用于光伏发电站的断路器运维状态监测方法及系统

技术领域

本发明涉及运维状态监测技术领域，具体涉及用于光伏发电站的断路器运维状态监测方法及系统。

背景技术

随着可再生能源的普及，光伏发电站已成为重要的能源供应来源。然而，光伏发电站的运维过程中存在一些挑战，尤其是对于断路器的状态监测和故障排查。由于断路器是光伏发电站中关键的保护设备，其正常运行对整个电站的安全和稳定性至关重要。传统的断路器状态监测方法主要依赖于人工巡检和定期的设备检查。然而，这种方法不仅效率低下，而且难以实时监测断路器的状态变化，可能导致潜在的故障无法及时发现和处理。此外，在大型光伏发电站中，由于设备数量众多，人工监测和管理难度大，进一步增加了运维的复杂性和成本。

现有技术中存在的断路器运维状态监测工作由于过于依赖人工和完备性不足而导致客观性较差和故障类型无法确定的问题，使得最终关于光伏发电站的断路器运维效率较低。

发明内容

本申请提供了用于光伏发电站的断路器运维状态监测方法及系统，解决了现有技术中存在的断路器运维状态监测工作由于过于依赖人工和完备性不足而导致客观性较差和故障类型无法确定的问题，实现了关于光伏发电站断路器运维效率的提高。

鉴于上述问题，本申请提供了用于光伏发电站的断路器运维状态监测方法。

第一方面，本申请提供了用于光伏发电站的断路器运维状态监测方法，方法包括：以断路器型号和断路器安装载体刚度为约束，采集断路器机械故障事务集；遍历所述断路器机械故障事务集，提取机械故障记录类型、监测记录点位和振动记录特征；以断路器型号和断路器安装载体刚度为约束，基于所述监测记录点位进行健康断路器采样，生成振动基准特征，其中，所述振动基准特征和所述振动记录特征的特征属性一致；根据所述机械故障记录类型、所述振动记录特征和所述振动基准特征对所述监测记录点位进行分选，生成推荐监测点位集；根据所述推荐监测点位集在断路器电路拓扑部署振动传感器阵列，监测实时振动特征；激活故障预测器，对所述实时振动特征进行分析，生成故障识别类型，发送至断路器运维终端。

第二方面，本申请提供了用于光伏发电站的断路器运维状态监测系统，系统包括：故障事务集模块：以断路器型号和断路器安装载体刚度为约束，采集断路器机械故障事务集；事务集遍历模块：遍历所述断路器机械故障事务集，提取机械故障记录类型、监测记录点位和振动记录特征；振动基准特征模块：以断路器型号和断路器安装载体刚度为约束，基于所述监测记录点位进行健康断路器采样，生成振动基准特征，其中，所述振动基准特征和所述振动记录特征的特征属性一致；推荐监测点位模块：根据所述机械故障记录类型、所述振动记录特征和所述振动基准特征对所述监测记录点位进行分选，生成推荐监测点位集；实时振动特征模块：根据所述推荐监测点位集在断路器电路拓扑部署振动传感器阵列，监测实时振动特征；故障识别类型模块：激活故障预测器，对所述实时振动特征进行分析，生成故障识别类型，发送至断路器运维终端。

本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：

本申请实施例提供的用于光伏发电站的断路器运维状态监测方法及系统，通过以断路器型号和断路器安装载体刚度为约束，采集断路器机械故障事务集，并进行遍历，提取机械故障记录类型、监测记录点位和振动记录特征，然后以断路器型号和断路器安装载体刚度为约束，基于监测记录点位进行健康断路器采样，生成振动基准特征，再根据机械故障记录类型、振动记录特征和振动基准特征对监测记录点位进行分选，生成推荐监测点位集，并在断路器电路拓扑部署振动传感器阵列，监测实时振动特征，最后激活故障预测器，对实时振动特征进行分析，生成故障识别类型，发送至断路器运维终端，解决了现有技术中存在的断路器运维状态监测工作由于过于依赖人工和完备性不足而导致客观性较差和故障类型无法确定的问题，实现了关于光伏发电站断路器运维效率的提高。

附图说明

图1为本申请提供了用于光伏发电站的断路器运维状态监测方法流程示意图；

图2为本申请提供了用于光伏发电站的断路器运维状态监测系统结构示意图。

附图标记说明：故障事务集模块11，事务集遍历模块12，振动基准特征模块13，推荐监测点位模块14，实时振动特征模块15，故障识别类型模块16。

具体实施方式

本申请通过提供用于光伏发电站的断路器运维状态监测方法及系统，通过以断路器型号和断路器安装载体刚度为约束，采集断路器机械故障事务集，并进行遍历，提取机械故障记录类型、监测记录点位和振动记录特征，然后以断路器型号和断路器安装载体刚度为约束，基于监测记录点位进行健康断路器采样，生成振动基准特征，再根据机械故障记录类型、振动记录特征和振动基准特征对监测记录点位进行分选，生成推荐监测点位集，并在断路器电路拓扑部署振动传感器阵列，监测实时振动特征，最后激活故障预测器，对实时振动特征进行分析，生成故障识别类型，发送至断路器运维终端。解决了现有技术中存在的断路器运维状态监测工作由于过于依赖人工和完备性不足而导致客观性较差和故障类型无法确定的问题，实现了关于光伏发电站断路器运维效率的提高。

实施例一

如图1所示，本申请提供了用于光伏发电站的断路器运维状态监测方法及系统，方法包括：

以断路器型号和断路器安装载体刚度为约束，采集断路器机械故障事务集；

确定选择的断路器，并通过该断路器的相关技术资料和使用手册确定断路器的型号和断路器安装载体刚度，基于大数据，将断路器型号和断路器安装载体刚度作为约束进行数据采集，获取断路器机械故障相关事务，并将大量断路器机械故障相关事务进行筛选，得到断路器机械故障事务集。断路器机械故障事务集的获取为后续遍历断路器机械故障事务集，提取机械故障记录类型、监测记录点位和振动记录特征提供数据基础。

遍历所述断路器机械故障事务集，提取机械故障记录类型、监测记录点位和振动记录特征；

断路器机械故障事务集中包括该类型断路器的机械故障记录类型、监测记录点位和振动记录特征。其中机械故障记录类型是指断路器的机械故障类型，包括断路器型号和断路器安装括断路器触头磨损、断路器弹簧劣化、断路器机械连接松动、断路器绝缘材料老化、断路器机构卡阻等。监测记录点位是指对断路器机械故障产生的振动进行监测的位置。振动记录特征是指断路器的机械故障会导致断路器的结构元件冲击受力和运动形态发生变化，进而产生不同的振动信号，对该振动信号进行记录并所呈现的记录特征。对断路器机械故障事务集进行遍历，获取机械故障记录类型、监测记录点位和振动记录特征信息，为后续以断路器型号和断路器安装载体刚度为约束，基于监测记录点位进行健康断路器采样，生成振动基准特征提供数据基础。

载体刚度为约束，基于所述监测记录点位进行健康断路器采样，生成振动基准特征，其中，所述振动基准特征和所述振动记录特征的特征属性一致；

以该断路器的断路器型号和该断路器的断路器安装载体刚度为约束，获取该断路器的监测记录点位，将监测记录点位作为监测点进行健康断路器采样，健康断路器是指能够正常运行的断路器，通过对健康断路器进行采样，获取健康断路器的振动特征，即振动基准特征，振动基准特征与振动记录特征的特征属性一致，表示振动基准特征和振动记录特征的特征类别相同，为后续对故障断路器进行采样获取故障断路器的振动特征进行对比提供数据基础。

根据所述机械故障记录类型、所述振动记录特征和所述振动基准特征对所述监测记录点位进行分选，生成推荐监测点位集；

所述机械故障记录类型包括第一故障记录类型、第二故障记录类型直到第N故障记录类型，N≥1，N为整数；

比对所述振动记录特征和所述振动基准特征，获得振动特征偏差系数；

当所述振动特征偏差系数大于或等于偏差系数阈值，将所述监测记录点位添加进所述推荐监测点位集；

将所述监测记录点位标识为所述第一故障记录类型、所述第二故障记录类型直到所述第N故障记录类型的敏感监测点位，同时将所述监测记录点位在所述第一故障记录类型、所述第二故障记录类型直到所述第N故障记录类型的敏感标识次数加一。

根据机械故障记录类型、振动记录特征和振动基准特征对监测记录点位进行分选，从监测记录点位中选择监测效果更好的点位，将监测效果更好的点位构建为推荐监测点位集供后续使用。机械故障记录类型包括多种不同的机械故障记录类型，将不同的机械故障记录类型分为第一故障记录类型、第二故障记录类型直到第N故障记录类型，N为大于等于1的整数。将振动记录特征和振动基准特征进行比对，即将振动记录特征与标准健康的振动基准特征进行比较，判断振动记录特征与振动基准特征之间的偏差情况，获得振动特征偏差系数。设置偏差系数阈值，偏差系数阈值根据希望的到的偏差结果进行构建，偏差情况越大，偏差系数阈值越难达到。当振动特征偏差系数大于或等于偏差系数阈值，将监测记录点位添加进推荐监测点位集，表示该监测记录点位偏差度较小，可以作为监测点位进行监测。并将监测记录点位进行标识，由于同一个监测记录点位可以监测多种故障记录类型，所以同一个故障记录类型可有多个不同的监测记录点位标识。即将监测记录点位标识为第一故障记录类型、第二故障记录类型直到第N故障记录类型的敏感监测点位，同时将监测记录点位在第一故障记录类型、第二故障记录类型直到第N故障记录类型的敏感标识次数加一，因此，每个故障类型都有一堆敏感点位和每个点位至少具有一个敏感标识次数，完成对监测记录点位的分选，生成推荐监测点位集。通过对不同的监测记录点位进行不同的故障记录类型标识，能够更加清晰地获取不同故障类型所对应的监测点位，进而提高监测效果。

根据所述推荐监测点位集在断路器电路拓扑部署振动传感器阵列，监测实时振动特征；

获取断路器电路拓扑，并根据断路器电路拓扑和推荐监测点位集部署传感器阵列。传感器阵列包含多个振动传感器，能够获取更全面的振动特征信息，并且可以通过多个传感器之间的对比来提高数据的准确性。并通过传感器阵列进行实时监测，获取实时振动特征。为后续激活故障预测器，对实时振动特征进行分析，生成故障识别类型，发送至断路器运维终端提供方数据基础。

激活故障预测器，对所述实时振动特征进行分析，生成故障识别类型，发送至断路器运维终端。

以所述断路器型号、所述推荐监测点位集和所述断路器安装载体刚度为约束，训练故障触发概率预测网络；

根据所述敏感监测点位和所述敏感标识次数，配置故障类型预测通道；

将所述故障触发概率预测网络的输出层和所述故障类型预测通道的输入层合并，生成所述故障预测器。

故障预测器是一种基于神经网络构建的预测模型，包括故障触发概率预测网络和故障类型预测通道，故障触发概率预测网络主要对故障触发概率进行预测，故障类型预测通道主要对故障类型进行预测，通过将故障触发概率预测网络和故障类型预测通道的预测结果进行融合，获取最终故障识别类型。将断路器型号、推荐监测点位集和断路器安装载体刚度作为约束，获取训练数据集，并通过训练数据集训练故障触发概率预测网络。根据敏感监测点位和敏感标识次数，配置故障类型预测通道，故障类型预测通道的规则为敏感标识次数越多，则说明这个敏感监测点位越敏感，对应敏感监测点位异常的出现数量越多，且敏感系数越大，则越可能是对应的故障类型，则将对应的故障类型进行输出。将故障触发概率预测网络的输出层和故障类型预测通道的输入层合并，生成故障预测器。通过故障预测器，对实时振动特征进行分析，生成故障识别类型，并将故障识别类型发送至断路器运维终端。通过构建故障触发概率预测网络和故障类型预测通道，能够保证预测的准确性。

进一步而言，所述方法还包括：

获得特征属性集，其中，所述特征属性集至少包括标准差、均方根、峰值、幅值平方根、峭度、偏度、波形因子、峰值因子、脉冲因子、裕度因子和广义能量；

对所述特征属性集进行客观赋权，生成特征属性权重分布结果；

根据所述特征属性集，对所述振动记录特征和所述振动基准特征进行比对，生成特征属性偏差模值集；

对所述特征属性偏差模值集进行归一化处理，生成特征属性偏差系数集；

根据所述特征属性权重分布结果，对所述特征属性偏差系数集求加权均值，生成所述振动特征偏差系数。

特征属性集包括多种特征属性，标准差、均方根、峰值、幅值平方根、峭度、偏度、波形因子、峰值因子、脉冲因子、裕度因子和广义能量，均为常规特征属性。其中峭度是描述数据分布尖峭或平坦程度的统计量，主要衡量数据分布相对于正态分布的尾部特征，即数据在尾部的集中或离散程度。偏度是描述数据分布对称性的统计量，主要衡量数据分布相对于平均值的偏斜程度，即数据分布的左右偏移程度。波形因子是描述振动信号波形形状的统计量，主要用于衡量振动信号的峰值与有效值之比，反映振动信号的波形变化程度，并且波形因子值越大，表示信号的波形越不规则或复杂。裕度因子是描述振动信号裕度特征的统计量，主要用于衡量振动信号的幅值裕度，即信号的最大幅值与均方根幅值之比，并且裕度因子值越大，表示信号的幅值变化范围越大。广义能量是描述振动信号能量特征的统计量，主要用于衡量振动信号在一定时间范围内的能量总量，可以用来反映信号的活动程度，广义能量值越大，表示信号的能量越高。对特征属性集进行客观赋权即通过客观方法获取相应的权重分配，不对特征属性集进行主观方面的赋权，生成特征属性权重分布结果。根据特征属性集，对振动记录特征和振动基准特征进行比对，计算每个特征属性的偏差模值，将偏差模值构建为特征属性偏差模值集。通过最大最小值归一化或标准化对特征属性偏差模值集进行归一化处理，生成特征属性偏差系数集，通过将每个特征属性的偏差系数乘以相应的权重，再将它们相加并除以所有权重之和，得到振动特征偏差系数。通过对特征属性集进行客观赋权，生成特征属性权重分布结果，能够使最终生成的振动特征偏差系数更加合理，继而提高监测的精确度。

进一步而言，所述方法还包括：

配置若干个主观评价节点，其中，所述若干个主观评价节点互相处于通讯隔离状态；

将所述特征属性集发送至所述若干个主观评价节点，获得若干组重要性评分，其中，100≥任意一个重要性评分≥1；

将所述若干组重要性评分加和，获得重要性评分总和；

遍历所述特征属性集，按照属性加和所述若干组重要性评分，获得特征属性重要性评分总和集；

遍历所述特征属性重要性评分总和集，计算在所述重要性评分总和的占比，设为所述特征属性权重分布结果。

由于单独对特征属性集进行重要性评价会带有强烈的主观意愿，所以将特征属性集进行多方面评价，并切断评价方之间的相互连接，防止相互之间进行干扰，并将多方的评价结果进行整合，获取最终的重要性评价结果。首先将特征属性集发送至所述若干个主观评价节点，获得若干组重要性评分，其中，主观评价节点为评价方，任意一个重要性评分值在1到100之间，包括1和100。将得到的重要性评分进行加和，得到重要性评分总和。遍历特征属性集中的每一个特征属性，按照各自的重要性评分进行加权求和，得到该特征属性的综合重要性评分。遍历所有特征属性的综合重要性评分，计算它们在重要性评分总和中的占比，也就是特征属性的权重分布结果，即特征属性权重分布结果。通过多个主观评价节点进行重要性评价，能够提高特征属性权重分布结果的准确性和全面性。

进一步而言，所述方法还包括：

以所述断路器型号、所述推荐监测点位集和所述断路器安装载体刚度为约束，采集振动特征实验数据集和故障标识数据集，其中，当故障标识等于1时，所述振动特征实验数据集属于故障振动特征，当故障标识等于0时，所述振动特征实验数据集属于健康振动特征；

基于所述振动特征实验数据集和所述故障标识数据集，训练二分类模型，生成所述故障触发概率预测网络。

将断路器型号、推荐监测点位集和断路器安装载体刚度作为约束，对实验数据和健康振动数据进行采集，得到振动特征实验数据集和故障标识数据集，实验数据即在实际情况中获取到的数据，健康振动数据为健康断路器获取的数据。将振动特征实验数据集和故障标识数据集，划分为训练集和测试集，训练集用于训练模型，测试集用于评估模型的性能，训练二分类模型，二分类模型包括逻辑回归、支持向量机、随机森林等。训练生成故障触发概率预测网络，故障触发概率预测网络的输出值为1或0，当故障标识等于1时，振动特征实验数据集属于故障振动特征，表示出现故障；当故障标识等于0时，振动特征实验数据集属于健康振动特征，表示并未出现故障。通过故障触发概率预测网络，能够进一步提高故障识别的准确性。

进一步而言，所述方法还包括：

构建故障类型预测规则：

当所述故障触发概率预测网络的输出值等于1时，接收所述实时振动特征和所述振动基准特征进行比对，生成实时振动特征偏差系数大于或等于所述偏差系数阈值的若干个监测点位；

根据所述敏感监测点位和所述敏感标识次数，提取第k机械故障类型的第k组敏感监测点位和第k组敏感标识次数，其中，第k机械故障类型为机械故障记录类型的任意一个；

提取所述第k组敏感监测点位和所述若干个监测点位的重合点位的重合点位数量；

加和所述重合点位的敏感标识次数，生成敏感系数；

计算所述重合点位数量在所述第k组敏感监测点位的数量占比，设为重合数量比；

当所述重合数量比大于或等于重合比阈值，且所述敏感系数大于或等于敏感系数阈值，将所述第k机械故障类型添加进故障识别类型；

根据所述故障类型预测规则，构建所述故障类型预测通道。

在配置故障类型预测通道时，需构建故障类型预测规则，根据敏感监测点位和敏感标识次数，配置故障类型预测通道，故障类型预测通道的规则为敏感标识次数越多，则说明这个敏感监测点位越敏感，对应敏感监测点位异常的出现数量越多，且敏感系数越大，则越可能是对应的故障类型，则将对应的故障类型进行输出。先判断当故障触发概率预测网络的输出值等于1时，接收实时振动特征，并基于特征比对将实时振动特征和振动基准特征进行比对，计算实时振动特征与振动基准特征之间的偏差系数。若该偏差系数大于或等于所设置的偏差系数阈值，则认为该监测点位为敏感监测点位。即生成实时振动特征偏差系数大于或等于偏差系数阈值的若干个监测点位。统计所有敏感监测点位的敏感标识次数，并根据敏感标识次数，提取出记录第k种机械故障类型的第k组敏感监测点位和第k组敏感标识次数，第k机械故障类型为机械故障记录类型的任意一个。找出所有敏感监测点位和实时振动数据中的重合点位，并统计重合点位的数量。对于第k组敏感监测点位，计算重合点位的数量占比，即重合数量比。对于找到的重合点位，加和其敏感标识次数，生成敏感系数。判断重合数量比和敏感系数是否满足阈值要求，若重合数量比大于或等于所设置的重合比阈值，且敏感系数大于或等于所设置的敏感系数阈值，则将第k种机械故障类型添加到故障识别类型中。根据故障类型预测规则，构建故障类型预测通道。通过敏感监测点位和敏感标识次数进行故障类型预测通道构建，能够确保生成的故障类型预测规则具有较高的准确性和可靠性。

实施例二

基于与前述实施例中用于光伏发电站的断路器运维状态监测方法相同的发明构思，如图2所示，本申请提供了用于光伏发电站的断路器运维状态监测系统，所述系统包括：

故障事务集模块11：所述故障事务集模块11用于以断路器型号和断路器安装载体刚度为约束，采集断路器机械故障事务集；

事务集遍历模块12：所述事务集遍历模块12用于遍历所述断路器机械故障事务集，提取机械故障记录类型、监测记录点位和振动记录特征；

振动基准特征模块13：所述振动基准特征模块13用于以断路器型号和断路器安装载体刚度为约束，基于所述监测记录点位进行健康断路器采样，生成振动基准特征，其中，所述振动基准特征和所述振动记录特征的特征属性一致；

推荐监测点位模块14：所述推荐监测点位模块14用于根据所述机械故障记录类型、所述振动记录特征和所述振动基准特征对所述监测记录点位进行分选，生成推荐监测点位集；

实时振动特征模块15：所述实时振动特征模块15用于根据所述推荐监测点位集在断路器电路拓扑部署振动传感器阵列，监测实时振动特征；

故障识别类型模块16：所述故障识别类型模块16用于激活故障预测器，对所述实时振动特征进行分析，生成故障识别类型，发送至断路器运维终端。

进一步而言，所述推荐监测点位模块14还包括：

所述机械故障记录类型包括第一故障记录类型、第二故障记录类型直到第N故障记录类型，N≥1，N为整数；

比对所述振动记录特征和所述振动基准特征，获得振动特征偏差系数；

当所述振动特征偏差系数大于或等于偏差系数阈值，将所述监测记录点位添加进所述推荐监测点位集；

将所述监测记录点位标识为所述第一故障记录类型、所述第二故障记录类型直到所述第N故障记录类型的敏感监测点位，同时将所述监测记录点位在所述第一故障记录类型、所述第二故障记录类型直到所述第N故障记录类型的敏感标识次数加一。

进一步而言，所述推荐监测点位模块14还包括：

获得特征属性集，其中，所述特征属性集至少包括标准差、均方根、峰值、幅值平方根、峭度、偏度、波形因子、峰值因子、脉冲因子、裕度因子和广义能量；

对所述特征属性集进行客观赋权，生成特征属性权重分布结果；

根据所述特征属性集，对所述振动记录特征和所述振动基准特征进行比对，生成特征属性偏差模值集；

对所述特征属性偏差模值集进行归一化处理，生成特征属性偏差系数集；

根据所述特征属性权重分布结果，对所述特征属性偏差系数集求加权均值，生成所述振动特征偏差系数。

进一步而言，所述推荐监测点位模块14还包括：

配置若干个主观评价节点，其中，所述若干个主观评价节点互相处于通讯隔离状态；

将所述特征属性集发送至所述若干个主观评价节点，获得若干组重要性评分，其中，100≥任意一个重要性评分≥1；

将所述若干组重要性评分加和，获得重要性评分总和；

遍历所述特征属性集，按照属性加和所述若干组重要性评分，获得特征属性重要性评分总和集；

遍历所述特征属性重要性评分总和集，计算在所述重要性评分总和的占比，设为所述特征属性权重分布结果。

进一步而言，所述推荐监测点位模块14还包括：

以所述断路器型号、所述推荐监测点位集和所述断路器安装载体刚度为约束，训练故障触发概率预测网络；

根据所述敏感监测点位和所述敏感标识次数，配置故障类型预测通道；

将所述故障触发概率预测网络的输出层和所述故障类型预测通道的输入层合并，生成所述故障预测器。

进一步而言，所述推荐监测点位模块14还包括：

以所述断路器型号、所述推荐监测点位集和所述断路器安装载体刚度为约束，采集振动特征实验数据集和故障标识数据集，其中，当故障标识等于1时，所述振动特征实验数据集属于故障振动特征，当故障标识等于0时，所述振动特征实验数据集属于健康振动特征；

基于所述振动特征实验数据集和所述故障标识数据集，训练二分类模型，生成所述故障触发概率预测网络。

进一步而言，所述推荐监测点位模块14还包括：

构建故障类型预测规则：

当所述故障触发概率预测网络的输出值等于1时，接收所述实时振动特征和所述振动基准特征进行比对，生成实时振动特征偏差系数大于或等于所述偏差系数阈值的若干个监测点位；

根据所述敏感监测点位和所述敏感标识次数，提取第k机械故障类型的第k组敏感监测点位和第k组敏感标识次数，其中，第k机械故障类型为机械故障记录类型的任意一个；

提取所述第k组敏感监测点位和所述若干个监测点位的重合点位的重合点位数量；

加和所述重合点位的敏感标识次数，生成敏感系数；

计算所述重合点位数量在所述第k组敏感监测点位的数量占比，设为重合数量比；

当所述重合数量比大于或等于重合比阈值，且所述敏感系数大于或等于敏感系数阈值，将所述第k机械故障类型添加进故障识别类型；

根据所述故障类型预测规则，构建所述故障类型预测通道。

本说明书通过前述对用于光伏发电站的断路器运维状态监测方法的详细描述，本领域技术人员可以清楚的知道本实施例中用于光伏发电站的断路器运维状态监测方法，对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。