变压器温度预警模型的获取方法和装置及温度预测方法

技术领域

本发明涉及变压器技术领域，具体地涉及一种变压器温度预警模型的获取方法和获取装置及温度预测方法。

背景技术

随着配电网规模快速增长，为满足经济社会快速发展用电需求，住宅区、工厂等低电压等级的配电场所的配电变压器等电力设备铺设数量逐渐增多。由于台区变压器在运行过程中产生的电能损耗会转化为热能，导致变压器温度升高。若出现温度异常会对变压器设备造成损坏，致使其寿命缩短，甚至出现失火等情况。因此，在配变台区实现温度预测功能，对于合理配置负载，整体评估服役寿命，以及保证电力系统可靠运行具有重要意义。

现有基于机器学习或深度学习温度预测方法，多借助设备温度或设备负载率历史数据等作为训练和测试样本，并设计相关预测模型拟合数据样本中的时序温度关系，进而形成对下一时刻的电力设备温度预测。然而现有的预测方法具有以下缺点：

(1)依赖于根据先验知识设计的特征提取器的性能，导致模型性能依赖于特征提取器的拟合程度，如想要提高预测精度则需要大量的人工进行特征提取器的设计，使得现有的预测方法缺乏灵活性和可靠性；

(2)将模型训练任务拆分成数个部分分别解决，而后再将结果结合起来以获得所需的预测结果，因而无法实现端到端预测过程，限制了现有的预测方法的准确性和实用性；

(3)利用设备温度或设备负载率等数据训练预测模型。

发明内容

本发明实施例的目的是提供一种变压器温度预警模型的获取方法和获取装置及变压器的温度预测方法，用于解决上述技术问题中的一者或多者。

为了实现上述目的，本发明实施例提供一种变压器温度预警模型的获取方法，所述方法包括：建立温度预警初始模型；获取数据集，所述数据集的数据包括多个温度数据组和与所述温度数据组对应的真实标签，所述温度数据组包括相同预设时长内的多个变压器温度和与所述变压器温度对应的环境温度；对所述数据集中的数据进行特征提取，得到变压器温度特征和环境温度特征；将所述变压器温度特征和所述环境温度特征融合，得到融合特征；基于所述融合特征和所述温度预警初始模型，确定预测标签；以及基于所述真实标签和所述预测标签，对所述温度预警初始模型进行修正，以获取所述温度预警模型。

可选的，在对所述数据集中的数据进行特征提取后，所述方法还包括：确定所述变压器温度重要性权重和所述环境温度重要性权重；基于所述变压器温度特征和变压器温度重要性权重，确定变压器温度加权特征，并基于所述环境温度特征和环境温度重要性权重，确定环境温度加权特征；以及将所述变压器温度加权特征和环境温度加权特征融合，得到加权融合特征，并将所述加权融合特征作为所述融合特征。

可选的，所述方法还包括通过以下方式获得所述变压器温度重要性权重和环境温度重要性权重：分别获取所述变压器温度特征和环境温度特征经神经网络输出的变压器温度输出值和环境温度输出值；分别对所述变压器温度输出值和环境温度输出值进行卷积运算后得到与所述变压器温度重要性权重对应的标量和与所述环境温度重要性权重对应的标量；以及分别将与所述变压器温度重要性权重对应的标量和与所述环境温度重要性权重对应的标量映射至[0,1]区间，以获得所述变压器温度重要性权重和所述环境温度重要性权重。

可选的，通过以下方式确定变压器温度加权特征和环境温度加权特征

可选的，所述将所述变压器温度特征和所述环境温度特征融合包括：将所述变压器温度特征和所述环境温度特征串联拼接后得到的串联特征作为所述融合特征。

可选的，通过以下方式确定预测标签：

可选的，所述基于真实标签和所述预测标签对所述温度预警初始模型进行修正包括：确定所述真实标签与所述预测标签的差异；以及基于所述差异对所述温度预警初始模型进行修正。

可选的，通过以下方式确定所述真实标签与所述预测标签的差异：

可选的，所述基于所述差异对所述温度预警初始模型进行修正，包括基于以下损失函数对所述温度预警初始模型进行修正：

可选的，所述方法还包括：确定所述变压器温度特征和环境温度特征分别与所述串联特征的KL散度；基于所述KL散度，确定所述变压器温度特征和环境温度特征分别与所述串联特征的平均KL散度；以及基于所述平均KL散度对所述温度预警初始模型进行修正。

可选的，通过以下方式确定所述平均KL散度：

可选的，所述基于所述平均KL散度对所述温度预警初始模型进行修正包括基于以下损失函数对所述温度预警初始模型进行修正：

另一方面，本发明实施例提供一种用于变压器的温度预测方法，所述方法包括：获取一时间点的变压器温度和环境温度，将所述变压器温度和环境温度作为输入数据，基于本发明上述中任一项所述方法获取的变压器温度预警模型，获取与所述输入数据对应的输出数据；以及基于所述输出数据，对所述变压器在所述时间点后的状态进行预测。

可选的，所述将所述变压器温度和环境温度作为输入数据包括：基于变压器温度重要性权重对所述变压器温度进行加权，得到加权变压器温度；基于环境温度重要性权重对所述环境温度进行加权，得到加权环境温度；以及将所述加权变压器温度和加权环境温度作为所述输入数据。

另一方面，本发明实施例提供一种变压器温度预警模型的获取装置，所述装置包括：初始模型建立单元，用于建立温度预警初始模型；数据采集单元，用于获取数据集，所述数据集的数据包括多个温度数据组和与所述温度数据组对应的真实标签，所述温度数据组包括相同预设时长内的多个变压器温度和与所述变压器温度对应的环境温度；特征提取单元，用于对所述数据集中的数据进行特征提取，得到变压器温度特征和环境温度特征；融合单元，用于将所述变压器温度特征和所述环境温度特征融合，得到融合特征；预测单元，用于基于所述融合特征和所述温度预警初始模型，确定预测标签；以及修正单元，用于基于所述真实标签和所述预测标签对所述温度预警初始模型进行修正，以获取所述温度预警模型。

另一方面，本发明实施例提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行：如本申请上述任一项所述的变压器温度预警模型的获取方法；和/或如本申请上述任一项所述的用于变压器的温度预测方法。

另一方面，本发明实施例提供一种处理器，用于运行程序，其中，所述程序被运行时用于执行：如本申请上述任一项所述的变压器温度预警模型的获取方法；和/或如本申请上述任一者所述的用于变压器的温度预测方法。

通过上述技术方案，在获取变压器温度预警模型的过程中考虑了环境温度对变压器运行的影响，因而采用本发明提供的方法获取的变压器温度预警模型预测的结果更加准确可靠。

本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：

图1是本发明实施例提供的变压器温度预警模型的获取方法的流程示意图；

图2是本发明实施例提供的用于变压器的温度预测方法的流程示意图；

图3是本发明实施例提供的用于变压器的温度预测方法的流程图；

图4是本发明实施例提供的变压器温度预警模型的获取装置的结构示意图。

具体实施方式

以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。

图1是本发明实施例提供的变压器温度预警模型的获取方法的流程示意图。如图1所示，所述变压器温度预警模型的获取方法包括步骤S110至S160。

在步骤S110，建立温度预警初始模型。

所述温度预警初始模型的建立包括对所述温度预警初始模型的网络设计等，例如模型层数和超参数等固定参数和函数都在温度预警初始模型的构建过程中确定，在依据数据集对温度预警初始模型在后续训练过程中再进行调整和优化。

在步骤S120，获取数据集。

本发明该实施例提出的数据集包括：数据集中包括多个温度数据组，且每个数据组都具有与其相对应的真实标签；每个温度数据组为一个预设时长内的多组温度数据，每组温度数据包括一个变压器温度和与其对应的环境温度。

所述预设时长以及该预设时长内的温度数据组数可以根据实际需求自行设定，例如可以设定预设时长为半小时，在这半个小时以内，每隔五分钟获取一次变压器温度及当前的环境温度，并将其作为一组温度数据。

所述真实标签的类型可以根据实际需求自行设定，例如真实标签可以仅包括正常和警告两种，也可以根据对变压器自身影响和对变压器所在线路影响等综合多种因素对真实标签进行分级，使得真实标签被划分成多个级别。

其中，所述变压器温度优选为变压器柱头温度，其易于采集且能够较准确的反应变压器在工作时的温度状态。

其中，所述环境温度可以通过设置在变压器附近的温度计检测结果中获取，在变压器周围环境温度不易于采集的情况下，也可以考虑从天气预报等其它方式确定相应的环境温度。

在步骤S130，对所述数据集中的数据进行特征提取。

其中，对所述数据集中的数据进行特征提取所采用的提取方法可以为现有的任意方法，并且需要对每一个变压器温度和环境温度都进行特征提取以得到变压器温度特征和环境温度特征。

例如，为了降低对数据集的要求并节省训练时间，可以采用门控循环单元构建双模态网络，分别提取连续时间下数值变化的时间特征，以更少的门控和更少的参数有效降低了获取温度预警模型过程中的训练难度，提高预测精度。

现以一具体实施例来介绍如何通过门控循环单元获取变压器温度特征和环境温度特征。

变压器温度数据特征记为

其中，

在步骤S140，将所述变压器温度特征和所述环境温度特征融合，得到融合特征。

在该步骤中，将变压器温度特征和环境温度特征进行串联拼接即可得到融合特征。

在步骤S150，基于所述融合特征和所述温度预警初始模型，确定预测标签。

在建立温度预警初始模型时，预先选定用于预测标签分布情况的预测函数，所以预测函数可以为现有的任意预测函数，只要能够预测标签分布即可。

示例性的，本发明提供了一种通过用于确定数据集的预测标签分布的预测函数，所述预测函数为：

在步骤S160，基于所述真实标签和所述预测标签，对所述温度预警初始模型进行修正，以获取所述温度预警模型。

在获取温度预警模型的过程中，可以通过以下至少一者对温度预警初始模型进行修正，并将修正后的温度预警初始模型作为所述温度预警模型：

第一种修正方式：先确定真实标签与预测标签的差异，并基于所述压差对所述温度预警初始模型进行修正；

第二种修正方式：在确定真实标签与预测标签的差异的基础上，再确定变压器温度特征和环境温度特征与所述融合特征的平均KL散度，并基于所述差异和平均KL散度对所述温度预警初始模型进行修正。

本发明该实施例提供的变压器温度预警模型的获取方法，在获取的过程中考虑了环境温度对变压器运行的影响，因而采用本发明提供的方法获取的变压器温度预警模型预测的结果更加准确可靠。

本发明该实施例提供的方案在获取变压器温度预警模型的过程中，以预设时长内采集的温度数据作为一个温度数据组，因而通过这种方式获取的变压器温度预警模型能够基于当前时间点的温度数据预测经预设时长后的变压器状态，能够为故障检修队伍提供准确预检的时间，保证能源物联网中电力资源分配合理性和稳定性，避免发生严重的安全事故。

针对上述第一种修正方式，本发明提供一具体实施例来解释如何对温度预警初始模型进行修正。

具体的，先确定每个温度数据组的预测标签可以通过本发明上述实施例提供的预测函数进行确定，也可以通过现有的其他方式进行确定。基于温度数据组的预测标签和真实标签，确定二者差异。再基于所述差异，对温度预警初始模型进行修正。

可选的，可以通过以下公式确定所述温度数据组的预测标签与真实标签的差异：

在此基础上，可以基于Reloss(·)这一函数构建损失函数，以实现对温度预警初始模型的修正。

例如，可以基于以下损失函数对温度预警初始模型进行修正：

其中，所述正则化参数θ

针对上述第二种修正方式，本发明提供一具体实施例来解释如何对温度预警初始模型进行修正。

具体的，在已经确定真实标签与预测标签的差异的基础上，进一步确定变压器温度特征和环境温度特征分别与融合特征的KL散度，再基于所述KL散度确定所述变压器温度特征和环境温度特征分别与所述串联特征的平均KL散度，基于所述差异和所述平均KL散度即可对温度预警初始模型进行修正。

其中，所述预测标签的获取方式和所述真实标签与预测标签的差异的获取方式可以与上述实施例中的示例相同，也可以通过其他方式获取预测标签和真实标签与预测标签的差异。

可选的，所述平均KL散度可以通过以下方式进行确定：

上述实施例提供的平均KL散度确定方法能够有效降低计算复杂性。

在此基础上，可以基于Coloss(·)和上述的Reloss(·)这两个函数构建损失函数，以实现对温度预警初始模型的修正。

例如，可以基于以下损失函数对温度预警初始模型进行修正：

其中，所述正则化参数θ

在上述损失函数中，

考虑到变压器自身的温度和环境温度对变压器温度预测的贡献程度不同，为了突出两种数据中的重点信息，减少无关信息的干扰以提高模型预测准确度，可以考虑对温度数据组中的变压器温度和与其对应的温度信息进行加权处理。

本发明实施例提出了在由变压器温度特征和环境温度特征获取融合特征的过程中，对其进行以下处理：确定所述变压器温度重要性权重和所述环境温度重要性权重；基于所述变压器温度特征和变压器温度重要性权重，确定变压器温度加权特征，并基于所述环境温度特征和环境温度重要性权重，确定环境温度加权特征；以及将所述变压器温度加权特征和环境温度加权特征融合，得到加权融合特征，并将所述加权融合特征作为所述融合特征。

其中，所述变压器温度重要性权重和所述环境温度重要性权重可以根据经验自行设定。

为了能够提高变压器温度重要性权重和环境温度重要性权重的可靠性，本发明实施例还提出了一种具体的获取方法，所述方法包括：分别获取所述变压器温度特征和环境温度特征经神经网络输出的变压器温度输出值和环境温度输出值；再分别对所述变压器温度输出值和环境温度输出值进行卷积运算后得到与所述变压器温度重要性权重对应的标量和与所述环境温度重要性权重对应的标量；以及分别将与所述变压器温度重要性权重对应的标量和与所述环境温度重要性权重对应的标量映射至[0,1]区间，即可获得所述变压器温度重要性权重和所述环境温度重要性权重。

具体的，可以通过以下公式完成变压器温度重要性权重和环境温度重要性权重的获取：

在上述公式中，可以通过sigmoid激活函数将卷积得到的标量映射到[0,1]区间，形成重要性权重。

本发明实施例提供的方案中提到了需要将变压器温度重要性权重和环境温度重要性权重分别映射到[0,1]区间，在此基础上，如若直接将其与未加权特征进行元素相乘，将导致加权后的特征值退化，因此为了保证加权特征的值不低于未加权特征的值以保留深部特征的良好特性，可以考虑对加权特征进行进一步地处理以得到有效的融合特征。

例如，可以通过以下方式确定所述融合特征：

基于加权后的融合特征和温度预警初始模型可以获得温度数据组的预测标签，再基于所述预测标签和温度数据组的真实标签对温度预警初始模型进行修正，即可得到温度预警模型。

其中，在对温度预警初始模型进行修正的过程中，对变压器温度重要性权重和环境温度重要性权重也会进行修正，最终获取的温度预警模型对应的变压器温度重要性权重和环境温度重要性权重均是能够准确反映变压器温度和环境温度对模型预测结果贡献程度的可靠权重值。

本发明该实施例提供的方案，考虑到变压器温度和环境温度对模型的预测结果的贡献度不同，若以相同的比例进行融合则不符合实际情况要求，导致预测结果不够准确，因此提出了一种自适应加权结构，能够根据变压器温度特征和环境温度特征的重要性进行自动加权。

在采用本发明任意实施例提供的方法获取了变压器温度预警模型后，可以采用测试数据验证所述变压器温度预警模型输出结果的可靠性。

具体的，将在步骤S120获取的数据集分为用于获取变压器温度预警模型的训练集和用于验证变压器温度预警模型输出结果可靠性的测试集，所述训练集和测试集中分别包括多个温度数据组和与所述温度数据组对应的真实标签，且所述温度数据组包括相同预设时长内的多个变压器温度和与所述变压器温度对应的环境温度。

利用所述测试集对所述变压器温度预警模型进行测试的流程如下：将测试集中的温度数据组作为输入数据，输入至温度预警模型中以获得与所述输入数据对应的输出数据，将所述输出数据与输入数据对应的真实标签进行比对，根据比对结果确定变压器温度预警模型的预测准确率，在所述预测准确率未达到要求的情况下，需要利用测试器对变压器温度预警模型继续训练，或者获取新的测试集对其极性训练，直至所述预测准确率达到要求。

其中，在数据集中的温度数据组的数量有限的情况下，可以将所述温度书按照8:2的比例分为训练集和测试集。所述比例并非是固定值，可以根据获取的数据集中的温度数据组的数量自行调整。

基于本发明上述任意实施例获取的变压器温度预警模型，本发明实施例还提出了一种用于变压器的温度预测方法，所述用于变压器的温度预测方法的具体流程如图2所示。

在步骤S210，获取一时间点的变压器温度和环境温度，并将其作为输入数据。

所述变压器温度数据为变压器自身温度，例如可以为变压器的柱头温度等。

所述环境温度为所述变压器所述的工作环境的温度，可以由温度传感器或者温度计等设备获得，在特殊情况下，也可以考虑将天气预报温度作为所述环境温度。

在步骤S220，基于变压器温度预警模型，获取与所述输入数据对应的输出数据。

所述变压器温度预警模型可以为通过本发明上述任意实施例提供的方法获取。

其中，所述变压器温度预警模型输出的输出数据与真实标签的类别一致，例如可以仅包括安全和警告，也可以为用于表示变压器不同运行状态的多个级别。

在步骤S230，基于所述输出数据，对所述变压器在所述时间点后的状态进行预测。

其中，所述输出数据能够预测的时长与用于获取变压器温度预警模型的数据集中的温度数据组对应的时长一致，即在输入当前时间点的温度数据后，即可对当前时间点经预设时长后的变压器温度和运行状态进行预测。

在一些可选实施例中，考虑到变压器温度和环境温度对变压器运行贡献不同，因而可以对将变压器温度和环境温度分别加权后的数据作为输入数据。

其中，用于对变压器温度和环境温度进行加权的权重值优选为获取变压器温度预警模型的过程中采用的重要性权重值，当然也可以依据实际经验自行设定其它合适的权重值。

具体的，以采用重要性权重值为例，通过以下方式获取输入数据：基于变压器温度重要性权重对所述变压器温度进行加权，得到加权变压器温度；基于环境温度重要性权重对所述环境温度进行加权，得到加权环境温度；以及将所述加权变压器温度和加权环境温度作为所述输入数据。

现结合图3，以一具体实施例来对本发明实施例提供的用于变压器的温度预测方法进行解释。

如图3所示，在该实施例中，将柱头温度和环境温度作为输入数据，在经过变压器温度预警模型的处理后得到输出数据，所述输出数据为安全或者警告。其中，所述输出数据为警告的情况下，表明经过预设时长后的变压器可能会发生安全事故，因此急需工作人员去现场对变压器进行检修和维护。

所述变压器温度预警模型对输入数据的处理包括：将经门控循环单元(GRU)输出的特征数据加权，经重要性权重加权后的特征数据进行拼接和融合，再由Softmax函数输出预测结果。

图4是本发明实施例提供的变压器温度预警模型的获取装置的结构示意图。如图4所示，所述获取装置包括：初始模型建立单元410，用于建立温度预警初始模型；数据采集单元420，用于获取数据集，所述数据集的数据包括多个温度数据组和与所述温度数据组对应的真实标签，所述温度数据组包括相同预设时长内的多个变压器温度和与所述变压器温度对应的环境温度；特征提取单元430，用于对所述数据集中的数据进行特征提取，得到变压器温度特征和环境温度特征；融合单元440，用于将所述变压器温度特征和所述环境温度特征融合，得到融合特征；预测单元450，用于基于所述融合特征和所述温度预警初始模型，确定预测标签；以及修正单元460，用于基于所述真实标签和所述预测标签对所述温度预警初始模型进行修正，以获取所述温度预警模型。

在一些可选实施例中，所述变压器温度预警单元的获取装置还可以包括加权单元，用于在特征提取单元将数据集中的数据进行特征提取后，执行以下操作：确定所述变压器温度重要性权重和所述环境温度重要性权重；基于所述变压器温度特征和变压器温度重要性权重，确定变压器温度加权特征，并基于所述环境温度特征和环境温度重要性权重，确定环境温度加权特征。所述变压器温度预警单元的获取装置融合单元还用于将所述变压器温度加权特征和环境温度加权特征融合，得到加权融合特征，并将所述加权融合特征作为所述融合特征。

在一些可选实施例中，所述加权单元还用于通过以下方式获得所述变压器重要性权重和环境温度重要性权重：分别获取所述变压器温度特征和环境温度特征经神经网络输出的变压器温度输出值和环境温度输出值；分别对所述变压器温度输出值和环境温度输出值进行卷积运算后得到与所述变压器温度重要性权重对应的标量和与所述环境温度重要性权重对应的标量；以及分别将与所述变压器温度重要性权重对应的标量和与所述环境温度重要性权重对应的标量映射至[0,1]区间，以获得所述变压器温度重要性权重和所述环境温度重要性权重。

在一些可选实施例中，所述加权单元还用于通过以下方式确定变压器温度加权特征和环境温度加权特征：

在一些可选实施例中，所述融合单元通过以下方式将所述变压器温度特征和所述环境温度特征融合：将所述变压器温度特征和所述环境温度特征串联拼接后得到的串联特征作为所述融合特征。

在一些可选实施例中，所述预测单元通过以下方式确定预测标签：

在一些可选实施例中，所述修正单元通过以下方式对所述温度预警初始模型进行修正：确定所述真实标签与所述预测标签的差异；以及基于所述差异对所述温度预警初始模型进行修正。

在一些可选实施例中，所述修正单元还用于通过以下方式确定真实标签与预测标签的差异：

在一些可选实施例中，所述修正单元通过基于以下损失函数对所述温度预警初始模型进行修正：

在一些可选实施例中，所述修正单元还用于通过以下方式对所述温度预警初始模型进行修正：确定所述变压器温度特征和环境温度特征分别与所述串联特征的KL散度；基于所述KL散度，确定所述变压器温度特征和环境温度特征分别与所述串联特征的平均KL散度；以及基于所述平均KL散度对所述温度预警初始模型进行修正。

在一些可选实施例中，所述修正单元还用于通过以下方式确定所述平均KL散度：

在一些可选实施例中，修正单元还用于基于以下损失函数对所述温度预警初始模型进行修正：

有关于本发明上述实施例提供的变压器温度预警模型的获取装置的具体细节及益处，可参阅上述针对本发明提供的变压器温度预警模型的获取方法的具体细节及益处，于此不再赘述。

所述变压器温度预警模型的获取装置包括处理器和存储器，上述初始模型建立单元、数据采集单元、特征提取单元、融合单元、预测单元、修正单元和加权单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。

处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来获取变压器温度预警模型。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。

本发明实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现所述发明上述任意实施例提供的变压器温度预警模型的获取方法；和/或用于变压器的温度预测方法。

本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行本发明上述任意实施例提供的变压器温度预警模型的获取方法；和/或用于变压器的温度预测方法。

本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：(方法权项步骤，独权+从权)。本文中的设备可以是服务器、PC、PAD、手机等。

本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化本发明上述任意实施例提供的变压器温度预警模型的获取方法；和/或用于变压器的温度预测方法步骤的程序。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。

本申请是参照根据本申请实施例的方法、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。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。