一种燃料电池能源站运维系统和方法

技术领域

本申请实施例涉及新能源技术领域，具体涉及一种燃料电池能源站运维系统和方法。

背景技术

数字化和新能源是当今一大时代主题，新能源和数字化的融合在能源生产端如新能源发电、分布式微电网有其突出的应用前景。目前，以燃料电池为核心的电、热、储综合式能源站得到广泛的关注，但是该套系统的运维和管理手段仍然有所欠缺。

发明内容

为此，本申请实施例提供一种燃料电池能源站运维系统和方法，高效实现燃料电池能源站的远程监控功能、数字孪生功能、故障诊断功能、性能寿命预测功能及运维调度功能。

为了实现上述目的，本申请实施例提供如下技术方案：

根据本申请实施例的第一方面，提供了一种燃料电池能源站运维系统，所述系统包括：在云侧的数字化运维服务器和智能运维平台，在边侧的微网控制设备，在端侧的燃料电池能源站；

所述智能运维平台承载燃料电池能源站的数据可视化、人机交互以及智能服务的调用，所述智能运维平台用于实现远程监控功能、数字孪生功能、故障诊断功能、性能寿命预测功能及运维调度功能；

所述微网控制设备用于边缘计算、边缘存储和边缘控制；

所述燃料电池能源站包括燃料电池发电设备、燃料电池电解设备、储能电池和储氢设备中的一种或一种以上。

可选地，所述数字孪生功能是利用云侧的所述孪生模型、端侧的实体传感器和虚拟传感器实现的；

所述实体传感器的信号传输至云侧，通过云侧的数据流API服务写入数据存储服务器，再被所述孪生模型调用；所述虚拟传感器通过融合实测多个信号进行数字孪生；

所述孪生模型通过降阶模型和系统模型联合仿真得到，其中所述降阶模型用于通过智能算法进行三维结果的实时输出；所述系统模型用于所述燃料电池能源站的多部件过程的仿真。

可选地，所述故障诊断功能是利用端侧的实体传感器、云侧的所述孪生模型、机理模型、分类模型、故障树模型实现的；

所述实体传感器将诊断信号通过边缘故障存储传输至故障诊断页面，以使得若数据遥信中断时，边侧通过移动式OBD设备接入，进行故障的诊断；

所述孪生模型、所述机理模型、所述分类模型将诊断结果发送至故障树模型，以使得所述故障树模型对故障进行逐一排查。

可选地，所述孪生模型用于通过对比实测结果和孪生结果的差异确定故障特征向量，通过故障特征向量和故障特征矩阵库的对比确定诊断结果；

所述机理模型包括故障模态和正常模态的系统模型，所述机理模型根据实测数据进行仿真迭代计算，直至从故障模态中找到匹配实测数据的故障，作为诊断结果；

所述分类模型存储历史故障数据类特征和正常数据类特征，所述分类模型采集到实测数据后提取实测数据的数据特征，将所述实测数据的数据特征与历史故障数据类特征进行分类，直至实测数据与某一历史故障数据被分类至同一类时，所述实测数据作为诊断结果；

所述故障树模型存储所有顶层事件和底层事件库，以及不同顶层事件对应的底层事件最小割集。

可选地，所述性能寿命预测功能是利用端侧的实体传感器和云侧的所述分类模型、学习模型实现的；所述学习模型包括寿命学习模型以及性能学习模型；

所述实体传感器将采集信号输入所述分类模型，以使得所述分类模型根据系统运行状态识别出系统运行模式以及根据电池堆年龄对电池堆进行分类，并将结果输出至所述学习模型。

可选地，所述寿命学习模型为与电流、电压、气体流量、变载速率、温度相关的燃料电池衰减速率模型；所述性能学习模型是通过识别设定时间内的数据特征，并通过循环神经网络RNN、长短期记忆神经网络LSTM结合相应执行器输出参数进行计算得到，所述数据特征包括温度、电压、电流或功率特征。

可选地，所述运维调度功能是通过故障诊断功能产生的故障诊断结果发起的系统维修调度，通过启用所述决策模型根据数据库中的人员信息、任务列表以及设备信息发布维修决策。

可选地，所述远程监控功能是利用实体传感器、边缘控制模块和虚拟传感器实现的；

所述边缘控制模块用于获取燃料电池能源站的用电、用热、用氢情况，燃料电池电解设备、燃料电池发电设备的产能情况，储氢设备和储电设备的储能情况以及每个设备的运行状态，以设定成本和设定效益为约束，计算得到目标设备功率和能量配比，以总包控制指令的形式发送至终端控制设备进行控制。

可选地，所述数字孪生功能还包括数据的孪生结果展示，虚拟传感器结果展示以及实测结果和孪生结果实时的对比展示；

所述性能寿命预测功能还包括预测性能寿命的展示，所述预测性能寿命包括预测的温度和预测的剩余寿命。

根据本申请实施例的第二方面，提供了一种燃料电池能源站运维方法，所述方法包括：

智能运维平台承载燃料电池能源站的数据可视化、人机交互以及智能服务的调用，所述智能运维平台用于实现远程监控功能、数字孪生功能、故障诊断功能、性能寿命预测功能及运维调度功能；所述燃料电池能源站包括燃料电池发电设备、燃料电池电解设备、储能电池和储氢设备中的一种或一种以上；

数字化运维服务器承载计算服务模型，所述计算服务模型包括仿真模型、孪生模型、学习模型、分类模型、机理模型、故障树模型以及决策模型；

微网控制设备进行边缘计算、边缘存储和边缘控制。

根据本申请实施例的第三方面，提供了一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行以实现上述第一方面所述的方法。

根据本申请实施例的第四方面，提供了一种计算机可读存储介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现上述第一方面所述的方法。

综上所述，本申请实施例提供了一种燃料电池能源站运维系统和方法，通过在云侧的数字化运维服务器和智能运维平台，在边侧的微网控制设备，在端侧的燃料电池能源站；所述智能运维平台承载燃料电池能源站的数据可视化、人机交互以及智能服务的调用，所述智能运维平台用于实现远程监控功能、数字孪生功能、故障诊断功能、性能寿命预测功能及运维调度功能；所述微网控制设备用于边缘计算、边缘存储和边缘控制；所述燃料电池能源站包括燃料电池发电设备、燃料电池电解设备、储能电池和储氢设备中的一种或一种以上。高效实现燃料电池能源站的远程监控功能、数字孪生功能、故障诊断功能、性能寿命预测功能及运维调度功能。

附图说明

为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述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示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。

本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。

图1为本申请实施例提供的一种燃料电池能源站运维系统；

图2为本申请实施例提供的智能运维系统架构示意图；

图3为本申请实施例提供的智能运维平台的数字孪生实现架构；

图4为本申请实施例提供的智能运维平台的故障诊断实现架构；

图5为本申请实施例提供的智能运维平台的维修调度实现架构；

图6为本申请实施例提供的智能运维平台的性能寿命预测功能实现架构；

图7为本申请实施例提供的智能运维平台的远程监控功能实现架构；

图8为本申请实施例提供的一种燃料电池能源站运维方法流程图；

图9为本申请实施例提供的一种电子设备的结构示意图；

图10为本申请实施例提供的一种计算机可读存储介质的示意图。

具体实施方式

以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例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。

图1示出了本申请实施例提供的一种燃料电池能源站运维系统，所述系统包括：在云侧的数字化运维服务器101和智能运维平台102，在边侧的微网控制设备103，在端侧的燃料电池能源站104；

所述智能运维平台102承载燃料电池能源站的数据可视化、人机交互以及智能服务的调用，所述智能运维平台用于实现远程监控功能、数字孪生功能、故障诊断功能、性能寿命预测功能及运维调度功能；

所述微网控制设备103用于边缘计算、边缘存储和边缘控制；

所述燃料电池能源站104包括燃料电池发电设备、燃料电池电解设备、储能电池和储氢设备。

在一种可能的实施方式中，所述数字孪生功能是利用云侧的所述孪生模型、端侧的实体传感器和虚拟传感器实现的；

所述实体传感器的信号传输至云侧，通过云侧的数据流API服务写入数据存储服务器，再被所述孪生模型调用；所述虚拟传感器通过融合实测多个信号进行数字孪生；

所述孪生模型通过降阶模型和系统模型联合仿真得到，其中所述降阶模型用于通过智能算法进行三维结果的实时输出；所述系统模型用于所述燃料电池能源站的多部件过程的仿真。

在一种可能的实施方式中，所述故障诊断功能是利用端侧的实体传感器、云侧的所述孪生模型、机理模型、分类模型、故障树模型实现的；

所述实体传感器将诊断信号通过边缘故障存储传输至故障诊断页面，以使得若数据遥信中断时，边侧通过移动式OBD设备接入，进行故障的诊断；

所述孪生模型、所述机理模型、所述分类模型将诊断结果发送至故障树模型，以使得所述故障树模型对故障进行逐一排查。

在一种可能的实施方式中，所述孪生模型用于通过对比实测结果和孪生结果的差异确定故障特征向量，通过故障特征向量和故障特征矩阵库的对比确定诊断结果；

所述机理模型包括故障模态和正常模态的系统模型，所述机理模型根据实测数据进行仿真迭代计算，直至从故障模态中找到匹配实测数据的故障，作为诊断结果；

所述分类模型存储历史故障数据类特征和正常数据类特征，所述分类模型采集到实测数据后提取实测数据的数据特征，将所述实测数据的数据特征与历史故障数据类特征进行分类，直至实测数据与某一历史故障数据被分类至同一类时，所述实测数据作为诊断结果；

所述故障树模型存储所有顶层事件和底层事件库，以及不同顶层事件对应的底层事件最小割集。

在一种可能的实施方式中，所述性能寿命预测功能是利用端侧的实体传感器和云侧的所述分类模型、学习模型实现的；所述学习模型包括寿命学习模型以及性能学习模型；

所述实体传感器将采集信号输入所述分类模型，以使得所述分类模型根据系统运行状态识别出系统运行模式以及根据电池堆年龄对电池堆进行分类，并将结果输出至所述学习模型。

在一种可能的实施方式中，所述寿命学习模型为与电流、电压、气体流量、变载速率、温度相关的燃料电池衰减速率模型；所述性能学习模型是通过识别设定时间内的数据特征，并通过循环神经网络RNN、长短期记忆神经网络LSTM结合相应执行器输出参数进行计算得到，所述数据特征包括温度、电压、电流或功率特征。

在一种可能的实施方式中，所述运维调度功能是通过故障诊断功能产生的故障诊断结果发起的系统维修调度，通过启用所述决策模型根据数据库中的人员信息、任务列表以及设备信息发布维修决策。

在一种可能的实施方式中，所述远程监控功能是利用实体传感器、边缘控制模块和虚拟传感器实现的；

所述边缘控制模块用于获取燃料电池能源站的用电、用热、用氢情况，燃料电池电解设备、燃料电池发电设备的产能情况，储氢设备和储电设备的储能情况以及每个设备的运行状态，以设定成本和设定效益为约束，计算得到目标设备功率和能量配比，以总包控制指令的形式发送至终端控制设备进行控制。

在一种可能的实施方式中，所述数字孪生功能还包括数据的孪生结果展示，虚拟传感器结果展示以及实测结果和孪生结果实时的对比展示；

所述性能寿命预测功能还包括预测性能寿命的展示，所述预测性能寿命包括预测的温度和预测的剩余寿命。

下面结合附图对本申请实施例提供的系统进行详细描述。

本申请实施例针对燃料电池能源站，提出了一套云、边、端协同的智能运维系统。图2示出了本申请实施例提供的云边端协同的燃料电池能源站的智能运维系统架构示意图。

所述智能运维系统在云侧包括1数字化运维服务和2智能运维平台，在边侧为3微网控制设备，在端侧为4燃料电池能源站。

在云计算的中心节点侧，1数字化运维服务和2智能运维平台分别提供大规模计算服务和运维调度服务，可以部署在一个或多个服务器中。所述1数字化运维服务承载服务所需的100计算模型，包括仿真模型、孪生模型、学习模型、分类模型、决策模型等。2智能运维平台承载200计算服务的调用链接和数据的可视化，包括远程监控、数字孪生、故障诊断、性能寿命预测及运维调度功能。

在云计算的边缘侧，3微网控制设备其应具备300边缘计算能力，还应包括边缘存储和边缘控制功能。

云侧的数据通讯主要发生在计算集群中，因此可以通过Lan通讯连接。云、边的数据通讯按照需求可以远程，亦可以部署在局域网，因此通过Lan或4G、5G信号传输。本申请实施例所述的边、端的数据通讯由于实时性要求比较高，边和端的设备往往需要较短的距离，且涉及边侧控制器和多个端侧控制器的交互，因此需选用CAN通讯。

本申请实施例从2智能运维平台的功能点分别展开陈述。

对于201数字孪生功能，它应包括云侧的101孪生模型，端侧的401实体传感器和402虚拟传感器。图3示出了本申请实施例提供的智能运维平台的数字孪生实现架构。

所述201数字孪生功能的小规模计算在端侧实现，大规模计算在云侧实现，因此不需要边侧的计算服务。201数字孪生功能实现时，实体传感器的信号通过端-边-云的数据传输路径，再由云侧的数据流API服务写入数据存储服务器中，最后被101孪生模型调用。该过程如图3中401实体传感器至101孪生模型所示。

本申请实施例所述101孪生模型通过1010降阶模型和1011系统模型联合仿真实现。其中1010降阶模型指用正交分解法、多层感知机、傅里叶神经网络等智能算法替代原本花费大量时间、消耗巨量内存的三维仿真模型，达到三维结果的实时输出的效果。同时，1011系统模型指实现燃料电池系统多部件过程仿真的模型，除了传统输出流量、温度、压力、电流、电压等常规标量参数外，还可以与1010产生数据上的实时有状态交互。

所述201的第二种孪生途径为通过402虚拟传感器实现。虚拟传感器通过融合实测多个信号，综合分析后产生实体传感器难以获取的信号。通过统计每一片电池电压的历史数据，融合流量、温度、压力、湿度等信号，结合内嵌于控制器中的性能衰减模型，反馈出每一片电池的剩余寿命。

201数字孪生功能包括数据的孪生结果展示，虚拟传感器结果展示以及实测结果和孪生结果实时的对比展示。

运维平台第二个功能点为202故障诊断。图4示出了本申请实施例提供的智能运维平台的故障诊断实现架构。故障诊断的第一条数据传输路径与数字孪生相同，如图4中401实体传感器至101孪生模型、102机理模型、103分类模型所示。

101孪生模型、102机理模型、103分类模型将诊断的结果发送至104故障树模型，202故障诊断功能依托故障树型结构逐一排查。

101孪生模型应用时，故障诊断基于特征工程算法实现。即通过对比实测结果和孪生结果的差异形成故障特征向量，通过故障特征向量和故障特征矩阵库的对比进而找到故障原因。

102机理模型指包含故障模态和正常模态的系统模型，实测数据进入机理模型后仿真迭代计算，直至从故障模态中找到一种能够匹配实测数据的故障，完成故障诊断。

103分类模型中存储历史故障数据类特征和正常数据类特征，分类器采集到实测数据后提取数据特征，然后自动与历史数据类特征一起分类。当测试数据与某一故障数据被分至通一类中时，即完成故障诊断。

104故障树模型存储所有顶层事件和底层事件库，以及不同顶层事件对应的底层事件最小割集。

在故障诊断过程中，系统首先判别最简单的阈值故障，然后再依次根据需求完成基于101孪生模型、102机理模型、103分类模型的故障诊断。最后如果还有未封闭的故障，则进入人工手动排查。

202故障诊断的第二条数据传输路径为401实体传感器-301边缘故障存储-202故障诊断页面。该路径是保证数据遥信中断时，边侧可通过移动式OBD设备接入，实现故障的诊断。

所述2运维平台的第三个功能是203维修调度，图5示出了本申请实施例提供的智能运维平台的维修调度实现架构。

203维修调度功能和202故障诊断功能耦合，通过故障诊断的结果发起系统维修调度。该过程可以自动触发亦可以手动触发。触发后105决策模型启用，根据数据库中的人员信息、任务列表以及设备信息等，以最少成本和最小时间为依据判定派某一个人执行某一项工单维修某一个零部件。

所述2运维平台的第三个功能是204性能寿命预测。图6示出了本申请实施例提供的智能运维平台的性能寿命预测功能实现架构。性能寿命预测的实现需要在云侧部署106分类模型、107寿命学习模型以及108性能学习模型。

首先将401实体传感器的采集信号输入分类模型，分类模型根据系统运行的电流、入口流量等运行状态识别不同的系统运行模式，如恒流模式、恒压模式和恒功率模式，或者启动状态、停机状态等瞬态过程。分类模型基础算法包括但不限于支持向量机SVN、K均值、多层感知机和DBSCAN等。

所述106分类模型还应根据电池堆年龄对电池堆予以分类。106分类模型的输出结果可以分别供给107寿命学习模型或108性能学习模型。所述107寿命学习模型为燃料电池衰减速率模型，其与电流、电压、气体流量、变载速率、温度有关，并且该模型通过回归算法得到。所述108性能学习模型包括温度预测、电压、电流或功率预测模型。该模型识别当前时刻若干分钟内的数据特征，并通过循环神经网络RNN、长短期记忆神经网络LSTM等算法喂以相应执行器输出参数计算得到。

最终，106、107和108模型的计算结果在204性能寿命预测界面集中呈现，呈现内容包括但不限于预测的功劳、预测的温度、预测的剩余寿命。

本申请实施例所述200智能运维平台的第5大功能为205远程监控。区别于传统远程监控系统，本申请实施例所述远程监控还应包括402虚拟传感器的数据监测。图7示出了本申请实施例提供的智能运维平台的远程监控功能实现架构。

所述远程监控还包括302边缘控制模块。所述边缘控制基于燃料电池能源站的用电、用热、用氢情况，燃料电池电解设备、燃料电池发电设备的产能情况，储氢设备和储电设备的储能情况以及每个设备的运行状态，以成本最小、效益最高为约束，计算得到最佳的设备功率或能量配比，最终以总包控制指令的形式发送至终端控制设备展开控制。

本申请实施例根据燃料电池数字孪生、运维控制、健康管理等环节的工作特性，提出了云、边、端协同的智能运维模式；借助数字化的手段，提出了运维管理平台远程监控、数字孪生、故障诊断、性能寿命预测和维修调度5大功能模块；对于数字孪生、故障诊断、性能寿命预测三大功能，明确了具体的实现路径及方法，具备现实指导意义。

基于相同的技术构思，本申请实施例还提供一种燃料电池能源站运维方法，如图8所示，所述方法包括：

步骤801：智能运维平台承载燃料电池能源站的数据可视化、人机交互以及智能服务的调用，所述智能运维平台用于实现远程监控功能、数字孪生功能、故障诊断功能、性能寿命预测功能及运维调度功能；所述燃料电池能源站包括燃料电池发电设备、燃料电池电解设备、储能电池和储氢设备；

步骤802：数字化运维服务器承载计算服务模型，所述计算服务模型包括仿真模型、孪生模型、学习模型、分类模型、机理模型、故障树模型以及决策模型；

步骤803：微网控制设备进行边缘计算、边缘存储和边缘控制。

综上所述，本申请实施例提供了一种燃料电池能源站运维系统，通过在云侧的数字化运维服务器和智能运维平台，在边侧的微网控制设备，在端侧的燃料电池能源站；所述智能运维平台承载燃料电池能源站的数据可视化、人机交互以及智能服务的调用，所述智能运维平台用于实现远程监控功能、数字孪生功能、故障诊断功能、性能寿命预测功能及运维调度功能；所述微网控制设备用于边缘计算、边缘存储和边缘控制；所述燃料电池能源站包括燃料电池发电设备、燃料电池电解设备、储能电池和储氢设备。高效实现燃料电池能源站的远程监控功能、数字孪生功能、故障诊断功能、性能寿命预测功能及运维调度功能。

本申请实施方式还提供一种与前述实施方式所提供的方法对应的电子设备。请参考图9，其示出了本申请的一些实施方式所提供的一种电子设备的示意图。所述电子设备90可以包括：处理器900，存储器901，总线902和通信接口903，所述处理器900、通信接口903和存储器901通过总线902连接；所述存储器901中存储有可在所述处理器900上运行的计算机程序，所述处理器900运行所述计算机程序时执行本申请前述任一实施方式所提供的方法。

其中，存储器901可能包含高速随机存取存储器(RAM：Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个物理端口903(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。

总线902可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中，存储器901用于存储程序，所述处理器900在接收到执行指令后，执行所述程序，前述本申请实施例任一实施方式揭示的所述方法可以应用于处理器900中，或者由处理器900实现。

处理器900可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器900中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器900可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(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。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。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。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器901，处理器900读取存储器901中的信息，结合其硬件完成上述方法的步骤。

本申请实施例提供的电子设备与本申请实施例提供的方法出于相同的发明构思，具有与其采用、运行或实现的方法相同的有益效果。

本申请实施方式还提供一种与前述实施方式所提供的方法对应的计算机可读存储介质，请参考图10，其示出的计算机可读存储介质为光盘1000，其上存储有计算机程序(即程序产品)，所述计算机程序在被处理器运行时，会执行前述任意实施方式所提供的方法。

需要说明的是，所述计算机可读存储介质的例子还可以包括，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)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。

本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。

需要说明的是：

在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备有固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本申请也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本申请的内容，并且上面对特定语言所做的描述是为了披露本申请的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本申请的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本申请并帮助理解各个发明方面中的一个或多个，在上面对本申请的示例性实施例的描述中，本申请的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本申请要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本申请的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本申请的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本申请实施例的虚拟机的创建装置中的一些或者全部部件的一些或者全部功能。本申请还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本申请的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本申请进行说明而不是对本申请进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本申请可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。