基于改进遗传算法的源网荷储协同调度求解方法和装置

技术领域

本公开涉及数据处理技术领域，尤其涉及有源配电网运行分析技术领域，具体涉及一种基于改进遗传算法的源网荷储协同调度求解方法和装置。

背景技术

随着新型电力系统的发展，高比例风光渗透并网，原有的电网拓扑结构变得更加复杂。微电网是一种将分布式能源、负荷以及储能装置结合起来的小型源网荷储系统，多个微电网联结而成的多微电网系统，各个微电网既可以独立运行，也可以相互协调，是消纳风力光伏等分布式能源的有效手段。因此，研究同时考虑包括高比例新能源在内的源网荷储协同运行对削减配电系统运行成本具有重要意义。然而，运用当前进行微电网群经济调度的方法进行源网荷储协同调度，无法达到可再生能源的高效消纳，配电网运行成本较高且无法保证配电网平稳运行。

发明内容

本公开提供了一种基于改进遗传算法的源网荷储协同调度求解方法和装置。

根据本公开的第一方面，提供了一种基于改进遗传算法的源网荷储协同调度求解方法。该方法包括：

获取微电网群系统模型中能源发电单元、能源存储单元和负载单元的历史数据；其中，所述历史数据包括风力发电额定功率、光伏发电额定功率、储能装置额定容量、负荷预测功率、配电网售电及购电电价表、风力发电单元成本、光伏发电单元成本、蓄电池放电成本以及微电网内部电能交换成本；

将所述历史数据和预设遗传参数输入预设遗传算法模型，基于预设约束规则输出预设目标函数的最优值；其中，所述最优值对应的最优种群为储能装置在最优调度方案下的充放电功率以及风力发电和光伏发电在最优调度方案下的发电功率。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述预设遗传参数包括变异概率、交叉概率以及进化代数，所述将所述历史数据和预设遗传参数输入预设遗传算法模型，基于预设约束规则输出预设目标函数的最优值包括：

输入所述历史数据和所述预设遗传参数；

初始化预设目标函数；

迭代计算初始化后的预设目标函数对应的微电网群系统运行总成本，直至当前迭代次数等于或大于所述进化代数，输出预设目标函数的最优值；其中，在每一次迭代中初始化后的预设目标函数都满足所述预设约束规则。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述迭代计算初始化后的预设目标函数对应的微电网群系统运行总成本，直至当前迭代次数等于或大于所述进化代数，输出预设目标函数的最优值包括：

计算初始化后的预设目标函数对应的微电网群系统运行总成本；

判断当前迭代次数是否小于所述进化代数；

若否，则基于所述变异概率，通过粒子群算法生成始化后的预设目标函数的突变方向并进行定向突变；基于所述交叉概率，对始化后的预设目标函数进行交叉处理；基于精英遗传算法，对始化后的预设目标函数进行选择处理；

判断当前迭代次数之前预设迭代次数内微电网群系统运行总成本是否改变；

若是，则在当前迭代次数等于或大于所述进化代数的情况下，输出预设目标函数的最优值并结束迭代；

若否，则对始化后的预设目标函数进行灾变处理；

在当前迭代次数等于或大于所述进化代数的情况下，输出灾变处理后的预设目标函数的最优值并结束迭代。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述通过粒子群算法生成始化后的预设目标函数的突变方向包括：

v

x

其中，v

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述预设目标函数包括微电网群系统运行成本目标函数，所述最优值包括微电网群系统运行成本的最小值，所述微电网群系统运行成本目标函数包括：

C＝min C

其中，P

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述预设目标函数还包括微电网群系统网损目标函数，所述最优值还包括微电网群系统网损的最小值，所述微电网群系统网损目标函数包括：

P

其中，K表示有源配电网支路总数；G

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述预设约束规则包括：

其中，P

根据本公开的第二方面，提供了一种基于改进遗传算法的源网荷储协同调度求解装置。该装置包括：

获取模块，用于获取微电网群系统模型中能源发电单元、能源存储单元和负载单元的历史数据；其中，所述历史数据包括风力发电额定功率、光伏发电额定功率、储能装置额定容量、负荷预测功率、配电网售电及购电电价表、风力发电单元成本、光伏发电单元成本、蓄电池放电成本以及微电网内部电能交换成本；

计算模块，用于将所述历史数据和预设遗传参数输入预设遗传算法模型，基于预设约束规则输出预设目标函数的最优值；其中，所述最优值对应的最优种群为储能装置在最优调度方案下的充放电功率以及风力发电和光伏发电在最优调度方案下的发电功率。

根据本公开的第三方面，提供了一种电子设备。该电子设备包括：存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如以上所述的方法。

根据本公开的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如以上所述的方法。

本申请实施例提供的一种基于改进遗传算法的源网荷储协同调度求解方法和装置，能够获取微电网群系统模型中能源发电单元、能源存储单元和负载单元的历史数据；其中，历史数据包括风力发电额定功率、光伏发电额定功率、储能装置额定容量、负荷预测功率、配电网售电及购电电价表、风力发电单元成本、光伏发电单元成本、蓄电池放电成本以及微电网内部电能交换成本；再将历史数据和预设遗传参数输入预设遗传算法模型，基于预设约束规则输出预设目标函数的最优值；其中，最优值对应的最优种群为储能装置在最优调度方案下的充放电功率以及风力发电和光伏发电在最优调度方案下的发电功率；基于此，可以根据求解出的储能装置在最优调度方案下的充放电功率以及风力发电和光伏发电在最优调度方案下的发电功率完成微电网群经济调度，从而进行源网荷储协同调度，达到实现可再生能源的高效消纳，降低配电网运行成本并保证配电网平稳运行的效果。

应当理解，发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。

附图说明

结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。附图用于更好地理解本方案，不构成对本公开的限定在附图中，相同或相似的附图标记表示相同或相似的元素，其中：

图1示出了根据本公开的实施例的基于改进遗传算法的源网荷储协同调度求解方法的流程图；

图2示出了根据本公开的实施例的微电网群系统结构的示意图；

图3示出了根据本公开的实施例的预设遗传算法模型的示意图；

图4示出了根据本公开的实施例的基于改进遗传算法的源网荷储协同调度求解装置的方框图；

图5示出了能够实施本公开的实施例的示例性电子设备的方框图。

具体实施方式

为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例，都属于本公开保护的范围。

另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

本公开中，可以根据求解出的储能装置在最优调度方案下的充放电功率以及风力发电和光伏发电在最优调度方案下的发电功率完成微电网群经济调度，从而进行源网荷储协同调度，达到实现可再生能源的高效消纳，降低配电网运行成本并保证配电网平稳运行的效果。

图1示出了根据本公开实施例的基于改进遗传算法的源网荷储协同调度求解方法100的流程图。

在框110，获取微电网群系统模型中能源发电单元、能源存储单元和负载单元的历史数据；其中，历史数据包括风力发电额定功率、光伏发电额定功率、储能装置额定容量、负荷预测功率、配电网售电及购电电价表、风力发电单元成本、光伏发电单元成本、蓄电池放电成本以及微电网内部电能交换成本。

在一些实施例中，历史数据可以是从多微电网系统中直接获取的数据，还可以是根据实际需求预先设置的数据。

在一些实施例中，多微电网系统可以是由多个微电网组成的小规模电力网络，内部的微电网既可以独立运行，也可以与其他电力系统互联。

如图2所示，多微电网系统的系统架构包括能源发电单元、能量存储单元以及负载单元。其中，能源发电单元包括太阳能电池板、风力涡轮机以及发电机等可再生能源设备，能量存储单元包括锂电池、超级电容器等存储装置，负载单元包括所有电气设备。与当前的电网系统相比，多微电网系统具有更高的可靠性和灵活性，特别适合偏远地区、岛屿、建筑物等应用场景。此外，多微电网系统还可以通过填充高峰和低谷或作为紧急备份为大型电网提供支持。

在一些实施例中，历史数据包括但不限于风力发电额定功率、光伏发电额定功率、储能装置额定容量、负荷预测功率、配电网售电及购电电价表、风力发电单元成本、光伏发电单元成本、蓄电池放电成本以及微电网内部电能交换成本。

在一些实施例中，考虑源网荷储的经济效益，兼顾系统低碳、环保运行，历史数据可以作为求解预设目标函数的最优值的基础数据，用于构建以最小化微电网系统运行成本为目标的预设目标函数，即建立包括风力发电、光伏发电和储能在内的源网荷储协同优化调度模型。

在一些实施例中，历史数据还可以作为求解预设目标函数的最优值的基础数据，以便后续使用改进遗传算法，对微电网系统光伏和储能配置的数学模型进行优化，得到微电网运行经济性优化目标函数(微电网群系统运行成本目标函数)和/或光伏自消纳率优化目标函数(微电网群系统网损目标函数)的最优解，并根据目标函数的最优解，对微电网光伏系统容量(风力发电和光伏发电在最优调度方案下的发电功率)和储能电池容量(储能装置在最优调度方案下的充放电功率)进行配置。

在框120，将历史数据和预设遗传参数输入预设遗传算法模型，基于预设约束规则输出预设目标函数的最优值；其中，最优值对应的最优种群为储能装置在最优调度方案下的充放电功率以及风力发电和光伏发电在最优调度方案下的发电功率。

在一些实施例中，预设遗传参数可以是用户根据实际需求设置。预设遗传参数用于对预设遗传算法模型中的变异、交叉和进化进行调整。

在一些实施例中，预设遗传算法模型可以是基于遗传算法与粒子群算法相结合，以遗传算法为主体，采用精英和灾变思想优化种群的选择过程，在种群陷入局部最优解时能够及时跳出而得到的一种优化算法模型，即基于改进遗传算法得到的一种优化算法模型。

需要说明的是，相较于当前的遗传算法，即虽然具有很强的全局搜索和适应性优势，但也存在着一些缺点，例如当进化算子受到当前代群体中表现好但不是全局最优解的个体的影响时，容易陷入局部最优解，而在解决复杂问题时，在迭代的过程中，交叉、变异缺少方向性，遗传算法的运行时间通常较长，改进遗传算法采用粒子群算法的思想为部分个体提供变异的方向，可以提高算法收敛速度，减少灾变操作带来的随机性。

在一些实施例中，预设目标函数的最优值可以是微电网群系统运行成本的最小值和/或微电网群系统网损的最小值，预设目标函数的最优值对应的最优种群为储能装置在最优调度方案下的充放电功率以及风力发电和光伏发电在最优调度方案下的发电功率。

根据本公开的实施例，实现了以下技术效果：

能够获取微电网群系统模型中能源发电单元、能源存储单元和负载单元的历史数据；其中，历史数据包括风力发电额定功率、光伏发电额定功率、储能装置额定容量、负荷预测功率、配电网售电及购电电价表、风力发电单元成本、光伏发电单元成本、蓄电池放电成本以及微电网内部电能交换成本；再将历史数据和预设遗传参数输入预设遗传算法模型，基于预设约束规则输出预设目标函数的最优值；其中，最优值对应的最优种群为储能装置在最优调度方案下的充放电功率以及风力发电和光伏发电在最优调度方案下的发电功率；基于此，可以根据求解出的储能装置在最优调度方案下的充放电功率以及风力发电和光伏发电在最优调度方案下的发电功率完成微电网群经济调度，从而进行源网荷储协同调度，达到实现可再生能源的高效消纳，降低配电网运行成本并保证配电网平稳运行的效果。

在一些实施例中，上述预设遗传参数包括变异概率、交叉概率以及进化代数，上述将历史数据和预设遗传参数输入预设遗传算法模型，基于预设约束规则输出预设目标函数的最优值包括：

输入历史数据和预设遗传参数；

初始化预设目标函数；

迭代计算初始化后的预设目标函数对应的微电网群系统运行总成本，直至当前迭代次数等于或大于所述进化代数，输出预设目标函数的最优值；其中，在每一次迭代中初始化后的预设目标函数都满足所述预设约束规则。

在一些实施例中，变异概率、交叉概率以及进化代数不宜过大或者过小。例如，可以设置变异概率为0.2，即为每个个体每次迭代有0.2的概率进行变异操作，可以设置交叉概率为0.2，可以设置进化代数为500。

在一些实施例中，初始化预设目标函数，即将预设目标函数作为产生代表问题可能潜在解集的一个初始群体(编码集合)，对预设目标函数进行种群初始化。

在一些实施例中，可以从群体多样性方面和/或计算效率方面考虑，对种群规模进行设置。其中，从群体多样性方面考虑，群体越大越好，避免陷入局部最优；从计算效率方面考虑，群体规模越大将导致计算量的增加。

在一些实施例中，可以根据实际问题确定种群的规模。例如，将一日24小时以15分钟为间隔分为96个节点，即每个个体有96个染色体，并设置种群个体数量为500。此外，可以设置储能装置荷电状态(即电池剩余电量与电池容量的比值)为0.4，为防止储能装置过充和过放，荷电状态取值范围为[0.3，0.9]。

在一些实施例中，微电网群系统运行总成本可以是根据微电网群系统运行总成本和微电网群系统网损计算得到的。微电网群系统运行总成本还可以是仅根据微电网群系统运行总成本计算得到的。

在一些实施例中，在计算预设目标函数的最优值的过程中，基于迭代次数，循环计算初始化后的预设目标函数对应的微电网群系统运行总成本，当当前迭代次数等于或大于进化代数，输出预设目标函数的最优值。

在一些实施例中，可以利用适应度函数计算各个个体的适应度大小，即计算初始化后的预设目标函数对应的微电网群系统运行总成本。

需要说明的是，适应度函数的选取直接影响到改进遗传算法的收敛速度以及能否找到最优解，因为在进化搜索中基本不利用外部信息，仅以适应度函数为依据，利用种群每个个体的适应程度来指导搜索。其中，适应度函数即为预设目标函数。

在一些实施例中，预设目标函数包括微电网群系统运行成本目标函数。微电网群系统运行成本目标函数包括新能源发电成本目标函数、储能装置放电成本目标函数、微电网间能量交互成本目标函数以及微电网群向主网购电、售电成本目标函数。

在一些实施例中，预设目标函数还包括微电网群系统网损目标函数。

在一些实施例中，在每一次迭代中初始化后的预设目标函数都满足预设约束规则，预设约束规则包括功率平衡约束规则、风光新能源出力限制规则、微网间电能交换功率限制规则、储能装置充放电功率限制规则以及节点电压约束规则。其中，功率平衡约束规则包括微电网群功率平衡约束规则和单微电网功率平衡约束规则。

在一些实施例中，上述迭代计算初始化后的预设目标函数对应的微电网群系统运行总成本，直至当前迭代次数等于或大于进化代数，输出预设目标函数的最优值包括：

计算初始化后的预设目标函数对应的微电网群系统运行总成本；

判断当前迭代次数是否小于进化代数；

若否，则基于所述变异概率，通过粒子群算法生成始化后的预设目标函数的突变方向并进行定向突变；基于所述交叉概率，对始化后的预设目标函数进行交叉处理；基于精英遗传算法，对始化后的预设目标函数进行选择处理；

判断当前迭代次数之前预设迭代次数内微电网群系统运行总成本是否改变；

若是，则在当前迭代次数等于或大于进化代数的情况下，输出预设目标函数的最优值并结束迭代；

若否，则对始化后的预设目标函数进行灾变处理；

在当前迭代次数等于或大于进化代数的情况下，输出灾变处理后的预设目标函数的最优值并结束迭代。

在一些实施例中，在遗传算法的优化过程中，突变操作是防止算法过早收敛的主要方法，然而，当前的突变操作产生的后代的适应度是随机的，这可能会破坏有利的基因组合或排除潜在的解决方案，导致获得最优解的速度明显放缓。基于此，基于变异概率，通过粒子群算法生成始化后的预设目标函数的突变方向并进行定向突变。

在一些实施例中，上述通过粒子群算法生成始化后的预设目标函数的突变方向包括：

v

x

其中，v

在一些实施例中，在遗传算法的优化过程中，交叉运算是遗传算法的关键步骤，它将种群中的个体随机配对并组合以产生新的个体，从而实现高效搜索。基于此，基于交叉概率，对始化后的预设目标函数进行交叉处理，可以是采用部分匹配交叉，从两个个体中随机选取两个交叉点，根据交叉概率进行相应的片段交换。

在一些实施例中，在遗传算法的优化过程中，轮盘选择方法在早期迭代中反复选择高适应度的个体，而后期适应度值之间差异不大，可能导致局部最优，最终导致进化停滞。基于此，为了规避这些问题，在对始化后的预设目标函数进行选择处理的过程中，将精英主义的概念与灾变主义的概念相结合。其中，精英主义要求将最有利的特征代代相传，从而促进人口的快速进化，灾变方法的目的是消除在多次迭代后保持不变的表现最好的个体，以逃避局部最优。这两种方法的结合保证了改进遗传算法的效率，减轻了局部优化的问题。

在一些实施例中，可以设置精英主义保留每次迭代种群内较优的60％个体，且在50次迭代最优解未改变时实施灾变操作，随机消灭(即初始化)种群80％个体。

在一些实施例中，基于源-网-荷-储高可靠性协同优化运行，以促进可再生能源的高效消纳，提高供电与用电的经济性为目的，能够得出的最优解即为运行成本和网损的最小值，最优解所对应的最优种群即为储能装置在最优调度方案下的冲放电功率以及风力发电、光伏发电在最优调度方案下的发电功率。

图3示出了根据本公开的实施例的预设遗传算法模型的示意图。如图3所示，将历史数据和预设遗传参数输入预设遗传算法模型，基于预设约束规则输出预设目标函数的最优值的流程包括：

(1)输入历史数据，设置遗传参数；

(2)初始化种群；

(3)计算种群内个体适应度；

(4)判断是否满足收敛条件(当前迭代次数等于或大于进化代数)，若满足则转到(10)，若不满足，转到(5)；

(5)寻找突变方向，定向突变；

(6)交叉；

(7)通过精英思想进行选择；

(8)判断多次迭代后最优解是否变化，若变化则转到(3)，若不变则转到(9)；

(9)利用灾难思想消灭种群内部分个体，转到(3)；

(10)输出最优解(最优值)。

在一些实施例中，上述预设目标函数包括微电网群系统运行成本目标函数，上述最优值包括微电网群系统运行成本的最小值，上述微电网群系统运行成本目标函数包括：

C＝min C

其中，P

其中，a

在一些实施例中，上述预设目标函数还包括微电网群系统网损目标函数，上述最优值还包括微电网群系统网损的最小值，上述微电网群系统网损目标函数包括：

P

其中，K表示有源配电网支路总数；G

在一些实施例中，上述预设约束规则包括：

其中，P

其中，微电网群功率平衡约束规则包括：

单微电网功率平衡约束规则包括：

P

风光新能源出力限制规则包括：

0≤P

0≤P

微网间电能交换功率限制规则包括：

0≤P

0≤P

P

P

储能装置充放电功率限制规则包括：

S

S

X

0≤P

0≤P

节点电压约束规则包括：

V

综上所述，可以基于改进遗传算法的考虑多种有源配电网指标的配电网高稳定性运行方案，以达到源-网-荷-储高可靠性协同优化运行，促进可再生能源的高效消纳，提高供电与用电的经济性目的。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本公开并不受所描述的动作顺序的限制，因为依据本公开，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本公开所必须的。

以上是关于方法实施例的介绍，以下通过装置实施例，对本公开所述方案进行进一步说明。

图4示出了根据本公开的实施例的基于改进遗传算法的源网荷储协同调度求解装置400的方框图。如图4所示，装置400包括：

获取模块410，用于获取微电网群系统模型中能源发电单元、能源存储单元和负载单元的历史数据；其中，历史数据包括风力发电额定功率、光伏发电额定功率、储能装置额定容量、负荷预测功率、配电网售电及购电电价表、风力发电单元成本、光伏发电单元成本、蓄电池放电成本以及微电网内部电能交换成本；

计算模块420，用于将历史数据和预设遗传参数输入预设遗传算法模型，基于预设约束规则输出预设目标函数的最优值；其中，最优值对应的最优种群为储能装置在最优调度方案下的充放电功率以及风力发电和光伏发电在最优调度方案下的发电功率。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，所述描述的模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图5示出了能够实施本公开的实施例的示例性电子设备500的方框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

电子设备500包括计算单元501，其可以根据存储在ROM502中的计算机程序或者从存储单元508加载到RAM503中的计算机程序，来执行各种适当的动作和处理。在RAM503中，还可存储电子设备500操作所需的各种程序和数据。计算单元501、ROM502以及RAM503通过总线504彼此相连。I/O接口505也连接至总线504。

电子设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许电子设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理，例如方法100。例如，在一些实施例中，方法100可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。

在一些实施例中，计算机程序的部分或者全部可以经由ROM502和/或通信单元509而被载入和/或安装到电子设备500上。当计算机程序加载到RAM503并由计算单元501执行时，可以执行上文描述的方法100的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法100。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。