一种数据中台以及计算设备

技术领域

本发明涉及电力系统数据处理领域，尤其涉及一种数据中台以及计算设备。

背景技术

国家能源安全新战略要求构建多元供应体系以进一步推动新能源的发展，同时，数字经济时代的到来使得数字革命与能源革命的深度融合成为能源电力行业重要的发展趋势。鉴此，如何促进新能源的高效消纳将成为电网公司运营中亟待解决的问题之一。数据中台技术的出现为电网企业提供了一个全域化、智能化、敏捷式的多功能平台，建设面向新能源消纳的数据中台为新能源消纳问题提供了数字化的解决方案，依托大数据挖掘提升新能源消纳效率，是缓解新能源消纳问题的一个有效途径。

但现有的数据中台在新能源消纳方面的处理还十分有限。因此，需要一种更先进的面向新能源消纳的数据中台。

发明内容

为此，本发明实施例提供一种数据中台以及计算设备，以力图解决或至少缓解上面存在的问题。

根据本发明实施例的一个方面，提供了一种数据中台，包括：数据采集模块，适于采集电力系统的相关数据；数据处理模块，适于对采集到的相关数据进行处理；数据分析模块，适于对处理后的相关数据进行分析，得到相关数据之间的关系；以及数据显示模块，适于显示处理后的相关数据以及相关数据之间的关系。

可选地，在根据本发明实施例的方法中，数据采集模块适于利用以下至少一种数据采集引擎来采集电力系统的相关数据：Kafka、Flume、Scribe和Chukwa。

可选地，在根据本发明实施例的方法中，电力系统的相关数据包括所述电力系统的内部数据和外部数据，所述内部数据包括新能源装机容量、利用小时数、售电数据和用户用电数据，所述外部数据包括气象数据、地理数据和社会经济数据。

可选地，在根据本发明实施例的方法中，数据处理模块适于对采集到的相关数据进行以下处理：数据清洗、数据转换、数据分类、数据快速恢复、数据正确性校验和数据备份。

可选地，在根据本发明实施例的方法中，数据处理模块适于根据不同应用场景将相关数据转换成预定格式，根据数据内容通过信息测度技术、粗糙集理论技术和D-S证据理论技术进行数据融合和归并处理，利用智能化标签技术对数据进行分类，通过增量实时索引技术对加工后的标准化数据建立目录和索引。

可选地，在根据本发明实施例的方法中，应用场景至少包括以下一种：新能源装机规划场景、新能源机组状态监测预警场景、电网规划设计场景、电网调度场景、负荷预测场景以及政策建议场景。

可选地，在根据本发明实施例的方法中，数据分析模块适于利用以下至少一种数据开发工具来对处理后的相关数据进行分析：Strom、Spark和Map-reduce。

可选地，在根据本发明实施例的方法中，数据显示模块适于利用以下数据可视化工具来显示处理后的相关数据以及相关数据之间的关系：Highcharts、亿信BI和Echarts。

根据本发明实施例的另一个方面，提供了一种计算设备，包括：一个或多个处理器；和存储器；一个或多个应用，其中所述一个或多个应用存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个应用包括根据本发明实施例的数据中台。

根据本发明实施例的另一个方面，提供了一种计算设备，包括：一个或多个处理器；存储器；以及一个或多个应用，其中一个或多个应用存储在存储器中并被配置为由一个或多个处理器执行，该一个或多个应用包括根据本发明实施例的上述装置。

根据本发明实施例的数据中台方案，通过分析数据中台的内涵及技术特点，结合新能源消纳的重点问题，研究了数据中台与新能源消纳场景的适应性，在此基础上构建了面向新能源消纳的数据中台，并利用数据采集模块、数据处理模块、数据分析模块、数据显示模块进行数据的捕捉与汇集、数据价值密度提升、数据价值外化和数据可视化。面向新能源消纳的数据中台可助力电网提高数据管理水平，提升新能源消纳的效率和能力，服务能源领域可持续发展。

上述说明仅是本发明实施例技术方案的概述，为了能够更清楚了解本发明实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明实施例的具体实施方式。

附图说明

为了实现上述以及相关目的，本文结合下面的描述和附图来描述某些说明性方面，这些方面指示了可以实践本文所公开的原理的各种方式，并且所有方面及其等效方面旨在落入所要求保护的主题的范围内。通过结合附图阅读下面的详细描述，本公开的上述以及其它目的、特征和优势将变得更加明显。遍及本公开，相同的附图标记通常指代相同的部件或元素。

图1示出了根据本发明一个实施例的计算设备100的示意图；以及

图2示出了根据本发明一个实施例的数据中台200的示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

图1示出了根据本发明一个实施例的计算设备100的示意图。如图1所示，在基本的配置107中，计算设备100典型地包括系统存储器106和一个或者多个处理器104。存储器总线108可以用于在处理器104和系统存储器106之间的通信。

取决于期望的配置，处理器104可以是任何类型的处理器，包括但不限于：微处理器(μP)、微控制器(μC)、数字信息处理器(DSP)或者它们的任何组合。处理器104可以包括诸如一级高速缓存110和二级高速缓存112之类的一个或者多个级别的高速缓存、处理器核心114和寄存器116。示例的处理器核心114可以包括运算逻辑单元(ALU)、浮点数单元(FPU)、数字信号处理核心(DSP核心)或者它们的任何组合。示例的存储器控制器118可以与处理器104一起使用，或者在一些实现中，存储器控制器118可以是处理器104的一个内部部分。

取决于期望的配置，系统存储器106可以是任意类型的存储器，包括但不限于：易失性存储器(诸如RAM)、非易失性存储器(诸如ROM、闪存等)或者它们的任何组合。系统存储器106可以包括操作系统120、一个或者多个应用122以及程序数据124。在一些实施方式中，应用122可以布置为在操作系统上由一个或多个处理器104利用程序数据124执行指令。

计算设备100还可以包括有助于从各种接口设备(例如，输出设备142、外设接口144和通信设备146)到基本配置102经由总线/接口控制器130的通信的接口总线140。示例的输出设备142包括图形处理单元148和音频处理单元150。它们可以被配置为有助于经由一个或者多个A/V端口152或者HDMI接口与诸如显示器或者扬声器之类的各种外部设备进行通信。示例外设接口144可以包括串行接口控制器154和并行接口控制器156，它们可以被配置为有助于经由一个或者多个I/O端口158和诸如输入设备(例如，键盘、鼠标、笔、语音输入设备、触摸输入设备、遥控输入设备)或者其他外设(例如打印机、扫描仪等)之类的外部设备进行通信。示例的通信设备146可以包括网络控制器160，其可以被布置为便于经由一个或者多个通信端口164与一个或者多个其他计算设备162通过网络通信链路的通信。

网络通信链路可以是通信介质的一个示例。通信介质通常可以体现为在诸如载波或者其他传输机制之类的调制数据信号中的计算机可读指令、数据结构、程序模块，并且可以包括任何信息递送介质。“调制数据信号”可以是这样的信号，它的数据集中的一个或者多个或者它的改变可以在信号中编码信息的方式进行。作为非限制性的示例，通信介质可以包括诸如有线网络或者专线网络之类的有线介质，以及诸如声音、射频(RF)、微波、红外(IR)或者其它无线介质在内的各种无线介质。这里使用的术语计算机可读介质可以包括存储介质和通信介质二者。

计算设备100可以实现为服务器，例如数据库服务器、应用程序服务器和WEB服务器等，也可以实现为包括桌面计算机和笔记本计算机配置的个人计算机。当然，计算设备100也可以实现为小尺寸便携(或者移动)电子设备。

在根据本发明的实施例中，计算设备100的应用122包括执行根据本发明实施例的技术中台200。

在大数据时代的背景下如何管理、利用好庞大的数据资源成为热点问题。数据中台一般定义为介于业务前台与系统后台之间的智能服务平台，通过对海量数据进行采集、存储加工、统一标准、分析挖掘、共享交换及展现应用等，实现业务数据化，进而赋能于前台应用，为客户提供高效服务。尽管目前数据中台的框架结构尚无统一定义，但通常包括数据采集、数据存储、数据管理、数据分析和数据应用等模块，并划分为数据采集、数据存储和管理，数据分析、数据应用四层架构。

数据中台能够根据业务需求设计不同的数据应用场景，通过“以用促建、以建助用”推动数据实时联动、全局优化及服务持续升级创新，依托数据服务满足横向跨专业间、纵向跨层级间的数据共享融通、价值挖掘、分析应用需求。目前数据中台主要应用于互联网领域、商务服务领域、新媒体领域等。数据中台具有以下显著优势：

(1)提高数据开发效率。传统的数据平台进行应用开发时往往需要重新进行数据采集和数据分析挖掘，因此其数据处理分析的效率差，周期长，数据开发速度无法匹配应用开发速度。建设数据中台通过多源异构数据的融合处理和分类标签化处理，形成标准统一、功能清晰的数据资产，为数据复用提供基础，提高数据开发的速度，以快速响应应用开发与业务创新。

(2)压缩平台建设成本。一方面，由于建设数据中台时以应用价值为导向，其数据资产也面向业务场景形成各类数据集，下一次进行数据开发时通过匹配场景重复使用相应数据集，无需重新建设一个专门的独立业务系统数据平台，减少了重复建设的成本。另一方面，由于数据中台对数据进行分类合理存储，减少数据冗余，节省存储空间，减少了存储成本。

(3)有效打破数据壁垒。传统数据平台建设时，各系统建设都会形成以自身主体为中心的单体应用，容易因专业、业务等壁垒形成信息孤岛。数据中台将共性的数据进行提炼整合，具有灵活、强大的共享服务能力，供前端业务应用构建或数据分析直接调用，实现数据互联互通，切实提升数据应用时的跨界能力。

随着新能源发电技术的不断进步和能源革命战略的兴起，新能源行业持续快速发展，当前新能源消纳问题主要表现为以下几方面：

一是装机过剩，由于新能源发电清洁环保等优点和新能源相关政策的大力推广，新能源装机比例、装机容量不断上升，但我国社会总用电量增长速度远低于新能源装机增长速度，因此表现出新能源装机的整体过剩，进一步加剧了弃风弃光等问题。

二是电网输送能力不足。跨省、跨区的大规模传输是新能源消纳的重要途径之一。在新能源远距离输送过程中，一方面，电网实际输送时会产生网络损耗，在变压器和配电线路上形成电压降落，降低电网传输能力。另一方面，新能源并网又给电网实际输送带来新的薄弱环节，如无功电压支撑能力不足、直流系统交流侧电压波动频繁等，这些薄弱环节成为制约电网输送能力的新瓶颈。

三是时变电力系统平衡调节问题。由于电力资源的特殊性，电力系统中发电、输电、供电、用电需要保证同时完成，电力负荷呈现明显的时变特点。系统平衡的原则是调节电源出力跟踪负荷变化，保持动态平衡。然而由于新能源发电出力受制于多变的天气状况，具有随机性、间歇性和波动性，预测困难且准确度较低，加之电力系统调峰能力不足，电源出力往往难以跟上负荷的变化，因此无法保证时变电力系统动态平衡。

四是配套机制不全，从电源侧看，现在发电侧尚未形成可有效反映电力供求关系的电价机制，不利于发挥新能源低边际成本优势；从电网侧看，在新能源消纳进行跨省跨区输电时缺乏完善的新能源跨省跨区消纳的交易机制；从负荷侧看，用户参与调峰意愿较低，缺乏比较合理完善的激励政策调动用户参与调峰的能动性。

根据本发明实施例的数据中台为新能源消纳提供了一个数据基础平台，从数据智能化方向为缓解新能源消纳问题提供以下技术效果：

(1)数据中台通过数据的复用提高数据开发速度，提升新能源消纳相关数据实现其业务价值的速度，实现数据资产快速变现，基于数据高效开发快速响应环境、运行状态等变化，适应新能源接入带来的高度多变性，实现灵活管理与控制。

(2)数据中台可有效打破数据壁垒，挖掘社会宏观数据与能源电力行业及新能源消纳之间的潜在关联，发现更多跨行业、跨领域数据的内在价值，例如通过分析移动通信数据，挖掘其与负荷需求之间的关联，从而得到电网波峰预测值，为调峰提供数据支撑。

(3)数据中台结合新能源消纳面对的难题和相应需求进行应用场景开发，根据场景要求进行数据的采集存储、有序管理和综合分析，进一步缓解新能源消纳问题，对内部推动数据融合共享，对外推动关联企业协同合作，全面提高各环节的信息化程度，从而更好地提升新能源消纳的能力和水平。

图2示出了根据本发明一个实施例的技术中台200的示意图。如图2所示，技术中台200包括数据采集模块210、数据处理模块220、数据分析模块230以及数据显示模块240。

数据采集模块210(也称为数据源层)适于采集电力系统的相关数据，实现多源多维数据立体集成。电力系统的相关数据包括电力系统的内部数据(也就是电力各环节相关数据)和外部数据，该内部数据包括新能源装机容量、利用小时数、售电数据和用户用电数据，该外部数据包括气象数据、地理数据和社会经济数据。数据采集模块210针对庞大且无序的高维源异构数据进行数据融合，实现跨领域数据汇集。

面向新能源消纳的数据中台需要海量来自不同系统、不同领域的分散数据作为数据支撑和基础，因此数据的捕捉与汇集在数据中台建设中起到至关重要的作用。数据中台进行数据捕捉时不仅要确保数据的完整性、全面性，还应针对新能源发电设备运行数据以及故障信息等数据具有的不确定性和突发性，保障数据捕捉的效率和稳定性。因此数据采集模块210通过Kafka、Flume、Scribe、Chukwa等数据采集引擎进行日志数据捕捉，通过分布式爬虫、智能采集调度、数据采集代理等方式有目标地进行网络数据的捕捉，通过灵活的数据捕捉策略耦合多种采集技术，实现新能源消纳各渠道数据的高可靠性、高容错性捕捉与汇集。

数据处理模块220(也称为数据资产层)适于对采集到的相关数据进行处理。数据处理模块220可以通过构建公共数据模块或萃取数据模块实现数据的差异化与精益化管理。其中公共数据模块主要包含设备信息、电网运行信息、用户信息、财务信息、市场信息等数据信息，实现各部门各层级数据按需使用。萃取数据模块主要按照场景需求建立数据体系，如发电预测数据体系、运行数据体系、检修数据体系等，满足相关场景复杂数据序列实时提取的要求。同时，为快速及时地从庞大的数据体系中搜寻有用数据，数据资产层进行目录编制，实现高效检索。对数据资产层的目录还需定时维护和更新，以保证其时效性。数据处理模块220实现了企业级数据的共建共享，提升企业数据精益化管理水平。

数据采集模块210存储的数据类型涵盖文字、图表、视频，数据来源广泛、形式多样、种类繁杂，且面临部分数据丢失、数据错误、数据冗余的风险，数据价值密度较低。因此数据处理模块220需通过数据清洗、数据转换、数据分类、数据快速恢复、数据正确性校验、数据备份以有效提升数据价值密度，奠定数据价值外化的基础。数据源层错乱无序的数据通过数据清洗技术进行识别过滤，清洗无用、重复或者错误数据，通过离群值检测剔除偏差较大数据，利用智能解析，自动抽取有效信息要素。数据处理模块220可以根据不同应用场景将数据转换成合适的格式。然后根据数据内容通过信息测度、粗糙集理论技术和D-S证据理论技术进行数据融合、归并处理，提高数据可用性。最后利用智能化标签技术对数据进行分类，通过增量实时索引技术对加工后的标准化数据建立目录和索引，实现数据快速检索。

应当理解，数据中台的建设能有效缓解新能源消纳面临的主要问题，可以在不同应用场景中，从数据利用、资源整合、信息共享等方面给予新能源消纳问题解决的新思路。数据中台通过电力系统“源网荷储”各环节数据的搜集整理、共享和复用，实现各环节互联互通，进一步提高电力系统源网快速高效的协调互动能力，同时优化调度，以提高新能源消纳水平。

上述应用场景至少包括以下一种：新能源装机规划场景、新能源机组状态监测预警场景、电网规划设计场景、电网调度场景、负荷预测场景以及政策建议场景。

在新能源装机规划场景中，数据中台在数据资产层进行目录检索，通过索引定位得到风能、太阳能以及化石能源等资源的数据信息，利用分析层展开关联分析、空间和时间序列分析，研究这些数据反映出的能源空间分布情况和时序变化情况，并进行地区资源开发潜力分析和新能源装机可行性分析，然后通过设备运行数据、地区负荷数据和气象数据等数据利用大数据分析和数据挖掘计算不同地区消纳能力，结合已有电网规划信息为新能源电站规划、选址、装机规模提供数据支撑和建议。

在新能源机组状态监测预警场景中，数据中台利用数据源层获取系统异常或故障时产生的保护信号数据、跳闸数据、过载数据、不良工况数据等信息，并在数据资产层整合形成预警类数据体系。然后结合实时状态变化数据在分析层进行设备状态演变过程分析和趋势分析，从而及时反馈新能源发电设备的实时运行状态，提高设备状态评价的及时性和准确性，通过提前感知与预警，使新能源发电设备运行处于最优状态，保障新能源发电的稳定可控，最大效率实现新能源发电平稳并网消纳。

在电网规划设计场景中，数据中台利用数据源层搜集电网设备数据、变电站数据、区域网架信息数据、气候气象数据、地理地貌数据、国民经济数据、人口风俗数据等数据信息，数据分类整理后在数据资产层中形成负荷需求数据体系、气象数据体系等。然后在分析层通过新能源装机和气象等相关数据信息利用流式计算、多重回归分析、机器学习等对新能源发电进行精确预测，并结合地理环境、设备运行以及各地区负荷需求数据进行新能源并网容量预测、省间外送电量预测，为输配环节进行新型的电网结构设计、配电网网架规划等提供依据，保障电网对新能源有足够的接纳能力。

在电网调度场景中，数据中台依据历史新能源发电实际和预测功率数据分析新能源功率预测偏差，综合考虑全网负荷信息、输送电量信息以及需求侧可控资源信息，结合电网结构相关数据计算各区域新能源消纳空间、电网通道输送能力、火电机组调峰能力等，通过快速精确分析、信息共享实现电网全局态势感知，指导调度中心进行不同时间尺度的优化调度决策，形成动态最优调度方案，实现大范围资源优化配置，保障电网安全、经济、环保运行的同时，最大限度地接纳风电等可再生能源。

在负荷预测场景中，较为显著的影响因素是气温和地区类型，天气的剧烈变化会使得采暖及降温负荷大规模投入运行，此外人口、国民经济、负荷类型等数据也对负荷预测有较大的影响。因此，数据中台利用数据源层采集相关数据信息，结合电网运行的稳态数据及动态数据，在分析层展开数据多维度联合分析，如耦合聚类分析、回归分析、时间序列分析，准确识别关键影响因子，构建基于数据驱动的负荷特征模型、负荷动态模型和增量负荷预测模型，精确地预测较长时间的负荷情况，为新能源装机规划、电网规划、新能源政策建议等提供依据。

在政策建议场景中，新能源相关政策的实施效果受各地资源禀赋、能源生产和应用参与方的社会心理影响。数据中台基于历史和现状数据，寻找各影响因素内在关联关系，为政府新能源政策机制优化提供建议。如通过新能源发电预测、区域负荷需求和各区域消纳空间余量完善和推广新能源灵活电价机制、新能源跨省跨区交易机制；根据负荷情况和电网调峰能力，通过大用户直购机制、发电权置换交易鼓励大用户自觉错峰用电，制定调峰辅助服务市场规则，完善补贴机制，提高发电企业参与调峰的积极性，缓解调峰压力，从而促进新能源消纳。

数据分析模块230(也称为分析层)适于对处理后的相关数据进行分析，得到相关数据之间的关系。数据分析模块230旨在从数据中快速提炼出深层知识并付诸于工程应用，其中主要包含大数据检索、数据挖掘、机器学习等关键技术以及循环神经网络方法、遗传算法、决策树方法、混合模型聚类算法、模糊集等相关算法模型。数据分析模块230基于应用需求从数据中找出潜在的规律，实现数据资源有效合理利用，以支撑多维精益应用。如进行用户用能行为画像时，通过分布式数据挖掘算法等对用户数据体系提取用户侧数据特征，揭示潜在的用户用能行为规律，从而辅助优化调度，服务新能源消纳相关决策。

数据分析模块230适于利用以下至少一种数据开发工具来对处理后的相关数据进行分析：Strom、Spark和Map-reduce，以便实现分布式机器学习、大规模数据集的检索和并行运算，切实提升数据中台数据价值外化的效率和质量。其中，Strom具有高效可靠的流数据处理能力，满足实时性要求较高的应用场景需求，如新能源机组状态监测预警、电网运行状态实时分析等；Spark通过分布式内存计算完成大规模数据处理，提供高性能的海量数据分析，适用于电网规划、负荷预测等场景；Map-reduce实现高容错性和可靠性的大规模离线数据批处理，可用于新能源装机规划等场景。

数据显示模块240(也称为应用层)适于显示处理后的相关数据以及相关数据之间的关系。数据显示模块240对内支撑电网规划、电网运营、客户服务等企业自身管理运营相关应用，为企业内部提供设备状态预警、新能源发电预测，新能源装机规划等新能源消纳相关服务，在提升电力系统运行效率，提高电网安全性的同时进一步提高新能源消纳能力。对外为政府行业制定新能源消纳相关政策时提供依据，支撑政府高效精准决策，并为其他关联外部企业的行业提供趋势预判、精准营销、商业选址规划等相关服务，指导企业规划发展、提升企业管理水平、提高企业效益，从而提高企业参与新能源消纳的能动性。同时还为用电客户提供优化用能的建议，从用户侧缓解新能源消纳问题。

数据显示模块240要能够直观动态地展现相关数据之间的关系，例如新能源发电预测曲线、负荷分布情况、电网运行实时状态等，因此需要通过交互式和可视化的工具实现数据可视化。数据可视化工具常用的有Highcharts、亿信BI或者Echarts，其中Highcharts方便定制，具有极高的自由度，在新能源消纳相关场景的数据量达到万条级别时，Highcharts可以通过多表联动、自动缩放实现对数据资源灵活多维度展现。亿信BI内置数十种可视化元素和图形，通过简单的数据关系定义，就能实现丰富的可视化效果，且不需要二次开发，操作简单，实现数据中台用户服务友好化。Echarts包含图表种类丰富，在3D绘图方面有明显优势，可实现电网运行状态等场景的动态可视化。

综上所述，建设数据中台是电网数字化转型的重要方向，也是解决新能源消纳问题的有效途径。本发明通过分析数据中台的内涵及技术特点，结合新能源消纳的重点问题，研究了数据中台与新能源消纳场景的适应性，在此基础上构建了面向新能源消纳的数据中台，并通过数据源层、数据资产层、分析层、应用层的内涵和特点对中台架构进行了阐述，最后分析了数据中台在新能源消纳中的可能应用场景，并通过数据的捕捉与汇集、数据价值密度提升、数据价值外化和数据可视化等关键技术为数据中台各层实现相应功能提供技术支撑。面向新能源消纳的数据中台可助力电网提高数据管理水平，提升新能源消纳的效率和能力，服务能源领域可持续发展。

这里描述的各种技术可结合硬件或软件，或者它们的组合一起实现。从而，本发明实施例的方法和设备，或者本发明实施例的方法和设备的某些方面或部分可采取嵌入有形媒介，例如可移动硬盘、U盘、软盘、CD-ROM或者其它任意机器可读的存储介质中的程序代码(即指令)的形式，其中当程序被载入诸如计算机之类的机器，并被机器执行时，该机器变成实践本发明实施例的设备。

在程序代码在可编程计算机上执行的情况下，计算设备一般包括处理器、处理器可读的存储介质(包括易失性和非易失性存储器和/或存储元件)，至少一个输入装置，和至少一个输出装置。其中，存储器被配置用于存储程序代码；处理器被配置用于根据该存储器中存储的程序代码中的指令，执行本发明实施例的方法。

以示例而非限制的方式，可读介质包括可读存储介质和通信介质。可读存储介质存储诸如计算机可读指令、数据结构、程序模块或其它数据等信息。通信介质一般以诸如载波或其它传输机制等已调制数据信号来体现计算机可读指令、数据结构、程序模块或其它数据，并且包括任何信息传递介质。以上的任一种的组合也包括在可读介质的范围之内。

在此处所提供的说明书中，算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与本发明实施例的示例一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明实施例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发明实施例的内容，并且上面对特定语言所做的描述是为了披露本发明实施例的最佳实施方式。

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，本发明实施例的实施例可以在没有这些具体细节的情况下被实践。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，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明实施例的示例性实施例的描述中，本发明实施例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：即所要求保护的本发明实施例要求比在每个权利要求中所明确记载的特征更多特征。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发明实施例的单独实施例。

本领域那些技术人员应当理解在本文所公开的示例中的设备的模块或单元或组件可以布置在如该实施例中所描述的设备中，或者可替换地可以定位在与该示例中的设备不同的一个或多个设备中。前述示例中的模块可以组合为一个模块或者此外可以分成多个子模块。

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，尽管在此所描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发明实施例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。

此外，上述实施例中的一些在此被描述成可以由计算机系统的处理器或者由执行上述功能的其它装置实施的方法或方法元素的组合。因此，具有用于实施上述方法或方法元素的必要指令的处理器形成用于实施该方法或方法元素的装置。此外，装置实施例的在此所描述的元素是如下装置的例子：该装置用于实施由为了实施该发明的目的的元素所执行的功能。

如在此所使用的那样，除非另行规定，使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例，并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。

尽管根据有限数量的实施例描述了本发明实施例，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明实施例的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明实施例的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明实施例的范围，对本发明实施例所做的公开是说明性的而非限制性的，本发明实施例的范围由所附权利要求书限定。