一种碳排放智能监测与管控平台

技术领域

本发明涉及环境科学技术领域，尤其涉及一种碳排放智能监测与管控平台。

背景技术

碳排放智能监测与管控平台是一种利用先进技术手段对碳排放进行监测与管理的平台。它的目的是准确、实时地监测和管控碳排放，以降低碳足迹、应对气候变化，实现环境可持续发展。该平台通过多种手段达成目标。首先，它利用传感器、监测设备和数据采集系统来实时收集并监测相关的碳排放数据，包括工业排放、能源消耗、交通运输等各个领域的碳排放数据。其次，平台采用数据分析和处理技术，对收集的数据进行处理和分析，从中获取有关碳排放的重要信息和模式。同时，平台可以建立模型和算法，预测和评估碳排放情况，提供决策支持和建议。最后，平台还可以实施碳排放管控措施，例如碳减排方案、环境管理策略等，以减少碳排放并促进低碳发展。

在碳排放智能监测与管控平台的实际使用过程中，现有平台往往缺乏对碳排放源的精确标识和管理能力，导致数据的不准确性和管理的低效性。传统的数据采集方式也无法确保数据的时效性和完整性，这为决策制定带来了很大的障碍。此外，现有平台通常没有完善的知识图谱，使得决策者难以获取碳排放的全面和多尺度信息。而在算法方面，现有平台往往仅依赖简单的统计方法，缺乏对复杂情境的应对能力，也无法实时地对异常情况进行检测和预警。

发明内容

本发明的目的是解决现有技术中存在的缺点，而提出的一种碳排放智能监测与管控平台。

为了实现上述目的，本发明采用了如下技术方案：一种碳排放智能监测与管控平台是由碳源识别模块、数据采集模块、碳排放核算模块、大数据分析模块、优化算法模块、异常检测预警模块、智能预测模块、实时追踪模块组成；

所述碳源识别模块利用工业互联网标识技术，通过散列算法为每个碳排放源赋予唯一标识并进行管理，生成碳源识别结果；

所述数据采集模基于碳源识别结果，使用物联网智能终端，通过传感器网络对碳排放水平和环境质量数据进行实时在线采集，生成碳环境数据集；

所述碳排放核算模块对碳环境数据集进行分析，结合碳排放实测法和排放因子法对数据进行校正和核算，生成核算碳排放数据；

所述大数据分析模块基于核算碳排放数据，使用大数据分析技术，构建碳排放知识图谱，展现碳排放动态多尺度信息，生成碳排放知识图谱；

所述优化算法模块基于碳排放知识图谱，应用人工智能和群体智能优化算法，确定最佳的碳排放方法，生成优化碳排放策略；

所述异常检测预警模块根据优化碳排放策略，运用孤立森林机器学习算法对实时碳排放行为进行异常检测，并实时发出预警通知，生成异常检测预警信息；

所述智能预测模块基于异常检测预警信息，利用历史数据、天气数据、经济指标，通过机器学习和时间序列分析，计算和预测未来碳排放趋势，生成排放趋势预测报告；

所述实时追踪模块根据排放趋势预测报告，并依赖物联网和地理信息系统技术，实时追踪监测碳排放源的排放情况，得到实时的碳排放数据和地理位置信息，生成碳排放热点数据。

作为本发明的进一步方案：所述碳源识别模块包括数据记录子模块、数据存储子模块、数据查询子模块、数据管理子模块；

所述数据采集模块包括多源数据采集子模块、设备数据抓取子模块、环境质量数据采集子模块；

所述碳排放核算模块包括数据核算子模块、数据验证子模块、数据处理子模块；

所述大数据分析模块包括数据融合子模块、关联分析子模块、机器学习子模块；

所述优化算法模块包括历史数据分析子模块、环境因素分析子模块、最优化算法模块；

所述异常检测预警模块包括实时数据监测子模块、异常检测子模块、预警通知子模块；

所述智能预测模块包括周期数据分析子模块、外部因素分析子模块、预测模型子模块；

所述实时追踪模块包括碳排放源定位子模块、数据处理子模块、数据可视化子模块。

作为本发明的进一步方案：所述数据记录子模块利用工业互联网标识技术和SHA-256散列算法，为每一个碳排放源生成一个独立标识，建立碳源标识记录；

所述数据存储子模块根据碳源标识记录，采用B+树索引存储方式在分布式数据库中存储数据，搭建碳源数据仓库；

所述数据查询子模块接受用户的请求，通过优化的SQL查询算法，从所述碳源数据仓库中检索碳源标识，碳源查询结果；

所述数据管理子模块基于碳源查询结果，运用CRUD操作技术对数据进行综合管理，生成碳源识别结果。

作为本发明的进一步方案：所述多源数据采集子模块利用物联网智能终端和MQTT协议，实时监测多种碳排放源的数据，生成多源碳数据；

所述设备数据抓取子模块基于多源碳数据，应用异步数据抓取技术获取各设备的碳排放数据，生成设备碳数据；

所述环境质量数据采集子模块通过高灵敏度传感器技术和卡尔曼滤波算法，采集环境中的碳排放浓度，建立碳环境数据集。

作为本发明的进一步方案：所述数据核算子模块基于碳环境数据集，结合贝叶斯推断技术及碳排放实测法与排放因子法对数据进行核算，生成初步碳排放核算数据；

所述数据验证子模块利用数据完整性校验技术对初步碳排放核算数据进行质量和完整性的验证，获取验证后的碳排放数据；

所述数据处理子模块基于验证后的碳排放数据，采用数据清洗算法和Pandas数据处理库，进行数据的清洗、整合和转化处理，生成核算碳排放数据。

作为本发明的进一步方案：所述数据融合子模块采用张量融合算法对核算碳排放数据进行多源数据融合，生成融合后碳数据；

所述关联分析子模块基于融合后碳数据，运用Apriori关联分析算法研究碳排放源之间的关联性，生成碳排放关联分析报告；

所述机器学习子模块基于碳排放关联分析报告，使用支持向量机算法对碳排放动态多尺度信息进行机器学习处理，生成碳排放知识图谱。

作为本发明的进一步方案：所述历史数据分析子模块使用时间序列分析，基于自回归综合模型对碳排放的历史数据进行分析，生成碳排放历史分析数据；

所述环境因素分析子模块基于碳排放历史分析数据，采用灰色关联度分析来量化环境因素对碳排放的影响，生成环境影响分析报告；

所述最优化算法模块结合环境影响分析报告和碳排放知识图谱，通过遗传算法和粒子群优化算法搜索解空间，生成优化碳排放策略。

作为本发明的进一步方案：所述实时数据监测子模块使用卡夫卡流处理平台进行实时数据流处理，结合窗口函数监测碳排放，生成碳排放实时监测数据；

所述异常检测子模块基于碳排放实时监测数据，运用孤立森林算法，标识异常碳排放行为，生成异常检测报告；

所述预警通知子模块基于异常检测报告，利用网络套接字通信协议推送通知服务，结合阈值策略，实时发出预警通知，生成异常检测预警信息。

作为本发明的进一步方案：所述周期数据分析子模块采用时间序列分析技术，通过自回归综合模型，对碳排放的周期数据进行分析，生成碳排放周期趋势数据；

所述外部因素分析子模块基于碳排放周期趋势数据，利用多元线性回归分析天气数据和经济指标的关联性，生成外部因素关联分析数据；

所述预测模型子模块基于外部因素关联分析数据，采用长短时记忆网络进行机器学习训练，生成排放趋势预测报告。

作为本发明的进一步方案：所述碳排放源定位子模块利用物联网技术，结合全球定位系统对碳排放源进行实时定位，生成碳排放源地理位置数据；

所述数据处理子模块基于碳排放源地理位置数据，并参考排放趋势预测报告，采用卡夫卡流处理平台进行实时数据流处理，同时应用滑动窗口技术对数据进行时序处理，生成碳排放实时监测数据；

所述数据可视化子模块基于碳排放实时监测数据，利用地理信息系统技术，展示碳排放源的实时地理位置和排放状况，生成碳排放热点数据。

与现有技术相比，本发明的优点和积极效果在于：

本发明中，引入工业互联网标识技术，实现了对碳排放源的精确标识和管理，提高了数据的准确性和管理效率。通过物联网智能终端和传感器网络，能够实时在线地对碳排放水平和环境质量进行采集，确保了数据的时效性和完整性。通过大数据分析模块构建了碳排放知识图谱，为决策者提供了碳排放的动态多尺度信息，使决策更加科学和有依据。优化算法模块和异常检测预警模块通过引入AI技术，使碳排放的管理和控制更加智能化和自动化，提高了系统的响应速度和准确性。

附图说明

图1为本发明的平台流程图；

图2为本发明的平台框架示意图；

图3为本发明的碳源识别模块流程图；

图4为本发明的数据采集模块流程图；

图5为本发明的碳排放核算模块流程图；

图6为本发明的大数据分析模块流程图；

图7为本发明的优化算法模块流程图；

图8为本发明的异常检测预警模块流程图；

图9为本发明的智能预测模块流程图；

图10为本发明的实时追踪模块流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

在本发明的描述中，需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

实施例一

请参阅图1，一种碳排放智能监测与管控平台是由碳源识别模块、数据采集模块、碳排放核算模块、大数据分析模块、优化算法模块、异常检测预警模块、智能预测模块、实时追踪模块组成；

碳源识别模块利用工业互联网标识技术，通过散列算法为每个碳排放源赋予唯一标识并进行管理，生成碳源识别结果；

数据采集模基于碳源识别结果，使用物联网智能终端，通过传感器网络对碳排放水平和环境质量数据进行实时在线采集，生成碳环境数据集；

碳排放核算模块对碳环境数据集进行分析，结合碳排放实测法和排放因子法对数据进行校正和核算，生成核算碳排放数据；

大数据分析模块基于核算碳排放数据，使用大数据分析技术，构建碳排放知识图谱，展现碳排放动态多尺度信息，生成碳排放知识图谱；

优化算法模块基于碳排放知识图谱，应用人工智能和群体智能优化算法，确定最佳的碳排放方法，生成优化碳排放策略；

异常检测预警模块根据优化碳排放策略，运用孤立森林机器学习算法对实时碳排放行为进行异常检测，并实时发出预警通知，生成异常检测预警信息；

智能预测模块基于异常检测预警信息，利用历史数据、天气数据、经济指标，通过机器学习和时间序列分析，计算和预测未来碳排放趋势，生成排放趋势预测报告；

实时追踪模块根据排放趋势预测报告，并依赖物联网和地理信息系统技术，实时追踪监测碳排放源的排放情况，得到实时的碳排放数据和地理位置信息，生成碳排放热点数据。

首先，碳源识别模块和数据采集模块能够帮助企业或组织准确识别和实时监测碳排放源的情况，确保数据的及时性和准确性。其次，碳排放核算模块通过结合实测和因子法进行数据校正，提供了可靠的碳排放数据，为管理者提供了数据支持。大数据分析模块则构建了碳排放知识图谱，使用户能够深入了解碳排放的多尺度信息，从而更好地制定决策。

进一步，优化算法模块能够根据碳排放知识图谱提供的信息，应用人工智能和群体智能算法，为管理者提供最佳的碳排放方法，从而降低碳排放水平。异常检测预警模块通过机器学习算法实时监测碳排放行为，及时发出预警通知，有助于管理者快速应对异常情况，减少潜在的环境风险。

智能预测模块则通过历史数据、天气数据和经济指标等多方面因素，结合机器学习和时间序列分析，提供未来碳排放趋势的预测，帮助组织做出更具前瞻性的决策。最后，实时追踪模块借助物联网和地理信息系统技术，实时监测碳排放源的状态，为管理者提供实时数据和地理位置信息，以便更有效地控制碳排放状况。

请参阅图2，碳源识别模块包括数据记录子模块、数据存储子模块、数据查询子模块、数据管理子模块；

数据采集模块包括多源数据采集子模块、设备数据抓取子模块、环境质量数据采集子模块；

碳排放核算模块包括数据核算子模块、数据验证子模块、数据处理子模块；

大数据分析模块包括数据融合子模块、关联分析子模块、机器学习子模块；

优化算法模块包括历史数据分析子模块、环境因素分析子模块、最优化算法模块；

异常检测预警模块包括实时数据监测子模块、异常检测子模块、预警通知子模块；

智能预测模块包括周期数据分析子模块、外部因素分析子模块、预测模型子模块；

实时追踪模块包括碳排放源定位子模块、数据处理子模块、数据可视化子模块。

首先，碳源识别模块确保了碳排放源的准确标识和有效管理，从而提高了数据质量和可追溯性。数据采集模块保证了多源数据的实时采集，包括环境质量数据，为全面监测提供了数据基础。

碳排放核算模块提供了准确的排放数据，为制定环保策略提供了可靠依据。大数据分析模块通过数据挖掘和关联分析，构建了碳排放知识图谱，帮助管理者更深入地了解排放动态。优化算法模块根据这一知识图谱，为降低碳排放提供了科学化的指导。

异常检测预警模块及时发现排放异常，降低了潜在的环境风险。智能预测模块通过历史数据和外部因素分析，预测未来的排放趋势，使组织能够提前采取行动。最后，实时追踪模块允许对排放源进行实时监测，提供了实时的数据和地理信息，有助于更好地管理碳排放。

请参阅图3，数据记录子模块利用工业互联网标识技术和SHA-256散列算法，为每一个碳排放源生成一个独立标识，建立碳源标识记录；

数据存储子模块根据碳源标识记录，采用B+树索引存储方式在分布式数据库中存储数据，搭建碳源数据仓库；

数据查询子模块接受用户的请求，通过优化的SQL查询算法，从碳源数据仓库中检索碳源标识，碳源查询结果；

数据管理子模块基于碳源查询结果，运用CRUD操作技术对数据进行综合管理，生成碳源识别结果。

首先，采用工业互联网标识技术和SHA-256散列算法为每个碳排放源生成独立标识，确保了数据的唯一性和安全性，防止了数据篡改和冒充。此举增强了数据的完整性，提高了数据的可信度。

其次，通过采用分布式数据库和B+树索引存储方式，建立了高效的碳源数据仓库。这使得数据存储和检索变得高度优化，能够应对大规模的碳源数据，提高了数据的可访问性和性能。

数据查询子模块采用了优化的SQL查询算法，使用户能够迅速检索碳源标识，快速获得所需信息。这提高了用户体验，有助于更及时地采取环保和减排行动。最后，数据管理子模块采用CRUD操作技术，使管理者能够方便地维护和更新数据，确保数据的准确性和实时性，最终生成可靠的碳源识别结果。这提高了数据管理的效率和质量。

请参阅图4，多源数据采集子模块利用物联网智能终端和MQTT协议，实时监测多种碳排放源的数据，生成多源碳数据；

设备数据抓取子模块基于多源碳数据，应用异步数据抓取技术获取各设备的碳排放数据，生成设备碳数据；

环境质量数据采集子模块通过高灵敏度传感器技术和卡尔曼滤波算法，采集环境中的碳排放浓度，建立碳环境数据集。

首先，通过物联网智能终端和MQTT协议，多源数据采集子模块实时监测多种碳排放源的数据，生成多源碳数据。这一实施策略确保了数据的及时性和全面性，能够捕捉到不同碳排放源的变化，为环境监测提供了全景视图。

其次，设备数据抓取子模块利用异步数据抓取技术，根据多源碳数据，获取各设备的碳排放数据，生成设备碳数据。这有助于深入了解不同设备的排放情况，帮助管理者精细化管理设备，提高资源利用效率。

环境质量数据采集子模块采用高灵敏度传感器技术和卡尔曼滤波算法，采集环境中的碳排放浓度，建立碳环境数据集。这一数据采集方式能够提供高精度的环境质量信息，有助于及时发现和应对碳排放对环境的影响，从而改善环境质量。

请参阅图5，数据核算子模块基于碳环境数据集，结合贝叶斯推断技术及碳排放实测法与排放因子法对数据进行核算，生成初步碳排放核算数据；

数据验证子模块利用数据完整性校验技术对初步碳排放核算数据进行质量和完整性的验证，获取验证后的碳排放数据；

数据处理子模块基于验证后的碳排放数据，采用数据清洗算法和Pandas数据处理库，进行数据的清洗、整合和转化处理，生成核算碳排放数据。

首先，数据核算子模块基于碳环境数据集，采用贝叶斯推断技术以及碳排放实测法与排放因子法，进行碳排放数据核算。这一策略能够提供初步的碳排放核算数据，为企业或组织提供了基础数据，用于了解碳排放情况，制定减排策略等。这有助于提高碳排放的透明度和管理效率。

其次，数据验证子模块利用数据完整性校验技术对初步碳排放核算数据进行质量和完整性的验证。这一验证过程确保了数据的可信度和准确性，减少了误差和不一致性。获取验证后的碳排放数据进一步提高了数据的可用性和可信度。

最后，数据处理子模块基于验证后的碳排放数据，采用数据清洗算法和Pandas数据处理库，进行数据的清洗、整合和转化处理。这一步骤有助于消除数据中的噪声和错误，使数据更加规范化和易于分析。生成核算碳排放数据后，可以更容易地进行数据分析、报告生成和决策支持。

请参阅图6，数据融合子模块采用张量融合算法对核算碳排放数据进行多源数据融合，生成融合后碳数据；

关联分析子模块基于融合后碳数据，运用Apriori关联分析算法研究碳排放源之间的关联性，生成碳排放关联分析报告；

机器学习子模块基于碳排放关联分析报告，使用支持向量机算法对碳排放动态多尺度信息进行机器学习处理，生成碳排放知识图谱。

首先，数据融合子模块采用张量融合算法，将来自不同源头的碳排放数据进行整合。这有助于建立全面的碳排放数据集，包含了多个来源的数据，提供更全面的碳排放情况。这种多源数据融合提高了数据的综合性和决策的可信度。

其次，关联分析子模块基于融合后的碳数据，利用Apriori关联分析算法，研究碳排放源之间的关联性。这有助于发现碳排放源之间的潜在关系和影响因素，为制定减排策略和优化资源分配提供了洞察力。生成的碳排放关联分析报告帮助决策者更好地理解碳排放数据背后的因果关系。

最后，机器学习子模块基于碳排放关联分析报告，使用支持向量机算法对碳排放动态多尺度信息进行机器学习处理，生成碳排放知识图谱。这个知识图谱可以帮助深化对碳排放的理解，提供多层次的信息，使决策者能够更全面地分析碳排放数据，制定更精确的减排策略，以及做出更具前瞻性的环保决策。

请参阅图7，历史数据分析子模块使用时间序列分析，基于自回归综合模型对碳排放的历史数据进行分析，生成碳排放历史分析数据；

环境因素分析子模块基于碳排放历史分析数据，采用灰色关联度分析来量化环境因素对碳排放的影响，生成环境影响分析报告；

最优化算法模块结合环境影响分析报告和碳排放知识图谱，通过遗传算法和粒子群优化算法搜索解空间，生成优化碳排放策略。

首先，历史数据分析子模块采用时间序列分析，基于自回归综合模型对碳排放的历史数据进行深入分析。这有助于识别碳排放的趋势和周期性，提供了对过去碳排放行为的洞察。生成的碳排放历史分析数据为决策者提供了基础，帮助他们更好地了解碳排放的历史演变。

其次，环境因素分析子模块基于碳排放历史分析数据，采用灰色关联度分析来量化环境因素对碳排放的影响。这一分析有助于确定哪些环境因素对碳排放具有重要影响，以及它们的相关程度。生成的环境影响分析报告提供了有关环境因素与碳排放关系的信息，为环保决策提供了依据。

最后，最优化算法模块结合环境影响分析报告和碳排放知识图谱，通过遗传算法和粒子群优化算法搜索解空间，生成优化碳排放策略。这一步骤有助于决策者在考虑环境因素和历史数据的基础上，制定出最佳的碳排放减少策略。优化碳排放策略的生成可以显著减少排放并提高资源利用效率。

请参阅图8，实时数据监测子模块使用卡夫卡流处理平台进行实时数据流处理，结合窗口函数监测碳排放，生成碳排放实时监测数据；

异常检测子模块基于碳排放实时监测数据，运用孤立森林算法，标识异常碳排放行为，生成异常检测报告；

预警通知子模块基于异常检测报告，利用网络套接字通信协议推送通知服务，结合阈值策略，实时发出预警通知，生成异常检测预警信息。

首先，实时数据监测子模块采用卡夫卡流处理平台，对碳排放数据进行实时流处理，结合窗口函数监测碳排放情况，生成碳排放的实时监测数据。这使得决策者能够获得及时的数据，实时了解碳排放状况，有助于快速响应和管理。

其次，异常检测子模块基于实时监测数据，运用孤立森林算法，能够高效地标识异常碳排放行为。这有助于发现不正常的碳排放情况，如泄漏、设备故障等，提前识别潜在问题并采取必要的措施。生成的异常检测报告为异常情况的定位和处理提供了依据。

最后，预警通知子模块基于异常检测报告，利用网络套接字通信协议，能够实时推送预警通知。结合阈值策略，系统能够在异常情况发生时及时发出通知，使相关人员能够迅速采取行动，以避免潜在的碳排放风险和损失。生成的异常检测预警信息有助于提高反应速度和问题解决的效率。

请参阅图9，周期数据分析子模块采用时间序列分析技术，通过自回归综合模型，对碳排放的周期数据进行分析，生成碳排放周期趋势数据；

外部因素分析子模块基于碳排放周期趋势数据，利用多元线性回归分析天气数据和经济指标的关联性，生成外部因素关联分析数据；

预测模型子模块基于外部因素关联分析数据，采用长短时记忆网络进行机器学习训练，生成排放趋势预测报告。

首先，周期数据分析子模块采用时间序列分析技术，通过自回归综合模型，对碳排放的周期数据进行深入分析。这有助于识别碳排放的周期性趋势，包括季节性和周期性的变化，生成的碳排放周期趋势数据提供了历史数据的周期性模式，为未来的预测建模提供了基础。

其次，外部因素分析子模块基于碳排放周期趋势数据，利用多元线性回归分析来研究天气数据和经济指标等外部因素与碳排放的关联性。这一分析有助于确定哪些外部因素对碳排放具有显著影响，并量化它们的影响程度。生成的外部因素关联分析数据提供了对碳排放的外部环境因素的理解，为建立预测模型提供了输入特征。

最后，预测模型子模块基于外部因素关联分析数据，采用长短时记忆网络（LSTM）等机器学习算法进行训练，生成排放趋势预测报告。这一预测模型可以用来预测未来碳排放趋势，基于历史数据和外部因素的变化，生成的排放趋势预测报告提供了对未来碳排放的估计，有助于做出决策和规划。

请参阅图10，碳排放源定位子模块利用物联网技术，结合全球定位系统对碳排放源进行实时定位，生成碳排放源地理位置数据；

数据处理子模块基于碳排放源地理位置数据，并参考排放趋势预测报告，采用卡夫卡流处理平台进行实时数据流处理，同时应用滑动窗口技术对数据进行时序处理，生成碳排放实时监测数据；

数据可视化子模块基于碳排放实时监测数据，利用地理信息系统技术，展示碳排放源的实时地理位置和排放状况，生成碳排放热点数据。

首先，碳排放源定位子模块利用物联网技术和全球定位系统，实现了对碳排放源的实时定位。这为企业或组织提供了对碳排放源位置的精确信息，有助于实时监测和管理。生成的碳排放源地理位置数据为整个系统提供了空间维度的信息。

其次，数据处理子模块基于碳排放源地理位置数据，结合排放趋势预测报告，采用卡夫卡流处理平台进行实时数据流处理，并应用滑动窗口技术对数据进行时序处理。这一过程生成了碳排放的实时监测数据，使决策者能够及时了解碳排放情况，并在需要时采取行动。

最后，数据可视化子模块基于碳排放实时监测数据，利用地理信息系统技术，展示碳排放源的实时地理位置和排放状况。这种可视化方式使用户能够直观地查看碳排放热点、趋势和地理分布，有助于迅速识别问题区域和采取措施。生成的碳排放热点数据提供了可视化的洞察，有助于更好地管理碳排放。

以上，仅是本发明的较佳实施例而已，并非对本发明作其他形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其他领域，但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。