基于场景分解的电气多能流系统优化调度方法

技术领域

本发明涉及综合能源系统技术领域，尤其是涉及基于场景分解的电气多能流系统优化调度方法。

背景技术

在各类综合能源系统中，由于天然气的清洁、高效等特点，电气多能流系统得到了国内外的广泛关注。电气多能流系统在新能源消纳上的表现也较为突出。逐渐兴起的电转气技术促进了两种能量的双向流动，将多余的风、光出力转化为天然气；天然气系统中的储能和管道，又能分别实现被转化能源的长短期存储，最终实现能源消纳。

然而，可再生能源的并网过程会引入不确定性问题，给多能流系统的模型建立、优化调度带来挑战。现有技术中主要采用鲁棒规划和随机规划，作为处理不确定性问题的两种手段。其中，两阶段鲁棒优化通过考虑最坏情况下的最优解，压缩了待处理数据集，能加速调度问题的求解，但其结果常因过度保守而受质疑。随机规划对于可能出现的不确定性场景进行联合求解，能够基本还原结果真实性，但多场景使得模型复杂度和求解难度呈指数级增加。

发明内容

本发明的目的是提供基于场景分解的电气多能流系统优化调度方法，以解决相关技术中求得的目标成本准确性不高、求解效率较低的技术问题。

本发明的目的，可以通过如下技术方案实现：

基于场景分解的电气多能流系统优化调度方法，包括：

构建电气多能流系统的运行成本优化目标和约束条件，所述约束条件包括电力系统约束和天然气系统约束；

根据所述优化目标和约束条件建立电气多能流系统的日前调度模型；

模拟风机出力得到电气多能流系统的多个运行场景，根据所述运行场景将日前调度模型分解为对应的多个单场景模型，求解每个单场景模型直至所有运行场景中的机组组合相同；

根据所述机组组合确定电气多能流系统的目标调度方案。

可选地，求解每个单场景模型直至所有运行场景中的机组组合相同包括：

根据随机规划加速算法求解每个单场景模型直至所有运行场景中的机组组合相同。

可选地，根据随机规划加速算法求解每个单场景模型直至所有运行场景中的机组组合相同包括：

求解每个单场景模型的机组组合，若单场景模型之间的机组组合不同，添加惩罚因子至每个单场景模型，重复求解过程直至所有运行场景中的机组组合相同。

可选地，所述电气多能流系统的运行成本优化目标为：

式中，三个用圆括号标出的项分别代表了运行成本的三处来源：机组出力成本、气井和储能出力成本、切负荷和弃风成本；t为时间段，T为所有时间段的集合，i为机组序号，G为所有燃气机组的集合，C为所有燃煤机组的集合；l为电力系统节点序号，B为所有电力系统节点的集合；n为天然气节点序号；N为所有天然气节点的集合；w为风机序号，W为所有风机的集合；s为储能序号，S为所有储能的集合；sc为运行场景，SC为所有运行场景的集合；P

可选地，所述电力系统约束包括：节点平衡约束、机组出力约束、机组爬坡约束和直流潮流约束。

可选地，所述天然气系统约束包括：节点平衡约束、管道质量约束、设备运行约束、机组能量转换约束和管道流量约束。

可选地，所述管道流量约束为：

其中，(c,d)代表了一根天然气管道，其中c，d分别为管道的首末两个节点；PL为所有管道的集合；

可选地，根据改进的二阶锥约束算法求解所述管道流量约束，具体包括：根据管道拓扑情况确定未来24小时内的管道流向，将所述管道流量约束拆分成一个求解器可解的二阶锥约束和一个凸约束，添加罚函数求解凸约束。

可选地，根据所述机组组合确定电气多能流系统的目标调度方案包括：

将所述机组组合代入每个单场景模型，求得单场景模型中其他变量的值，最终得到电气多能流系统的目标调度方案。

可选地，模拟风机出力得到电气多能流系统的多个运行场景包括：根据ARMA方法生成未来24小时内可能的3000条风速曲线，得到3000个随机场景，根据K-平均法进行场景削减，得到15个典型的运行场景。

本发明提供了基于场景分解的电气多能流系统优化调度方法，包括：构建电气多能流系统的运行成本优化目标和约束条件，所述约束条件包括电力系统约束和天然气系统约束；根据所述优化目标和约束条件建立电气多能流系统的日前调度模型；模拟风机出力得到电气多能流系统的多个运行场景，根据所述运行场景将日前调度模型分解为对应的多个单场景模型，求解每个单场景模型直至所有运行场景中的机组组合相同；根据所述机组组合确定电气多能流系统的目标调度方案。

基于上述技术方案，本发明带来的有益效果是：在电气多能流系统中同时考虑随机规划、管道动态特性、机组组合问题，其中，随机规划通过多个运行场景真实反映次日供需关系，管道动态特性描述天然气的可压缩性，机组组合为次日机组启停提供重要参考；模拟随机的风能出力，生成多个典型的运行场景，对电气多能流系统的日前调度模型按照运行场景进行均匀分解，能在较少循环内满足收敛条件，停止迭代；同时支持各运行场景间的并行计算，具有更快的求解效率。本发明提供的优化调度方法，求解得到的目标运行成本具有较高的准确性，同时执行并行计算，显著降低了求解时间，大幅提高了求解效率。

附图说明

图1为本发明基于场景分解的电气多能流系统优化调度方法的方法流程图；

图2为本发明现有技术一的调度模型流程图；

图3为本发明现有技术二的调度模型流程图；

图4为本发明基于场景分解的电气多能流系统优化调度方法的风速误差的典型场景；

图5为本发明基于场景分解的电气多能流系统优化调度方法的风能出力的典型场景。

具体实施方式

术语解释：

机组组合：根据预期运行成本，在运行日前一天预先决定的当日机组启停情况。

本发明实施例提供了基于场景分解的电气多能流系统优化调度方法，以解决相关技术中求得的目标成本准确性不高、求解效率较低的技术问题。

除非另有定义，本文所使用的所有的技术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。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。

为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的首选实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。

我国传统的电力系统和天然气系统采取独立管理的方式，两系统间的能源互联和信息交互较为缺乏。近年来，出于整合区域能源、提升经济效益、实现协同优化的需要，综合能源系统的概念得以提出，旨在促进电、气、热、冷等能源系统的统一规划调度。

在各类综合能源系统中，由于天然气的清洁、高效等特点，电气多能流系统得到了国内外的广泛关注。天然气在燃烧过程中不排放硫氧、氮氧化物，同时相较煤炭而言热值更高、燃烧更充分。截止2030年，世界范围内燃气机组出力将增加230％，届时天然气也将占到能源总消耗的28％。

与此同时，电气多能流系统在新能源消纳上的表现也较为突出。逐渐兴起的电转气技术促进了两种能量的双向流动，将多余的风、光出力转化为天然气；天然气系统中的储能和管道，又能分别实现被转化能源的长短期存储，最终实现能源消纳。然而，可再生能源的并网过程会引入不确定性问题，给多能流系统的模型建立、优化调度带来挑战。有鉴于此，国内外学者主要采用鲁棒规划和随机规划，作为处理不确定性问题的两种手段。两阶段鲁棒优化通过考虑最坏情况下的最优解，压缩了待处理数据集，能加速调度问题的求解，但其结果常因过度保守而受质疑。随机规划对于可能出现的不确定性场景进行联合求解，能够基本还原结果真实性，但多场景使得模型复杂度和求解难度呈指数级增加。奔德斯分解法、列和约束生成法等成熟算法，都开始应用于对随机规划的加速。

在同一场景内，天然气系统中的管道流量通常采用Panhandle方程、Weymouth方程等非线性非凸公式刻画，需要额外的辅助计算手段。传统的分段线性法，在理论上能无限逼近非线性方程，但出于对计算精度的要求会引入大量的人工整数变量，使得单场景的计算时间达数小时之久。近年来逐渐完善的二阶锥规划，能够在不增加人工整数变量的基础上，实现有效凸松弛。当前最先进的二阶锥重构技术，例如基于泰勒展开的线性化、连续锥规划、罚函数法等，已经能通过简单迭代算法将松弛误差减小至0.01％。

现有技术一的技术方案为：

2019年9月，CSEE Journal of Power and Energy Systems发表了华南理工大学张勇军课题组撰写的一篇文章，该文提出了电气多能流系统在风能渗透下的一种随机动态经济调度模型(文章标题：Stochastic Dynamic Economic Dispatch of Wind-integratedElectricity and Natural Gas Systems Considering Security Risk Constraints)。

该电气多能流系统模型旨在尽可能减小日前调度的目标成本，包括调度周期内煤炭和天然气的燃料费用。模型受到以下约束条件的制约：

(1)电气多能流系统设备约束，包括燃气机组和电转气装置的能量转换方程。

(2)电力系统中的约束。静态约束包括节点平衡约束、各机组出力约束、平衡机组的出力调整约束等。动态约束包括机组各子场景下的爬坡约束。

(3)天然气系统中的约束。静态约束包括节点平衡约束、管道流量方程、管道质量约束，以及气井、电转气、压缩机的运行约束等。其中非线性、非凸的管道流量方程，采用含人工整数变量的分段线性法进行逼近。此外，由于采用了动态模型来刻画天然气的传输过程，管道的流入、流出具有不同的取值，管道也从而具备了短期的储气能力，更接近真实情形。因此，动态约束在气井爬坡约束之外，也包括了管道质量的时间变化。

针对当今风电模型中对弃风建模不足的问题，该模型提出了风机比例因子的概念，认为风机的出力PW与该时刻的最大可能出力PKW成正比。比例系数κ为0与1之间的一个决策变量，以实现最优风能调度。同时，考虑到各场景严格满足约束的需求会带来模型过于保守的问题，文章将电功率传输及节点气压中的传统安全约束改进为安全风险约束，并采用改良的风险分析工具CVaR进行评估。

现有技术一将模型应用在IEEE-39节点电力系统和比利时20节点天然气系统的组成的多能流系统上。风电的误差数据由拉丁超立方抽样随机生成，并通过快速回代法进行场景削减。软件方面，该混合整数模型通过GAMS进行建模，并将模型传入Gurobi中求解。建立模型和求解的流程如图2示。文末分析了比例系数和CVaR的引入对于日前调度决策和预期成本的影响。

现有技术一的缺点为：

(1)未采取加速算法，程序运行极慢。

在单场景中，该模型使用分段线性法，逼近非线性、非凸的管道流量方程。该方法对于每根管道、每个时刻、每个场景，都会引入3(N 1)个人工辅助整数变量(N为分割的线性段数)，使得计算时间呈指数级增长。

在多场景中，该模型采用简单的随机规划，未采用任何分解加速算法。这进一步将所有单场景内的整数变量融合到同一程序中，使得计算更为复杂。初步估计，该随机规划模型的求解时长在3小时以上。

(2)忽略机组组合。

机组组合作为日前规划中的重要决策变量，对次日的机组运行具有深远的意义。与之相关的机组启停成本、启停延时等概念的引入，都使得机组的出力模型更符合实际情况。但在该文中，猜测作者出于减少整数变量的目的，而未将机组组合变量置入随机规划模型中。

现有技术二的技术方案为：

2015年4月，由美国伊利诺伊理工大学M.Shahidehpour课题组提出的EGTran模型，用奔德斯分解法、牛顿—拉夫逊迭代法快速求解电气多能流系统中的风能渗透问题。该文章发表于IEEE Transactions on Sustainable Energy。(文章标题：Coordination ofInterdependent Natural Gas and Electricity Infrastructures of Firming theWind Energy in Stochastic Day-Ahead Scheduling.)

EGTran模型的目标成本为多场景下的机组出力成本和切负荷成本之和。多能流系统约束上，除基本约束集(1)(2)(3)外，还包括了旋转备用约束、机组组合约束、切负荷约束、环境排放约束等。

风能数据由风速数据和出力曲线对应得到。其中，风速基准值由韦伯分布随机生成得到；风速误差的随机场景，由自回归滑动平均模型进行(ARMA)进行场景生成、进而通过K—平均法进行场景削减得到。

整个电气多能流系统模型通过奔德斯分解法拆解为主问题(机组组合问题)和子问题(电力系统传输问题、天然气系统运行问题)。一旦子问题中出现违背约束的情况，则对主问题施加奔德斯割约束，重新求解主问题。其中子问题里的管道流量问题，通过牛顿—拉夫逊方法迭代求解。EGTran的求解流程如图3所示。

相比于现有技术一，EGTran模型所使用的“奔德斯分解—牛顿拉夫逊迭代”联合算法，使得模型的求解效率较高：对于5场景、118节点系统的随机规划问题，仅235秒即可得到最优结果。

现有技术二的缺点：

(1)未使用动态模型刻画管道流量。

如前所述，动态模型通过假设管道两侧流入与流出间的不同，刻画了管道的短期储气能力，能够更精准地反映天然气在管道间的流动、储存情况。而在此日前调度模型中，只采用了静态模型进行刻画，忽略了管存的调节作用；在风电等不确定性因素作用下，天然气系统内部的潮流结果将不够准确可靠。

(2)相关算法流程复杂、迭代次数多。

虽然EGTran联合算法使用的联合算法具有较高的计算效率，但在算法的使用难度、求解时间等方面仍有较大的可提升空间。

首先，奔德斯分解法对主问题、子问题间的区分相对主观。除机组组合的相关约束必须被纳入主问题外，其余约束并无明显的分类标准，需根据主观经验进行判断。这给后续增添的新型约束的分类带来了一定困难。

另外，从时间成本上看，奔德斯算法需要通过大量的“可行性检查—添加割集约束—重新求解”的迭代，启发式搜寻最优解；迭代次数预计在15次以上。而在每个场景中，又要对管道流量方程进行牛顿—拉夫逊迭代，这也大为减慢了单场景内的求解过程。

(3)对并行运算不够友好。

奔德斯分解法虽然能够得到有效分解随机规划模型，但并非单纯按场景进行划分。相反地，各场景间的单独求解只占到整个算法的一小部分，整个程序也因此基本不支持并行运算。CPU使用率从而无法得到提升，这对于较大系统、较多场景随机模型的分析求解更为不利。

本发明实施例所要解决的技术问题：

(1)提出一种基于场景分解的电气多能流系统随机优化调度方法，使得随机规划模型具有更快的求解效率。

改良算法旨在对原模型按照场景均匀分解，并在较少循环内满足收敛条件，停止迭代。同时，在全流程中支持各场景间的并行计算，提高CPU使用效率，减少运算时间。

在单场景内，该发明旨在规避迭代、分段线性等复杂算法；通过改良现阶段发展迅速的二阶锥规划，快速求解非线性、非凸的管道流量方程。对二阶锥松弛算法的改进，使约束更加不依赖于迭代，能更好融入本场景分解算法。

(2)在电气多能流系统模型中同时引入随机规划、管道动态特性、机组组合问题。

随机规划、管道动态特性、机组组合三个概念都将带来约束和变量的急剧增加，因而现阶段模型中少有能将三者全部引入、并实现高效求解的。但这些概念对于日前调度模型的精准刻画是不可或缺的：随机规划通过多场景真实反映次日供需关系；管道动态特性描述天然气的可压缩特性；机组组合为次日机组启停提供重要参考。对分解算法的改良，旨在为引入三个概念的复杂问题提供准确、高效的求解思路，并为更复杂约束的加入创造条件。

本发明实施例提供的基于场景分解的电气多能流系统优化调度方法，包括：

构建电气多能流系统的运行成本优化目标和约束条件，所述约束条件包括电力系统约束和天然气系统约束；

根据所述优化目标和约束条件建立电气多能流系统的日前调度模型；

模拟风机出力得到电气多能流系统的多个运行场景，根据所述运行场景将日前调度模型分解为对应的多个单场景模型，求解每个单场景模型直至所有运行场景中的机组组合相同；

根据所述机组组合确定电气多能流系统的目标调度方案。

本实施例中，电气多能流系统采用的日前调度模型，假定随机的风能出力，并由此生成若干典型运行场景。本实施例提供的日前调度模型，其运行成本目标为最小化所有时段t∈T、所有运行场景sc∈SC下，电气多能流系统的运行成本，如公式(1)所示。

式中，三个用圆括号标出的项分别代表了运行成本的三处来源：机组出力成本、气井和储能出力成本、切负荷和弃风成本；t为时间段，T为所有时间段的集合，i为机组序号，G为所有燃气机组的集合，C为所有燃煤机组的集合；l为电力系统节点序号，B为所有电力系统节点的集合；n为天然气节点序号；N为所有天然气节点的集合；w为风机序号，W为所有风机的集合；s为储能序号，S为所有储能的集合；sc为运行场景，SC为所有运行场景的集合；P

本实施例中，电气多能流系统采用的日前调度模型，其约束条件包括电力系统约束和天然气系统约束；其中，电力系统约束包括节点平衡约束、机组出力约束、机组爬坡约束和直流潮流约束；所述天然气系统约束包括节点平衡约束、管道质量约束、设备运行约束、机组能量转换约束和管道流量约束。

电力系统中，与机组出力相关的约束包括机组组合约束和上/下爬坡约束。

其中，c

为了便于求解，忽略传输线内部阻抗，采用直流潮流进行电力系统刻画。

具体约束包括潮流方程、功率传输约束和节点平衡约束。

其中，a，b和a’，b’均代表电力传输线(a,b)和(a’,b’)的首末两节点。

天然气系统由气井、储能、压缩机、管道组成；气井相关约束为出力约束；储能相关约束为储量约束、进/出气约束，以及储量随时间的演变；压缩机相关约束包括压缩系数约束和两侧气流的等式约束。

其中，

与管道相关的约束包括：管道质量方程、质量随时间的变化方程、管道流量方程。其中公式的流量采用流入和流出气流的平均值。

其中，(c,d)代表了一根天然气管道，c，d分别为管道的首末两个节点，PL为所有管道的集合；

天然气系统中包含的其他约束条件有：节点压力上下限约束、节点平衡约束和管道总流量的初末状态约束。

其中

请参阅图4和图5，风能数据由预测数据和随机误差叠加而成。预测数据由美国国家浮标数据中心提供的公开数据库得到。随机误差首先由较为常用的ARMA(1,1)序列生成，得到3000个随机场景；随后采用K-平均法将其缩减，得到多个典型的运行场景，例如生成15个典型场景。

值得说明的是，随机场景为根据ARMA方法生成的3000条风速曲线(代表了未来24小时内风速可能的3000种变化形式)。典型场景为从这些随机场景(即大量风速曲线)中提取的“最有代表性的”十余个场景，用K-平均法实现。图4即为这些“最有代表性”的场景，比如有的场景在24小时内风速逐渐上升，有的先上升再下降等。

(3)算法求解

对于多场景随机规划，采用基于场景分解的随机优化加速算法。首先，将电气多能流系统的日前调度模型简写为：

其中c为机组组合变量，x

基于场景分解的加速算法如算法1所示。将公式(21)的日前调度模型按运行场景进行分解，求得各自结果；并且通过添加罚函数的方式，对运行场景间不一致的机组组合变量施加惩罚，如此启发式搜寻直至所有机组组合均保持一致。

值得说明的是，公式(21)的日前调度模型是对目标函数(1)和约束条件件(2)-(20)的合并简写。其中(c,x

本实施例提供的日前调度模型，很明显可以按场景分解(比如可将公式(21)改写为

如表1所示，在算法1中，目标函数里的

表1

本实施例中，对于惩罚因子κ，通常选取机组组合变量在目标函数中系数的倍数，因其具有更快的收敛水平。鉴于该模型的目标函数中没有对应机组组合的项，将机组出力

其中，

在同一场景内，对管道流量的非线性方程采用改良的二阶锥约束法。具体算法详见算法2。首先，根据管道的拓扑情况，确定未来24小时内的管道流向，从而消除绝对值(对应第1行)；其次将原等式拆分成一个求解器可解的二阶锥约束(对应第5、9行)和一个凸约束，后者通过加罚函数的方法求解(对应第7、11行)。本算法进一步对凸约束进行松弛，将弱化后的约束

加入到模型中，以进一步收紧约束(对应第6、10行)。这同时也减少了通过迭代降低误差的必要。

表2

请参阅附图1，将本实施例提供的电气多能流系统优化调度方法在IEEE-24节点电力系统和比利时20节点天然气系统的电气多能流系统中进行验证。为了说明本实施例的算法对于随机规划问题的加速作用，设计了一个电气多能流算例，如图5所示。结果表明，该算法将原求解时间4035秒降到55秒，加速效果显著。同时，算法求得的目标函数与原随机规划法高度一致。

本发明实施例提供的基于场景分解的电气多能流系统优化调度方法，在电气多能流系统中同时考虑随机规划、管道动态特性、机组组合问题，能精准刻画日前调度模型的运行成本；其中，随机规划通过多个运行场景真实反映次日供需关系，管道动态特性描述天然气的可压缩性，机组组合为次日机组启停提供重要参考；设计了快速收敛、求解效率高的随机规划加速算法(算法1)，随机规划加速算法能对日前调度模型按照场景均匀分解，并在较少循环内满足收敛条件，停止迭代；同时在全流程中支持各场景间的并行计算，提高CPU使用效率，减少运算时间。在单场景内，本发明实施例通过改良现阶段发展迅速的二阶锥规划，快速求解非线性、非凸的管道流量方程，能够规避迭代、分段线性等复杂算法，使约束更加不依赖于迭代，能更好融入本实施例的场景分解算法。

本发明实施例提供的电气多能流系统优化调度方法，带来的有益效果有：

(1)求解时间短。

如前所述，将原有的使用求解时间4035秒降到55秒。求解时间和求解得到的目标函数值如图5所示。其中方法1为传统随机规划算法，方法2为传统两阶段算法，方法3为本发明提供的基于场景分解的电气多能流系统随机优化调度方法。可以看到，在计算时间显著降低的同时，方法3能够保证求得的目标成本具有较高准确性。相比之下，传统两阶段法虽然具有较快的运算时间，但会引入不可避免的电力系统切负荷，使得目标结果失真。表3为传统随机规划、传统两阶段法和本方法的出力成本。

表3

本发明实施例中，对电力系统、天然气系统的建模即为约束条件(2)-(20)(后被抽象简写进(21))，电力系统和天然气系统建立的约束条件对所有运行场景都适用，而不确定性的风能是多场景的源头，风能具有多种可能的取值，每一种取值/曲线对应一个单独的运行场景。

本实施例得到的机组组合即为公式(21)中的变量c，是决定机组开关的一个0/1变量；由于这个量在每一个典型运行场景的决策结果中必须保持一致，因而是最容易被提取出来的结果。将求解得到的机组组合的结果代回至每一个单场景模型中，即可以单独求出其它。由于此时各场景已解耦，所以能够单独求解每个运行场景，能够得到每个运行场景中的其他变量值。

本实施例中的算法1是一个成熟的算法，该算法即便无法从理论上严格证明成本的最优性，依然是高度可行的。从图5所示的算例中可以得知，方法1和方法3的目标成本是基本一致的。

(2)支持并行运算。

相比于同类的奔德斯算法、交叉乘子法等，本实施例提供的方法具有全流程支持并行运算的特点，有利于CPU的充分利用和求解效率的提高。对于2核、4核、8核的计算机处理器，求解时间会较小程度地缩减。

值得说明的是，可以采用其他手段求解在电气多能流系统中的管道潮流，例如分段线性法、牛顿—拉夫逊迭代法、各类其他形式的二阶锥松弛法等。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，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。

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单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以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全部或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-OnlyMemory)、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。

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。