一种GIL组合式超高压套管用均压环的设计方法

技术领域

本发明涉及输变电线路上均压环的设计，尤其涉及对GIL组合式超高压套管用均压环的设计方法。

背景技术

均压环作为输变电线路的关键部件之一，在特高压输电电路中得到广泛应用，主要起到均匀电场的作用。均压环性能的优劣直接影响到整个线路运行的安全。在使用中，为了降低高压套管末端绝缘子的电场场强以及均匀分布，选择合理结构参数的均压环尤为重要。

通常对于均压环的设计大多采用自身经验结合有限元仿真软件或单一的采用遗传算法和神经网络算法进行设计，主要存在以下问题：

一、不同型号的均压环其非线性程度有所不同，设计经验会有所差别，对设计人员的要求较高；

二、由于均压环仿真不断修改需要重复劳动，比较花费设计人员时间。

三、单纯的利用神经网络算法和遗传算法结合有限元二次开发等设计均压环，在优化的过程中都存在一定的局限性。

因此，面对不同型号、不同规格的均压环，如何提高设计精准度成为本领域亟待解决的技术问题。

发明内容

本发明针对以上问题，提供了一种提高不同型号均压环设计效率和质量的一种GIL组合式超高压套管用均压环的设计方法。

本发明的技术方案是：

一种GIL组合式超高压套管用均压环的设计方法，包括：

步骤100，通过有限元模型仿真计算确定均压环的原始环径R、管径r、抬高高度H结构参数；

步骤200，通过正交试验确定影响均压环性能的主要参数，对变化较大主要参数进行优化；

步骤300，利用神经网络和遗传相结合的算法继续再进行优化，确定均压环合理的结构参数。

具体的，步骤100中，以均压环不起晕最大承受场强E2≤2.2KV/mm和绝缘子表面承受的最大场强E1≤0.60KV/mm为依据，均压环的环径R、管径r、抬高高度H为变量，将有限元仿真模型的约束条件设定为E1max=minf（R、r、H）≤0.60KV/mm，E2=g（R、r、H）≤2.2KV/mm；通过有限元仿真模型，以抬高距H为基准计算确定均压环相应环径 R和管径r原始的基本结构参数。

具体的，步骤200包括：

步骤210，以抬高距 H为基准，对相应环径R和管径r常规规格进行拓展，形成正交试验表；

步骤220，根据步骤210建立的正交试验表依次将每组相应环径R、抬高距H和管径r参数输入有限元仿真模型，仿真试验相应均压环表面产生的场强E2，并进行记录；

步骤230，至少以两种规格的抬高距H为基准，计算优化目标均压环表面产生的场强E

至少以两种规格的环径R为基准，计算相应规格均压环表面产生的场强E

至少以两种规格的管径H为基准，计算优化目标均压环表面产生的场强E

步骤240，分别计算环径、抬高距和管径影响因素的极差值；

步骤250，根据相应极差值的大小，确定影响均压环性能的主要参数并推荐正交试验优化目标布置。

具体的，步骤300包括以下步骤：

步骤310，建立神经网络模型，输入向量为均压环结构参数，输出向量为绝缘子的承受场强E1和均压环表面场强E2,隐含层和输出层的激活函数为双正切函数；

步骤320，数据归一化预处理

将均压环结构参数和优化指标归一化到【-1,1】区间，按(1)式进行：

fe(x)=2f(x)-fmax-fmin/fmax-fmin(式1)

fe(x)为归一后的数据；

fmax和fmin分别为归一前原始数据的最大值和最小值；

f(x)为归一前的原始数据；

将均压环的结构参数和输出场强归一到[-1，1]区间内，通过隐含层和输出层的双正切激活函数，将神经网络中将神经元的信息汇总，双正切激活函数为式2：

f(y)=1-e-2y/1+e-2y (式2)

f(y)为每条神经元的输出值，y为每条神经元的输入值，e为自然常数；

步骤330，BP神经网络训练

步骤331，设置训练参数

输入层神经元个数为3个,分别为环径R、管径r、抬高高度H；隐层神经元的个数按N规则选取,N为输入层的节点数，输出层神经元个数为2个，分别为承受场强E1和均压环表面场强E2；网络的训练算法选为Levenberg-Marquardt学习算法,学习率为0.01，训练次数50次，误差平方和指标0.001，两次更新显示间训练次数为1；

步骤332，训练网络

步骤3321，将设置的训练参数数据输入BP神经网络训练用系统进行学习、训练，BP神经网络拟合，用训练好的BP网络根据系统输入预测系统输出；

步骤3322，通过传递函数计算输出层各单元的输出，此过程按照函数式3进行计算；

(式3)

步骤3323，检查训练的输出是否达到预先设置的目标,如不能达到预期设置的目标，则需重复步骤3321~3323过程，直到网络全局误差函数E小于预先设定的值或训练次数达到预先设定的值，整个训练过程结束；

步骤333，BP神经网络预测数据

确定通过BP神经网络算法学习、训练所达到的符合预先设置优化目标的数据，将这些数据整理作为遗传算法的初始种群，等待输入遗传算法；

步骤333，将BP神经网络符合预先设置优化目标的预测数据进行整理，作为遗传算法的初始种群。

具体的，步骤333完成后，还包括：

步骤340，将BP神经网络学习、训练获得的预测数据作为遗传算法的初始种群，输入遗传算法；

步骤341，遗传算法模型参数设定

均压环优化的数学模型设i表示均压环的个数,i=1、2、3按编号依次为每个均压环，每个均压环对应3个优化变量,随机产生50个初始种群；随机配对进行交叉产生新种群，新旧种群进行合并，然后根据适应度的高低选择适应度高的个体进入下一代；设置适应度最大的个体不参加变异，其他个体以变异概率0.01进行变异，完成父代到子代的一次进化；经过N代进化后从最终得到的种群中选择最优解；

步骤3411，遗传算法的初始种群的建立

由神经网络预测得到的符合优化目标的适度数据值进行组合，形成遗传算法的初始种群Farm=zeros(50,3)；

步骤3412，选择

随机选择两个个体P1和P2，然后将P1和P2进行基因变异，得到新的个体Pc1和Pc2,重复此步骤直至得到N个个体，建立新的种群Newfarm=zeros(50,3)；

步骤3413，交叉

将父代种群和新建立的种群进行交叉，保证随机配对，产生新的种群FARM=[farm;newfarm]；

步骤3414，复制

选择复制采取两两随机配对竞争的方式，保留具有最优的个体；根据收敛曲线1：LCI(counter+1)=maxfitness和收敛曲线2：LC2(counter+1)=meanfitness,计算各代最优个体适应值和各代群体平均适应值；

步骤3415，变异

将交叉、复制产生的种群进行变异，经过一次变异后适应度最高的加入种群，以变异概率0.01进行变异，重复上述步骤直至得到N个变异后的个体，将N个变异后的个体进行组合，得到新的种群farm(i.p1)=rand(UB-LB)+LB；

步骤3416，检查数据是否满足条件，如果不能满足预先设置的优化条件，应重复步骤3411~3415。

具体的，步骤100包括：

以均压环不起晕最大承受场强E2和绝缘子表面承受的最大场强E1为依据，均压环的结构参数环径R、管径r和抬高高度H为变量；

含有约束条件的绝缘子和均压环的优化模型为：E1max=minf（R、r、H）E2=g（R、r、H）≤2.2KV/mm，通过有限元仿真计算确定均压环原始的基本结构参数。

具体的，所述均压环不起晕最大承受场强E2≤2.2KV/mm。

具体的，步骤230中 ：

E

E

E

本发明有益效果：

1、正交试验设计优化均压环结构参数时，对结果的分析发现,绝缘子和均压环表面承受的场强与均压环拾高距(H)、环径(R)、管径(r)有关。优化目标就是要求取一组H、R、r值,使得均压环和绝缘子表面承受的场强达到最小。然而均压环和绝缘子表面承受的场强和H、R、r之间是一种非线性关系,这种关系很难或者根本无法用显函数的形式描述。通常的做法是简单地让H、R、r在各自的定义域中变化而得到一组均压环结构参数,然后求解这些参数下的指标值,最后进行比较，找出满足设计条件的最佳参数组合。这种穷举的方法思想简单,但计算十分繁琐,当计算的工程比较复杂或者变量的变化水平比较多时,这种方法几乎不可能得到应用。本发明利用正交试验、神经网络和遗传相结合的算法建立优化目标E和H、R、r之间的非线性映射关系,利用有限元方法计算出来的多组数据供神经网络学习和检验,再由已经建立的经网络型来计算出均压环的最佳结构参数，经网络和遗传的计算时间基本上可以忽略不计，这样不仅能获得更优化的参数，同时也可以大大缩短优化时间。所采用的仿真技术进行正交试验以及再利用神经网络遗传算法优化设计方法原理简单、方法有效,能解决繁琐计算过程的问题。

附图说明

图1是均压环的结构示意图，

图2是神经网络模型示意图，

图3是神经网络模型流程图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

一种GIL组合式超高压套管用均压环的设计方法，包括：

步骤100，通过有限元模型仿真计算确定均压环的原始环径R、管径r、抬高高度H结构参数；

以均压环不起晕最大承受场强E2≤2.2KV/mm和绝缘子表面承受的最大场强E1≤0.60KV/mm为依据，均压环的环径R、管径r、抬高高度H为变量，将有限元仿真模型（本领域常规仿真模型）的约束条件设定为E1max=minf（R、r、H）≤0.60KV/mm，E2=g（R、r、H）≤2.2KV/mm；通过有限元仿真模型，以抬高距H为基准计算确定均压环相应环径 R和管径r原始的基本结构参数；即以抬高距H分别为220、300、350mm时为基准，确定相应环径R和管径 r基本数值，所得初步数据具体见表1；

表1：

步骤200，通过正交试验确定影响均压环性能的主要参数，对变化较大主要参数进行优化；

步骤210，以抬高距 H（mm）为基准，对相应环径R和管径r常规规格进行拓展，形成正交试验表，如表2所示；

表2

步骤220，根据步骤210建立的正交试验表依次将每组相应环径R、抬高距H和管径r参数输入有限元仿真模型，仿真试验相应均压环表面产生的场强E2（设定为优化目标），并进行记录，获得表3；

表3

步骤230，至少以两种规格的抬高距H为基准，计算优化目标均压环表面产生的场强E

至少以两种规格的环径R为基准，计算相应规格均压环表面产生的场强E

至少以两种规格的管径H为基准，计算优化目标均压环表面产生的场强E

进一步限定，E

E

E

以表2为例：

1）以环径450mm为基准，计算优化目标Ea1的均值，Ea1=(1.65403+1.56585+1.54280)÷3=1.58756；

2）以环径500mm为基准，计算优化目标Ea2的均值，Ea2=(1.59501+1.55041+1.53812)÷3=1.56118；

3）以环径550mm为基准，计算优化目标Ea3的均值，Ea3=(1.57010+1.52335+1.51305)÷3=1.53550。

4）以抬高距220mm为基准，计算优化目标Ea4的均值，Ea4=(1.65403+1.59501+1.57010)÷3=1.60638；

5）以抬高距300mm为基准，计算优化目标Ea5的均值，Ea5=(1.56585+1.55041+1.52335)÷3=1.54654；

6）以抬高距350mm为基准，计算优化目标Ea6的均值，Ea6=(1.54280+1.53812+1.51305)÷3=1.53132。

7）以管径50mm为基准，计算优化目标Ea7的均值，Ea7=(1.65403+1.55041+1.51305)÷3=1.57250；

8）以管径55mm为基准，计算优化目标Ea8的均值，Ea8=(1.56585+1.53812+1.57010)÷3=1.55802；

9）以管径60mm为基准，计算优化目标Ea9的均值，Ea9=(1.54280+1.59501+1.52335)÷3=1.55372。

步骤240，分别计算环径、抬高距和管径影响因素的极差值，利用公式E的极差=Emax-Emin；

进一步限定，环径影响因素的极差=Ea1-Ea3=1.58756-1.53550=0.05206；抬高距影响因素的极差=Ea4-Ea6=1.60638-1.53132=0.07056；管径影响因素的极差=Ea7-Ea9=1.57250-1.55372=0.01878；将相关数据统计成下表4所示：

表4

步骤250，根据相应极差值的大小，确定影响均压环性能的主要参数并推荐正交试验优化目标布置；

从表3中可以看出正交试验结果试验9中350、550、50这组数据为最佳组合数据；

从表4中可以看到抬高距H的极差值为0.07056对优化目标E影响最大,环径R次之，环的管径r最小，参照表3、表4对均压环的结构参数进行优化组合，从而确定抬高距H、环径R和管径r的最优组合；本案最佳组合为高距H=350mm、环径R=550mm和管径r=60mm

对按照优化目标所确定的最优组合进行仿真试验，可以看到,按照优化目标布置仿真结果较不优化时有了较大改善,这种关系很难或者根本无法用显函数的形式描述,不均匀系数也较低。故推荐按优化目标布置,即抬高距H350mm、环径R550mm、管径r60mm。

虽然上述正交试验设计方法能够很好地优化均压环结构参数,但它仍存在一定不足；表现在试验安排上不能全面反映各个因素的影响,此外正交试验设计方法的预测效果随设计因素水平变化的影较大。因此本案进一步利用神经网络和遗传相结合的算法建立优化目标E和H、R、r之间的非线性映射关系,利用有限元方法计算出来的50组数据供神经网络学习和检验,再由已经建立的遗传模型来计算出均压环的最佳结构参数，经网络和遗传的计算时间基本上可以忽略不计，这样不仅能获得更优化的参数，同时也可以大大缩短优化时间。

步骤300，神经网络遗传算法

步骤310，利用神经网络模型（本领域常规模型），如图1所示,将均压环最优组合结构参数的抬高距H、环径R和管径r分别导入神经网络模型的输入向量，从神经网络模型的输出层获得输出向量，分别为绝缘子的承受场强E1和均压环表面场强E2；

步骤320，数据归一化预处理

为了提高神经网络的优化效果，一般应该将输入和输出的向量分别归一化为无量纲的向量；同时,为充分利用激活函数的特性，本发明将均压环结构参数（抬高距H、环径R和管径r）和优化指标（绝缘子的承受场强E1和均压环表面场强E2）按(1)式归一化到〖-1，1〗区间，便于后期优化；

fe(x)=2f(x)-fmax-fmin/fmax-fmin(式1)

fe(x)为归一后的数据；

fmax和fmin分别为归一前原始数据的最大值和最小值；

f(x)为归一前的原始数据

例如：

环径450mm数据的归一化，就是将环径的原始数据450mm、环径的最大值550mm、最小值450mm分别代入式1进行归一化计算，得到归一化后的fe(x)数据，即为fe(x)=2*450-550-450/550-450=-100/100=-1.

环径500mm数据的归一化，就是将环径的原始数据500mm、环径的最大值550mm、最小值450mm分别代入式1进行归一化计算，得到归一化后的fe(x)数据，即为fe(x)=2*500-550-450/550-450=0/100=0.

环径550mm数据的归一化，就是将环径的原始数据500mm、环径的最大值550mm、最小值450mm分别代入式1进行归一化计算，得到归一化后的fe(x)数据，即为fe(x)=2*550-550-450/550-450=100/100=1。

将均压环的结构参数和输出场强归一到[-1，1]区间内，因此，隐含层和输出层的激活函数为双正切激活函数，利用双正切激活函数负责在神经网络中将神经元的信息汇总，转换成新的输出端信号传递给下一个神经元，这样优化的速度更快。具体双正切激活函数为式2：

f(y)=1-e-2y/1+e-2y (式2)

f(y)为每条神经元的输出值，y为每条神经元的输入值，e为自然常数。

步骤330，BP神经网络训练

步骤331，设置训练参数

将均压环需要优化的参数（R,r,h）导入输入层；设隐含层神经元的个数为N(N为输入层的节点数)，参照表5所示，本案隐含层神经元个数取值为10；输出层神经元个数为2，分别为绝缘子的承受场强E1和均压环表面场强E2；网络训练算法选为Levenberg-Marquardt学习算法,学习率为0.01，训练次数为50次，误差平方和指标0.001，两次更新显示间训练次数为1。

步骤332，训练网络

步骤3321，将设置的训练参数表5的均压环参数输入BP神经网络训练系统进行学习、训练、拟合，用训练好的BP网络根据系统输入的表5数据，预测系统输出的优化目标。

表5 ：用于神经网络训练和检验的有限元仿真数据

步骤3322，通过BP神经网络训练系统中传递函数，计算输出层各单元的承受场强，分别为E1和E2，传递函数为式3。

(式3)

Xi为第i个神经元的输入；

Wi为第i个神经元当前的权重；

θ为神经元的阈值。

步骤3323，检查步骤3322训练输出的承受场强是否达到预先设置的目标,如不能达到预期设置的目标，则需重复步骤3321~3323过程，直到网络全局误差函数f（Ei）小于预先设定的值(网络误差)或训练次数达到预先设定的值，整个训练过程结束。

步骤333，将BP神经网络符合预先设置优化目标的预测数据进行整理，作为遗传算法的初始种群。

在用传统BP网络学习中，网络逼近非常慢，且逼近误差达不到理论要求值时,就很容易陷入局部最小,导致网络无法学习下去。事实上基于梯度法的BP网络往往由于收敛太慢而影响求解质量。鉴于此,本发明引用遗传算法，将BP神经网络学习训练所得数据输入遗传算法,使得均压环参数优化目标更精确、更快捷。

步骤340，将BP神经网络学习、训练获得的预测数据作为遗传算法的初始种群，输入遗传算法；

步骤341，遗传算法模型参数设定

将遗传算法模型中i设为均压环的个数，i=1、2、3按编号依次为每个均压环，每个均压环对应3个优化变量（R、H、r）,随机产生50个初始种群；随机配对进行交叉产生新种群，新旧种群进行合并，然后根据适应度的高低选择适应度高的个体进入下一代；设置适应度最大的个体不参加变异，其他个体以变异概率0.01进行变异，这样就完成了父代到子代的一次进化；经过N代进化后从最终得到的种群中选择最优解；

步骤3411，遗传算法的初始种群的建立

由神经网络预测得到的符合优化目标的适度数据值进行组合，形成遗传算法的初始种群Farm=zeros(50,3)。

步骤3412，选择；

随机选择两个个体P1和P2，然后将P1和P2进行基因变异，得到新的个体Pc1和Pc2,重复此步骤直至得到N个个体，建立新的种群Newfarm=zeros(50,3)。

步骤3413，交叉；

将父代种群和新建立的种群进行交叉，保证随机配对，产生新的种群FARM=[farm;newfarm]。

步骤3414，复制

选择复制采取两两随机配对竞争的方式，保留具有最优的个体。根据收敛曲线1：LCI(counter+1)=maxfitness和收敛曲线2：LC2(counter+1)=meanfitness,计算各代最优个体适应值和各代群体平均适应值。

步骤3415，变异；

将交叉、复制产生的种群进行变异，经过一次变异后适应度最高的加入种群，以变异概率0.01进行变异，重复上述步骤直至得到N个变异后的个体，将N个变异后的个体进行组合，得到新的种群farm(i.p1)=rand(UB-LB)+LB。

步骤3416，检查数据是否满足条件，如果不能满足预先设置的优化条件，应重复步骤3411~3415。

步骤400，神经网络遗传算法的实现

1、利用MATLAB语言编写神经网络遗传算法程序。

2、利用编写的神经网络遗传程序对均压环的结构参数进行优化的流程。

1)数据归一化预处理

XX=[220:50:450;220:450:55;220:450:60;220:500:55;220:550:55;220:550:60;220:50:550;];

YY=[1.39693，0.574;1.36308,0.528;1.36948,0.516;1.34792,0.501;1.34427,0.493;1.36951,0.481;1.33603,0.474]';

XX=premnmx(XX);

YY=premnmx(YY);

YY

2)创建网络

Net=newff(minmax(XX),[1.33603,0.574],{'tansig','tansig','purelin'},'trainlm');

3)设置训练参数

net.trainParam.show=1;

net.trainParam.lr=0.01;

net.trainParam.epochs=50;

net.trainParam.goal=0.001;

4）训练网络

net=train（net,XX,YY）

a=sim(net，XX）

minYY=[1.33603,0.474]

maxYY=[1.39693,0.574]

y=postmnmx(a,minYY,maxYY)

5）保存网络save BPnet net function

[Yp,Xp,LC1,LC2]=MYGA(bpnet,M,N,Pm,LB,UB,XX,YY)

第一步:变量初始化

LC1=zeros(1,50);收敛曲线1

LC2=LC1;收敛曲线2

第二步:随机产生初始种群

Farm=zeros(50,3);

fori=1:50

forj=1:3

farm(ij)=rand*[UB(j)-LB(j))]+LB(j);

end

end

Counter=0;设置迭代计数器

while counter<50

第三步:交叉

Newfarm=zeros(50,3);新种群

Ser=randperm(50);保证随机配对

Fori=1:49

AA=farm(Ser(i),:);待交叉的两个父代个体

BB=farm(Ser(i+1),:);

Pl=rand

p2=rand;

pos=unidrnd(4);

A=[p1*AA(1:pos)+(1-p1)*BB(1:pos),p2*AA((pos+1):3)+(1-p2)*BB((pos+1):3)];

B=[p2*AA(1:pos)+(1-p2)*BB(1:pos),p1*AA((pos+1):3)+(1-p2)*BB((pos+1):3)];

newfarm(i,:)=A;

newfarm(i+1,:)=B;

end

新旧种群合并

FARM=[farm;newfarm];

第四步:选择复制

FITNESS=zeros(1,50);

Fitness=zeros(1,50);

Fori=1:(50)

X=FARM(i,:);

FITNESS(i)=1/NETSIM(bpnet,X',XX,YY);

end

Ser=randperm(50);选择复制采取两两随机配对竞争的方式，具有保留最优体的能力。

fori=1:50

f1=FITNESS(Ser(2*i-1)）;

f2=FITNESS(Ser(2*i));

if f1>=f2

farm(i,：)=FARM(Ser(2*i-1),:);

fitness(i)=FITNESS(Ser(2*i-1));

else

farm(i,:)=FARM(Ser(2*i);：);

fitness(i)=FITNESS(Ser(2*i));

end

end

记录最佳个体和收敛曲线

Maxfitness=max(fitness);

Meanfitness=mean(fitness);

LCI(counter+1)=maxfitness;收敛曲线1, 各代最优个体适应值的记录

LC2(counter+1)=meanfitness;收敛曲线2，各代群体平均适应值的记录

Pos=find(fitness==maxfitness);

Xp=farm(pos(1),:);

Yp=maxfitness;

第五步:变异

for i=1:50

if 0.01>rand&&i~-pos(1); 变异概率为0.01

X=farm(i,:);

p1=unidrnd(3);

farm(i,:)=X;

farm(i.p1)=rand(UB-LB)+LB

end

end

counter=counter+1;

disp(counter);

end。

步骤500，神经网络遗传算法优化结果

经过神经网络遗传进行求解寻优表明,均压环抬高距H=345.98mm、环径R=515.12mm和管径r=56.76mm时，均压环表面场强优化目标达到最小值为E2=1.27522KV/mm,绝缘子电压分布较为均匀。

步骤600，神经网络遗传优化结果的仿真试验验证

采用均压环参数为抬高距H=350mm、环径R=500mm和管径r=60mm进行仿真试验，安装均压环后三维模型下计算出的绝缘子上的场强分布有明显改善，同时也节约了原材料的成本。采用这种配置的均压环表面最大电场强度为1.30888kV/mm≤2.2kV/mm在可以接受的范围之内，绝缘子最大场强为0.47kV/mm≤0.60kV/mm，神经网络遗传的优化结果与试验验证结果进行比较,其相对误差E%为:E%=1.30888(试验值)-1.27522/1.30888=2.57%,相对误差较小，得到的结果是较满意的。

步骤100包括：

以均压环不起晕最大承受场强E2和绝缘子表面承受的最大场强E1为依据，均压环的结构参数环径R、管径r和抬高高度H为变量；

含有约束条件的绝缘子和均压环的优化模型为：E1max=minf（R、r、H）E2=g（R、r、H）≤2.2KV/mm，它们之间存在着一一映射的关系，通过有限元仿真计算确定均压环原始的基本结构参数（均压环的原始基本参数R、r、H）。

所述均压环不起晕最大承受场强E2≤2.2KV/mm。

对于本案所公开的内容，还有以下几点需要说明：

（1）、本案所公开的实施例附图只涉及到与本案所公开实施例所涉及到的结构，其他结构可参考通常设计；

（2）、在不冲突的情况下，本案所公开的实施例及实施例中的特征可以相互组合以得到新的实施例；

以上，仅为本案所公开的具体实施方式，但本公开的保护范围并不局限于此，本案所公开的保护范围应以权利要求的保护范围为准。