一种电网预防控制方法、装置、设备及介质

技术领域

本发明属于电力系统安全分析与控制领域，具体涉及一种电网预防控制方法、装置、设备及介质。

背景技术

对复杂模型的解释一般可分为事前(ante-hoc)解释和事后(post-hoc)解释，事前解释通过训练结构简单、可解释性好的模型，或将可解释性结合到具体的模型结构中；事后解释指通过开发可解释性技术解释已训练好的机器学习模型。其中，根据解释目标和解释对象的不同，事后可解释性又可分为全局可解释和局部可解释，全局可解释性旨在帮助人们理解复杂模型背后的整体逻辑以及内部的工作机制，局部可解释性旨在帮助人们理解机器学习模型针对每一个输入样本的决策过程和决策依据。

电力系统机组失稳是造成大规模事故的主要原因之一，有效的暂态稳定评估和事故预防措施是维持系统安全稳定运行的关键。在电力系统的暂态稳定控制中，通常有预防控制和紧急控制两种重要手段，两种方法在时间上具有互补性。其中，对故障后暂态稳定的实时预测，对预测速度和精度有着极高要求；而若能按实际工况在故障发生前就进行评估，既可避免大量无关工况的分析降低求解难度，同时一旦判断当前状态不安全，仍有较充分的时间制定预防控制策略。

一般来说，预防控制问题需要求解含暂态稳定约束的最优潮流模型(transientstability constrained optimal power flow，TSCOPF)。传统基于物理模型的计算方法拥有计算准确、可靠性高的优点，但模型中含有非线性微分代数方程，计算复杂、运算时间长，难以满足在线计算的要求。数据驱动的方法在挖掘潜在规律方具有优势，且运算速度快，用于暂态稳定评估问题中可以规避复杂时域方程求解。结构简单的模型直观、易于解释其得到的规则，但是一般预测准确率较低；结构复杂的“黑箱”模型的准确率普遍较高，但由于其决策逻辑不可理解，难以在高安全敏感度的电力系统中进行实际应用。

发明内容

本发明的目的在于提供一种电网预防控制方法、装置、设备及介质，以解决背景技术中传统方法计算速度慢的问题。

为了实现上述目的，本发明采用如下技术方案：

第一方面，本发明提供了一种电网预防控制方法，包括如下步骤：

获取区域发电有功出力的当前实际值；

将所述区域发电有功出力的当前实际值输入预设的稳定性评估模型，所述稳定性评估模型输出电力系统运行预测结果；

当所述电力系统运行预测结果为电力系统运行失稳时，将所述区域发电有功出力的当前实际值输入预设的局部代理模型，利用预设的局部代理模型识别影响电力系统运行稳定性的关键特征；

基于所述关键特征生成电网安全边界线性约束；

基于所述电网安全边界线性约束，使用考虑网损的直流最优潮流方法对电力系统进行有功潮流调整，使电力系统运行稳定。

进一步的，所述将所述区域发电有功出力的当前实际值输入预设的稳定性评估模型的步骤中，所述稳定性评估模型的训练方式为：

获取电力系统的运行方式样本集；

构建XGBoost模型；其中，所述XGBoost模型是由K个决策树组成的决策树森林模型；

确定训练所述决策树森林模型的目标函数，基于所述运行方式样本集，采用梯度提升的方式进行迭代训练，最终得到训练好的稳定性评估模型。

进一步的，所述获取电力系统的运行方式样本集的步骤，具体为：

将区域内的发电机进行聚合，对聚合后的发电机进行拉丁超立方抽样，得到区域发电有功出力总值样本；

对区域内的发电机进行随机抽样，得到发电机有功出力样本；

基于所述区域发电有功出力总值样本对所述发电机有功出力样本进行调整，使调整后的所述发电机有功出力样本之和与所述区域发电有功出力总值样本相等；

对调整后的所述发电机有功出力样本进行支路有功潮流越限的诊断与调整，得到电力系统的运行方式样本集；

其中，所述电力系统的运行方式样本集包括失稳样本和稳定样本。

进一步的，在得到电力系统的运行方式样本集的步骤之后，还包括步骤：

当所述电力系统的运行方式样本集中失稳样本和稳定样本不平衡时，所述失稳样本或稳定样本为少数类样本；

使用SMOTE方法生成所述少数类样本的k邻近样本；

从所述k近邻样本中随机选取若干个样本分别与所述少数类样本按随机比例合成新的少数类样本；

将所述新的少数类样本加入所述电力系统的运行方式样本集中，得到数量均衡的运行方式样本集。

进一步的，所述确定训练所述决策树森林模型的目标函数的步骤中，目标函数为J：

式中：N、K分别为样本个数、决策树个数；Ω为决策树的L2正则化项；

进一步的，所述利用预设的局部代理模型识别影响电力系统运行稳定性的关键特征的步骤，具体如下：

所述局部代理模型采用分类回归树构建；其中，所述分类回归树为二叉树，所述二叉树的每个分支节点有两个子节点；

获取电力系统的局部运行方式样本；

对于所述局部运行方式样本的特征，从二叉树的根节点开始，根据各分支节点的分支条件前进到其子节点，直到最终到达叶节点，则叶节点对应的类别为此样本特征的预测类别；

根据预测类别，确定影响电网运行稳定性的关键特征。

进一步的，所述使用考虑网损的直流最优潮流方法对电力系统进行有功潮流调整的步骤中，所述直流最优潮流方法进行有功潮流调整的目标函数为：

式中：S

第二方面，本发明提供了一种电网预防控制装置，包括：

获取模块，用于获取区域发电有功出力的当前实际值；

预测模块，用于将所述区域发电有功出力的当前实际值输入预设的稳定性评估模型，所述稳定性评估模型输出电力系统运行预测结果；

识别模块，用于当所述电力系统运行预测结果为电力系统运行失稳时，将所述区域发电有功出力的当前实际值输入预设的局部代理模型，利用预设的局部代理模型识别影响电力系统运行稳定性的关键特征；

生成模块，用于基于所述关键特征生成电网安全边界线性约束；

运行调整模块，用于基于所述电网安全边界线性约束，使用考虑网损的直流最优潮流方法对电力系统进行有功潮流调整，使电力系统运行稳定。

第三方面，本发明提供了一种电子设备，包括处理器和存储器，所述处理器用于执行存储器中存储的计算机程序以实现上述的电网预防控制方法。

第四方面，本发明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至少一个指令，所述至少一个指令被处理器执行时实现上述的电网预防控制方法。

本发明的有益效果如下：

1)本方案提供的电网预防控制方法，将区域发电有功出力的当前实际值输入预设的稳定性评估模型，稳定性评估模型输出电力系统运行预测结果；当电力系统运行预测结果为电力系统运行失稳时，将区域发电有功出力的当前实际值输入预设的局部代理模型，利用预设的局部代理模型识别影响电力系统运行稳定性的关键特征；基于关键特征生成电网安全边界线性约束；基于电网安全边界线性约束，使用考虑网损的直流最优潮流方法对电力系统进行有功潮流调整，使电力系统运行稳定。不需要对电力系统进行机理建模，训练后的模型可直接、实时进行暂态稳定评估与预防控制生成，支持在线应用，解决传统方法计算速度慢的问题。

2)本方案提供的电网预防控制方法，可应对电力系统运行方式的多样性和不确定性，进行运行特征的自适应提取，避免机理模型的复杂建模过程。

3)本方案采用可解释的局部代理模型进行结果的溯因分析，能够帮助使用人员掌握模型决策的重要依据，避免模型的决策风险。

4)本方案在模型构建的步骤中，采用SMOTE技术进行样本均衡，提升了机器学习样本不平衡情况下的训练效果。

附图说明

构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明实施例中两区域互联系统的示意图；

图2为本发明实施例中二叉分类决策树及其二维区域划分图的示意图；其中，(a)为二叉分类决策树，(b)为二维区域划分；

图3为本发明实施例中基于可解释代理模型的在线电网稳定预防控制流程图；

图4为本发明实施例中SMOTE算法的示意图；其中，(a)为选取k近邻样本，(b)为合成少数类样本；

图5为本发明实施例中分区抽样与随机抽样结果的频数分布直方图；

图6为本发明实施例中影响IEEE 39节点系统稳定性的特征贡献度图；

图7为本发明实施例中IEEE 39节点系统预防控制调整前后的发电有功出力图；

图8为本发明实施例中IEEE 39系统支路16-17故障预防控制前的仿真曲线图；其中，(a)为同步电机功角曲线，(b)为系统节点电压幅值曲线；

图9为本发明实施例中IEEE 39系统支路16-17故障预防控制后的仿真曲线图；其中，(a)为同步电机功角曲线，(b)为系统节点电压幅值曲线；

图10为本发明实施例一种电网预防控制装置的结构框图；

图11为本发明实施例一种电子设备的结构框图。

具体实施方式

下面将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

以下详细说明均是示例性的说明，旨在对本发明提供进一步的详细说明。除非另有指明，本发明所采用的所有技术术语与本申请所属领域的一般技术人员的通常理解的含义相同。本发明所使用的术语仅是为了描述具体实施方式，而并非意图限制根据本发明的示例性实施方式。

实施例1

本方案提出了一种电网预防控制方法，基于极限梯度提升树算法，通过可解释代理模型进行决策结果溯因分析。可在无人为特征提取情况下，学习量测数据与稳定裕度更深层的内在规律，用以拟合发电机出力和稳定性间映射关系，拥有收敛能力强、泛化性好的优点，实现了预想故障集约束下，以控制代价最小为目标的发电再调度预防控制优化策略的数据驱动求取技术，帮助电网运行人员及时发现电网运行风险并提供决策建议，具有较好的推广价值。

如图3所示，一种电网预防控制方法，包括如下步骤：

S1、构建模型训练所需电力系统的运行方式样本集

本方案中，使用分区抽样的方法获取电力系统的运行方式样本集。抽样时，从负荷预测等原始数据中获取抽样所需的发电机有功出力等数据。

具体的，包括如下步骤：

首先，将区域内的发电机聚合考虑，对区域发电有功出力进行拉丁超立方抽样，得到区域发电有功出力总值样本；如图1所示，为两区域互联系统的示意图，抽样时，将区域A1聚合考虑，将区域A2聚合考虑。

然后，对区域内的发电机进行随机抽样，得到发电机有功出力样本；如图1所示，分别针对区域A1和A2内的发电机进行随机抽样。

接着，对区域内各发电厂的有功出力值进行配置，调整发电机有功出力样本的数值，使调整后的发电机有功出力样本之和与区域发电有功出力总值样本相等。

而后，在得到调整后的发电机有功出力样本基础上，进行支路有功潮流越限的诊断与调整，可以得到潮流计算收敛且节点电压幅值合理的运行方式样本集。

运行方式样本的输入特征如表1所示。

表1运行方式样本输入的稳态特征量

最后，根据预设故障集进行暂态稳定仿真计算，标注运行方式样本集中的运行方式样本的输出标签。若运行方式样本在预设故障集的任一故障下都能保持稳定，则运行方式样本的输出标签为稳定样本，否则为失稳样本。

在一些实施例中，存在失稳样本和稳定样本不平衡的情况，为使失稳样本和稳定样本数量达到均衡，采用SMOTE方法进行过采样。

对于少数类样本特征x

具体的，k近邻样本的计算表达式为：

式中：

本方案中，采用暂态功角是否失稳作为运行方式样本是否保持稳定的标准。

具体的，仿真时间取为20s，暂态功角失稳的判据为：

式中：Δδ

S2、训练稳定性评估模型

对于获取的电力系统的运行方式样本集，构建XGBoost模型；

其中，本方案构建的XGBoost模型是由K个决策树组成的决策树森林模型，决策树森林模型的输出为：

式中：x

1)对于稳定与失稳的{0,1}二分类问题，首先，将决策树森林模型的输出值z

2)选取对数损失函数为损失函数，表达式为：

式中：y

3)确定训练决策树森林模型的目标函数为：

式中：N、K分别为样本个数、决策树个数；Ω为决策树的L2正则化项；T为决策树的叶节点个数；ω

4)基于极限梯度提升树算法进行迭代训练。

在梯度提升过程的第t次迭代中，训练得到f

对上式进行二阶泰勒展开得到：

式中：g

去掉式(9)中的不变值

对上式进一步化简可得：

式中：I

在树结构的生成过程中，将一个叶节点变为一个分支节点和其对应的两个叶节点，新生成的分支节点应测试所有特征。对于每个特征，对分割点进行线性搜索以获得目标函数增益最大的最佳分割位置，然后使用目标函数增益最大的最佳特征和对应的最佳分割位置形成新的分支节点。

目标函数增益的表达式为：

式中：I

通过上述步骤训练得到稳定性评估模型，并利用稳定性评估模型识别区域发电有功出力的当前实际值，预测电力系统运行是否失稳。

S3、构建局部代理模型

本方案中，采用分类回归树模型构建决策树代理模型。

需要说明的是，本方案所采用的CART分类树是一种二叉树，每个分支节点有两个子节点，可用于分类问题或回归问题，用于分类时称为分类树，用于回归时称为回归树。

对于稳定和失稳的二分类问题，分类决策树及其对应的二维区域划分图的示意图如图2所示：(I)表示类别为不稳定，区域不安全(insecure)；(S)表示类别为稳定，区域安全(secure)。

获取电力系统的局部运行方式样本，对于某一局部运行方式样本的特征，从根节点开始根据各分支节点的分支条件前进到其子节点，直到最终到达叶节点，则叶节点对应的类别为此样本的预测类别。本方案中，根据预测类别，确定影响电网运行稳定性的关键特征。

CART分类树的构建方式如下：

首先，根据基尼指数(Gini index)，首先选择适合CART分类树的最佳特征和最佳分割点。

其中，基尼指数表达式为：

式中：D为样本集合；p

而后，以特征a是否小于分割点A对样本集合D进行切分得到样本集合D

式中：|D|、|D

本方案中，为缓解决策树模型的过拟合，增强模型的泛化性能，CART通过代价复杂度剪枝算法从完全生长的决策树底端剪去一些子树，剪枝的损失函数表达式为：

Cα(T

式中：T

C

若将以t为根节点的子树剪掉后损失函数的值不增大，则应当将其剪掉，即剪枝条件为C

对于给定的α值，可根据式(17)剪枝得到此α值对应的最优子树。

经过上述步骤的优化之后，得到局部代理模型，用于根据局部运行方式样本识别影响电力系统运行稳定性的关键特征，作为稳定评估结果。

S4、基于稳定评估结果进行预防控制策略生成

本方案中，将暂态稳定预防控制的有功潮流优化调整的目标函数设置为如下：

式中：S

本发明提供的电网预防控制方法，首先抽样生成电力系统的运行方式样本，通过潮流计算得到运行方式样本的稳态特征量。根据预设故障集进行时域仿真计算以标注运行方式样本的标签，若运行方式样本在任一预设故障下都能保持稳定，则样本的标签为稳定，否则为失稳。根据运行方式样本数据训练稳定性评估模型，该稳定性评估模型为复杂的高性能暂态稳定评估机器学习黑盒模型，例如可以是决策树森林模型，也可以是多层神经网络模型，以用于在线暂态稳定评估。当在线暂态稳定评估的结果失稳时，用局部代理模型识别影响电力系统运行稳定性的关键特征，最后基于稳定评估结果生成预防控制策略。

下面，结合具体应用的实施例对本方案进行进一步的说明

步骤1、构建模型训练所需运行方式样本集

在步骤1中，由于电力系统的失稳情况一般不易发生，抽样生成的样本通常大多数为稳定的样本，失稳样本的数量少，类别不平衡，失稳样本在总的损失函数中占比很小，容易导致训练得到的模型对失稳样本的分类效果较差。

本方案中认为，若类别不平衡的比例超过4:1则可能为不平衡数据集，比例在20:1左右为中度的不平衡数据集，比例超过100:1为严重的不平衡数据集。

本方案中，通过少数类过采样技术(Synthetic Minority Over-SamplingTechnique，SMOTE)，针对少数类样本通过插值生成新的少数类样本，如图4所示。

在样本生成方面，本方案采用分区抽样法。如图1所示，首先将区域内的发电机聚合考虑，对区域发电有功出力进行拉丁超立方抽样后，进一步通过随机抽样和发电总量的调整对区域内各发电厂的有功出力进行配置，结果如图5所示。

与直接进行随机抽样的方法相比，本方案使用分区抽样法得到的区域A1、区域A2的总有功出力以及两区域之间的输电断面传输功率具有更大范围且不过分集中的分布，显示出了分区抽样方法的优势。

步骤2、训练稳定性评估模型

采用本方案，对IEEE39、IEEE118和某省级规模电网系统进行稳定评估，各项性能如表2所示。可以看出，本方案能够满足电网故障下的稳定性筛选需求。

表2在不同算例系统上的稳定评估性能评价指标结果

步骤3、构建局部代理模型

通过构建局部代理模型，挖掘对于电网稳定性具有重要影响的关键特征，以IEEE39节点为例，结果如图6所示，得到影响IEEE39节点系统稳定性的特征贡献度，从而得到影响电网稳定性关键特征。

步骤4、基于稳定评估结果进行预防控制策略生成

基于局部代理模型生成电网安全边界线性约束，使用考虑网损的直流最优潮流方法进行有功潮流调整，对应的发电出力调整情况如图7和表3中所示。观察可知，33、34、35、36号节点的发电机出力降低，其他发电机的出力增加。各发电机的出力调整量较小，可见待解释样本与安全边界的距离较近。

结合图7可见，这样的调整能够降低系统图中从右下到左上的输送功率，这也和当前运行方式失稳的关键在于系统图中从右下到左上的输送功率过大相符合。

表3 IEEE 39节点系统待解释样本1的预防控制有功功率调整结果

预防控制前后的IEEE 39节点系统在支路16-17预想故障下的时域仿真曲线如图8和图9中所示。

经过时域仿真验证发现，电网在支路16-17预想故障下会发生失稳，在支路2-1或支路26-29预想故障下不会失稳。预防控制后的系统在支路16-17、支路2-1或支路26-29预想故障下均不会失稳。可见，采用本方案预防控制后电网系统恢复安全状态，在支路16-17的预想故障下能够保持稳定运行。

实施例2

如图10所示，基于与上述实施例同一发明构思，本方案还提供了一种电网预防控制装置，包括：

获取模块，用于获取区域发电有功出力的当前实际值。

预测模块，用于将区域发电有功出力的当前实际值输入预设的稳定性评估模型，稳定性评估模型输出电力系统运行预测结果。

预测模块中，稳定性评估模型的训练方式为：获取电力系统的运行方式样本集；构建XGBoost模型；其中，XGBoost模型是由K个决策树组成的决策树森林模型；确定训练决策树森林模型的目标函数，基于运行方式样本集，采用梯度提升的方式进行迭代训练，最终得到训练好的稳定性评估模型。

其中，获取电力系统的运行方式样本集的步骤，具体为：将区域内的发电机进行聚合，对聚合后的发电机进行拉丁超立方抽样，得到区域发电有功出力总值样本；对区域内的发电机进行随机抽样，得到发电机有功出力样本；基于区域发电有功出力总值样本对发电机有功出力样本进行调整，使调整后的发电机有功出力样本之和与区域发电有功出力总值样本相等；对调整后的发电机有功出力样本进行支路有功潮流越限的诊断与调整，得到电力系统的运行方式样本集；其中，电力系统的运行方式样本集包括失稳样本和稳定样本。在得到电力系统的运行方式样本集的步骤之后，若电力系统的运行方式样本集中失稳样本和稳定样本不平衡，失稳样本或稳定样本为少数类样本，则使用SMOTE方法生成少数类样本的k邻近样本；从k近邻样本中随机选取若干个样本分别与少数类样本按随机比例合成新的少数类样本；将新的少数类样本加入电力系统的运行方式样本集中，得到数量均衡的运行方式样本集。

其中，确定训练决策树森林模型的目标函数为J：

式中：N、K分别为样本个数、决策树个数；Ω为决策树的L2正则化项；

识别模块，用于当电力系统运行预测结果为电力系统运行失稳时，将区域发电有功出力的当前实际值输入预设的局部代理模型，利用预设的局部代理模型识别影响电力系统运行稳定性的关键特征。

识别模块中，局部代理模型采用分类回归树构建；其中，分类回归树为二叉树，二叉树的每个分支节点有两个子节点；获取电力系统的局部运行方式样本；对于局部运行方式样本的特征，从二叉树的根节点开始，根据各分支节点的分支条件前进到其子节点，直到最终到达叶节点，则叶节点对应的类别为此样本特征的预测类别；根据预测类别，确定影响电网运行稳定性的关键特征。

生成模块，用于基于关键特征生成电网安全边界线性约束。

运行调整模块，用于基于电网安全边界线性约束，使用考虑网损的直流最优潮流方法对电力系统进行有功潮流调整，使电力系统运行稳定。

运行调整模块中，直流最优潮流方法进行有功潮流调整的目标函数为：

式中：S

实施例3

如图11所示，本发明还提供一种用于实现电网预防控制方法的电子设备100；电子设备100包括存储器101、至少一个处理器102、存储在存储器101中并可在至少一个处理器102上运行的计算机程序103及至少一条通讯总线104。存储器101可用于存储计算机程序103，处理器102通过运行或执行存储在存储器101内的计算机程序，以及调用存储在存储器101内的数据，实现实施例1电网预防控制方法的步骤。存储器101可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备100的使用所创建的数据(比如音频数据)等。此外，存储器101可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。

至少一个处理器102可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器102可以是微处理器或者该处理器102也可以是任何常规的处理器等，处理器102是电子设备100的控制中心，利用各种接口和线路连接整个电子设备100的各个部分。

电子设备100中的存储器101存储多个指令以实现一种电网预防控制方法，处理器102可执行多个指令从而实现：

获取区域发电有功出力的当前实际值；

将所述区域发电有功出力的当前实际值输入预设的稳定性评估模型，所述稳定性评估模型输出电力系统运行预测结果；

当所述电力系统运行预测结果为电力系统运行失稳时，将所述区域发电有功出力的当前实际值输入预设的局部代理模型，利用预设的局部代理模型识别影响电力系统运行稳定性的关键特征；

基于所述关键特征生成电网安全边界线性约束；

基于所述电网安全边界线性约束，使用考虑网损的直流最优潮流方法对电力系统进行有功潮流调整，使电力系统运行稳定。

实施例4

电子设备100集成的模块/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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器及只读存储器(ROM，Read-Only Memory)。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。