基于产业园的综合能源管理控制系统及方法

技术领域

本申请涉及能源管理控制领域，且更为具体地，涉及一种基于产业园的综合能源管理控制系统及方法。

背景技术

随着能源需求的增长和环境保护的重视，产业园区的综合能源管理控制系统越来越受到关注。综合能源管理控制系统是指通过对产业园区内各种能源设备(如风力发电机、太阳能电池板、储能装置等)的监测、调度和优化，实现能源的高效利用和节约，降低能源成本和碳排放。

然而，目前的综合能源管理控制系统存在一些问题，如数据采集通常是通过手动记录或定期巡检来完成，这导致了数据的延迟和不准确性。同时，数据处理也往往是离线进行的，无法实时获取能源设备的运行状态和能源利用情况。此外，传统系统在数据分析和决策支持方面较为有限，它们通常只提供基本的能源消耗统计和报表功能，缺乏对能源利用率的实时监测和预测能力。这使得管理人员无法及时发现能源利用效率低下的问题，并采取相应的措施进行调整和改进。并且，传统系统的控制策略通常是基于固定的阈值和规则进行的，无法根据实际情况进行灵活调整，这导致了能源设备的运行参数无法根据实时需求进行优化，影响了能源利用效率的提高。

因此，期望一种优化的基于产业园的综合能源管理控制系统。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于产业园的综合能源管理控制系统及方法。其可以实时监测能源设备的运行状态和能源利用情况，从而提高能源利用效率，减少能源消耗和环境污染，为产业园的可持续发展做出贡献。

根据本申请的一个方面，提供了一种基于产业园的综合能源管理控制系统，其包括：

能源设备运行数据采集模块，用于获取被监控能源设备在预定时间段内多个预定时间点的运行数据；

运行数据时序排列模块，用于将所述多个预定时间点的运行数据按照时间维度排列为运行数据时序输入向量；

运行数据时序特征提取模块，用于对所述运行数据时序输入向量进行时序分析以得到运行数据时序特征；以及

能源设备停用模块，用于基于所述运行数据时序特征，确定是否停用所述被监控能源设备。

根据本申请的另一个方面，提供了一种基于产业园的综合能源管理控制方法，其包括：

获取被监控能源设备在预定时间段内多个预定时间点的运行数据；

将所述多个预定时间点的运行数据按照时间维度排列为运行数据时序输入向量；

对所述运行数据时序输入向量进行时序分析以得到运行数据时序特征；以及

基于所述运行数据时序特征，确定是否停用所述被监控能源设备。

与现有技术相比，本申请提供的基于产业园的综合能源管理控制系统及方法，其首先获取被监控能源设备在预定时间段内多个预定时间点的运行数据，接着，将所述多个预定时间点的运行数据按照时间维度排列为运行数据时序输入向量，然后，对所述运行数据时序输入向量进行时序分析以得到运行数据时序特征，最后，基于所述运行数据时序特征，确定是否停用所述被监控能源设备。这样，可以提高能源利用效率，减少能源消耗和环境污染，为产业园的可持续发展做出贡献。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，以下附图并未刻意按实际尺寸等比例缩放绘制，重点在于示出本申请的主旨。

图1为根据本申请实施例的基于产业园的综合能源管理控制系统的框图示意图。

图2为根据本申请实施例的基于产业园的综合能源管理控制系统中的所述运行数据时序特征提取模块的框图示意图。

图3为根据本申请实施例的基于产业园的综合能源管理控制系统中的所述运行数据时序特征编码单元的框图示意图。

图4为根据本申请实施例的基于产业园的综合能源管理控制系统中的所述能源设备停用模块的框图示意图。

图5为根据本申请实施例的基于产业园的综合能源管理控制方法的流程图。

图6为根据本申请实施例的基于产业园的综合能源管理控制方法的系统架构的示意图。

图7为根据本申请实施例的基于产业园的综合能源管理控制系统的应用场景图。

具体实施方式

下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本申请的部分实施例，而不是全部的实施例。基于本申请实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，也属于本申请保护的范围。

如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。

虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。

本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

针对上述技术问题，本申请的技术构思为通过能源监测设备来实时监测能源设备的运行数据，如电力、燃气、水等的用量、质量和价格等，并在后端引入数据处理和分析算法来进行所述能源设备的运行数据时序分析，以基于能源设备的运行数据来测算出能源利用率，进而基于能源利用率和预定阈值之间的比较，确定是否调整能源设备的运行参数。通过这样的方式，能够实时监测能源设备的运行状态和能源利用情况，从而提高能源利用效率，减少能源消耗和环境污染，为产业园的可持续发展做出贡献。

图1为根据本申请实施例的基于产业园的综合能源管理控制系统的框图示意图。如图1所示，根据本申请实施例的基于产业园的综合能源管理控制系统100，包括：能源设备运行数据采集模块110，用于获取被监控能源设备在预定时间段内多个预定时间点的运行数据；运行数据时序排列模块120，用于将所述多个预定时间点的运行数据按照时间维度排列为运行数据时序输入向量；运行数据时序特征提取模块130，用于对所述运行数据时序输入向量进行时序分析以得到运行数据时序特征；以及，能源设备停用模块140，用于基于所述运行数据时序特征，确定是否停用所述被监控能源设备。

具体地，在本申请的技术方案中，首先，获取被监控能源设备在预定时间段内多个预定时间点的运行数据。接着，考虑到由于所述被监控能源设备的运行数据，例如电力、燃气、水等的用量、质量和价格等在时间维度上都具有着时序的动态变化规律性，因此，为了能够对于所述运行数据的时序变化特征进行充分有效地捕捉刻画，以此来更为准确地测算出被监控能源设备的能源利用率，在本申请的技术方案中，需要进一步将所述多个预定时间点的运行数据按照时间维度排列为运行数据时序输入向量，以此来整合所述被监控能源设备的运行数据在时序上的分布信息。

然后，为了更好地提取出能源设备的运行数据时序变化特征，在本申请的技术方案中，进一步将所述运行数据时序输入向量通过向量-图像转换模块以得到运行数据时序图像。应可以理解，通过将运行数据时序输入向量转换为图像，可以将能源设备数据的时序关系转化为图像的空间关系。这是由于图像具有丰富的空间信息，而深度学习中的卷积神经网络(CNN)等模型对于处理图像数据具有良好的性能。通过将所述运行数据转换为图像，可以利用CNN等模型来提取和学习运行数据的时序特征，进而进行能源利用率的预测和分析。此外，由于图像数据具有更高的维度和更丰富的信息，相比于简单的向量形式，图像可以更好地表达数据之间的关联性和变化趋势，以更好地反映所述被监测设备的运行数据的动态变化，为后续的处理和能源利用率的预测提供更准确的信息。

进一步地，在将所述运行数据时序输入向量转化为所述运行数据时序图像后，使用在图像的隐含特征提取方面具有优异表现性能的卷积神经网络模型的运行数据时序特征提取器对所述环境亮度时序图像进行特征挖掘，以提取出所述运行数据时序图像中与能源利用相关的所述运行数据的时序特征分布信息，从而得到运行数据时序特征矩阵。这样，所得到的所述运行数据时序特征矩阵可以更好地表示所述运行数据的时序特征，包括能源设备的状态变化、能源利用的趋势等。进而，通过对所述运行数据时序特征矩阵进行进一步的分析和建模，可以实现对能源利用率的准确预测和分析。

接着，考虑到在运行数据时序特征矩阵中，每个元素代表了对应位置的运行数据时序特征值。然而，不同位置的特征对于能源利用率的预测具有不同的重要性和贡献度。因此，在本申请的技术方案中，进一步将所述运行数据时序特征矩阵通过空间注意力模块中进行空间特征显化处理以得到空间显化运行数据时序特征矩阵。通过引入所述空间注意力模块，可以对所述运行数据时序特征矩阵进行加权处理，使得重要的空间位置得到更多的关注和突出，以增强所述运行数据时序特征矩阵中与能源利用率相关的部分，从而生成空间显化的运行数据时序特征矩阵，以提高预测准确性和效率。

相应地，如图2所示，所述运行数据时序特征提取模块130，包括：向量-图像转化单元131，用于将所述运行数据时序输入向量通过向量-图像转换模块以得到运行数据时序图像；以及，运行数据时序特征编码单元132，用于通过基于深度神经网络模型的运行数据时序特征提取器对所述运行数据时序图像进行特征提取以得到所述运行数据时序特征。应可以理解，向量-图像转化单元131用于将运行数据时序输入向量转换为运行数据时序图像，通过向量-图像转换模块，可以将输入向量转化为可视化的时序图像表示，以便后续的特征提取和处理。运行数据时序特征编码单元132使用基于深度神经网络模型的运行数据时序特征提取器，对运行数据时序图像进行特征提取，通过提取特征，可以从图像中获取关键的时序特征信息，用于后续的分析和处理。这两个单元共同组成了运行数据时序特征提取模块，用于将运行数据时序输入向量转换为具有表征能力的运行数据时序特征。向量-图像转化单元将输入向量转化为图像表示，为特征提取提供了更丰富的信息。运行数据时序特征编码单元通过深度神经网络模型提取图像中的特征，使得运行数据的时序特征能够更好地被表示和利用。

更具体地，如图3所示，所述运行数据时序特征编码单元132，包括：运行数据时序图像特征提取子单元1321，用于将所述运行数据时序图像通过基于卷积神经网络模型的运行数据时序特征提取器以得到运行数据时序特征矩阵；以及，空间特征显化子单元1322，用于将所述运行数据时序特征矩阵通过空间注意力模块以得到空间显化运行数据时序特征矩阵作为所述运行数据时序特征。应可以理解，运行数据时序图像特征提取子单元1321使用基于卷积神经网络模型的运行数据时序特征提取器，将运行数据时序图像转换为运行数据时序特征矩阵，通过卷积神经网络模型，可以从图像中提取出具有表征能力的特征，这些特征可以用于后续的分析和处理。空间特征显化子单元1322使用空间注意力模块，将运行数据时序特征矩阵转换为空间显化运行数据时序特征矩阵，通过空间注意力模块，可以对特征矩阵进行加权处理，突出或强调其中的重要空间特征，这样可以使得特征矩阵更加突出地展示了运行数据的空间特征。

值得一提的是，卷积神经网络(Convolutional Neural Network，CNN)是一种深度学习模型，主要用于处理具有网格结构的数据。卷积神经网络的核心是卷积层(Convolutional Layer)，它通过在输入数据上应用一系列的卷积操作来提取特征。卷积操作是一种局部感知机制，通过滑动的小窗口(卷积核)在输入数据上进行乘积累加，从而捕捉输入数据的空间局部关系。通过多个卷积层的堆叠，网络可以逐渐学习到更高级别的抽象特征。除了卷积层，典型的卷积神经网络还包括池化层(Pooling Layer)和全连接层(Fully Connected Layer)。池化层用于减小特征图的尺寸并保留重要的特征信息，从而降低网络对空间位置的敏感性。全连接层则将池化层输出的特征映射与标签进行关联，用于最终的分类或回归任务。卷积神经网络的训练过程通常使用反向传播算法(Backpropagation)进行，通过最小化损失函数来调整网络参数，使网络能够学习到适合任务的特征表示。总结来说，卷积神经网络是一种专门用于处理网格结构数据的深度学习模型，通过卷积操作来提取输入数据的特征，并通过池化和全连接层进行进一步处理和分类。在图像处理领域，卷积神经网络已经取得了许多重要的突破和应用。

而空间注意力模块(Spatial Attention Module)是一种用于增强卷积神经网络(CNN)在空间维度上的注意力机制，它可以帮助网络集中关注输入数据中的重要空间区域，以提高模型对关键特征的感知能力。空间注意力模块通常由以下组件构成：1.通道注意力(Channel Attention)：这是一种机制，用于在特征图的通道维度上学习通道之间的相关性。它通过计算通道维度上的统计信息(如平均值和最大值)，并将其输入到全连接层或卷积层中进行学习，以得到每个通道的权重。这样可以使模型更加关注对当前任务有用的通道，抑制对任务无关的通道。2.空间注意力(Spatial Attention)：这是一种机制，用于在特征图的空间维度上学习不同位置的重要性。它通过计算每个空间位置的重要性权重，并将其应用于特征图上的每个位置。常见的方法是使用卷积操作或全连接层来学习空间权重。这样可以使模型更加关注对任务有贡献的空间区域，提高模型在特定位置的感知能力。

通过引入空间注意力模块，卷积神经网络可以根据输入数据的空间分布自适应地调整注意力，突出关键的空间特征。这有助于提高模型在视觉任务中的性能，增强对重要信息的感知和利用能力。

继而，再将所述空间显化运行数据时序特征矩阵通过解码器以得到解码值，所述解码值用于表示被监控能源设备的能源利用率的预测值。也就是，通过将空间位置显化后的所述运行数据的时序特征分布信息来进行解码回归，从而基于能源设备的运行数据来测算出能源利用率，进而基于能源利用率和预定阈值之间的比较，确定是否停用所述被监控能源设备，通过这样的方式，能够实时监测能源设备的运行状态和能源利用情况，从而提高能源利用效率，减少能源消耗和环境污染。

相应地，如图4所示，所述能源设备停用模块140，包括：特征分布优化单元141，用于对所述空间显化运行数据时序特征矩阵展开得到的空间显化运行数据时序特征向量进行优化以得到优化空间显化运行数据时序特征向量；能源利用率预测单元142，用于将所述优化空间显化运行数据时序特征向量通过解码器以得到解码值，所述解码值用于表示被监控能源设备的能源利用率的预测值；以及，能源设备控制单元143，用于基于所述解码值与预定阈值之间的比较，确定是否停用所述被监控能源设备。应可以理解的是，特征分布优化单元141用于对空间显化运行数据时序特征矩阵进行展开，并将其转换为优化的空间显化运行数据时序特征向量，通过优化特征分布，使得特征向量更具有表征能力。能源利用率预测单元142通过解码器将优化的空间显化运行数据时序特征矩阵转换为解码值，这些解码值用于表示被监控能源设备的能源利用率的预测值，预测能源利用率可以帮助评估能源设备的性能和效率。能源设备控制单元143基于解码值与预定阈值之间的比较，确定是否停用被监控的能源设备，通过与预定阈值进行比较，能够判断能源设备的能源利用率是否达到了要求，如果能源利用率低于阈值，意味着设备存在问题或者不再需要运行，因此可以选择停用设备。这些单元共同组成了能源设备停用模块，通过优化特征分布、预测能源利用率和控制能源设备，实现对能源设备的停用决策。

特别地，在本申请的技术方案中，在本申请的技术方案中，将所述运行数据时序输入向量通过向量-图像转化模块以得到运行数据时序图像，可以对运行数据在时间维度下的分布进行基于时序细分位置的多维度分布表示，这样，再通过基于卷积神经网络模型的运行数据时序关联特征提取器和所述空间注意力模块后，就可以提升所述空间显化运行数据时序特征矩阵对于运行数据在时间维度下的分布的时序多维度交叉关联特征表示效果，但是，考虑到运行数据在时序方向上的分布不均匀，在进行基于时序细分位置的多维度分布表示时，也会扩大时序多维度分布空间内的运行数据分布不均匀，导致所述空间显化运行数据时序特征矩阵也具有了多维度时域上下文的时序关联特征分布性质，从而在将所述空间显化运行数据时序特征矩阵通过解码器进行解码回归时，影响所述空间显化运行数据时序特征矩阵作为整体在解码域内的泛化效果，影响解码结果的准确性。

基于此，本申请在对所述空间显化运行数据时序特征矩阵进行解码时，优选地对所述空间显化运行数据时序特征矩阵展开得到的空间显化运行数据时序特征向量，例如记为V进行进行了优化，具体表示为：所述特征分布优化单元，用于：以如下优化公式对所述空间显化运行数据时序特征矩阵展开得到的空间显化运行数据时序特征向量进行优化以得到所述优化空间显化运行数据时序特征向量；其中，所述优化公式为：

其中，v

也就是，通过全局分布参数的正则化仿函数的概念，上述优化基于所述空间显化运行数据时序特征向量的全局分布的参数向量式表征，来以回归概率的正则式表达模拟代价函数，从而对所述空间显化运行数据时序特征向量在高维特征空间内的特征流形表征对于解码回归下的基于解码器的权重矩阵的逐点回归特性进行建模，以捕获待解码的空间显化运行数据时序特征向量经由解码器模型的参数空间在高维特征流形的场景几何形状下的参数平滑式优化轨迹，提高所述空间显化运行数据时序特征向量在所述解码器的解码回归下的精准度。这样，能够基于能源设备的运行数据来测算出能源利用率，进而确定是否调整能源设备的运行参数，通过这样的方式，能够实时监测能源设备的运行状态和能源利用情况，从而提高能源利用效率，减少能源消耗和环境污染，为产业园的可持续发展做出贡献。

进一步地，所述能源利用率预测单元142，用于：使用所述解码器的多个全连接层以如下解码公式对所述优化空间显化运行数据时序特征向量进行解码回归以获得所述解码值，其中，所述解码公式为：

值得一提的是，解码器(Decoder)是一种用于将高级抽象特征转换为原始输入数据的模块或网络结构，它通常与编码器(Encoder)相对应，编码器负责将原始输入数据转换为低维度的表示或特征向量，而解码器则将这些特征向量转换回原始输入数据的形式。

解码器在不同的任务和模型中可以有不同的实现方式，以下是几个常见的例子：1.图像生成任务：在图像生成任务中，解码器通常用于将学习到的特征向量转换为逼真的图像。例如，在生成对抗网络(GAN)中，解码器(也称为生成器)接收一个随机噪声向量作为输入，并通过一系列的反卷积操作逐渐生成出高分辨率的图像。2.语言生成任务：在自然语言处理任务中，解码器被用于将学习到的语义特征向量转换为自然语言文本。例如，在机器翻译任务中，编码器将源语言句子编码为一个固定长度的向量表示，然后解码器根据这个向量生成目标语言的翻译结果。3.序列生成任务：在序列生成任务中，解码器负责根据输入的上下文信息生成一个序列。例如，在语音识别任务中，编码器将输入的语音信号转换为特征表示，然后解码器根据这些特征逐帧地生成对应的文本序列。

需要注意的是，解码器通常与编码器共同构成一个端到端的模型，通过反向传播算法一起进行训练。编码器负责提取输入数据的有用特征，解码器则负责将这些特征还原为原始数据的形式，从而实现任务的目标。

综上，基于本申请实施例的基于产业园的综合能源管理控制系统100被阐明，其可以提高能源利用效率，减少能源消耗和环境污染，为产业园的可持续发展做出贡献。

如上所述，根据本申请实施例的基于本申请实施例的基于产业园的综合能源管理控制系统100可以实现在各种终端设备中，例如具有基于本申请实施例的基于产业园的综合能源管理控制算法的服务器等。在一个示例中，基于本申请实施例的基于产业园的综合能源管理控制系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于本申请实施例的基于产业园的综合能源管理控制系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于本申请实施例的基于产业园的综合能源管理控制系统100同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该基于本申请实施例的基于产业园的综合能源管理控制系统100与该终端设备也可以是分立的设备，并且该基于产业园的综合能源管理控制系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

图5为根据本申请实施例的基于产业园的综合能源管理控制方法的流程图。图6为根据本申请实施例的基于产业园的综合能源管理控制方法的系统架构的示意图。如图5和图6所示，根据本申请实施例的基于产业园的综合能源管理控制方法，其包括：S110，获取被监控能源设备在预定时间段内多个预定时间点的运行数据；S120，将所述多个预定时间点的运行数据按照时间维度排列为运行数据时序输入向量；S130，对所述运行数据时序输入向量进行时序分析以得到运行数据时序特征；以及，S140，基于所述运行数据时序特征，确定是否停用所述被监控能源设备。

在一个具体示例中，在上述基于产业园的综合能源管理控制方法中，对所述运行数据时序输入向量进行时序分析以得到运行数据时序特征，包括：将所述运行数据时序输入向量通过向量-图像转换模块以得到运行数据时序图像；以及，通过基于深度神经网络模型的运行数据时序特征提取器对所述运行数据时序图像进行特征提取以得到所述运行数据时序特征。

在一个具体示例中，在上述基于产业园的综合能源管理控制方法中，通过基于深度神经网络模型的运行数据时序特征提取器对所述运行数据时序图像进行特征提取以得到所述运行数据时序特征，包括：将所述运行数据时序图像通过基于卷积神经网络模型的运行数据时序特征提取器以得到运行数据时序特征矩阵；以及，将所述运行数据时序特征矩阵通过空间注意力模块以得到空间显化运行数据时序特征矩阵作为所述运行数据时序特征。

在一个具体示例中，在上述基于产业园的综合能源管理控制方法中，基于所述运行数据时序特征，确定是否停用所述被监控能源设备，包括：对所述空间显化运行数据时序特征矩阵展开得到的空间显化运行数据时序特征向量进行优化以得到优化空间显化运行数据时序特征向量；将所述优化空间显化运行数据时序特征向量通过解码器以得到解码值，所述解码值用于表示被监控能源设备的能源利用率的预测值；以及，基于所述解码值与预定阈值之间的比较，确定是否停用所述被监控能源设备。

这里，本领域技术人员可以理解，上述基于产业园的综合能源管理控制方法中的各个步骤的具体操作已经在上面参考图1到图4的基于产业园的综合能源管理控制系统100的描述中得到了详细介绍，并因此，将省略其重复描述。

图7为根据本申请实施例的基于产业园的综合能源管理控制系统的应用场景图。如图7所示，在该应用场景中，首先，获取被监控能源设备在预定时间段内多个预定时间点的运行数据(例如，图7中所示意的D)，然后，将所述多个预定时间点的运行数据输入至部署有基于产业园的综合能源管理控制算法的服务器中(例如，图7中所示意的S)，其中，所述服务器能够使用所述基于产业园的综合能源管理控制算法对所述多个预定时间点的运行数据进行处理以得到用于表示被监控能源设备的能源利用率的预测值的解码值。

进一步地，在本申请的另一个示例中，还提供了一种基于产业园的综合能源管理控制系统，该系统包括能源监测模块、能源分析模块、能源优化模块和能源调度模块。能源监测模块负责收集产业园内各类能源设备的运行数据，如电力、燃气、水等的用量、质量和价格等。能源分析模块负责对收集的数据进行分析，评估产业园的能源效率、成本和环境影响等。能源优化模块负责根据能源分析模块的结果，提出能源节约和优化的建议，如调整能源设备的运行参数、采用可再生能源或储能设备等。能源调度模块负责根据能源优化模块的建议，实施相应的控制策略，实现产业园的综合能源管理。

本申请使用了特定词语来描述本申请的实施例。如“第一/第二实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。

此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。

除非另有定义，这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。

上面是对本发明的说明，而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例，但本领域技术人员将容易地理解，在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解，上面是对本发明的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。