一种风电出力预测方法、装置、电子设备及存储介质

技术领域

本发明涉及电力预测技术领域，尤其涉及一种风电出力预测方法、装置、电子设备及存储介质。

背景技术

随着全球能源短缺和环境问题的日益严重，风能作为一种清洁、无污染、分布广泛、易于开发利用的可再生能源，受到了广泛关注。准确可靠的短期风电功率预测不仅可以帮助风电场进行工作规划，还可以减少风电接入对电网的影响，是风能利用中的关键之一。现有的风电预测技术需要手动调节神经网络参数，消耗大量时间与精力，且对于风电出力的预测效果不佳。

发明内容

本发明提供了一种风电出力预测方法、装置、电子设备及存储介质，以解决参数调整困难的问题，利用改进差分进化算法根据预测结果自适应调节风电出力预测网络的参数，优化网络结构，充分发挥神经网络的优势，减小参数调整方面所需消耗的时间与精力，提升对于风电出力的预测效果。

根据本发明的一方面，提供了一种风电出力预测方法，包括：

采集目标风电场在预设历史时间段内的目标风电出力历史数据；

将所述目标风电出力历史数据输入目标风电出力预测模型中，获得所述目标风电出力预测模型输出的所述目标风电场的目标风电出力预测数据；

其中，所述目标风电出力预测模型基于样本风电出力预测结果和以对称平均绝对百分比误差为目标函数的差分进化算法，对待优化风电出力预测模型进行参数优化得到；所述样本风电出力预测结果基于所述待优化风电出力预测模型对样本风电出力历史数据预测得到。

进一步的，在将所述目标风电出力历史数据输入目标风电出力预测模型中之前，包括：

采集目标风电场的样本风电出力历史数据；

构建待优化风电出力预测模型，所述待优化风电出力预测模型包括CNN卷积网络和LSTM预测网络；

将所述样本风电出力历史数据输入所述待优化风电出力预测模型得到样本风电出力预测结果；

基于所述样本风电出力预测结果和以对称平均绝对百分比误差为目标函数的差分进化算法，对所述CNN卷积网络和所述LSTM预测网络进行参数优化。

进一步的，所述基于所述样本风电出力预测结果和以对称平均绝对百分比误差为目标函数的差分进化算法，对所述CNN卷积网络和所述LSTM预测网络进行参数优化，包括：

基于所述样本风电出力预测结果对所述CNN网络的第一参数进行调整；

基于所述样本风电出力预测结果对所述LSTM预测网络的第二参数进行调整；

确定所述样本风电出力预测结果和所述样本风电出力历史数据的对称平均绝对百分比误差；

根据以所述对称平均绝对百分比误差为目标函数的差分进化算法，确定所述待优化风电出力预测模型中的所述CNN网络和所述LSTM预测网络的最优参数。

进一步的，所述对称平均绝对百分比误差，包括：

其中：SMAPE为对称平均绝对百分比误差，

进一步的，所述第一参数包括：CNN网络中的学习率、批处理样本数和最大迭代次数；

所述第二参数包括：LSTM预测网络中的隐藏层神经元个数、丢弃率和时间滞后阶数。

进一步的，所述CNN网络表示为：

O

其中，W表示卷积核；x

根据本发明的另一方面，提供了一种风电出力预测装置，包括：

目标数据采集模块，用于采集目标风电场在预设历史时间段内的目标风电出力历史数据；

目标数据预测模块，将所述目标风电出力历史数据输入目标风电出力预测模型中，获得所述目标风电出力预测模型输出的所述目标风电场的目标风电出力预测数据；

其中，所述目标风电出力预测模型基于样本风电出力预测结果和以对称平均绝对百分比误差为目标函数的差分进化算法，对待优化风电出力预测模型进行参数优化得到；所述样本风电出力预测结果基于所述待优化风电出力预测模型对样本风电出力历史数据预测得到。

进一步的，所述装置还包括：

样本数据采集模块，用于在将所述目标风电出力历史数据输入目标风电出力预测模型中之前，采集目标风电场的样本风电出力历史数据；

预测模型构建模块，用于构建待优化风电出力预测模型，所述待优化风电出力预测模型包括CNN卷积网络和LSTM预测网络；

样本数据预测模块，用于将所述样本风电出力历史数据输入所述待优化风电出力预测模型得到样本风电出力预测结果；

参数优化模块，用于基于所述样本风电出力预测结果和以对称平均绝对百分比误差为目标函数的差分进化算法，对所述CNN卷积网络和所述LSTM预测网络进行参数优化。

根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的风电出力预测方法。

根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的风电出力预测方法。

本发明实施例的技术方案，通过采集目标风电场在预设历史时间段内的目标风电出力历史数据；将目标风电出力历史数据输入目标风电出力预测模型中，获得目标风电出力预测模型输出的目标风电场的目标风电出力预测数据；其中，目标风电出力预测模型基于样本风电出力预测结果和以对称平均绝对百分比误差为目标函数的差分进化算法，对待优化风电出力预测模型进行参数优化得到；样本风电出力预测结果基于待优化风电出力预测模型对样本风电出力历史数据预测得到。采用差分进化算法对待优化风电出力预测模型的网络参数进行自适应调节，优化网络结构，充分发挥了神经网络的优势，减小了现有网络训练放在参数调整方面所需消耗的时间与精力，且使网络参数的调整更精确，提升了对于风电出力的预测效果。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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。

图1是本发明实施例一提供的一种风电出力预测方法的流程图；

图2A是本发明实施例二提供的一种风电出力预测方法的流程图；

图2B是本发明实施例二提供的一种风电出力预测方法中对CNN网络进行参数调整的示意图；

图2C是本发明实施例二提供的一种风电出力预测方法中对LSTM网络进行参数调整的示意图；

图2D是本发明实施例二提供的一种风电出力预测方法中对待优化风电出力预测模型进行参数调整的示意图；

图2E是本发明实施例二提供的一种风电出力预测方法中对CNN网络和LSTM预测网络进行参数优化的示意图。

图3是本发明实施例三提供的一种风电出力预测装置的结构示意图；

图4是实现本发明实施例的风电出力预测方法的电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等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，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例一

图1为本发明实施例一提供了一种风电出力预测方法的流程图，本实施例可适用于风电出力预测情况，该方法可以由风电出力预测装置来执行，该风电出力预测装置可以采用硬件和/或软件的形式实现，该风电出力预测装置可配置于电子设备中。如图1所示，该方法包括：

S110、采集目标风电场在预设历史时间段内的目标风电出力历史数据。

其中，目标风电场可以理解为需要进行风电出力预测的风电场，可以对风电场中所有风电机的整体风电出力进行预测，也可以对风电场中一个或多个指定风电机进行风电出力预测。目标风电出力历史数据是从目标风电场所采集的历史风电出力数据，用于预测目标风电场的风电出力数据，即在本实施例中目标风电出力历史数据作为预测数据集。

具体的，采集目标风电出力历史数据的方式可以是：以固定的数据采样间隔在集目标风电场的风电机在预设历史时间段内的风电出力数据得到目标风电出力历史数据。

示例性的，如表1所示，以10min为数据采样间隔采集目标风电场的某风机在15个月的出力数据作为目标风电出力历史数据。

表1

S120、将目标风电出力历史数据输入目标风电出力预测模型中，获得目标风电出力预测模型输出的目标风电场的目标风电出力预测数据；其中，目标风电出力预测模型基于样本风电出力预测结果和以对称平均绝对百分比误差为目标函数的差分进化算法对待优化风电出力预测模型进行参数优化得到；样本风电出力预测结果基于待优化风电出力预测模型对样本风电出力历史数据预测得到。

在本实施例中，待优化风电出力预测模型是指需要进行参数优化的风电出力预测网络；样本风电出力预测结果是指待优化风电出力预测模型对作为训练样本的风电出力历史数据所预测的结果。目标风电出力预测模型是指待优化风电出力预测模型经过参数优化后得到的风电出力预测网络；目标风电出力预测数据是基于目标风电出力预测模型所预测得到的风电出力数据。

以对称平均绝对百分比误差(Symmetric Mean Absolute Percentage Error，SMAPE)是对平均绝对百分比误差MAPE的修正，采用对称平均绝对百分比误差为目标函数的差分进化算法可以更好的避免真实值较小时(Mean Absolute Percentage Error，MAPE)计算结果偏大的问题。

具体的，根据待优化风电出力预测模型对为作为训练样本的风电出力历史数据预测得到的样本风电出力预测结果，以及以对称平均绝对百分比误差为目标函数的差分进化算法，对待优化风电出力预测模型进行参数优化得到目标风电出力预测模型。将目标风电出力历史数据输入目标风电出力预测模型中，获得目标风电出力预测模型输出的目标风电场的目标风电出力预测数据，从而实现对目标风电场的风电出力数据的预测。

本发明实施例的技术方案，通过采集目标风电场在预设历史时间段内的目标风电出力历史数据；将目标风电出力历史数据输入目标风电出力预测模型中，获得目标风电出力预测模型输出的目标风电场的目标风电出力预测数据；其中，目标风电出力预测模型基于样本风电出力预测结果和以对称平均绝对百分比误差为目标函数的差分进化算法，对待优化风电出力预测模型进行参数优化得到；样本风电出力预测结果基于待优化风电出力预测模型对样本风电出力历史数据预测得到。采用差分进化算法对待优化风电出力预测模型的网络参数进行自适应调节，优化网络结构，充分发挥了神经网络的优势，减小了现有网络训练放在参数调整方面所需消耗的时间与精力，且使网络参数的调整更精确，提升了对于风电出力的预测效果。

实施例二

图2A为本发明实施例二提供的一种风电出力预测方法的流程图，本实施例对上述实施例“基于样本风电出力预测结果和差分进化算法对待优化风电出力预测模型进行参数优化”的步骤进一步细化。如图2A所示，该方法包括：

S210、采集目标风电场的样本风电出力历史数据。

具体的，以固定的时间间隔采集目标风电场的风电机在历史时间段内的样本风电出力历史数据作为训练样本用于迭代训练并优化待优化风电出力预测模型。

S220、构建待优化风电出力预测模型，待优化风电出力预测模型包括CNN卷积网络和LSTM预测网络。

其中，待优化风电出力预测模型可以是未经训练的风电出力预测网络，也可以是经过预训练的风电出力预测网络。

具体的，所构建的待优化风电出力预测模型包括CNN卷积网络和LSTM预测网络。CNN卷积网络用于对样本风电出力历史数据进行卷积操作提取高维数据特征。LSTM预测网络用于根据高维数据特征进行时序预测。

可选的，所述CNN网络表示为O

其中，W表示卷积核；x

可选的，LSTM预测网络包括三个门控单元，分别为遗忘门、记忆门和输出门；

记忆门：i

遗忘门：f

输出门：c

其中，h

S230、将样本风电出力历史数据输入待优化风电出力预测模型得到样本风电出力预测结果。

其中，样本风电出力预测结果是根据样本风电出力历史数据所预测得到的预测结果。

具体的，将样本风电出力历史数据作为训练样本输入待优化风电出力预测模型，通过待优化风电出力预测模型的CNN卷积网络进行特征提取，通过LSTM预测网络进行预测得到样本风电出力预测结果。

S240、基于样本风电出力预测结果和以对称平均绝对百分比误差为目标函数的差分进化算法，对CNN卷积网络和LSTM预测网络进行参数优化。

具体的，根据待优化风电出力预测模型输出的样本风电出力历史数据对应的样本风电出力预测结果动态反馈，对待优化风电出力预测模型的CNN卷积网络和LSTM预测网络进行参数调整，并且根据以对称平均绝对百分比误差为目标函数的差分进化算法，对待优化风电出力预测模型的CNN卷积网络和LSTM预测网络进行参数优化，确定使对称平均绝对百分比误差最小的网络最优参数。

可选的，S240、基于所述样本风电出力预测结果和以对称平均绝对百分比误差为目标函数的差分进化算法，对所述CNN卷积网络和所述LSTM预测网络进行参数优化，包括：

S241、基于所述样本风电出力预测结果对所述CNN网络的第一参数进行调整。

其中，CNN网络的第一参数可以包括：CNN网络中的学习率、批处理样本数和最大迭代次数。

学习率表示每次参数更新的幅度大小，决定着目标函数是否能收敛到局部最小值及收敛到局部最小值的速度；批处理样本数表示一次训练所选取的样本数，对训练速度和内存的使用情况有着影响；迭代次数表示使用数据集训练的次数，需要选择合适的迭代次数以在训练时间和模型精度间达到平衡。

具体的，如图2B所示，样本风电出力预测结果经过动态反馈对CNN网络中的学习率、批处理样本数和最大迭代次数进行参数调整。

S242、基于所述样本风电出力预测结果对所述LSTM预测网络的第二参数进行调整。

其中，LSTM预测网络的第二参数包括：LSTM预测网络中的隐藏层神经元个数、丢弃率和时间滞后阶数。

隐藏层神经元个数对LSTM预测网络的拟合能力有影响，在隐藏层中使用太少的神经元将导致欠拟合，神经元过多可能会导致过拟合；丢弃率即为LSTM预测网络训练中神经单元被随机丢弃的概率，合理的丢弃率可以减少网络的过拟合；时间滞后阶数指对于每个要预测的量用多久前的参数进行预测，与预测的精度有关。

具体的，如图2C所示，根据样本风电出力预测结果与CNN输出的高维数据特征，经过动态反馈对LSTM预测网络中的隐藏层神经元个数、丢弃率和时间滞后阶数进行参数调整。

S243、确定所述样本风电出力预测结果和所述样本风电出力历史数据的对称平均绝对百分比误差。

可选的，对称平均绝对百分比误差，包括：

其中：SMAPE为对称平均绝对百分比误差，

S244、根据以对称平均绝对百分比误差为目标函数的差分进化算法，确定所述待优化风电出力预测模型中的所述CNN网络和所述LSTM预测网络的最优参数。

具体的，确定风电出力预测网络的参数中需要调节的参数，确定差分进化算法中的样本风电出力历史数据的数据量、变异算子、最大进化次数和终止条件。如图2D所示，计算样本风电出力历史数据能计算得到的目标函数值，不断进行变异操作、交叉操作，并利用以对称平均绝对百分比误差SMAPE作为目标函数的差分进化算法，对CNN网络的第一参数和LSTM预测网络的第二参数进行优化，找出能使对称平均绝对百分比误差最小的网络最优参数，得到高精度的风电出力预测网络。

示例性的，图2E是对CNN网络和LSTM预测网络进行参数优化的示意图。通过差分进化算法对CNN网络的第一参数：学习率、批处理样本数和最大迭代次数，以及LSTM预测网络的第二参数：隐藏层神经元个数、丢弃率和时间滞后阶数进行优化，找出能使对称平均绝对百分比误差最小的网络最优参数S250、采集目标风电场在预设历史时间段内的目标风电出力历史数据。

S260、将目标风电出力历史数据输入目标风电出力预测模型中，获得目标风电出力预测模型输出的目标风电场的目标风电出力预测数据。

本发明实施例的技术方案，通过采集目标风电场的样本风电出力历史数据；构建待优化风电出力预测模型，待优化风电出力预测模型包括CNN卷积网络和LSTM预测网络；将样本风电出力历史数据输入待优化风电出力预测模型得到样本风电出力预测结果；基于样本风电出力预测结果和以对称平均绝对百分比误差为目标函数的差分进化算法，对CNN卷积网络和LSTM预测网络进行参数优化；采集目标风电场在预设历史时间段内的目标风电出力历史数据；将目标风电出力历史数据输入目标风电出力预测模型中，获得目标风电出力预测模型输出的目标风电场的目标风电出力预测数据。采用以对称平均绝对百分比误差为目标函数的差分进化算法对待优化风电出力预测模型的网络参数进行自适应调节，优化网络结构，充分发挥了神经网络的优势，减小了现有网络训练放在参数调整方面所需消耗的时间与精力，且使网络参数的调整更精确，提升了对于风电出力的预测效果。

实施例三

图3为本发明实施例三提供的一种风电出力预测装置的结构示意图。

如图3所示，该装置包括：

目标数据采集模块310，用于采集目标风电场在预设历史时间段内的目标风电出力历史数据；

目标数据预测模块320，将所述目标风电出力历史数据输入目标风电出力预测模型中，获得所述目标风电出力预测模型输出的所述目标风电场的目标风电出力预测数据；

其中，所述目标风电出力预测模型基于样本风电出力预测结果和差分进化算法对待优化风电出力预测模型进行参数优化得到；所述样本风电出力预测结果基于所述待优化风电出力预测模型对样本风电出力历史数据预测得到。

可选的，还包括：

样本数据采集模块，用于在将所述目标风电出力历史数据输入目标风电出力预测模型中之前，采集目标风电场的样本风电出力历史数据；

预测模型构建模块，用于构建待优化风电出力预测模型，所述待优化风电出力预测模型包括CNN卷积网络和LSTM预测网络；

样本数据预测模块，用于将所述样本风电出力历史数据输入所述待优化风电出力预测模型得到样本风电出力预测结果；

参数优化模块，用于基于所述样本风电出力预测结果和以对称平均绝对百分比误差为目标函数的差分进化算法，对所述CNN卷积网络和所述LSTM预测网络进行参数优化。

可选的，所述参数优化模块，具体用于：

基于所述样本风电出力预测结果对所述CNN网络的第一参数进行调整；

基于所述样本风电出力预测结果对所述LSTM预测网络的第二参数进行调整；

确定所述样本风电出力预测结果和所述样本风电出力历史数据的对称平均绝对百分比误差；

根据以所述对称平均绝对百分比误差为目标函数的差分进化算法，确定所述待优化风电出力预测模型中的所述CNN网络和所述LSTM预测网络的最优参数。

可选的，所述对称平均绝对百分比误差，包括：

其中：SMAPE为对称平均绝对百分比误差，

可选的，所述第一参数包括：CNN网络中的学习率、批处理样本数和最大迭代次数；

所述第二参数包括：LSTM预测网络中的隐藏层神经元个数、丢弃率和时间滞后阶数。

可选的，所述CNN网络表示为：

O

其中，W表示卷积核；x

本发明实施例所提供的风电出力预测装置可执行本发明任意实施例所提供的风电出力预测方法，具备执行方法相应的功能模块和有益效果。

实施例四

图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。

如图4所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。

电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如风电出力预测方法。

在一些实施例中，风电出力预测方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的风电出力预测方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行风电出力预测方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。

计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。