一种考虑电力系统灵活性的多能源日前调度方法及系统

技术领域

本发明涉及电力系统调度技术领域，特别是涉及一种考虑电力系统灵活性的多能源日前调度方法及系统。

背景技术

随着能源与环境问题的日益加剧，新能源在电力系统中所占的比例逐渐加大。风电是目前发展前景最好的可再生能源发电方式之一，但是由于其出力的随机性、波动性和间歇性等不确定性的特点，含高渗透率风电的电力系统面临着严重的“弃风”问题。传统的电力系统日前调度方法已经无满足消纳高比例风电的需求，调峰矛盾逐渐加剧。电力系统的灵活性是影响风电大规模消纳的重要因素之一。所谓灵活性，是指在一定经济约束下电力系统响应负荷和波动电源变化而随之调节的能力。因此，在日前优化调度中，不仅要考虑到电力系统的经济性，同时还要均衡考虑到电力系统的灵活性。

然而，在现有技术中，对于电力系统的灵活性的定义和评价没有统一的标准。由于电力系统的灵活性涉及的因素众多，难以用数学公式统一表征，目前较多的研究都是从保障可靠运行概率的规划角度出发进行灵活性定量评价，而对于电力系统运行的灵活性评估的研究较少，而且，当前针对高渗透风电的日前优化调度方法大多数仅考虑到生产成本、购电成本，而忽视了电力系统高度不确定因素影响下的灵活性需求，因此，难以实现电力系统的经济性和灵活性的均衡。因此，研发一种能够均衡电力系统的经济性和灵活性的日前调度方法是本领域技术人员亟待解决的问题。

发明内容

本发明的目的是提供一种考虑电力系统灵活性的多能源日前调度方法及系统，充分利用传统机组良好的调节性能响应负荷和波动电源变化，同时增强了电力系统大规模接纳风电的能力，实现了系统的经济性和灵活性的均衡。

为实现上述目的，本发明提供了如下方案：

一种考虑电力系统灵活性的多能源日前调度方法，包括以下步骤：

S1，确定电力系统的灵活性特征参数；

S2，修正所述电力系统的风电预测值和负荷预测值；

S3，根据所述灵活性特征参数以及所述风电预测值和负荷预测值的修正结果，建立计及系统灵活性的日前优化调度模型；

S4，基于遗传算法，求解并输出所述日前优化调度模型的最优解集。

进一步的，所述步骤S1中，灵活性特征参数包括调节容量、调节速度、调节周期。

进一步的，所述步骤S1，确定电力系统的灵活性特征参数，具体为：采用采用模糊综合评价法对各项灵活性特征参数进行量化评价，得到电力系统中机组的灵活性的量化得分，包括以下步骤：

确定调节容量：调节容量S为机组的额定容量P

确定调节速度：调节速度V表征为向上爬坡v

确定调节周期：调节周期T定义为机组从上一时刻开机到达机组最小稳定出力，到下一时刻机组由关机到开机到达机组最小稳定出力的最小时间间隔，具体表示为：T＝t

由确定的调节容量、调节速度、调节周期形成灵活性特征参数模糊评价集，对评价等级进行量化打分，最终形成电力系统中机组的灵活性的量化得分。

进一步的，所述步骤S2中，修正所述电力系统的风电预测值和负荷预测值，具体包括：

采用风功率历史预测误差作为误差经验分布，对所述风电预测值进行修正，得到风电预测修正值

其中，ε

采用正态分布模拟，对所述负荷预测值进行修正，得到负荷预测修正值

其中，ε

进一步的，所述步骤S3中，根据所述灵活性特征参数，建立计及系统灵活性的日前优化调度模型，具体包括：

根据所述灵活性特征参数以及所述风电预测值和负荷预测值的修正结果，确定所述计及系统灵活性的日前优化调度模型中的目标函数；

根据所述风电预测值和负荷预测值的修正结果，确定所述计及系统灵活性的日前优化调度模型中的所述目标函数的约束条件。

进一步的，所述目标函数为：

其中，式(3)中minf

式中，i为机组编号；t为调度周期；C

所述约束条件包括：负荷平衡约束、机组的发电功率限制约束、系统备用要求约束、最小开停机时间约束以及机组的爬坡约束。

进一步的，所述负荷平衡约束为：

所述负荷平衡约束为：

其中，P

所述机组的发电功率限制约束为：

其中，

所述系统备用要求约束为：

其中，P

所述最小开停机时间约束为：

其中，

所述机组的爬坡约束为：

P

P

其中，UR

进一步的，所述步骤S4中，基于遗传算法，求解并输出所述日前优化调度模型的最优解集，具体包括:

随机产生多个初始二进制编码作为基因型，以形成初始化；

评估每个基因型，并计算其适应值，具体地，机组的基因型被解码为N单位、H期操作时间表，每个基因型的适应值与所述目标函数是一致的；

使用轮盘赌轮父选择算法选择两种基因型，即从历史的计及机组灵活性的方案群中选择出具有与基因型相对适合度成比例的概率的基因型，该概率是根据历史数据进行模拟出的一个概率；

上述两种基因型经交叉运算、基因突变、运行概率适应、比对进化得出成熟收敛的最优解，最后输出最优解集。

本发明还提供了一种考虑电力系统灵活性的多能源日前调度系统，应用于上述的考虑电力系统灵活性的多能源日前调度方法，包括：

确定单元，用于确定电力系统的灵活性特征参数；

修正单元，用于修正所述电力系统的风电预测值和负荷预测值；

模型建立单元，用于根据所述灵活性特征参数以及所述风电预测值和负荷预测值的修正结果，建立计及系统灵活性的日前优化调度模型；

求解输出单元，用于基于遗传算法，求解并输出所述日前优化调度模型的最优解集。

进一步的，所述确定单元包括：

调节容量确定模块，用于确定调节容量；

调节速度确定模块，用于确定调节速度；

调节周期确定模块，用于确定调节周期；

灵活性量化得分计算模块，用于由确定的调节容量、调节速度、调节周期形成灵活性特征参数模糊评价集，对评价等级进行量化打分，最终形成电力系统中机组的灵活性的量化得分；

所述修正单元包括：

风电预测值修正模块，用于采用风功率历史预测误差作为误差经验分布，对所述电力系统的风电预测值进行修正，得到风电预测修正值

负荷预测值修正模块，用于采用正态分布模拟，对所述负荷预测值进行修正，得到负荷预测修正值

所述模型建立单元包括：

目标函数建立模块，用于根据所述灵活性特征参数，建立所述计及系统灵活性的日前优化调度模型中的目标函数；

约束条件确定模块，用于根据所述风电预测值和负荷预测值的修正结果，确定所述计及系统灵活性的日前优化调度模型中的所述目标函数的约束条件；

所述求解输出单元包括：

初始化模块，用于随机产生多个初始二进制编码作为基因型，以形成初始化；

适应值计算模块，用于评估每个基因型，并计算其适应值，具体地，机组的基因型被解码为N单位、H期操作时间表，每个基因型的适应值与所述目标函数是一致的；

基因型选择模块，用于使用轮盘赌轮父选择算法选择两种基因型，即从历史的计及机组灵活性的方案群中选择出具有与基因型相对适合度成比例的概率的基因型，该概率是根据历史数据进行模拟出的一个概率；

最优解计算模块，用于上述两种基因型经交叉运算、基因突变、运行概率适应、比对进化得出成熟收敛的最优解，最后输出最优解集。

根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的考虑电力系统灵活性的多能源日前调度方法及系统，旨在解决现有技术中的风电电力系统日前调度方法存在难以均衡系统的经济性和灵活性的问题；本发明通过确定电力系统的灵活性特征参数，修正该电力系统的风电预测值和负荷预测值，根据灵活性特征参数以及修正后的风电预测值和负荷预测值建立计及系统灵活性的日前优化调度模型，并基于遗传算法，求解并输出该调度模型的最优解集，因此，本发明充分考虑到了电力系统的风电出力和负荷变化双重不确定性影响，充分利用传统机组(水电、火电)良好的调节性能响应负荷和波动电源变化，增强了电力系统大规模接纳风电的能力，实现了系统的经济性和灵活性的均衡。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明考虑电力系统灵活性的多能源日前调度方法的流程示意图；

图2为本发明实施例提供的机组在运行过程中的灵活性特征参数表征图；

图3是本发明实施例提供的初始化的机组基因型状态示意图；

图4是本发明算例提供的机组调度结果一；

图5是本发明算例提供的机组调度结果二；

图6是本发明算例提供的机组调度结果三；

图7是本发明实施例提供的考虑电力系统灵活性的多能源日前调度系统的结构示意图；

图8是本发明实施例提供的修正单元的结构示意图；

附图标记说明：1、确定单元；2、修正单元；3、模型建立单元；4、求解输出单元；2-1、风电预测值修正模块；2-2、负荷预测值修正模块。

具体实施方式

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，都属于本发明保护的范围。

本发明的目的是提供一种考虑电力系统灵活性的多能源日前调度方法及系统，充分利用传统机组良好的调节性能响应负荷和波动电源变化，增强了电力系统大规模接纳风电的能力，实现了系统的经济性和灵活性的均衡。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

如图1所示，本发明实施例提供的考虑电力系统灵活性的多能源日前调度方法，包括以下步骤：

S1，确定电力系统的灵活性特征参数；结合图1和图2，在本发明实施例中，目前电力系统中常规机组的灵活性特征主要包括其爬坡率、最小稳定出力、最小开机/停机时间和最小启停时间，Vishwamitra Oree等人利用层次分析法对上述因素进行分析并最终对机组的灵活性做出了评价。在实际运行中，启停机时间和开停机时间必然是有序统一的，因此，常规机组的灵活性特征可以表征为：调节容量、调节速度、调节周期；

对于常规机组的系统灵活性，目前尚没有统一的定义，具有一定的模糊性；而且相同规格的机组在不同的电力系统中表现出不同的灵活性，因此，对于机组的灵活性评价必须在特定的系统中所有电源之间对比做出灵活性评价。考虑到多种因素的影响，本发明实施例采用模糊综合评价法对常规机组的灵活性做出量化评价。模糊综合评价方法主要是根据模糊问题的各个评价因素、评价标准、自然状态以及各因素的相对重要程度建立模糊综合评价模型，然后对各被评价对象进行综合评价。在本发明中的应用具体为：采用采用模糊综合评价法对各项灵活性特征参数进行量化评价，得到电力系统中机组的灵活性的量化得分，包括以下步骤：

确定调节容量：调节容量S为机组的额定容量P

确定调节速度：调节速度V表征为向上爬坡v

确定调节周期：在本发明实施例中，在含高渗透率波动性电源的电力系统中，机组有时候需要快速的启停机满足系统调峰需求，但是不同于储能，常规机组的启停受多方面因素制约。一方面，由于经济和安全因素的制约，传统发电机在开机达到并网要求后，必须保持一段时间的在线运行状态确保发电相关的运营成本和维护成本；另一方面，为了防止热应力等因素降低机组的寿命，常规火电机组停机后保持一段时间关机状态。常规机组的调节周期T与机组的启动时间t

最后，由确定的调节容量、调节速度、调节周期形成灵活性特征参数模糊评价集，对评价等级进行量化打分，最终形成电力系统中机组的灵活性的量化得分。

S2，修正所述电力系统的风电预测值和负荷预测值；

风电和负荷都存在着预测误差，这使得电力系统规划与运行都面临各种风险，给电力系统安全稳定经济运行带来诸多不利的影响。在日前调度阶段，必须要同时考虑这两者的不确定性。以风电为代表的新能源出力，其本质是空间尺度的分散性与时间尺度的随机波动不确定性。并且，风能的随机不确定性随季节、气候、局部气象、地理条件等因素的变化而不同。对于调度部门来说，应把握调度范围内的风电的波动规律，在日前调度中对风电的不确定性做出处理。

因此，在本发明实施例中，采用风功率历史预测误差作为误差经验分布，对所述风电预测值进行修正，得到风电预测修正值

其中，ε

采用正态分布模拟，对所述负荷预测值进行修正，得到负荷预测修正值

其中，ε

S3，根据所述灵活性特征参数以及所述风电预测值和负荷预测值的修正结果，建立计及系统灵活性的日前优化调度模型；具体包括：

根据所述灵活性特征参数，确定所述计及系统灵活性的日前优化调度模型中的目标函数；

根据所述风电预测值和负荷预测值的修正结果，确定所述计及系统灵活性的日前优化调度模型中的所述目标函数的约束条件。

S4，基于遗传算法，求解并输出所述日前优化调度模型的最优解集。

其中，所述步骤S3中，计及系统灵活性的日前优化调度模型是满足负荷及系统运行约束前提下，合理分配火电机组的出力，使调度时段内总的发电成本最小。为了保证电力系统安全稳定经济运行，系统须编制具有较大灵活性的开机计划来满足风电和负荷的双重不确定性。即在发电成本的基础上实现机组总的灵活性最高。

在本发明实施例中，利用上述特征参数和修正结果建立了以电力系统的灵活性和总发电成本为目标，系统功率平衡、爬坡约束、机组出力上下限等约束的多目标优化调度模型。

其中，所述目标函数为：

其中，式(3)中minf

式中，i为机组编号；t为调度周期；C

所述约束条件包括：负荷平衡约束、机组的发电功率限制约束、系统备用要求约束、最小开停机时间约束以及机组的爬坡约束，其中，

所述负荷平衡约束为：

其中，P

所述机组的发电功率限制约束为：

其中，

所述系统备用要求约束为：

其中，P

所述最小开停机时间约束为：

其中，

所述机组的爬坡约束为：

P

P

其中，UR

其中，所述步骤S4中，基于遗传算法，求解并输出所述日前优化调度模型的最优解集，具体包括：

将遗传算法(GA)应用于机组组合问题的求解，选择简单的二进制字母表来编码解决方案。如图3所示，N代表机组单位数，H代表小时的调度周期，假设每小时机组单元的状态为ON或OFF，单个单元的操作时间表具有H个字符串。在单个单元的操作时间表中的H个字符串中，某个位置的“1”表示该单元在该特定小时处于ON状态，而“0”表示该单元处于OFF状态。

在本发明实施例中，首先，随机产生多个初始二进制编码(基因型)以形成初始化；其次，评估每个基因型，并计算其适应值，具体地，机组的基因型被解码为N单位/H期操作时间表；每个粒子(基因型)的适应值和目标函数

电力系统的机组总燃料成本f

其中，GA开始创建新的计及机组灵活性的优化解决方案，具体为：使用轮盘赌轮父选择算法选择两种基因型，该算法可从历史的计及机组灵活性的方案群中选择出具有与基因型相对适合度成比例的概率(该概率是根据历史数据进行模拟出的一个概率)的基因型；然后，将选择出的两个基因型作为遗传算子产生一个新的后代基因型，具体的：上述两种基因型交叉运算(该运算以一定的概率应用)；基因突变(通常突变的概率很小，是指随机选择的位数后代基因型从'0'变为'1')；运行概率适应(通过对历史数据的监控，对运行结果方向进行移动)；通过比对(比较每个基因型间的适应值大小，即目标函数的大小)进化出成熟收敛的最优解；最后输出最优解。

在本发明实施例中，为了防止上述计及机组灵活性的方案发生早熟的问题，可在算法迭代的过程中，通过预先设置一个粒子群最优位置连续不变化次数的阈值，当粒子群最优粒子位置连续不变化次数大于预设的阈值时，对粒子群位置向量按随机变异概率因子发生变异，更新完成后继续判断是否超过预设的阈值解决该早熟问题。

为了进一步验证本发明方法的有效性和准确性，以下结合具体的算例做详细的说明，如下：

首先，假设有N＝3个不同类型的发电机组(如核能、水能、天然气、石油、煤炭等)。其中，每个机组都具有最大功率容量，并在打开时具有最小容量。调度问题在48个时间单位(时间单位可为：小时、天等)内解决，并且预测的电力需求由周期性函数给出。以一个时间单位运行电厂i的成本由二次函数Q

(1)具有线性开关建模的第一个模型：该模型将由两个变量组成，一个是二进制变量，它控制机组i是否在时间k开启，另一个变量是一个连续变量，表示机组i在时间k输出的功率。

在进行建模时，一个典型的问题就是开始将开关变量乘以功率变量P，遵循机组的功率由开关和P的乘积给出的逻辑。这种方法会使模型超越混合整数线性和二次规划界限。为了解决该问题，乘法应该通过逻辑约束隐式完成，即，如果onoff为0，则P应为零，如果onoff为1，则应允许P在其下限和上限之间，基于该逻辑建立模型。

(2)使上述模型满足功率平衡的条件。

(3)计算上述模型在预测时间范围内的总运行成本和机组灵活性，其中计算的结果如图4所示，从图4中可以看出，在考虑经济性和灵活性的情况下，主要以Unit1机组进行发电，Unit2机组为辅，Unit3机组发电较少。按照提出的调度方案可以实现机组平稳，高效灵活，经济的调度。

(4)添加最少的上下行时间：

上述模型还存在一定缺陷是假设可以任意打开和关闭机组。大多数情况下，如果一个机组开启，它必须运行多个时间单位，关闭时，它将消失多个时间单位(重新启动很复杂等)。因此，定义了描述这些机组特征的两个新变量(最小开机时间minup和最小关机时间mindown)。

示例性的，当机组Unit1打开时，它必须打开至少6个连续时间单位，并且当机组Unit2关闭时，它将保持关闭6个时间单位。

通过涉及二元变量的线性约束来描述这些属性，并且从最小运行时间约束开始。如果机组i开启，它必须保持最小(i)时间单位。这可以表述为：如果机组在时间k-1关闭并且在k时开启，那么它必须在时间k+1，k+2，...，k+minup(i)-1处开启。使用的方法是认为onoff(k)-onoff(k-1)是1，否则它是0或-1。停机时间约束以类似的方式进行创建。

(5)量化的功率水平：

一些机组只能以有限数量的配置运行，从而使输送功率成为量化变量。这里，假设电厂3以这种方式受到限制，运行的结果如图5所示。为了更加贴近实际，机组在不同时段的所处类型(基荷、腰荷、峰荷)不同，对实际数据进一步验证过，机组方案完全满足，从图5中可以看处Unit2为基荷负荷。

(6)运行概率模拟(高效的模拟)：

在闭环中模拟这种机组控制策略必须对机组历史数据进行一定参考。首先，采取的控制策略取决于过去的数据。如果在两组10个时间单位之前打开机组，仍然必须开启等。其次，通过避免每次瞬间完全重新定义整个优化问题来使仿真更高效。最后，为了使其模拟实际系统，对电力需求产生一些干扰，为了解决这个问题，可在电力需求约束上增加一个简单的松弛，并惩罚这个目标函数的松弛。

(7)时间约束：

用于连接历史和未来序列。可以通过应用适当定义的上升时间约束来制定停机时间约束。在此过程中，可以向目标函数添加一个惩罚项来惩罚控制的变化。

如图6所示，假设一个机组运行在100，机组二运行在40，第三个机组已经关闭。将历史经验概率引入到优化中去，事情的变化是预测和滑动历史。使用48个时间单位的预测，为了应对上下限时间限制，需要至少30个时间单位的历史记录。从图6的结果可知，将历史发电状态引入后得到的机组调度方案与净负荷对比可知，变化趋势相同，功率平衡，说明所提出的基于灵活性的机组优化调度方法是可行的。

如图7所示，本发明还提供了一种考虑电力系统灵活性的多能源日前调度系统，应用于上述的考虑电力系统灵活性的多能源日前调度方法，包括：

确定单元1，用于确定电力系统的灵活性特征参数；

修正单元2，用于修正所述电力系统的风电预测值和负荷预测值；

模型建立单元3，用于根据所述灵活性特征参数以及所述风电预测值和负荷预测值的修正结果，建立计及系统灵活性的日前优化调度模型；

求解输出单元4，用于基于遗传算法，求解并输出所述日前优化调度模型的最优解集。

其中，所述确定单元包括：

调节容量确定模块，用于确定调节容量；

调节速度确定模块，用于确定调节速度；

调节周期确定模块，用于确定调节周期；

灵活性量化得分计算模块，用于由确定的调节容量、调节速度、调节周期形成灵活性特征参数模糊评价集，对评价等级进行量化打分，最终形成电力系统中机组的灵活性的量化得分；

如图8所示，所述修正单元包括：

风电预测值修正模块2-1，用于采用风功率历史预测误差作为误差经验分布，对所述电力系统的风电预测值进行修正，得到风电预测修正值

负荷预测值修正模块2-2，用于采用正态分布模拟，对所述负荷预测值进行修正，得到负荷预测修正值

所述模型建立单元包括：

目标函数建立模块，用于根据所述灵活性特征参数，建立所述计及系统灵活性的日前优化调度模型中的目标函数；

约束条件确定模块，用于根据所述风电预测值和负荷预测值的修正结果，确定所述计及系统灵活性的日前优化调度模型中的所述目标函数的约束条件；

所述求解输出单元包括：

初始化模块：用于随机产生多个初始二进制编码作为基因型，以形成初始化；

适应值计算模块，用于评估每个基因型，并计算其适应值，具体地，机组的基因型被解码为N单位、H期操作时间表，每个基因型的适应值与所述目标函数是一致的；

基因型选择模块，用于使用轮盘赌轮父选择算法选择两种基因型，即从历史的计及机组灵活性的方案群中选择出具有与基因型相对适合度成比例的概率的基因型，该概率是根据历史数据进行模拟出的一个概率；

最优解计算模块：用于上述两种基因型经交叉运算、基因突变、运行概率适应、比对进化得出成熟收敛的最优解，最后输出最优解集。

综上，本发明提供的考虑电力系统灵活性的多能源日前调度方法及系统，充分考虑到了电力系统的风电出力和负荷变化双重不确定性影响，根据灵活性特征参数，建立所述计及系统灵活性的日前优化调度模型中的目标函数；根据风电预测值和负荷预测值的修正结果，确定所述计及系统灵活性的日前优化调度模型中的所述目标函数的约束条件，充分利用火电、水电等传统机组良好的调节性能响应负荷和波动电源变化，同时，增强了电力系统大规模接纳风电的能力，实现了系统的经济性和灵活性的均衡。

本发明实施例还提供了一种计算机装置，该计算机装置包括处理器，处理器用于执行存储器中存储的计算机程序时实现上述各个方法实施例提供的电力系统调度方法的步骤。

示例性的，计算机程序可以被分割成一个或多个模块，一个或者多个模块被存储在存储器中，并由处理器执行，以完成本发明。一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在计算机装置中的执行过程。例如，所述计算机程序可以被分割成上述各个方法实施例提供的电力系统调度的步骤。

本领域技术人员可以理解，上述计算机装置的描述仅仅是示例，并不构成对计算机装置的限定，可以包括比上述描述更多或更少的部件，或者组合某些部件，或者不同的部件，例如可以包括输入输出设备、网络接入设备、总线等。

所称处理器可以是中央处理单元(CPU)，还可以是其他通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述计算机装置的控制中心，利用各种接口和线路连接整个用户终端的各个部分。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述计算机装置的各种功能。所述存储器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手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还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(SMC)，安全数字(SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

所述计算机装置集成的模块/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，所述的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，所述计算机程序包括计算机程序代码，所述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。所述计算机可读介质可以包括：能够携带所述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、只读存储器(ROM)、随机存取存储器(RAM)、电载波信号、电信信号以及软件分发介质等。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。