光伏组串单日可分异常分类方法、装置、设备及存储介质与流程

1.本发明涉及光伏发电技术领域，尤其涉及一种光伏组串单日可分异常分类方法、装置、设备及存储介质。


背景技术：

2.光伏组串在运行过程中存在各种异常现象，准确识别这些异常可以有效提升运维效率。目前，光伏组串异常识别方案包括：方案一，考虑到光伏阵列的出力不稳定的特点，基于统计特征监测组串的电流和电压数据，通过设置实时运行数据的异常运行状态阈值的方法判断光伏组件是否异常；方案二，通过对比标准伏安特性曲线与实际伏安特性曲线的方法判断光伏组件是否存在异常。
3.然而，方案一缺乏对不同异常类型的区分能力，并且光伏发电受天气影响因素较大，仅靠阈值设定难以实现复杂的非线性异常判定需求。方案二伏安特性曲线是衡量光伏组件的质量的重要手段之一，需要在标准环境条件先使用伏安特性曲线测量仪对光伏组件进行测量得到，而在电站实际运行过程中，对于每一块组件进行测量是一个海量工作。
4.因此，现有技术的不足在于：光伏组串异常的定位和定因困难。


技术实现要素：

5.本发明提供一种光伏组串单日可分异常分类方法、装置、设备及存储介质，用以解决现有技术中光伏组串异常的定位和定因困难缺陷，实现有效解决光伏组串异常的定位和定因困难问题的目的。
6.本发明提供一种光伏组串单日可分异常分类方法，包括：获取非线性异常分类器模型，所述非线性异常分类器模型是基于带标签的样本数据训练得到，所述带标签的样本数据包括：样本数据和多个异常类型标签，所述样本数据是基于光伏电站的历史运行数据得到的，所述多个异常类型标签是基于所述样本数据得到的；将待分类的单日功率时间序列数据输入至所述非线性异常分类器模型，得到所述待分类的单日功率时间序列数据的异常类型。
7.根据本发明提供的一种光伏组串单日可分异常分类方法，所述非线性异常分类器模型是基于如下方式训练得到的：基于所述光伏电站的历史运行数据，获取所述光伏电站的多个光伏组串的单日功率时间序列数据，并基于所述多个光伏组串的单日功率时间序列数据获得所述样本数据；基于所述样本数据，提取多个异常类型标签，得到所述带标签的样本数据；构建所述非线性异常分类器模型，并基于所述带标签的样本数据对所述非线性异常分类器模型进行训练。
8.根据本发明提供的一种光伏组串单日可分异常分类方法，所述基于所述多个光伏组串的单日功率时间序列数据获得所述样本数据，包括：
确定所述多个光伏组串的单日功率时间序列数据分别对应的标准功率时间序列数据；针对所述多个光伏组串的单日功率时间序列数据，求取所述单日功率时间序列数据对应的标准功率时间序列数据与所述单日功率时间序列数据之间的差值时间序列数据，作为所述样本数据。
9.根据本发明提供的一种光伏组串单日可分异常分类方法，所述确定所述多个光伏组串的单日功率时间序列数据分别对应的标准功率时间序列数据，包括：针对目标光伏组串的单日功率时间序列数据，确定所述目标光伏组串所属的逆变器和所述逆变器的两个相邻逆变器；求取所述逆变器下不包括所述目标光伏组串的其他光伏组串的单日功率时间序列数据以及所述两个相邻逆变器下各光伏组串的单日功率时间序列数据的平均单日功率时间序列数据，作为所述目标光伏组串的单日功率时间序列数据对应的标准功率时间序列数据。
10.根据本发明提供的一种光伏组串单日可分异常分类方法，所述基于所述样本数据，提取多个异常类型标签，得到所述带标签的样本数据，包括：对所述样本数据中各差值时间序列数据进行聚类，得到多个差值时间序列数据集；基于多个异常类型的差值时间序列数据，对所述多个差值时间序列数据集进行整体标签划分，得到所述多个差值时间序列数据集分别对应的异常类型标签，得到所述带标签的样本数据。
11.根据本发明提供的一种光伏组串单日可分异常分类方法，所述基于多个异常类型的差值时间序列数据，对所述多个差值时间序列数据集进行整体标签划分，得到所述多个差值时间序列数据集分别对应的异常类型标签，得到所述带标签的样本数据，包括：若所述差值时间序列数据集与异常类型为信号采集异常类型的差值时间序列数据匹配，则确定所述差值时间序列数据集的异常类型标签为信号采集异常类型；若所述差值时间序列数据集与异常类型为限电异常类型的差值时间序列数据匹配，则确定所述差值时间序列数据集的异常类型标签为限电异常类型；若所述差值时间序列数据集与异常类型为遮挡异常类型的差值时间序列数据匹配，则确定所述差值时间序列数据集的异常类型标签为遮挡异常类型。
12.根据本发明提供的一种光伏组串单日可分异常分类方法，所述构建非线性异常分类器模型，包括：采用树模型或神经网络模型构建非线性异常分类器模型；其中，所述神经网络模型包括：多个不同大小和步长的一维卷积神经网络。
13.本发明还提供一种光伏组串单日可分异常分类装置，包括：获取模块，用于获取非线性异常分类器模型，所述非线性异常分类器模型是基于带标签的样本数据训练得到，所述带标签的样本数据包括：样本数据和多个异常类型标签，所述样本数据是基于光伏电站的历史运行数据得到的，所述多个异常类型标签是基于所述样本数据得到的；分类模块，用于将待分类的单日功率时间序列数据输入至所述非线性异常分类器
模型，得到所述待分类的单日功率时间序列数据的异常类型。
14.本发明还提供一种电子设备，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，所述处理器执行所述程序时实现如上述任一种所述的光伏组串单日可分异常分类方法的步骤。
15.本发明还提供一种非暂态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如上述任一种所述的光伏组串单日可分异常分类方法的步骤。
16.本发明提供的光伏组串单日可分异常分类方法、装置、设备及存储介质，首先，获取非线性异常分类器模型，由于非线性异常分类器模型是基于带标签的样本数据训练得到，带标签的样本数据包括：样本数据和多个异常类型标签，多个异常类型标签是基于样本数据得到的，非线性异常分类器模型能够区分不同异常类型；由于样本数据是基于光伏电站的历史运行数据得到的，无需利用伏安特性曲线测量仪对每一块组件进行测量，可以简化样本数据采集过程；然后，将待分类的单日功率时间序列数据输入至非线性异常分类器模型，得到待分类的单日功率时间序列数据的异常类型。因此，本发明能够有效解决光伏组串异常的定位和定因困难问题。
附图说明
17.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
18.图1是本发明实施例提供的光伏组串单日可分异常分类方法的流程示意图；图2是本发明实施例提供的光伏组串单日可分异常分类装置的结构示意图；图3是本发明实施例提供的电子设备的结构示意图。
具体实施方式
19.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
20.下面结合图1描述本发明的光伏组串单日可分异常分类方法。
21.请参照图1，图1是本发明实施例提供的光伏组串单日可分异常分类方法的流程示意图。如图1所示，该方法可以包括以下步骤：步骤101、获取非线性异常分类器模型，非线性异常分类器模型是基于带标签的样本数据训练得到，带标签的样本数据包括：样本数据和多个异常类型标签，样本数据是基于光伏电站的历史运行数据得到的，多个异常类型标签是基于样本数据得到的；步骤102、将待分类的单日功率时间序列数据输入至非线性异常分类器模型，得到待分类的单日功率时间序列数据的异常类型。
22.在步骤101中，样本数据是基于光伏电站的历史运行数据得到的，可以降低样本数据的采集成本，且无需利用伏安特性曲线测量仪对每一块组件进行测量，可以简化样本数
据采集过程。
23.异常类型标签可以包括：信号采集异常类型、限电异常类型、遮挡异常类型以及无异常，信号采集异常类型、限电异常类型和遮挡异常类型属于单日可分异常类型。其中，信号采集异常指的是采集信号丢失而导致的异常。限电异常指的是：在光伏电站发电量过高（即光伏电站发电量大于电网消纳能力）时，光伏电站通过调节逆变器数据功率限额降低输出，而导致的异常。遮挡异常可以包括：草木遮挡异常、墙体遮挡异常、电线杆遮挡异常等。
24.带标签的样本数据包括：样本数据和多个异常类型标签，由于非线性异常分类器模型是基于带标签的样本数据训练得到，使得非线性异常分类器模型能够区分不同异常类型。
25.在步骤102中，在得到训练好的非线性异常分类器模型之后，将待分类的单日功率时间序列数据输入至训练好的非线性异常分类器模型，经过模型的分类处理，输出待分类的单日功率时间序列数据的异常类型。
26.本实施例提供的光伏组串单日可分异常分类方法，首先，首先，获取非线性异常分类器模型，由于非线性异常分类器模型是基于带标签的样本数据训练得到，带标签的样本数据包括：样本数据和多个异常类型标签，多个异常类型标签是基于样本数据得到的，非线性异常分类器模型能够区分不同异常类型；由于样本数据是基于光伏电站的历史运行数据得到的，无需利用伏安特性曲线测量仪对每一块组件进行测量，可以简化样本数据采集过程；然后，将待分类的单日功率时间序列数据输入至非线性异常分类器模型，得到待分类的单日功率时间序列数据的异常类型。因此，本实施例能够有效解决光伏组串异常的定位和定因困难问题，可减少运维人员异常筛查工作量，提高运维效率。
27.在一实施例中，非线性异常分类器模型是基于如下方式训练得到的：步骤201、基于光伏电站的历史运行数据，获取光伏电站的多个光伏组串的单日功率时间序列数据，并基于多个光伏组串的单日功率时间序列数据获得样本数据；步骤202、基于样本数据，提取多个异常类型标签，得到带标签的样本数据；步骤203、构建非线性异常分类器模型，并基于带标签的样本数据对非线性异常分类器模型进行训练。
28.在步骤201中，对于一个100mw的光伏电站，在物理结构上可以分为80~100个区域，每个区有一个箱式变压器，一个箱式变压器下一般有30~50个组串式逆变器，每个逆变器下有5~6个组串。
29.光伏组串的单日功率时间序列数据(kw)，是一个向量，且向量维数为一天的数据采集点数。
30.利用光伏电站的历史运行数据，获取光伏电站的多个光伏组串的单日功率时间序列数据，这里，光伏电站的多个光伏组串可以是整个光伏电站的光伏组串，也可以是光伏电站的其中一个区域的光伏组串。也即，可以将整个光伏电站作为研究对象，也可以将光伏电站的其中一个区域作为研究对象。
31.基于多个光伏组串的单日功率时间序列数据获得样本数据，可以降低样本数据的采集成本，且无需利用伏安特性曲线测量仪对每一块组件进行测量，可以简化样本数据采集过程。
32.在步骤202中，提取样本数据中各数据对应的多个异常类型标签，得到带标签的样本数据。
33.在步骤203中，构建非线性异常分类器模型，并基于带标签的样本数据对非线性异常分类器模型进行训练，可以得到能够区分不同异常类型的非线性异常分类器模型。
34.可选地，采用树模型或神经网络模型构建非线性异常分类器模型。其中，神经网络模型可以包括：多个不同大小和步长的一维卷积神经网络。
35.在本实施例中，首先，利用光伏电站的历史运行数据获取光伏电站的多个光伏组串的单日功率时间序列数据，并基于多个光伏组串的单日功率时间序列数据获得样本数据，无需利用伏安特性曲线测量仪对每一块组件进行测量，可以简化样本数据采集过程；而后，基于样本数据提取多个异常类型标签，得到带标签的样本数据；构建非线性异常分类器模型，并基于带标签的样本数据对非线性异常分类器模型进行训练，可得到能够区分不同异常类型的非线性异常分类器模型。
36.在一实施例中，步骤201中，基于多个光伏组串的单日功率时间序列数据获得样本数据，包括以下子步骤：步骤2011、确定多个光伏组串的单日功率时间序列数据分别对应的标准功率时间序列数据；步骤2012、针对多个光伏组串的单日功率时间序列数据，求取单日功率时间序列数据对应的标准功率时间序列数据与单日功率时间序列数据之间的差值时间序列数据，作为样本数据。
37.具体地，由于光伏组串的单日功率时间序列数据受天气影响因素较大，不能适用于任意天气。首先，计算多个光伏组串的单日功率时间序列数据分别对应的标准功率时间序列数据，然后求取每条单日功率时间序列数据对应的标准功率时间序列数据与该单日功率时间序列数据之间的差值时间序列数据，将多个光伏组串的单日功率时间序列数据分别对应的差值时间序列数据作为样本数据。
38.在本实施例中，样本数据中的差值时间序列数据不受天气因素的影响，可以在任意天气下使用。
39.在一实施例中，步骤2011可以包括以下子步骤：步骤20111、针对目标光伏组串的单日功率时间序列数据，确定目标光伏组串所属的逆变器和该逆变器的两个相邻逆变器；步骤20112、求取该逆变器下不包括目标光伏组串的其他光伏组串的单日功率时间序列数据以及两个相邻逆变器下各光伏组串的单日功率时间序列数据的平均单日功率时间序列数据，作为目标光伏组串的单日功率时间序列数据对应的标准功率时间序列数据。
40.在步骤20111中，目标光伏组串为多个光伏组串中的当前光伏组串。假设目标光伏组串为第个逆变器第个组串，目标光伏组串所属的逆变器为第个逆变器，第个逆变器的两个相邻逆变器包括：第个逆变器和第个逆变器。
41.在步骤20112中，第个逆变器下不包括第个组串的其他光伏组串包括：第1个组串、第2个组串、
…
、第个组串、第个组串、
…
、第个组串。
42.可以通过以下表达式计算标准功率时间序列数据：其中，表示第个逆变器第个组串的单日功率时间序列数据，表示第个逆变器第个组串的单日功率时间序列数据，表示第个逆变器下组串的个数，表示第个逆变器下组串的个数，表示第个逆变器下组串的个数。
43.在本实施例中，使用相邻逆变器下组串平均功率时间序列数据作为目标光伏组串的标准功率时间序列数据，可以避免气象条件波动的影响。
44.在一实施例中，步骤202可以包括以下子步骤：步骤2021、对样本数据中各差值时间序列数据进行聚类，得到多个差值时间序列数据集；步骤2022、基于多个异常类型的差值时间序列数据，对多个差值时间序列数据集进行整体标签划分，得到多个差值时间序列数据集分别对应的异常类型标签，得到带标签的样本数据。
45.在步骤2021中，设置较多的聚类数目(大于10)，通过对样本数据中各差值时间序列数据进行聚类，得到较为分散的聚类结果，即多个差值时间序列数据集。
46.在步骤2022中，将每个差值时间序列数据集与多个异常类型的差值时间序列数据进行对比，可得到每个差值时间序列数据集对应的异常类型标签。
47.在本实施例中，通过聚类的方式进行样本数据的整体标签划分，可以快速准确地获得带标签的样本数据。
48.在一实施例中，步骤2022可以包括以下子步骤：步骤20221、若差值时间序列数据集与异常类型为信号采集异常类型的差值时间序列数据匹配，则确定该差值时间序列数据集的异常类型标签为信号采集异常类型；步骤20222、若差值时间序列数据集与异常类型为限电异常类型的差值时间序列数据匹配，则确定该差值时间序列数据集的异常类型标签为限电异常类型；步骤20223、若差值时间序列数据集与异常类型为遮挡异常类型的差值时间序列数据匹配，则确定该差值时间序列数据集的异常类型标签为遮挡异常类型。
49.在步骤20221中，将差值时间序列数据集与多个异常类型的差值时间序列数据进行对比，如果差值时间序列数据集与异常类型为信号采集异常类型的差值时间序列数据匹配，则认为该差值时间序列数据集的异常类型标签为信号采集异常类型。
50.在步骤20222中，将差值时间序列数据集与多个异常类型的差值时间序列数据进
行对比，如果差值时间序列数据集与异常类型为限电异常类型的差值时间序列数据匹配，则认为该差值时间序列数据集的异常类型标签为限电异常类型。
51.在步骤20223中，将差值时间序列数据集与多个异常类型的差值时间序列数据进行对比，如果差值时间序列数据集与异常类型为遮挡异常类型的差值时间序列数据匹配，则认为该差值时间序列数据集的异常类型标签为遮挡异常类型。
52.并且，将差值时间序列数据集与多个异常类型的差值时间序列数据进行对比，如果差值时间序列数据集不与任何异常类型的差值时间序列数据匹配，则认为该差值时间序列数据集的异常类型标签为无异常。
53.由于信号采集异常类型、限电异常类型和遮挡异常类型等不同的异常原因下差值时间序列数据也不相同，将每个差值时间序列数据集与多个异常类型的差值时间序列数据进行对比，可得到每个差值时间序列数据集对应的异常类型标签。
54.在本实施例中，利用信号采集异常类型、限电异常类型和遮挡异常类型等不同的异常类型下的差值时间序列数据的特点，可以快速准确地对多个差值时间序列数据集进行整体标签划分，从而获得带标签的样本数据。
55.下面对本发明提供的光伏组串单日可分异常分类装置进行描述，下文描述的光伏组串单日可分异常分类装置与上文描述的光伏组串单日可分异常分类方法可相互对应参照。
56.请参照图2，图2是本发明实施例提供的光伏组串单日可分异常分类装置的结构示意图。如图2所示，该装置可以包括：获取模块10，用于获取非线性异常分类器模型，所述非线性异常分类器模型是基于带标签的样本数据训练得到，所述带标签的样本数据包括：样本数据和多个异常类型标签，所述样本数据是基于光伏电站的历史运行数据得到的，所述多个异常类型标签是基于所述样本数据得到的；分类模块20，用于将待分类的单日功率时间序列数据输入至所述非线性异常分类器模型，得到所述待分类的单日功率时间序列数据的异常类型。
57.可选地，所述非线性异常分类器模型是基于训练模块训练得到的，所述训练模块，包括：样本获取子模块，用于基于所述光伏电站的历史运行数据，获取所述光伏电站的多个光伏组串的单日功率时间序列数据，并基于所述多个光伏组串的单日功率时间序列数据获得所述样本数据；标签提取子模块，用于基于所述样本数据，提取多个异常类型标签，得到所述带标签的样本数据；模型训练子模块，用于构建所述非线性异常分类器模型，并基于所述带标签的样本数据对所述非线性异常分类器模型进行训练。
58.可选地，所述样本获取子模块，包括：确定单元，用于确定所述多个光伏组串的单日功率时间序列数据分别对应的标准功率时间序列数据；求取单元，用于针对所述多个光伏组串的单日功率时间序列数据，求取所述单日功率时间序列数据对应的标准功率时间序列数据与所述单日功率时间序列数据之间的差
值时间序列数据，作为所述样本数据。
59.可选地，所述确定单元，具体用于：针对目标光伏组串的单日功率时间序列数据，确定所述目标光伏组串所属的逆变器和所述逆变器的两个相邻逆变器；求取所述逆变器下不包括所述目标光伏组串的其他光伏组串的单日功率时间序列数据以及所述两个相邻逆变器下各光伏组串的单日功率时间序列数据的平均单日功率时间序列数据，作为所述目标光伏组串的单日功率时间序列数据对应的标准功率时间序列数据。
60.可选地，所述标签提取子模块，包括：聚类单元，用于对所述样本数据中各差值时间序列数据进行聚类，得到多个差值时间序列数据集；划分单元，用于基于多个异常类型的差值时间序列数据，对所述多个差值时间序列数据集进行整体标签划分，得到所述多个差值时间序列数据集分别对应的异常类型标签，得到所述带标签的样本数据。
61.可选地，所述划分单元，具体用于：若所述差值时间序列数据集与异常类型为信号采集异常类型的差值时间序列数据匹配，则确定所述差值时间序列数据集的异常类型标签为信号采集异常类型；若所述差值时间序列数据集与异常类型为限电异常类型的差值时间序列数据匹配，则确定所述差值时间序列数据集的异常类型标签为限电异常类型；若所述差值时间序列数据集与异常类型为遮挡异常类型的差值时间序列数据匹配，则确定所述差值时间序列数据集的异常类型标签为遮挡异常类型。
62.可选地，所述模型训练子模块，具体用于：采用树模型或神经网络模型构建所述非线性异常分类器模型；其中，所述神经网络模型包括：多个不同大小和步长的一维卷积神经网络。
63.图3示例了一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)810、通信接口(communications interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行光伏组串单日可分异常分类方法，该方法包括：获取非线性异常分类器模型，所述非线性异常分类器模型是基于带标签的样本数据训练得到，所述带标签的样本数据包括：样本数据和多个异常类型标签，所述样本数据是基于光伏电站的历史运行数据得到的，所述多个异常类型标签是基于所述样本数据得到的；将待分类的单日功率时间序列数据输入至所述非线性异常分类器模型，得到所述待分类的单日功率时间序列数据的异常类型。
64.此外，上述的存储器830中的逻辑指令可以通过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。
65.另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的光伏组串单日可分异常分类方法，该方法包括：获取非线性异常分类器模型，所述非线性异常分类器模型是基于带标签的样本数据训练得到，所述带标签的样本数据包括：样本数据和多个异常类型标签，所述样本数据是基于光伏电站的历史运行数据得到的，所述多个异常类型标签是基于所述样本数据得到的；将待分类的单日功率时间序列数据输入至所述非线性异常分类器模型，得到所述待分类的单日功率时间序列数据的异常类型。
66.又一方面，本发明还提供一种非暂态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以执行上述各提供的光伏组串单日可分异常分类方法，该方法包括：获取非线性异常分类器模型，所述非线性异常分类器模型是基于带标签的样本数据训练得到，所述带标签的样本数据包括：样本数据和多个异常类型标签，所述样本数据是基于光伏电站的历史运行数据得到的，所述多个异常类型标签是基于所述样本数据得到的；将待分类的单日功率时间序列数据输入至所述非线性异常分类器模型，得到所述待分类的单日功率时间序列数据的异常类型。
67.以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
68.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，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）执行各个实施例或者实施例的某些部分所述的方法。
69.最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。