用较高。为了实时监控光伏发电系统，提高系统稳定性和可靠性，采用大数据以及图像信息融合对光伏发电系统进行监控，将是未来的一种发展趋势。光伏并网发电系统输出功率的预测将有效缓解对电网的冲击，同时便于电站管理人员决策电力调度系统。另外，影响光伏发电输出功率预测的因素较多，比如光照强度、温湿度以及日照时长等，因此建模过程的复杂度较高。本发明针对光伏输出电流、电压以及功率以及红外图像等数据，实现光伏发电系统监控及光伏并网运行异常检测。


技术实现要素：

4.针对上述现有技术存在的问题，本发明提供一种基于数据分析和红外图像信息融合的光伏并网运行异常检测系统及方法，一方面克服了单纯使用数据分析或单纯使用红外图像分析的目标检测不足的能力，因为在一些数据收到外界干扰或者设备中存在一些温度不够高的目标，红外图像背景相对模糊、对比度低，较低的像素分辨率限制了其特征或图像细节表现能力，数据或图像质量受环境和外界干扰严重，导致数据分析不精确或者红外目标边缘模糊，不利于精确定位目标位置；将红外图像与大数据分析技术融合，将红外图像的热红外信息与电流、电压以及功率等数据分析进行融合在同一场景中，既能够突出目标轮廓，又可以有效抑制噪声，改善单一红外图像的目标表达效果，有利于对光伏并网系统全天候状态进行精准监控，便于及时掌握现场动态。
5.为了实现上述目的，本发明采用的技术方案是：
6.第一方面，本技术提供一种基于数据分析和红外图像信息融合的光伏并网运行异常检测方法，所述的数据分析包括以下步骤：
7.s1：设置bp神经网络参数；
8.s2：pso初始化；
9.s3：elm训练学习，计算各粒子的适应度；
10.s4：解算粒子个体历史最优位置和群里历史最优位置；
11.s5:更新粒子的速度和位置；
12.s6:种群粒子按适应值排序，确定最佳适应度；
13.s7:若满足终止条件：以群落收敛为准，或群落达到平衡稳定状态；执行下一步骤；若不满足终止条件则生成下一代种群，进行新的迭代优化，返回执行s2；
14.s8:利用得到的最优参数进行故障预测；
15.所述的红外图像信息分析包括以下步骤：
16.步骤1：将光伏电站现场红外图像输入；
17.步骤2：将输入的图像进行分割；
18.步骤3：使用模糊温差判断方法进行判断；
19.步骤4：根据判断结果进行故障诊断和预警分析；
20.将数据分析结果与红外图像信息分析结果汇总传输到服务器进行进行故障诊断和预警分析。
21.一实施例中，所述的步骤s1中,以神经网络系统一个神经元为例，假设神经元中的输入单元分别为xi，与其对应的加权系数为wi,i＝0,1,2,...,n-1 f为该神经网络中的激发函数，用以实现神经元的输出；则该神经元的最终输出结果如下式所示：
[0022][0023]
神经网络结构被设计完成之后，需要对网络中的输入、输出参数进行训练；bp网络不仅包括输入节点和输出节点，还包含一个或多个隐藏(层)节点；
[0024]
首先将输信号传输到隐藏节点，然后将隐藏节点的输出信息在动作后传输到输出节点；最后给出了输出结果，而节点的激励部分一般为s型函数；该算法被称为反向传播，是因为它从输出节点开始，将由总误差引起的权重修正向后传播到第一隐藏层；
[0025]
对于由一系列确定的单元互连而成的多层网络，能利用反向传播算法学习多层网络的权值；它采用梯度下降法尽量减小网络输出值与目标值之间的平方误差；因为需要考虑多个输出单元组成的网络，而不是像原来那样只考虑一个单元，所以需要重新算误差e，从而将所有网络输出的误差相加，结果如公式2所示，
[0026][0027]
其中，outputs是网络输出单元的集合，t
kd
和o
kd
是与训练样例d和第k个输出单元的相关输出值。
[0028]
一实施例中，所述的步骤s2中,基于bp神经网络对样本数据进行不断学习训练的基础上，利用粒子群优化算法(pso)对整个训练过程进行更进一步的优化，主要实现原理是对训练数据集中的粒子进行不断的学习训练求出最佳的相对速度和相对位置，最终寻找最优解；在这过程中，对应的速度、位置关系如下：
[0029]vik
(t+1)＝wv
ik
(t)+c1r1(pbest
ik
(t)-x
ik
(t))+c2r2(gbest(t)-x
ik
(t))
ꢀꢀꢀ
(3)
[0030]
x
ik
(t+1)＝x
ik
(t)+v
ik
(t+1)
ꢀꢀꢀ
(4)
[0031]
其中，v
ik
(t)、x
ik
(t)分别是粒子速度、位置，pbest
ik
(t)是例子的个体极值，gbest(t)是全局变量，w为惯性权重，c1、c2为加速度系数，r1、r2为[0,1]区间的均匀分布随机数。
[0032]
一实施例中，通过采用粒子群优化算法对输入层权值和隐元偏置进行优选，进而将其优选所得的输入权值和隐元偏置应用于光伏并网发电系统输出电压、电流以及最大功率的预测，具体步骤如下：
[0033]
1)随机产生种群；训练样本数据集中的种群粒子样本数量为m，个体维度为d，学习因子的初始值分别为c
1ini
和c
2ini
，最大迭代次数k
max
；
[0034]
2)惯性权重值的选择；设定最大、最小惯性权重分别为w
max
和w
min
，n为当前预测模型的迭代次数，根据对表达式w＝w
max-(w
max-w
min
)
×
n/k
max
的计算可得到惯性权重值；
[0035]
3)确定适应度函数；适应度函数为yi和分别是输出电压、电流以及功率的实际值和预测值，n为训练样本集，通过计算得到的适应度函数值即为该模型的适应度；
[0036]
4)训练过程中粒子的速度和位置变化；速度变化遵循如下表达式：
[0037][0038]
5)全局求解最佳适应度；把当前适应度的函数值f(xi)与历史最优适应度的函数值f(p
best
)进行对比，得到确定值大小，求值的约束条件为最大迭代次数或小于期望精度0.001；
[0039]
6)确定最佳收敛准则；在确定终止条件时需要考虑，终止条件不能使粒子群算法过早收敛，陷入局部最优解；收敛准则以群落收敛为准或者使群落达到一个稳定平衡状态即可；
[0040]
7)将测试数据输入优化的pso-elm模型进行训练求解。
[0041]
一实施例中，所述的红外图像信息分析中为了准确地判断光伏阵列是否发生故障，一般采用相对温差判断法进行诊断；相对温差是两个对应测点之间的温差与其中较热点温升比值的百分数，可表示为：
[0042][0043]
由于光伏阵列的过热现象呈现在图像上具有区域性的特点，因此本项目拟通过建立拓扑矩阵，并修改剔除孤立的脉冲噪声点的方法，实现光伏阵列过热区域的提取与定位；
[0044]
首先采用阈值法实现光伏阵列红外热像过热区域的初步标识；令x(i,j)表示图像像素点(i,j)的灰度值，用im×n表示由图像所有像素点的灰度值构成的m
×
n阶矩阵。设像素点的灰度值最大值为maxm×n,，设定一阈值为th，令th＝maxm×n，当x(i,j)≥th用1标记原图像，当x(i,j)《th用0标记原图像，得到m
×
n阶拓扑矩阵pm×n,之后遍历pm×n所有像素点，寻找4x4阶单位矩阵，如若存在，将其所在位置赋值于元素值全为零的m
×
n阶矩阵相对应位置为1，矩阵其他元素赋值为0，如不存在此4阶单位矩阵，则令th＝maxm×
n-n,n＝1,2,3...，重新进行寻找赋值，以此循环，直至找到4x4阶单位矩阵，循环结束；
[0045]
对过热区域进行标识后，可通过建立红外图像数据库并储存需要诊断的光伏阵列
图片，将待检测的红外图像与红外图像数据库中相同类型的图片进行匹配，通过计算所检测图片的各种温度信息，按照相对温差判断法计算相对温升，根据已有知识确定的温度阈值来判断设备是否处于故障状态。根据电气设备热故障的影响、危害程度以及可能发展的破坏趋势，可将热故障分为危险热故障预警(一级预警)、严重热故障预警(二级预警)和一般热故障预警(三级预警)三个等级，并对应三个故障等级需采取的措施。
[0046]
第二方面，本技术提供一种基于数据分析和红外图像信息分析融合的光伏并网运行异常检测系统，包括：光伏电站现场设备层、本地远程监控层与服务器；
[0047]
所述的光伏电站现场设备层将采集的数据信息发送到本地远程监控层进行数据融合、分析与处理；
[0048]
经过融合、分析与处理的数据发送故障诊断与预警到服务器。
[0049]
第三方面，本技术提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现一种基于数据分析和红外图像信息融合的光伏并网运行异常检测方法的步骤。
[0050]
第四方面，本技术提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现一种基于数据分析和红外图像信息融合的光伏并网运行异常检测方法的步骤。
[0051]
由上述描述可知，本发明一方面克服了单纯使用数据分析或单纯使用红外图像分析的目标检测不足的能力，因为在一些数据收到外界干扰或者设备中存在一些温度不够高的目标，红外图像背景相对模糊、对比度低，较低的像素分辨率限制了其特征或图像细节表现能力，数据或图像质量受环境和外界干扰严重，导致数据分析不精确或者红外目标边缘模糊，不利于精确定位目标位置；将红外图像与大数据分析技术融合，将红外图像的热红外信息与电流、电压以及功率等数据分析进行融合在同一场景中，既能够突出目标轮廓，又可以有效抑制噪声，改善单一红外图像的目标表达效果，有利于对光伏并网系统全天候状态进行精准监控，便于及时掌握现场动态。
附图说明
[0052]
图1为本发明一种基于数据分析和红外图像信息融合的光伏并网运行异常检测方法流程图；
[0053]
图2为本发明一种基于数据分析和红外图像信息融合的光伏并网运行异常检测系统的结构图；
[0054]
图3为本发明的神经网络模型图；
[0055]
图4为本发明的光伏阵列热故障预警分级图；
[0056]
图5为本发明的实施例中的电子设备的结构示意图。
具体实施方式
[0057]
为使本发明的目的、技术方案和优点更加清楚明了，下面通过附图及实施例，对本发明进行进一步详细说明；但是应该理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限制本发明的范围。
[0058]
除非另有定义，本文所使用的所有的技术术语和科学术语与属于本发明的技术领
域的技术人员通常理解的含义相同，本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
[0059]
本发明的实施例提供一种基于数据分析和红外图像信息融合的光伏并网运行异常检测方法的具体实施方式，参见图1-5，该方法具体包括如下内容：一种基于数据分析和红外图像信息融合的光伏并网运行异常检测方法，所述的数据分析包括以下步骤：
[0060]
s1：设置bp神经网络参数；
[0061]
s2：pso初始化；
[0062]
s3：elm训练学习，计算各粒子的适应度；
[0063]
s4：解算粒子个体历史最优位置和群里历史最优位置；
[0064]
s5:更新粒子的速度和位置；
[0065]
s6:种群粒子按适应值排序，确定最佳适应度；
[0066]
s7:若满足终止条件：以群落收敛为准，或群落达到平衡稳定状态；执行下一步骤；若不满足终止条件则生成下一代种群，进行新的迭代优化，返回执行s2；
[0067]
s8:利用得到的最优参数进行故障预测；
[0068]
所述的红外图像信息分析包括以下步骤：
[0069]
步骤1：将光伏电站现场红外图像输入；
[0070]
步骤2：将输入的图像进行分割；
[0071]
步骤3：使用模糊温差判断方法进行判断；
[0072]
步骤4：根据判断结果进行故障诊断和预警分析；
[0073]
将数据分析结果与红外图像信息分析结果汇总传输到服务器进行进行故障诊断和预警分析。
[0074]
一实施例中，所述的步骤s1中参见图1,以神经网络系统一个神经元为例，假设神经元中的输入单元分别为xi，与其对应的加权系数为wi,i＝0,1,2,...,n-1f为该神经网络中的激发函数，用以实现神经元的输出；则该神经元的最终输出结果如下式所示：
[0075][0076]
神经网络结构被设计完成之后，需要对网络中的输入、输出参数进行训练；bp网络不仅包括输入节点和输出节点，还包含一个或多个隐藏(层)节点；
[0077]
首先将输信号传输到隐藏节点，然后将隐藏节点的输出信息在动作后传输到输出节点；最后给出了输出结果，而节点的激励部分一般为s型函数；该算法被称为反向传播，是因为它从输出节点开始，将由总误差引起的权重修正向后传播到第一隐藏层；
[0078]
对于由一系列确定的单元互连而成的多层网络，能利用反向传播算法学习多层网络的权值；它采用梯度下降法尽量减小网络输出值与目标值之间的平方误差；因为需要考虑多个输出单元组成的网络，而不是像原来那样只考虑一个单元，所以需要重新算误差e，从而将所有网络输出的误差相加，结果如公式2所示，
[0079]
[0080]
其中，outputs是网络输出单元的集合，t
kd
和o
kd
是与训练样例d和第k个输出单元的相关输出值。
[0081]
一实施例中，所述的步骤s2中,基于bp神经网络对样本数据进行不断学习训练的基础上，利用粒子群优化算法(pso)对整个训练过程进行更进一步的优化，主要实现原理是对训练数据集中的粒子进行不断的学习训练求出最佳的相对速度和相对位置，最终寻找最优解；在这过程中，对应的速度、位置关系如下：
[0082]vik
(t+1)＝wv
ik
(t)+c1r1(pbest
ik
(t)-x
ik
(t))+c2r2(gbest(t)-x
ik
(t))
ꢀꢀꢀ
(3)
[0083]
x
ik
(t+1)＝x
ik
(t)+v
ik
(t+1)
ꢀꢀꢀ
(4)
[0084]
其中，v
ik
(t)、x
ik
(t)分别是粒子速度、位置，pbest
ik
(t)是例子的个体极值，gbest(t)是全局变量，w为惯性权重，c1、c2为加速度系数，r1、r2为[0,1]区间的均匀分布随机数。
[0085]
一实施例中，通过采用粒子群优化算法对输入层权值和隐元偏置进行优选，进而将其优选所得的输入权值和隐元偏置应用于光伏并网发电系统输出电压、电流以及最大功率的预测，具体步骤如下：
[0086]
1)随机产生种群；训练样本数据集中的种群粒子样本数量为m，个体维度为d，学习因子的初始值分别为c
1ini
和c
2ini
，最大迭代次数k
max
；
[0087]
2)惯性权重值的选择；设定最大、最小惯性权重分别为w
max
和w
min
，n为当前预测模型的迭代次数，根据对表达式w＝w
max-(w
max-w
min
)
×
n/k
max
的计算可得到惯性权重值；
[0088]
3)确定适应度函数；适应度函数为yi和分别是输出电压、电流以及功率的实际值和预测值，n为训练样本集，通过计算得到的适应度函数值即为该模型的适应度；
[0089]
4)训练过程中粒子的速度和位置变化；速度变化遵循如下表达式：
[0090][0091]
5)全局求解最佳适应度；把当前适应度的函数值f(xi)与历史最优适应度的函数值f(p
best
)进行对比，得到确定值大小，求值的约束条件为最大迭代次数或小于期望精度0.001；
[0092]
6)确定最佳收敛准则；在确定终止条件时需要考虑，终止条件不能使粒子群算法过早收敛，陷入局部最优解；收敛准则以群落收敛为准或者使群落达到一个稳定平衡状态即可；
[0093]
7)将测试数据输入优化的pso-elm模型进行训练求解。
[0094]
一实施例中，参见图4所述的红外图像信息分析中为了准确地判断光伏阵列是否发生故障，一般采用相对温差判断法进行诊断；相对温差是两个对应测点之间的温差与其中较热点温升比值的百分数，可表示为：
[0095][0096]
由于光伏阵列的过热现象呈现在图像上具有区域性的特点，因此本项目拟通过建立拓扑矩阵，并修改剔除孤立的脉冲噪声点的方法，实现光伏阵列过热区域的提取与定位；
[0097]
首先采用阈值法实现光伏阵列红外热像过热区域的初步标识；令x(i,j)表示图像像素点(i,j)的灰度值，用im×n表示由图像所有像素点的灰度值构成的m
×
n阶矩阵。设像素点的灰度值最大值为maxm×n,，设定一阈值为th，令th＝maxm×n，当x(i,j)≥th用1标记原图像，当x(i,j)《th用0标记原图像，得到m
×
n阶拓扑矩阵pm×n,之后遍历pm×n所有像素点，寻找4x4阶单位矩阵，如若存在，将其所在位置赋值于元素值全为零的m
×
n阶矩阵相对应位置为1，矩阵其他元素赋值为0，如不存在此4阶单位矩阵，则令th＝maxm×
n-n,n＝1,2,3...，重新进行寻找赋值，以此循环，直至找到4x4阶单位矩阵，循环结束；
[0098]
对过热区域进行标识后，可通过建立红外图像数据库并储存需要诊断的光伏阵列图片，将待检测的红外图像与红外图像数据库中相同类型的图片进行匹配，通过计算所检测图片的各种温度信息，按照相对温差判断法计算相对温升，根据已有知识确定的温度阈值来判断设备是否处于故障状态。根据电气设备热故障的影响、危害程度以及可能发展的破坏趋势，可将热故障分为危险热故障预警(一级预警)、严重热故障预警(二级预警)和一般热故障预警(三级预警)三个等级，并对应三个故障等级需采取的措施。
[0099]
由上述描述可知，本发明一方面克服了单纯使用数据分析或单纯使用红外图像分析的目标检测不足的能力，因为在一些数据收到外界干扰或者设备中存在一些温度不够高的目标，红外图像背景相对模糊、对比度低，较低的像素分辨率限制了其特征或图像细节表现能力，数据或图像质量受环境和外界干扰严重，导致数据分析不精确或者红外目标边缘模糊，不利于精确定位目标位置；将红外图像与大数据分析技术融合，将红外图像的热红外信息与电流、电压以及功率等数据分析进行融合在同一场景中，既能够突出目标轮廓，又可以有效抑制噪声，改善单一红外图像的目标表达效果，有利于对光伏并网系统全天候状态进行精准监控，便于及时掌握现场动态。
[0100]
本发明的实施例提供一种基于数据分析和红外图像信息融合的光伏并网运行异常检测系统的具体实施方式，参见图2，一种基于数据分析和红外图像信息融合的光伏并网运行异常检测系统包括：光伏电站现场设备层、本地远程监控层与服务器；
[0101]
所述的光伏电站现场设备层将采集的数据信息发送到本地远程监控层进行数据融合、分析与处理；
[0102]
经过融合、分析与处理的数据发送故障诊断与预警到服务器。
[0103]
由上述描述可知，本发明一方面克服了单纯使用数据分析或单纯使用红外图像分析的目标检测不足的能力，因为在一些数据收到外界干扰或者设备中存在一些温度不够高的目标，红外图像背景相对模糊、对比度低，较低的像素分辨率限制了其特征或图像细节表现能力，数据或图像质量受环境和外界干扰严重，导致数据分析不精确或者红外目标边缘模糊，不利于精确定位目标位置；将红外图像与大数据分析技术融合，将红外图像的热红外信息与电流、电压以及功率等数据分析进行融合在同一场景中，既能够突出目标轮廓，又可以有效抑制噪声，改善单一红外图像的目标表达效果，有利于对光伏并网系统全天候状态进行精准监控，便于及时掌握现场动态。
[0104]
本技术的实施例还提供能够实现上述实施例中的一种基于数据分析和红外图像信息融合的光伏并网运行异常检测方法中全部步骤的一种电子设备的具体实施方式，参见图5，电子设备具体包括如下内容：
[0105]
处理器(processor)、存储器(memory)、通信接口(communicationsinterface)和
总线；
[0106]
其中，处理器、存储器、通信接口通过总线完成相互间的通信。
[0107]
处理器用于调用存储器中的计算机程序，处理器执行计算机程序时实现上述实施例中的一种基于数据分析和红外图像信息融合的光伏并网运行异常检测方法中的全部步骤，
[0108]
由上述描述可知，本发明一方面克服了单纯使用数据分析或单纯使用红外图像分析的目标检测不足的能力，因为在一些数据收到外界干扰或者设备中存在一些温度不够高的目标，红外图像背景相对模糊、对比度低，较低的像素分辨率限制了其特征或图像细节表现能力，数据或图像质量受环境和外界干扰严重，导致数据分析不精确或者红外目标边缘模糊，不利于精确定位目标位置；将红外图像与大数据分析技术融合，将红外图像的热红外信息与电流、电压以及功率等数据分析进行融合在同一场景中，既能够突出目标轮廓，又可以有效抑制噪声，改善单一红外图像的目标表达效果，有利于对光伏并网系统全天候状态进行精准监控，便于及时掌握现场动态。
[0109]
本技术的实施例还提供能够实现上述实施例中的一种基于数据分析和红外图像信息融合的光伏并网运行异常检测方法中全部步骤的一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的一种基于数据分析和红外图像信息融合的光伏并网运行异常检测方法的全部步骤。
[0110]
由上述描述可知，本发明一方面克服了单纯使用数据分析或单纯使用红外图像分析的目标检测不足的能力，因为在一些数据收到外界干扰或者设备中存在一些温度不够高的目标，红外图像背景相对模糊、对比度低，较低的像素分辨率限制了其特征或图像细节表现能力，数据或图像质量受环境和外界干扰严重，导致数据分析不精确或者红外目标边缘模糊，不利于精确定位目标位置；将红外图像与大数据分析技术融合，将红外图像的热红外信息与电流、电压以及功率等数据分析进行融合在同一场景中，既能够突出目标轮廓，又可以有效抑制噪声，改善单一红外图像的目标表达效果，有利于对光伏并网系统全天候状态进行精准监控，便于及时掌握现场动态。
[0111]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于硬件+程序类实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0112]
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
[0113]
虽然本技术提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或客户端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。
[0114]
虽然本说明书实施例提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或终端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境，甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下，并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。
[0115]
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0116]
本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
[0117]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0118]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0119]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0120]
在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
[0121]
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或
非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。内存是计算机可读介质的示例。
[0122]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0123]
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0124]
本说明书实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
[0125]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0126]
以上所述仅为本说明书实施例的实施例而已，并不用于限制本说明书实施例。对于本领域技术人员来说，本说明书实施例可以有各种更改和变化。凡在本说明书实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书实施例的权利要求范围之内。