一种基于数据驱动的配电网规划方法及系统

技术领域

本发明涉及配电网规划技术领域，特别涉及一种基于数据驱动的配电网规划方法及系统。

背景技术

传统的规划方法大多以经济为导向，规划时在保障电力系统供电可靠性的基础上，投建及运行成本是筛选方案的主要因素，但在当前的低碳背景下，必须考虑碳排放约束，兼顾规划方案的经济性与低碳性，力求做到碳电协同规划；另一方面，在新型电力系统中，源荷双侧高度互动，供需平衡基础理论面临挑战，电源侧由于大量分布式新能源的接入，会导致波动性增加，负荷侧的用电行为将受到碳交易市场的影响，通过用电成本的方式改变负荷曲线，同时用户参与需求响应的行为也受到其主观影响，因此系统平衡机制由“确定性发电跟踪不确定性负荷”转变为“不确定发电与不确定性负荷双向匹配”，这些因素将导致源-荷不确定性加剧。

因此在研究新型电力系统的规划问题时应当考虑上述不确定性因素的影响，并采取合适的算法来应对不确定性，使得规划方案具备一定的鲁棒性。因此，面对以上问题和挑战，应该结合新型电力系统的形态特征，改进传统的规划方法，建立一套适用于新型电力系统的优化规划技术。

发明内容

基于此，本发明的目的是提出一种基于数据驱动的配电网规划方法及系统，以解决上述的至少一个问题。

本发明一方面提出一种基于数据驱动的配电网规划方法，所述方法包括：

基于条件深度卷积对真实数据和随机噪声进行特征提取，并把提取到的特征进行拼接，以根据拼接后的特征生成新能源出力及负荷功率的场景；

基于新能源出力及负荷功率的场景构建配电网双层规划模型，所述配电网双层规划模型包括上层配电网模型和下层用户侧模型；

采用数据驱动的改进并行列与约束生成算法对所述上层配电网模型和所述下层用户侧模型中的规划问题进行求解；

基于隶属度函数建立设备利用率评价体系，以根据所述设备利用率评价体系对配电网设备的至少一项指标进行优化。

综上，根据上述的基于数据驱动的配电网规划方法，通过综合数据驱动与传统优化方法优势，在考虑源荷不确定性的背景下保证电力系统规划的经济性和低碳性，进一步提高电力系统规划有效性，为新能源大规模接入的电力系统规划方案提供有效参考。具体为：基于条件深度卷积生成对抗网络的数据驱动方法迁移新能源发电场景数据并预测多能源负荷，而后建立配电网双层规划模型，其中上层通过计算潮流情况及边际成本制定电价，并基于拉格朗日系数理论得到用户碳价格，下层问题以价格为边界条件，从而优化用户用能行为，调整负荷以平衡购能成本和用能舒适性；最后基于两阶段鲁棒优化方法，采用改进的并行列与约束生成算法求解配电网双层规划问题；通过隶属度函数建立设备利用率评价体系，量化分析供电可靠性、网络结构、负荷特性和电网建设裕度等方面因素，为配电网规划方案提供实际评价手段。

本发明另一方面提出一种基于数据驱动的配电网规划系统，所述系统包括：

深度提取模块，用于基于条件深度卷积对真实数据和随机噪声进行特征提取，并把提取到的特征进行拼接，以根据拼接后的特征生成新能源出力及负荷功率的场景；

双层模型构建模块，用于基于新能源出力及负荷功率的场景构建配电网双层规划模型，所述配电网双层规划模型包括上层配电网模型和下层用户侧模型；

规划问题求解模块，用于采用数据驱动的改进并行列与约束生成算法对所述上层配电网模型和所述下层用户侧模型中的规划问题进行求解；

指标优化模块，用于基于隶属度函数建立设备利用率评价体系，以根据所述设备利用率评价体系对配电网设备的至少一项指标进行优化。

本发明另一方面还提供一种可读存储介质，包所述可读存储介质存储一个或多个程序，该程序被执行时实现如上述的一种基于数据驱动的配电网规划方法。

本发明另一方面还提供一种电子设备，所述电子设备包括存储器和处理器，其中：

所述存储器用于存放计算机程序；

所述处理器用于执行所述存储器上所存放的计算机程序时，实现如上述的一种基于数据驱动的配电网规划方法。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实施例了解到。

附图说明

图1为本发明第一实施例提出的一种基于数据驱动的配电网规划方法的流程图；

图2为本发明第一实施例中C - DCGAN模型的生成器和判别器的结构基本原理图；

图3为本发明第一实施例中求解鲁棒规划模型的并行 CCG 算法流程图；

图4为本发明第一实施例中电力线路和可再生能源设备的设备利用率评价体系示意图；

图5为本发明第二实施例中一种基于数据驱动的配电网规划系统的结构示意图。

如下具体实施方式将结合上述附图进一步说明本发明。

具体实施方式

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若干个实施例。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。

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。

请参阅图1，所示为本发明第一实施例中的一种基于数据驱动的配电网规划方法的流程图，该方法包括步骤S01至步骤S04,其中：

步骤S01：基于条件深度卷积对真实数据和随机噪声进行特征提取，并把提取到的特征进行拼接，以根据拼接后的特征生成新能源出力及负荷功率的场景；

需要说明的是，传统的统计方法生成场景难以全面描述新能源和负荷的不确定性。采用条件深度卷积生成网络( C-DCGAN )算法来描述新能源的不确定性，构建新能源出力及负荷需求场景。

深度卷积神经网络( Deep Convolution Neural Network，DCNN )作为常用的深度学习网络结构之一，能够准确分析采样数据点与局部输入信息之间的相关性，挖掘输入数据的局部信息特征。结合可再生能源发电数据的时间垂直相似性，DCNN通过挖掘局部信息特征，可以有效地描述场景数据之间的映射关系。因此，采用以DCNN为主要网络结构的C- DCGAN模型来实现场景数据的迁移。C - DCGAN模型中生成器和判别器的结构如图2所示。

以真实数据为条件y，与随机噪声z拼接后，输入生成器使C - DCGAN的卷积层能够有效分析输入数据的局部信息特征。卷积层作为C - DCGAN的基本结构，通常包含多个卷积核，使得C - DCGAN能够更加全面、快速地提取复杂数据特征。卷积层中的核与该层的输入特征进行卷积，将卷积结果与对应的卷积核结合得到的函数关系即为卷积核的输出。源功率数据

（1）

其中，

每个卷积层设置多个卷积核对原始数据进行卷积操作，这样不同的卷积核在调整时会被赋予不同的权重。多个卷积核会对同一区域的数据进行特征提取，最后将卷积层的所有特征拼接成一个特征，该特征即为卷积层的输出特征。生成器的卷积层输出特征如下：

（2）

经过卷积运算后，卷积层的输出特性可以表示源功率数据

同样，以源功率数据为条件

（3）

（4）

其中，

计算多个卷积核后，生成数据

（5）

（6）

同时，卷积层的输出特性可以分别表示可再生能源的源功率数据

步骤S02：基于新能源出力及负荷功率的场景构建配电网双层规划模型，所述配电网双层规划模型包括上层配电网模型和下层用户侧模型；

在本步骤中，建立考虑碳交易的配电网双层规划模型，协同规划源-网-荷-储；在上层问题中，在已知各个节点负荷的情况下，作出最优规划策略。考虑到新能源的不确定性，采用鲁棒优化的方式，将规划问题建模为min-max-min两阶段问题。第一阶段的决策变量为新能源机组投建容量、储能投建容量、线路扩展决策变量。目标函数为投资成本年金最低，约束条件为线路扩建条数约束、新能源容量和储能站容量约束等。第二阶段的决策变量为每个设备在不同时刻的出力值、弃风弃光量等，目标函数为总运行成本最低，具体包含发电成本、弃风弃光成本以及碳交易成本；约束条件则包含发电机运行约束、潮流约束等。在获得最优规划方案和最优调度策略后，下层用户规划通过“碳流”模型，追踪发电侧产生的碳排放足迹，根据每个节点的用能行为计算出其碳排放强度，制定碳交易价格，从而指导用户的用能行为，达到降低总碳排放的目的。

首先，建模上层配电网模型。

配电网规划模型的鲁棒优化形式为：

（7）

式中：

（8）

式中：

（9）

式中：

、/>

式(7)中的

（10）

式中：

的表达式为：

（11）

式中：

的表达式为：

（12）

式中：

由于新型电力系统中大量分布式能源接入，而分布式能源具有波动性和随机性的特点，因此在配电网规划模型中采用结合典型日运行的方法，使得规划模型的颗粒度更加细致。其约束条件包含风电出力约束：

（13）

式中：

光伏约束：

（14）

式(14)中各个变量的含义与风电出力约束的计算公式(13)一致，只是都是关于光伏的变量。这里不再赘述。

储能约束：

（15）

式中：上标

（16）

水能转换约束：

（17）

式中：上标

水库约束：

（18）

式中：

由于预测来水量存在预测误差

（19）

式中：Pr{·}为事件成立的概率；

（20）

式中：

功率平衡约束：

（21）

（22）

式中：

交流潮流线性化约束：

（23）

其中，

交流潮流线性化的主要思想是对cos函数进行线性逼近。在电网运行时，

（24）

式中：

因此，线性化交流潮流约束可以表述为：

（25）

式中：

（26）

进一步地，建模下层用户侧模型。

基于网架优化问题中各节点功率平衡约束对应的拉格朗日乘子，计算配电网各节点边际电价。由于上层能源网架模型中引入了储能0-1变量，上层模型非凸，无法直接求取拉格朗日乘子。因此，先求解上层规划问题，得到优化结果后将储能的0-1状态优化结果代回上层规划，重新构造拉格朗日方程计算边际电价。

下层问题站在用户侧的角度，以上层问题传入的电价格、碳价格为边界条件，优化自身的用能行为，调整负荷以平衡购能成本和用能舒适性。因此在用户的优化问题中，以用能成本和用能偏好成本的综合成本作为目标函数：

（27）

式中

（28）

式中

（29）

式中，

和/>

步骤S03：采用数据驱动的改进并行列与约束生成算法对所述上层配电网模型和所述下层用户侧模型中的规划问题进行求解；

在本步骤中，自适应两阶段鲁棒优化的一般形式为min-max-min三层优化问题，需要求解零和博弈max-min问题，一般采用强对偶理论(strong duality property)或者KKT条件(Karush–Kuhn–Tucker conditions)进行求解。外层的min问题与max-min之间则一般采用Benders分解法或者列与约束生成法(column-and-constraint generation)。但是考虑到储能设备不能同时充放电，因此必须引入非线性约束或者0-1整数变量，这就导致了强对偶理论和KKT条件失效，无法直接求解max-min双层优化问题。此时需要通过嵌套列与约束生成算法(nested column-and-constraint generation)求解两阶段鲁棒优化问题，但是会增加迭代次数，算法效率较低。鉴于上述考虑，本申请采用一种数据驱动的鲁棒优化，以场景概率作为不确定性变量。

首先：建立数据驱动的鲁棒优化模型。

上述数据驱动的鲁棒优化模型的一般形式如下：

（30）

（31）

（32）

式中：

（33）

式中：

（34）

式中：

在步骤S01的C-DCGAN方法生成源荷出力场景后，进行场景削减，具体方法为：

首先初始化，设置最终目标场景数为

（35）

初始化消减场景集合为

其次，计算

（36）

接着，对于任意的场景

（37）

然后，在

（38）

最后，分别更新消减场景集合

进一步地，再采用并行列与约束生成算法求解配电网规划。

为了求解min-maxmin三层鲁棒优化问题，本文采用列与约束生成算法（columnand constraint generation，CCG），其相比 Benders 算法具有更低的复杂度，对变量类型不敏感，但对大规模优化问题仍然难以求解。因此本报告结合了场景集生成和削减技术，从而使得在第二阶段min问题中各个场景下的优化问题都是独立的，将中层和内层的max-min两层优化问题分解为多个可以并行计算的小型线性优化问题，从而避免了高度非凸双线性项的出现。算法主问题决定模型第1阶段的投资决策变量，对于第

CCG算法可通过主子问题迭代求解三层鲁棒优化问题。主问题包含第一阶段模型以及子问题寻找到的最恶劣场景概率下运行工况约束，第

（39）

（40）

（41）

（42）

式中

子问题为两层max-min优化问题，一般来说需要通过强对偶理论将内层最小化问题转化为最大化问题进行求解。但对于较为复杂的优化问题，其对偶问题推导困难，且有0-1整数变量时，强对偶定理失效，需要其他方法进行解决。为了避免这些困难，本报告采用的数据驱动方法，可以并行求解各个子问题：

（43）

综上，根据主子问题，并行CCG算法求解步骤如下：

首先初始化，设置迭代次数

其次，求解主问题，得到主问题目标函数值

接着，根据主问题结果求解子问题，得到其目标函数值

最后进行收敛性判断，如果

综上，通过建立数据驱动的鲁棒优化模型一般形式，在C-DCGAN方法生成源荷出力场景后，进行场景削减。结合了场景集生成和削减技术，采用并行列与约束生成算法求解配电网规划，使得在第二阶段min问题中各个场景下的优化问题都是独立的，将中层和内层的max-min 两层优化问题分解为多个可以并行计算的小型线性优化问题，从而避免了高度非凸双线性项的出现。算法主问题决定模型第1阶段的投资决策变量，对于第

步骤S04：基于隶属度函数建立设备利用率评价体系，以根据所述设备利用率评价体系对配电网设备的至少一项指标进行优化。

长久以来，电力行业对于反映供电质量的电压合格率、反映运行经济性的线损率和反映供电持续性的可靠率都有比较多的研究成果，而用于反映配电网建设经济性和电网资产使用情况的配电网设备利用率，还没有形成一个完整的评价体系，不能有效地对配电网设备利用率的具体情况进行定性定量的分析。因此，若要在规划中就考虑设备利用率，首先需要对设备利用率的评价体系进行分析和总结，按照不同设备类型及其功能和利用方式，选取不同的设备利用率评价指标，并最终形成一个评价体系。

请参阅图4，所示为设备利用率评价体系示意图，在本步骤中，通过对设备利用率的评价体系进行分析和总结，按照不同设备类型及其功能和利用方式，建模线路平均利用率、最大负荷利用率、线路阻塞利用率等设备利用率评价指标体系，建立隶属度函数并转化指标，为配电网规划方案提供实际评价手段。

配电网设备利用率与供电可靠性、网络结构、负荷特性和电网建设裕度等方面的因素相关。设备极限负载能力主要指因设备自身的设计与制作工艺而使得设备在正常运行状态下所能承受的最大负荷；设备极限负载能力利用率是指电网设备实际所带负荷与其极限负载能力的比值；设备最佳负载能力主要指考虑一定的安全可靠原则、网络结构、负荷特性及其发展条件下设备所能承受的最大负荷。

由于电力系统在运行时，需要满足一定的可靠性要求，比如“N-x”安全准则，因此电力系统中的设备在正常运行时，极限负载能力利用率一定不可能达到100%，否则将没有一点裕度，遭受故障或者极端情况时可能会造成供电事故。因此，衡量设备利用率的时候不能考虑设备极限负载能力利用率，而是要基于设备最佳负载能力。而电网设备最佳负载能力取决于3个因素：1）电网所需满足的安全准则；2）负荷特性；3）电网为负荷发展所留有的裕度。

此外，考虑到新型电力系统中新能源装机容量大幅度提升，对于新能源出力设备也需要考虑其设备利用率。由于新能源具有波动性和不确定性，其出力是不受人为控制的，因此，考虑以新能源消纳率作为衡量新能源发电设备的设备利用率评价指标，既可以避免其不确定性带来的影响，在规划时若是将提高设备利用率作为目标之一，又可以促进新能源的消纳，是符合当前发展需求的，具体地，该步骤S04包括步骤S401至步骤S406，其中：

步骤S401：建模线路平均利用率。

电力线路的利用率可以直观得反映出线路的负载情况，能够协助电网公司评估电力线路的利用水平。综合考虑线路的安全裕度和发展裕度，线路利用率存在一个最佳的利用水平，即线路平均最佳利用率，在对设备利用率进行考核的过程中，线路实际利用率越接近最佳利用率，则评分越高。此外，现有的研究对于线路利用率的考察大多采用线路上流过的有功功率作为指标，但是电力线路不仅承担有功功率的输送，也承担无功功率的输送，以维持系统的电压频率稳定。因此更本质的考察方式是综合考虑有功功率和无功功率，从数学优化的角度说，选取合适的潮流方程线性化的方式可以解决这一问题。本申请采用Dist-flow潮流方程，建立有功功率、无功功率和线路电流的关系，从载流量的角度衡量电力线路的实际利用率和最佳利用率。其中，电力线路的最佳利用率为：

（44）

式中：

电力线路的实际平均利用率为：

（45）

式中：

步骤S402：建模最大负荷利用率。

电力负荷会随着季节和时间的变化而变化，对于电力负荷线路来说，若采用平均利用率则会因为负荷低谷时的利用率太低导致整体利用率偏低，这是不合理的，因为电力线路必须满足最大负荷时刻的负荷需求，并且应当留有余量。因此针对直接连接负荷的线路，计算利用率时应该采用最大负荷时刻对应的线路实际利用率，与最佳利用率相比较得到利用率评分。负荷线路的最大负荷利用率为：

（46）

式中：

步骤S403：建模最大光伏出力利用率。

与负荷一样，光伏作为一种不可控的新能源，其出力具有波动性和随机性。同样地，与光伏相连的线路肩负着消纳光伏、输送光伏出力的任务，而光伏在夜间的出力为0，在某些时刻的出力也可能很低，若采用平均利用率也会导致光伏线路利用率过低，这是不合理的。考虑到新能源应当尽可能上网，因此也光伏线路最好要满足光伏最大出力时刻的传送需求，以最大光伏出力利用率去衡量光伏线路的利用率较为合理：

（47）

式中：

步骤S404：建模线路阻塞利用率。

由于在实际情况下，风电、光伏等可再生能源接入比例不断增加，电力线路除了供应负荷需求，还肩负着传输新能源的任务。输电线路的载流量达到限值后，意味着可能发生阻塞，导致新能源无法上网，进而造成资源浪费。此时，应该对该条线路或者其他线路进行扩容来进一步消纳新能源。为了在规划中考虑这种情况，本研究提出了电力线路的阻塞率概念，来衡量线路传输能力的大小：

（48）

式中：

步骤S405：建模光伏、水电消纳率。

前文从线路利用率的角度衡量了可再生能源的消纳，这里直接从新能源设备出发，以其消纳率作为利用率指标：

（49）

（50）

式中：

步骤S406：设备利用率综合评价。

在建立完设备利用率评价体系后，需要对其进行综合评价。因此首先需要一定的隶属度关系，来得到各个指标实际值对应的评分值。针对线路最优利用率，一般安全裕度取值在0-0.1之间，发展裕度取值在0-0.05之间，因此线路最优利用率可以取为0.8-0.85之间。考虑到线路实际利用率超过90%时存在可靠性不足的问题，应该避免，因此得分设置较低。线路实际平均利用率的隶属度关系如下表1所示：

表1 线路平均利用率隶属度关系

线路阻塞利用率衡量了线路输送能力，其值越低越好，因此隶属度关系如下表2所示：

表2 线路阻塞利用率隶属度关系

可再生能源消纳率的隶属度关系如下表3所示：

表3 线路阻塞利用率隶属度关系

在设备利用率评价体系中，线路平均利用率、最大负荷利用率和最大光伏出力利用率的值与该线路最佳利用率的值越接近，则其利用率水平就越高。而线路阻塞利用率的值越低，其利用率水平越高。光伏、水电消纳率的值越高，其利用率水平越高。在这种考量下，指标值的高低期望方向不同，不便于处理。因此，对上述指标进行一定的转换，便于在规划时作为其中一个目标函数。对于线路平均利用率、最大负荷利用率和最大光伏出力利用率，采用其与线路最佳利用率的差值的绝对值最小作为优化目标：

（51）

针对光伏、水电消纳率，可以采用弃光率和弃水率最小作为优化目标：

（52）

（53）

经过上述处理，设备利用率评价体系中所有指标均为越小越好，便于统一处理。

综上，根据上述的基于数据驱动的配电网规划方法，通过综合数据驱动与传统优化方法优势，在考虑源荷不确定性的背景下保证电力系统规划的经济性和低碳性，进一步提高电力系统规划有效性，为新能源大规模接入的电力系统规划方案提供有效参考。具体为：基于条件深度卷积生成对抗网络的数据驱动方法迁移新能源发电场景数据并预测多能源负荷，而后建立配电网双层规划模型，其中上层通过计算潮流情况及边际成本制定电价，并基于拉格朗日系数理论得到用户碳价格，下层问题以价格为边界条件，从而优化用户用能行为，调整负荷以平衡购能成本和用能舒适性；最后基于两阶段鲁棒优化方法，采用改进的并行列与约束生成算法求解配电网双层规划问题；通过隶属度函数建立设备利用率评价体系，量化分析供电可靠性、网络结构、负荷特性和电网建设裕度等方面因素，为配电网规划方案提供实际评价手段。

请参阅图5，所示为本发明第二实施例中的一种基于数据驱动的配电网规划系统的结构示意图，该系统包括：

深度提取模块10，用于基于条件深度卷积对真实数据和随机噪声进行特征提取，并把提取到的特征进行拼接，以根据拼接后的特征生成新能源出力及负荷功率的场景；

双层模型构建模块20，用于基于新能源出力及负荷功率的场景构建配电网双层规划模型，所述配电网双层规划模型包括上层配电网模型和下层用户侧模型；

规划问题求解模块30，用于采用数据驱动的改进并行列与约束生成算法对所述上层配电网模型和所述下层用户侧模型中的规划问题进行求解；

指标优化模块40，用于基于隶属度函数建立设备利用率评价体系，以根据所述设备利用率评价体系对配电网设备的至少一项指标进行优化。

本发明另一方面还提出可读存储介质，其上存储有一个或多个程序，该程序给处理器执行时实现上述的一种基于数据驱动的配电网规划方法。

本发明另一方面还提出一种电子设备，包括存储器和处理器，其中存储器用于存放计算机程序，处理器用于执行存储器上所存放的计算机程序，以实现上述的一种基于数据驱动的配电网规划方法。

本领域技术人员可以理解，在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。

计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或它们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明的保护范围应以所附权利要求为准。