1.本发明涉及智能电网领域，且更为具体地，涉及一种高效直流对直流转换系统及其运行方法。
背景技术：
2.直流对直流转换(dc
‑
dc)用于将直流基础电源转变为其他电压种类，目前的直流电压包括48v，24v，12v，5v等多种电压。随着直流对直流转换系统的进步，已经不局限于固定的输入电压和输出电压，而是可以灵活地设置电压转换比率。
3.但是，目前的电压转换比率基本是依靠人工设置，这种做法一方面增加了人工成本，另一方面人工设置的电压转化比率的决策依据为个人经验，当决策场景变得复杂时或者出现新的应用场景时人工设置难以满足需求。
4.因此期望提供一种能够自动设置电压转换比率的更高效的直流对直流转换系统。
技术实现要素：
5.相应地，为了解决上述技术问题：目前的电压转换比率基本是依靠人工设置，这种做法一方面增加了人工成本，另一方面人工设置的电压转化比率的决策依据为个人经验，当决策场景变得复杂时或者出现新的应用场景时人工设置难以满足需求，本技术发明人尝试基于深度学习的人工智能技术来基于多个系统下游设备的运行功率值和系统上游的输入电压值确定上游与下游之间的电压转化比率。这样，基于上游和下游的情况自动且智能地设置电压转化比率，以使得最终确定的电压转化比率更符合实际场景的电压转化需求。
6.具体地，本技术的解决方案为：首先获取包含当前时间在内的多个预定间隔的时间点上的多个系统下游设备中的运行功率值，并沿着时间
‑
任务维度构造为运行功率矩阵，然后获得系统上游的输入电压值。然后，额定功率矩阵输入卷积神经网络以获得功率特征图，并将输入电压值通过编码器获得编码电压特征值。之后，将编码电压特征值和功率特征图中的各个位置的特征值均转换到概率空间中之后，计算其基于效用值的效用分数，也就是，令编码电压特征值为m，且功率特征图中的各个位置的特征值为n
i,j,k
，首先计算效用分数，即v
i,j,k
＝α*m
‑
β(m
‑
n
i,j,k
)2，然后计算基于效用值的效用分数，即s
i,j,k
＝exp(n
i,j,k
)/∑
i,j,k
v
i,j,k
，从而得到每个位置的效用值，构成效用特征图，其中，参数α和β作为超参数与神经网络模型一起训练，其中α的调整使得整体等级发生演变，而参数β的调整改变等级演变的波动。最后，将效用特征图使用包括多个全连接层的解码器回归为单个数值，用于表示电压转换比率。
7.基于此技术方案，可取得如下技术效果：
8.首先，通过时间
‑
任务的二维数据关联属性，可以反映出下游设备在实际运行过程中，各个设备之间的运行功率随时间动态改变，且各个设备之间的运行功率不是孤立的而是彼此之间具有关联。
9.其次，通过卷积神经网络不仅可以提取到单个下游设备的随时间的动态变化信
息，包括单个设备的动态变化和各个设备之间的随时间动态变化，还可以提取到各个设备之间的关联信息，包括各个设备之间在单个时间点的关联以及随时间的关联变化信息。
10.最后，使用等级理论中的基于效用值的分数，可以判定系统的上下游两端的运行等级，从而基于运行等级来全局性地确定电压转换比率，提高准确率。
11.相应地，根据本技术的一个方面，提供了高效直流对直流转换系统，其包括：
12.下游运行功率值获取单元，用于获取包含当前时间点在内的多个预定间隔的时间点上的多个系统下游设备的运行功率值；
13.功率矩阵构造单元，用于将所述多个预定间隔的时间点上的多个系统下游设备的运行功率值沿着时间
‑
设备维度构造为运行功率矩阵；
14.空间隐式编码单元，用于使用卷积神经网络对所述运行功率矩阵进行空间隐式编码以获得功率特征图；
15.上游编码电压特征值生成单元，用于获得系统上游的输入电压值并将所述输入电压值通过编码器以获得编码电压特征值；
16.效用值评估单元，用于基于所述编码电压特征值，获得所述功率特征图中各个位置的特征值对应的效用值以获得效用值特征图；
17.效用分数评估单元，用于计算所述效用值特征图中各个位置的效用值对应的效用分数，以获得效用分数特征图；以及
18.解码单元，用于将所述效用分数特征图通过解码器以通过所述解码器将所述效用分数特征图回归为单个数值，所述单个数值用于表示上游和下游之间的电压转化比率。
19.根据本技术的另一方面，还提供了一种高效直流对直流转换系统的运行方法，其包括：
20.通过下游运行功率值获取单元获取包含当前时间点在内的多个预定间隔的时间点上的多个系统下游设备的运行功率值；
21.通过功率矩阵构造单元将所述多个预定间隔的时间点上的多个系统下游设备的运行功率值沿着时间
‑
设备维度构造为运行功率矩阵；
22.通过空间隐式编码单元使用卷积神经网络对所述运行功率矩阵进行空间隐式编码以获得功率特征图；
23.通过上游编码电压特征值生成单元获得系统上游的输入电压值并将所述输入电压值通过编码器以获得编码电压特征值；
24.通过效用值评估单元基于所述编码电压特征值，获得所述功率特征图中各个位置的特征值对应的效用值以获得效用值特征图；
25.通过效用分数评估单元计算所述效用值特征图中各个位置的效用值对应的效用分数，以获得效用分数特征图；以及
26.通过解码单元将所述效用分数特征图通过解码器以通过所述解码器将所述效用分数特征图回归为单个数值，所述单个数值用于表示上游和下游之间的电压转化比率。
附图说明
27.通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明
书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
28.图1为根据本技术实施例的高效直流对直流转换系统的场景示意图。
29.图2为根据本技术实施例的高效直流对直流转换系统的框图。
30.图3为根据本技术实施例的高效直流对直流转换系统的运行方法的流程图。
31.图4为根据本技术实施例的高效直流对直流转换系统的运行方法的系统架构示意图；
32.图5为根据本技术实施例的高效直流对直流转换系统的运行方法中，通过功率矩阵构造单元将所述多个预定间隔的时间点上的多个系统下游设备的运行功率值沿着时间
‑
设备维度构造为运行功率矩阵的流程图。
具体实施方式
33.下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
34.场景概述
35.如图1所示，在该应用场景中，上游变电站(如图1中所示意的t)将上游电压值按照预设的电压转化比率进行直流对直流转换(dc
‑
dc)，在下游设有多个下游设备(例如，如图1中所示意的t)，其中，各个下游设备具有不同的运行功率值。
36.应可以理解，在该应用场景中，该电压转化比率的设定不仅仅取决于上游系统所提供的输入电压值，还取决于各个下游设备的运行功率值。并且，各个下游设备的运行功率值对于电压转化比率的设置的贡献度也有所不同，应可以理解，例如，第一下游设备是多个下游设备中的主要设备，在设置电压转化比率时应更多地考虑该第一下游设备的运行功率需求。
37.相应地，在该应用场景中，服务器(例如，如图1中所示意的s)内部署有高效直流对直流转换算法，其在接收到多个系统下游设备的运行功率值和系统上游的输入电压值后，能够以所述高效直流对直流转换算法对上述数据进行处理以生成用于表示上游和下游之间的电压转化比率。
38.值得一提的是，在该应用场景中，所述服务器能够被部署于所述上游变电站中，或者，单独部署、或者集成于某个下游设备中，对此，并不为本技术所局限。
39.示例性系统
40.图2为根据本技术实施例的高效直流对直流转换系统的框图。如图2所示，根据本技术实施例的高效直流对直流转换系统100，包括：下游运行功率值获取单元110、功率矩阵构造单元120、空间隐式编码单元130、上游编码电压特征值生成单元140、效用值评估单元150、效用分数评估单元160和解码单元170，其中，所述下游运行功率值获取单元110，用于获取包含当前时间点在内的多个预定间隔的时间点上的多个系统下游设备的运行功率值；所述功率矩阵构造单元120，用于将所述多个预定间隔的时间点上的多个系统下游设备的运行功率值沿着时间
‑
设备维度构造为运行功率矩阵；所述空间隐式编码单元130，用于使用卷积神经网络对所述运行功率矩阵进行空间隐式编码以获得功率特征图；所述上游编码
电压特征值生成单元140，用于获得系统上游的输入电压值并将所述输入电压值通过编码器以获得编码电压特征值；所述效用值评估单元150，用于基于所述编码电压特征值，获得所述功率特征图中各个位置的特征值对应的效用值以获得效用值特征图；所述效用分数评估单元160，用于计算所述效用值特征图中各个位置的效用值对应的效用分数，以获得效用分数特征图；以及，所述解码单元170，用于将所述效用分数特征图通过解码器以通过所述解码器将所述效用分数特征图回归为单个数值，所述单个数值用于表示上游和下游之间的电压转化比率。
41.相应地，在所述高效直流对直流转换系统100的运行中，首先所述下游运行功率值获取单元110获取包含当前时间点在内的多个预定间隔的时间点上的多个系统下游设备的运行功率值。如前所述，在本技术的应用场景中，上游与下游之间的电压转化比率的设定不仅仅取决于上游系统所提供的输入电压值还取决于各个下游设备的运行功率值。并且，各个下游设备的运行功率值对于电压转化比率的设置的贡献度也有所不同，应可以理解，例如，第一下游设备是多个下游设备中的主要设备，在设置电压转化比率时应更多地考虑该第一下游设备的运行功率需求。因此，在所述高效直流对直流转换系统100的运行的开始阶段，首先通过所述下游运行功率值获取单元110获取包含当前时间点在内的多个预定间隔的时间点上的多个系统下游设备的运行功率值。
42.这里，所述预定间隔可基于实际应用场景中多个系统下游设备的数量及各个系统下游设备的运行状态来设置。并且，在设置所述预定时间间隔时还需要考虑到系统的配置，尤其是处理器的内存配置，优选地，所述预定时间间隔的设置能够使得所采集的数据在系统的处理器的运算能力范围内。
43.接着，在所述高效直流对直流转换系统100的运行中，所述功率矩阵构造单元120将所述多个预定间隔的时间点上的多个系统下游设备的运行功率值沿着时间
‑
设备维度构造为运行功率矩阵。应可以理解，通过时间
‑
任务的二维数据关联属性，可以反映出下游设备在实际运行过程中，各个设备之间的运行功率随时间动态改变，且各个设备之间的运行功率不是孤立的而是彼此之间具有关联。
44.在具体实施中，所述功率矩阵构造单元120可首先将每个所述系统下游设备在所述多个预定间隔的时间点上的运行功率值按照时间t的第一维度获得对应于每个所述系统下游设备的数据向量；然后，将对应于每个所述系统下游设备的数据向量按照系统下游设备的样本s的第二维度排列为所述运行功率矩阵。
45.接着，在所述高效直流对直流转换系统100的运行中，所述空间隐式编码单元130使用卷积神经网络对所述运行功率矩阵进行空间隐式编码以获得功率特征图。也就是，将所述运行功率矩阵输入到卷积神经网络中以从所述运行功率矩阵中提取出功率特征图。
46.本领域普通技术人员应知晓，卷积神经网络在提取空间布局特征方面具有独特的优势，相应地，在本技术实施例中，通过卷积神经网络不仅可以提取到单个下游设备的随时间的动态变化信息，包括单个设备的动态变化和各个设备之间的随时间动态变化，还可以提取到各个设备之间的关联信息，包括各个设备之间在单个时间点的关联以及随时间的关联变化信息。
47.在本技术一个具体的示例中，所述卷积神经网络以如下公式对所述运行功率矩阵进行空间隐式编码以获得所述功率特征图；
48.其中，所述公式为：f
i
＝sigmoid(n
i
×
f
i
‑1+b
i
)
49.其中，f
i
‑1为第i层卷积神经网络的输入，f
i
为第i层卷积神经网络的输出，n
i
为第i层卷积神经网络的卷积核，且b
i
为第i层卷积神经网络的偏置向量，sigmoid表示激活函数为sigmoid激活函数；
50.值得一提的是，当所述卷积神经网络的激活函数为sigmoid激活函数，所述功率特征图中各个位置的特征值通过所述sigmoid激活函数被转化到0到1的区间内，即，所述功率特征图被转化到概率空间中。这里，将所述功率特征图转化到概率空间中有利于后续效用值和效用分数的计算。
51.应可以理解，在本技术其他示例中，所述功率特征图还可以通过其他方式被映射到概率空间中，例如，所述卷积神经网络的最后一层的激活函数为sigmoid激活函数，以使得所述功率特征图中各个位置的特征值被转化到0到1的区间内。也就是，在该示例中，所述卷积神经网络的最后一层的激活函数被设置为sigmoid激活函数，而不对其他层的激活函数做限制，这样可以提高所述卷积神经网络的特征提取能力。
52.接着，在所述高效直流对直流转换系统100的运行中，所述上游编码电压特征值生成单元140获得系统上游的输入电压值并将所述输入电压值通过编码器以获得编码电压特征值。如前所述，在本技术的应用场景中，上游与下游之间的电压转化比率的设定也受上游系统所提供的输入电压值的影响，因此，同样地获得上游的输入电压值并将所述输入电压值通过编码器映射到高维空间中。
53.在本技术一个具体的示例中，所述编码器包括多个全连接层，所述多个全连接层中最后一个全连接层的激活函数为sigmoid激活函数，以使得所述编码电压特征值被转化到0到1的区间内。这样，所述编码电压特征值也被所述编码器映射到概率空间中，以利于后续的效用值和效用分数的计算。
54.接着，在所述高效直流对直流转换系统100的运行中，所述效用值评估单元150基于所述编码电压特征值，获得所述功率特征图中各个位置的特征值对应的效用值以获得效用值特征图。具体地，在本技术实施例中，所述效用值评估单元150，以如下公式获得所述功率特征图中各个位置的特征值对应的效用值以获得所述效用值特征图；
55.其中，所述公式为：v
i,j,k
＝α*m
‑
β(m
‑
n
i,j,k
)2，其中，v
i,j,k
表示所述效用值特征图中各个位置的效用值，m表示所述编码电压特征值、n
i,j,k
表示所述功率特征图中各个位置的特征值。并且，α的调整使得整体等级发生演变，而参数β的调整改变等级演变的波动。
56.这里，应可以理解，所述功率特征图中各个位置的特征值用于表示单个设备的动态变化和各个设备之间的随时间动态变化，还可以提取到各个设备之间的关联信息，包括各个设备之间在单个时间点的关联以及随时间的关联变化信息，从所述效用值的计算公式可知，所计算出来的效用值其表示上述信息对于编码电压特征值的影响程度。
57.接着，在所述高效直流对直流转换系统100的运行中，所述效用分数评估单元160计算所述效用值特征图中各个位置的效用值对应的效用分数，以获得效用分数特征图。具体地，所述效用分数评估单元160，以如下公式计算所述效用值特征图中各个位置的效用值对应的效用分数，以获得效用分数特征图；
58.其中，所述公式为：s
i,j,k
＝exp(n
i,j,k
)/∑
i,j,k
v
i,j,k
，v
i,j,k
表示所述效用值特征图中各个位置的效用值。
59.也就是，在本技术的技术方案中，在将编码电压特征值和功率特征图中的各个位置的特征值均转换到概率空间中之后，计算其基于效用值的效用分数，也就是，令编码电压特征值为m，且功率特征图中的各个位置的特征值为n
i,j,k
，首先计算效用分数，即v
i,j,k
＝α*m
‑
β(m
‑
n
i,j,k
)2，然后计算基于效用值的效用分数，即s
i,j,k
＝exp(n
i,j,k
)/∑
i,j,k
v
i,j,k
，从而得到每个位置的效用值，构成效用特征图，其中，参数α和β作为超参数与神经网络模型一起训练，其中α的调整使得整体等级发生演变，而参数β的调整改变等级演变的波动。
60.这样，使用等级理论中的基于效用值的分数，可以判定系统的上下游两端的运行等级，从而基于运行等级来全局性地确定电压转换比率，提高准确率。
61.进一步地，在所述高效直流对直流转换系统100的运行中，所述解码单元170将所述效用分数特征图通过解码器以通过所述解码器将所述效用分数特征图回归为单个数值，所述单个数值用于表示上游和下游之间的电压转化比率。
62.为了对所述效用分数特征图的解码更为充分，在本技术一个具体的示例中，所述解码器为由多个全连接层组成的全连接解码器，其中，每一个全连接层能够充分利用所述效用分数特征图中各个位置的信息以使得最终回归的电压转化比率更为准确且有效。
63.综上，基于本技术实施例的高效直流对直流转换系统100被阐明，其中，所述效直流对直流转换系统基于深度学习的人工智能技术来基于多个系统下游设备的运行功率值和系统上游的输入电压值确定上游与下游之间的电压转化比率。这样，基于上游和下游的情况自动且智能地设置电压转化比率，以使得最终确定的电压转化比率更符合实际场景的电压转化需求。
64.相应地，根据本技术的高效直流对直流转换系统具有如下技术效果：
65.首先通过时间
‑
任务的二维数据关联属性，可以反映出下游设备在实际运行过程中，各个设备之间的运行功率随时间动态改变，且各个设备之间的运行功率不是孤立的而是彼此之间具有关联。
66.其次，通过卷积神经网络不仅可以提取到单个下游设备的随时间的动态变化信息，包括单个设备的动态变化和各个设备之间的随时间动态变化，还可以提取到各个设备之间的关联信息，包括各个设备之间在单个时间点的关联以及随时间的关联变化信息。
67.最后，使用等级理论中的基于效用值的分数，可以判定系统的上下游两端的运行等级，从而基于运行等级来全局性地确定电压转换比率，提高准确率。
68.示例性方法
69.图3为根据本技术实施例的高效直流对直流转换系统的运行方法的流程图。如图3所示，根据本技术实施例的高效直流对直流转换系统的运行方法，包括：s110，通过下游运行功率值获取单元获取包含当前时间点在内的多个预定间隔的时间点上的多个系统下游设备的运行功率值；s120，通过功率矩阵构造单元将所述多个预定间隔的时间点上的多个系统下游设备的运行功率值沿着时间
‑
设备维度构造为运行功率矩阵；s130，通过空间隐式编码单元使用卷积神经网络对所述运行功率矩阵进行空间隐式编码以获得功率特征图；s140，通过上游编码电压特征值生成单元获得系统上游的输入电压值并将所述输入电压值通过编码器以获得编码电压特征值；s150，通过效用值评估单元基于所述编码电压特征值，获得所述功率特征图中各个位置的特征值对应的效用值以获得效用值特征图；s160，通过效用分数评估单元计算所述效用值特征图中各个位置的效用值对应的效用分数，以获得效
用分数特征图；以及，s170，通过解码单元将所述效用分数特征图通过解码器以通过所述解码器将所述效用分数特征图回归为单个数值，所述单个数值用于表示上游和下游之间的电压转化比率。
70.图4图示了根据本技术实施例的高效直流对直流转换系统的运行方法的架构示意图。如图4所示，在所述高效直流对直流转换系统的运行方法的网络架构中，首先将获取的多个预定间隔的时间点上的多个系统下游设备的运行功率值(例如，如图4中所示意的p11至pnn)沿着时间
‑
设备维度构造为运行功率矩阵(例如，如图4中所示意的mp)；然后，使用卷积神经网络(例如，如图4中所示意的cnn)对所述运行功率矩阵进行空间隐式编码以获得功率特征图(例如，如图4中所示意的fp)；接着，将系统上游的输入电压值(例如，如图4中所示意的vi)通过编码器(例如，如图4中所示意的encoder)以获得编码电压特征值(例如，如图4中所示意的ve)；然后，基于所述编码电压特征值，计算所述功率特征图中各个位置的特征值对应的效用值以获得效用值特征图(例如，如图4中所示意的fs)；接着，计算所述效用值特征图中各个位置的效用值对应的效用分数，以获得效用分数特征图(例如，如图4中所示意的fe)；最终，将所述效用分数特征图通过解码器(例如，如图4中所示意的decoder)以通过所述解码器将所述效用分数特征图回归为单个数值，所述单个数值用于表示上游和下游之间的电压转化比率。
71.在一个示例中，在上述高效直流对直流转换系统的运行方法中，步骤s110，进一步包括步骤：s210，将每个所述系统下游设备在所述多个预定间隔的时间点上的运行功率值按照时间t的第一维度获得对应于每个所述系统下游设备的数据向量；以及，s220,将对应于每个所述系统下游设备的数据向量按照系统下游设备的样本s的第二维度排列为所述运行功率矩阵。
72.在一个示例中，在上述高效直流对直流转换系统的运行方法中，所述卷积神经网络以如下公式对所述运行功率矩阵进行空间隐式编码以获得所述功率特征图；
73.其中，所述公式为：f
i
＝sigmoid(n
i
×
f
i
‑1+b
i
)
74.其中，f
i
‑1为第i层卷积神经网络的输入，f
i
为第i层卷积神经网络的输出，n
i
为第i层卷积神经网络的卷积核，且b
i
为第i层卷积神经网络的偏置向量，sigmoid表示激活函数为sigmoid激活函数；
75.其中，所述功率特征图中各个位置的特征值通过所述sigmoid激活函数被转化到0到1的区间内。
76.在一个示例中，在上述高效直流对直流转换系统的运行方法中，所述卷积神经网络的最后一层的激活函数为sigmoid激活函数，以使得所述功率特征图中各个位置的特征值被转化到0到1的区间内。
77.在一个示例中，在上述高效直流对直流转换系统的运行方法中，所述编码器包括多个全连接层，所述多个全连接层中最后一个全连接层的激活函数为sigmoid激活函数，以使得所述编码电压特征值被转化到0到1的区间内。
78.在一个示例中，在上述高效直流对直流转换系统的运行方法中，以如下公式获得所述功率特征图中各个位置的特征值对应的效用值以获得所述效用值特征图；
79.其中，所述公式为：v
i,j,k
＝α*m
‑
β(m
‑
n
i,j,k
)2，其中，v
i,j,k
表示所述效用值特征图中各个位置的效应值，m表示所述编码电压特征值、n
i,j,k
表示所述功率特征图中各个位置的特
征值。
80.在一个示例中，在上述高效直流对直流转换系统的运行方法中，以如下公式计算所述效用值特征图中各个位置的效用值对应的效用分数，以获得效用分数特征图；
81.其中，所述公式为：s
i,j,k
＝exp(n
i,j,k
)/∑
i,j,k
v
i,j,k
，v
i,j,k
表示所述效用值特征图中各个位置的效应值.
82.在一个示例中，在上述高效直流对直流转换系统的运行方法中，所述解码器包括多个全连接层.
83.综上，本技术实施例的高效直流对直流转换系统的运行方法被阐明，其基于深度学习的人工智能技术来基于多个系统下游设备的运行功率值和系统上游的输入电压值确定上游与下游之间的电压转化比率。这样，基于上游和下游的情况自动且智能地设置电压转化比率，以使得最终确定的电压转化比率更符合实际场景的电压转化需求。
84.相应地，根据本技术的高效直流对直流转换系统的运行方法具有如下技术效果：
85.首先通过时间
‑
任务的二维数据关联属性，可以反映出下游设备在实际运行过程中，各个设备之间的运行功率随时间动态改变，且各个设备之间的运行功率不是孤立的而是彼此之间具有关联。
86.其次，通过卷积神经网络不仅可以提取到单个下游设备的随时间的动态变化信息，包括单个设备的动态变化和各个设备之间的随时间动态变化，还可以提取到各个设备之间的关联信息，包括各个设备之间在单个时间点的关联以及随时间的关联变化信息。
87.最后，使用等级理论中的基于效用值的分数，可以判定系统的上下游两端的运行等级，从而基于运行等级来全局性地确定电压转换比率，提高准确率。
88.以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。
89.本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
90.还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
91.提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
92.为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。