中央空调系统制冷站运行调节异常识别方法和电子设备

技术领域

本发明涉及中央空调系统制冷站运行调节技术领域，更具体地说，涉及一种中央空调系统制冷站运行调节异常识别方法和电子设备。

背景技术

建筑能耗目前已经占到整个社会活动总能耗的30％左右，而在整个建筑能耗中，中央空调能耗占到40％～50％，中央空调冷热源消耗了其中的30％～35％。制冷站是建筑冷源供应的“心脏”，其耗电量一般占建筑总用电量的30％以上，主要由冷水机组、冷冻水泵、冷却水泵、冷却塔、管道系统、控制系统等组成。冷站系统的节能效果会直接影响整体建筑能耗。随着中央空调系统制冷站节能改造、大量的信息化建设，旨在实现“按需”供冷。但是，制冷站运行管理存在诸多问题，主要是高峰供冷期的供冷不足和夏秋过渡季过量供冷的问题，供冷效率低下，系统故障层出不穷。其中，制冷站的供冷运行调节是困扰运行管理实现“按需”供冷的主要问题。

作为制冷站运行调节的主要参数，冷冻出水温度的合理制定是实现供冷运行精细化调节的关键。从正向理论分析角度，目前提出基于设备的独立控制调节实现运行的精细化，即制定制冷站制冷主机的加减机和出水温度策略，冷冻水泵恒压差变频策略，以及基于室外湿球温度设定冷却回水温度等独立控制的群控策略，由于都是独立控制难免会出现全局低效的运行调节策略；工程应用通常是由容易控制的主机出水温度和冷却回水温度、冷冻水泵频率、冷却水泵频度、冷却塔风机频率几个参数来制定供冷运行调节策略。也有通过分析了室外湿球温度、末端风机散热性能、室内温度等参数的变化制定具体的运行调节策略。由于供冷系统、供能对象的实际特性千差万别，在整个供冷期间制定合理的运行参数去做到精细化运行调节依然是一个难点。因此，需要找到一个通用的方法去识别制冷站的运行调节策略低效的原因，从而根据识别的原因调整运行调节策略。

发明内容

本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种中央空调系统制冷站运行调节异常识别方法和电子设备。

本发明解决其技术问题所采用的技术方案是：构造一种中央空调系统制冷站运行调节异常识别方法，包括以下步骤：

获取中央空调系统制冷站的历史环境数据、历史运行数据和历史能效数据；所述历史环境数据包括：室外温度和相对湿度；所述历史运行数据包括：制冷站负荷率、冷冻出水温度、冷却水回水温度、冷冻水流量、主机开启台数、冷却泵开启台数、冷却塔开启台数、主机开启的设备实例以及对应的电流百分比；所述历史能效数据包括：COP数据；

对所述历史环境数据、所述历史运行数据和所述历史能效数据进行预处理，获得预处理后的数据样本集；

对所述数据样本集中的负荷率、室外温度、相对湿度进行离散化以获得全年所有的外部工况，以及对所述数据样本集中的冷冻出水温度、冷却回水温度、冷冻水流量进行离散化并结合所述主机开启台数、所述冷却泵开启台数及所述冷却塔开启台数以获得所述制冷站的运行策略；

采用Kmeans算法对所述全年所有的外部工况进行聚类，并基于目标值，确定最优的聚类结果；所述目标值为COP平均差值率稳定在一个极小值时的值；

对所述最优的聚类结果中的每一个聚类结果进行分析，确定满足COP偏低条件对应的运行参数，对所述COP偏低时对应的运行参数进行集合，获得运行调节策略库；

根据所述运行调节策略库获取运行调节策略异常的标签信息，并结合设备的运行特征和日期特征识别异常的运行调节策略的异常原因。

在本发明所述的中央空调系统制冷站运行调节异常识别方法中，所述对所述历史环境数据、所述历史运行数据和所述历史能效数据进行预处理，获得预处理后的数据样本集包括：

对所述历史环境数据、所述历史运行数据和所述历史能效数据进行缺失值、重复值以及异常值的去除处理，获得所述预处理后的数据样本集；

所述异常值的去除处理包括：采用箱线图法对所述历史环境数据、所述历史运行数据和所述历史能效数据中的每一个参数进行检测以去除异常值；或者，结合制冷站安全和不合理性确定异常值并去除。

在本发明所述的中央空调系统制冷站运行调节异常识别方法中，所述对所述数据样本集中的负荷率、室外温度、相对湿度进行离散化以获得全年所有的外部工况，以及对所述数据样本集中的冷冻出水温度、冷却回水温度、冷冻水流量进行离散化并结合所述主机开启台数、所述冷却泵开启台数及所述冷却塔开启台数以获得所述制冷站的运行策略包括：

对所述数据样本集中的负荷率、室外温度、相对湿度采用等频离散法进行离散化，获得所述全年所有的外部工况；

对所述数据样本集中的冷冻出水温度、冷却回水温度、冷冻水流量采用等宽法进行离散化并结合所述主机开启台数、所述冷却泵开启台数及所述冷却塔开启台数，获得所述制冷站的运行策略。

在本发明所述的中央空调系统制冷站运行调节异常识别方法中，所述对所述数据样本集中的负荷率、室外温度、相对湿度采用等频离散法进行离散化满足：

采用等频离散法进行离散化后，每一个外部工况中：负荷率区间范围小于5％，室外温度的区间范围小于1℃，相对湿度的区间范围小于5％；

所述对所述数据样本集中的冷冻出水温度、冷却回水温度、冷冻水流量采用等宽法进行离散化满足：

采用等宽法进行等宽离散后，冷冻出水温度的区间范围小于1℃，冷却回水温度的区间范围小于1℃，冷冻水流量的区间范围小于100m

在本发明所述的中央空调系统制冷站运行调节异常识别方法中，所述COP平均差值率满足：

式中，b

在本发明所述的中央空调系统制冷站运行调节异常识别方法中，所述对所述最优的聚类结果中的每一个聚类结果进行分析，确定COP偏低时对应的运行参数，对所述COP偏低时对应的运行参数进行集合，获得运行调节策略库包括：

将每一个聚类结果中的运行调节策略所对应的COP采用从小到大进行排序；

获取每一个聚类结果中COP排序在前10％或者COP低于3.5的运行调节策略；所述COP排序在前10％或者COP低于3.5为满足COP偏低条件；

将所有聚类结果中获取到的COP排序在前10％或者COP低于3.5的运行调节策略进行集合，获得所述运行调节策略库。

在本发明所述的中央空调系统制冷站运行调节异常识别方法中，所述设备的运行特征包括：主机开启的台数、主机开启的设备实例以及主机运行的电流百分比；所述日期特征包括：工作日和休息日；

所述根据所述运行调节策略库获取运行调节策略异常的标签信息，并结合设备的运行特征和日期特征识别异常的运行调节策略的异常原因包括：

根据所述运行调节策略库获取运行调节策略异常的标签信息；

根据所述标签信息确定异常的运行调节策略；

根据所述异常的运行调节策略中的主机开启的台数、主机开启的设备实例、主机运行的电流百分比、工作日和休息日，采用统计分析法识别所述异常的运行调节策略的异常原因。

本发明还提供一种中央空调系统制冷站运行调节异常识别系统，包括：

获取模块，用于获取中央空调系统制冷站的历史环境数据、历史运行数据和历史能效数据；所述历史环境数据包括：室外温度和相对湿度；所述历史运行数据包括：制冷站负荷率、冷冻出水温度、冷却水回水温度、冷冻水流量、主机开启台数、冷却泵开启台数、冷却塔开启台数、主机开启的设备实例以及对应的电流百分比；所述历史能效数据包括：COP数据；

数据预处理模块，用于对所述历史环境数据、所述历史运行数据和所述历史能效数据进行预处理，获得预处理后的数据样本集；

数据分析模块，用于对所述数据样本集中的负荷率、室外温度、相对湿度进行离散化以获得全年所有的外部工况，以及对所述数据样本集中的冷冻出水温度、冷却回水温度、冷冻水流量进行离散化并结合所述主机开启台数、所述冷却泵开启台数及所述冷却塔开启台数以获得所述制冷站的运行策略；

聚类模块，用于采用Kmeans算法对所述全年所有的外部工况进行聚类，并基于目标值，确定最优的聚类结果；所述目标值为COP平均差值率稳定在一个极小值时的值；

策略库确定模块，用于对所述最优的聚类结果中的每一个聚类结果进行分析，确定满足COP偏低条件对应的运行参数，对所述COP偏低时对应的运行参数进行集合，获得运行调节策略库；

异常识别模块，用于根据所述运行调节策略库获取运行调节策略异常的标签信息，并结合设备的运行特征和日期特征识别异常的运行调节策略的异常原因。

本发明还提供一种电子设备，包括：存储器和处理器；

所述存储器用于存储计算机程序；

所述处理器用于执行所述计算机程序以实现以上所述的中央空调系统制冷站运行调节异常识别方法。

本发明还提供一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器处理以上所述的中央空调系统制冷站运行调节异常识别方法的步骤。

实施本发明的中央空调系统制冷站运行调节异常识别方法和电子设备，具有以下有益效果：包括：获取中央空调系统制冷站的历史环境数据、历史运行数据和历史能效数据；对历史环境数据、历史运行数据和历史能效数据进行预处理，获得预处理后的数据样本集；对数据样本集中的数据进行离散化获得全年所有的外部工况及运行策略；采用Kmeans算法对外部工况进行聚类，并基于目标值确定最优的聚类结果；对每一个聚类结果进行分析，确定满足COP偏低条件对应的运行参数，获得运行调节策略库；根据运行调节策略库并结合设备的运行特征和日期特征识别异常的运行调节策略的异常原因。本发明实现了对运行调节策略的异常识别，提高识别的准确性、成本低，可推广性强，适用于大部分制冷站。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是本发明实施例提供的中央空调系统制冷站运行调节异常识别方法的流程示意图；

图2是本发明提供的中央空调系统制冷站运行调节异常识别方法优选实施例的流程示意图；

图3是本发明提供的数据预处理的流程示意图；

图4是本发明提供的外部工况聚类分析的流程图；

图5是本发明实施例提供的中央空调系统制冷站运行调节异常识别系统的原理框图。

具体实施方式

为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。

参考图1，为本发明提供的中央空调系统制冷站运行调节异常识别方法的流程示意图。

如图1所示，该中央空调系统制冷站运行调节异常识别方法包括以下步骤：

步骤S11、获取中央空调系统制冷站的历史环境数据、历史运行数据和历史能效数据。

本发明实施例中，历史环境数据包括：室外温度和相对湿度；历史运行数据包括：制冷站负荷率、冷冻出水温度、冷却水回水温度、冷冻水流量、主机开启台数、冷却泵开启台数、冷却塔开启台数、主机开启的设备实例以及对应的电流百分比；历史能效数据包括：COP数据。可以理解地，本发明实施例中，主机开启的设备实例为具体开启的制冷主机的组合。

可选的，本发明实施例中，历史环境数据、历史运行数据和历史能效数据为全年的历史数据。其中，每隔预设时间段(如逐小时)对室外温度、相对湿度、负荷率、冷冻出水温度、冷却回水温度、冷冻水流量、主机开启台数、冷却泵开启台数、冷却塔开启台数、主机开启的设备实例、以及对应的能效数据进行采样。其中，系负荷率、室外温度、相对湿度是影响制冷站系统能效的外部工况。即本发明实施例中，外部工况是指由室外温度、相对湿度、负荷率组成的一个综合指标名词。例如，某个样本点对应室外温度35℃，相对湿度78％，负荷率80％称为该样本的外部工况。

本发明实施例中，COP数据可通过制冷站系统全年逐小时的耗电量、制冷量数据计算得到。即：

式中：i：样本对应的时间点，无量纲；N：样本个数，无量纲；P

步骤S12、对历史环境数据、历史运行数据和历史能效数据进行预处理，获得预处理后的数据样本集。

步骤S13、对数据样本集中的负荷率、室外温度、相对湿度进行离散化以获得全年所有的外部工况，以及对数据样本集中的冷冻出水温度、冷却回水温度、冷冻水流量进行离散化并结合所述主机开启台数、所述冷却泵开启台数及所述冷却塔开启台数以获得制冷站的运行策略。

本发明实施例中，运行策略指的是由冷冻出水温度、冷却回水温度、冷冻水流量、主机开启台数、冷却泵开启台数、冷却塔开启台数、主机开启的设备实例组成的一个综合指标名词。例如，某一个样本冷冻出水温度7℃、冷却回水温度35℃、冷冻水流量245m

步骤S14、采用Kmeans算法对全年所有的外部工况进行聚类，并基于目标值，确定最优的聚类结果；目标值为COP平均差值率稳定在一个极小值时的值。

本发明实施例中，COP平均差值率满足：

式中，b

步骤S15、对最优的聚类结果中的每一个聚类结果进行分析，确定满足COP偏低条件对应的运行参数，对COP偏低时对应的运行参数进行集合，获得运行调节策略库。

本发明实施例中，对最优的聚类结果中的每一个聚类结果进行分析，确定COP偏低时对应的运行参数，对COP偏低时对应的运行参数进行集合，获得运行调节策略库包括：将每一个聚类结果中的运行调节策略所对应的COP采用从小到大进行排序；获取每一个聚类结果中COP排序在前10％或者COP低于3.5的运行调节策略；COP排序在前10％或者COP低于3.5为满足COP偏低条件；将所有聚类结果获取到的COP排序在前10％或者COP低于3.5的运行调节策略进行集合，获得运行调节策略库。

步骤S16、根据运行调节策略库获取运行调节策略异常的标签信息，并结合设备的运行特征和日期特征识别异常的运行调节策略的异常原因。

本发明实施例中，设备的运行特征包括：主机开启的台数、主机开启的设备实例以及主机运行的电流百分比；日期特征包括：工作日和休息日。

其中，根据运行调节策略库获取运行调节策略异常的标签信息，并结合设备的运行特征和日期特征识别异常的运行调节策略的异常原因包括：根据运行调节策略库获取运行调节策略异常的标签信息；根据标签信息确定异常的运行调节策略；根据异常的运行调节策略中的主机开启的台数、主机开启的设备实例、主机运行的电流百分比、工作日和休息日，采用统计分析法识别异常的运行调节策略的异常原因。

本发明实施例提供一种中央空调系统制冷站运行调节异常识别方法，从中央空调系统制冷站中影响系统能效的主要影响因素着手，对负荷率、室外温度、相对湿度三个特征的逐时数据聚类，以及聚类后运行策略的解释，找到异常运行策略并识别异常的主要原因。智能化的实现了对运行调节策略的异常识别，解决了传统定阈值监测无法定量分析能效偏低的运行问题，提高了识别的准确性同时，本方法相比传统群控方法更具工程应用性，真实可靠性，成本低，可推广性强，适用于大部分制冷站。是一种通用的运行策略异常识别方法，减少了人力、物力的投入。

本发明实施例中，对历史环境数据、历史运行数据和历史能效数据进行预处理，获得预处理后的数据样本集包括：对历史环境数据、历史运行数据和历史能效数据进行缺失值、重复值以及异常值的去除处理，获得预处理后的数据样本集；异常值的去除处理包括：采用箱线图法对历史环境数据、历史运行数据和历史能效数据中的每一个参数进行检测以去除异常值；或者，结合制冷站安全和不合理性确定异常值并去除。

本发明实施例中，对数据样本集中的负荷率、室外温度、相对湿度进行离散化以获得全年所有的外部工况，以及对数据样本集中的冷冻出水温度、冷却回水温度、冷冻水流量进行离散化以获得制冷站的运行策略包括：对数据样本集中的负荷率、室外温度、相对湿度采用等频离散法进行离散化，获得全年所有的外部工况；对数据样本集中的冷冻出水温度、冷却回水温度、冷冻水流量采用等宽法进行离散化并结合所述主机开启台数、所述冷却泵开启台数及所述冷却塔开启台数，获得制冷站的运行策略。

可以理解地，等频法是将相同数量的记录放在每个区间，保证每个区间的数量基本一致。即将属性值分为具有相同宽度的区间，区间的个数k根据实际情况来决定。比如有60个样本，我们要将其分为k＝3部分，则每部分的长度为20个样本。等宽法将属性的值域从最小值到最大值分成具有相同宽度的n个区间，n由数据特点决定，往往是需要有业务经验的人进行评估。比如属性值在[0，60]之间，最小值为0，最大值为60，我们要将其分为3等分，则区间被划分为[0，20]、[21，40]、[41，60]，每个属性值对应属于它的那个区间。

本发明实施例中，采用等频法对每个外部工况的波动范围进行划分，可以将相同数量的数据放进每个区间，避免采用等宽离散法导致出现某些区间数据极多或者数据极少的情况，因此，为了覆盖更大范围的工况，本发明采用等频法对外部工况范围进行划分。其中，对每一个外部工况，等频离散后每一个外部工况的负荷率、室外渡、相对湿度数值都是一个区间，且为左开右闭区间。可选的，本发明实施例中，对数据样本集中的负荷率、室外温度、相对湿度采用等频离散法进行离散化满足：采用等频离散法进行离散化后，每一个外部工况中：负荷率区间范围小于5％，室外温度的区间范围小于1℃，相对湿度的区间范围小于5％。

本发明实施例中，采用等宽法对冷冻出水温度、冷却回水温度、冷冻水流量连续变量的数据进行等距离划分，结合主机开启台数、冷却泵开启台数、冷却塔开启台数、主机开启的设备实例运行数据，组成离散化的运行策略。其中，等宽离散后，冷冻出水温度、冷却回水温度、冷冻水流量数值都是一个区间，且为左开右闭区间。可选的，本发明实施例中，对数据样本集中的冷冻出水温度、冷却回水温度、冷冻水流量采用等宽法进行离散化满足：采用等宽法进行等宽离散后，冷冻出水温度的区间范围小于1℃，冷却回水温度的区间范围小于1℃，冷冻水流量的区间范围小于100m

具体的，如图2所示，该中央空调系统制冷站运行调节异常识别方法包括：

步骤S201、每隔预设时间段采集制冷站的历史环境数据、历史运行数据和历史能效数据。

步骤S202、对历史环境数据、历史运行数据和历史能效数据进行预处理，获得预处理后的数据样本集。

步骤S203、对数据样本集中的负荷率、室外温度、相对湿度进行等频离散化以获得全年所有的外部工况。

步骤S204、对运行数据进行等宽离散化，获得运行策略。

步骤S205、采用Kmeans算法对所有外部工况进行聚类。

步骤S206、对完成聚类的外部工况基于目标值，确定最优的聚类结果。

步骤S207、获取含聚类类别信息、以及外部工况、运行策略、系统COP的数据样本集，对相同类的数据样本进行分析，找到每一类中运行能效(即COP)偏低时的运行参数。其中，COP偏低所对应的运行策略为异常策略，其他为正常策略。

步骤S208、将所有类定义的策略标签集成，得到该制冷站运行调节策略库。

步骤S209、获取含异常标识的标签信息，结合日期特征、开启主机的台数、开启主机实例、开启主机实例的电流百分比数据样本集；采用统计分析方法识别日期特征、开启主机的台数、主机开启的设备实例、开启主机实例的电流百分比影响因子下策略标签的结果的定量原因。

例如，主机开启的设备实例为：开启了三台制冷主机(TK-P1,TK-P2,TK-P3)；开机主机实例的电流百分比：是样本点具体开启的制冷主机电流百分比组合，例如开启三台制冷主机对应的电流百分比(68％，76％，34％)。采用统计分析法进行统计分析，可得到：休息日；3台主机开启，其中，开启组合是(TK-P1，TK-P2，TK-P3)；开启组合电流百分比是(68％，76％，34％)；出现了异常策略，其COP能效偏低具体值为3.23。

参考图3，为本发明提供的数据预处理的流程示意图。

如图3所示，数据预处理包括：

步骤S301、去除空缺值。

步骤S302、去除重复值。其中，去除重复值为：去除室外温度、相对湿度、冷冻出水温度、冷却回水温度、冷冻水流量中任意一个参数出现连续三个点数值不变的数据。

步骤S303、采用箱线图法确定上下限值，以去除异常值。其中，采用箱线图法去除异常值为：将所有数据由小到大排列后分成四等份，通过设定上限值和下限值来识别数据集中的异常值。例如，定义即Q1-1.5*IQR为数值区间下限，若下限值小于0取值0；Q3+1.5*IQR为数值区间上限。其中Q1：即第一分位值，Q3:即第三分位值，IQR(IQR＝Q3-Q1):即四分位距。

步骤S304、去除主机运行的电流百分比超过100％的异常值。

步骤S305、去除主机开启台数和冷冻水泵开启台数、冷却水泵开启台数不相同的异常值。

参考图4，为本发明提供的外部工况聚类分析的流程图。

如图4所示，本发明提供的外部工况聚类分析包括：

步骤S401、对外部工况的数据进行特征化处理。即每一个样本点包括6个特征，具体包括：室外温度区间最小值，室外温度区间最大值，相对湿度区间最小值，相对湿度区间最大值，负荷率区间最小值，负荷率区间最大值。

步骤S402、对所有样本点进行归一化处理。具体的，每一个样本点的每个特征转换为均值为0、方差为1的正态分布，以避免数据大小对聚类结果产生的影响。其中，转化函数为：

式中：X：转换后的数值；x：数据初始值；μ：所有数据的均值；σ：所有数据的标准差。

步骤S403、对归一化后的6个特征数据进行聚类分析。具体的聚类过程为：

s1：选定要聚类的类别数目k(如上例的k＝3类)，选择k个中心点。

s2：针对每个样本点，找到距离其最近的中心点(寻找组织)，距离同一中心点最近的点为一个类，这样完成了一次聚类。

s3：判断聚类前后的样本点的类别情况是否相同，如果相同，则算法终止，否则进入s4。

s4：针对每个类别中的样本点，计算这些样本点的中心点，当做该类的新的中心点，继续s2。

步骤S404、对聚类数2～100依次聚类计算COP平均差值率。

步骤S405、确定COP平均差值率稳定在一个极小值时最小的聚类数，即目标值。

步骤S406、对每一个外部工况添加聚类类别信息，基于目标值确定最优聚类结果。

参考图5，为本发明提供的中央空调系统制冷站运行调节异常识别系统的原理框图。

如图5所示，该中央空调系统制冷站运行调节异常识别系统包括：

获取模块501，用于获取中央空调系统制冷站的历史环境数据、历史运行数据和历史能效数据。历史环境数据包括：室外温度和相对湿度；历史运行数据包括：制冷站负荷率、冷冻出水温度、冷却水回水温度、冷冻水流量、主机开启台数、冷却泵开启台数、冷却塔开启台数、主机开启的设备实例以及对应的电流百分比；历史能效数据包括：COP数据。

数据预处理模块502，用于对历史环境数据、历史运行数据和历史能效数据进行预处理，获得预处理后的数据样本集。

数据分析模块503，用于对数据样本集中的负荷率、室外温度、相对湿度进行离散化以获得全年所有的外部工况，以及对数据样本集中的冷冻出水温度、冷却回水温度、冷冻水流量进行离散化并结合所述主机开启台数、所述冷却泵开启台数及所述冷却塔开启台数以获得制冷站的运行策略。

聚类模块504，用于采用Kmeans算法对全年所有的外部工况进行聚类，并基于目标值，确定最优的聚类结果；目标值为COP平均差值率稳定在一个极小值时的值。

策略库确定模块505，用于对最优的聚类结果中的每一个聚类结果进行分析，确定满足COP偏低条件对应的运行参数，对COP偏低时对应的运行参数进行集合，获得运行调节策略库。

异常识别模块506，用于根据运行调节策略库获取运行调节策略异常的标签信息，并结合设备的运行特征和日期特征识别异常的运行调节策略的异常原因。

本发明还提供一种电子设备，包括：存储器和处理器。

存储器用于存储计算机程序。

处理器用于执行计算机程序以实现本发明实施例公开的中央空调系统制冷站运行调节异常识别方法。

本发明还提供一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时，使得处理器处理本发明实施例公开的中央空调系统制冷站运行调节异常识别方法的步骤。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

以上实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据此实施，并不能限制本发明的保护范围。凡跟本发明权利要求范围所做的均等变化与修饰，均应属于本发明权利要求的涵盖范围。