一种柴发联合燃机的黑启动系统及方法

技术领域

本申请涉及黑启动过电压预测技术领域，尤其涉及一种柴发联合燃机的黑启动系统及方法。

背景技术

近年来发生的大面积停电事故往往是由于电网内存在潜在的危险因素,在某种诱发因素的作用下会引起电网的瓦解或崩溃。黑启动是在整个电网或者系统因故障停运后不依赖别的网络的帮助,通过系统中具有自启动能力的机组的启动,带动无自启动能力的机组,逐步扩大电力系统的恢复范围,最终实现整个电力系统的恢复。但是现有的黑启动系统在启动过程中电压稳定性较差且启动较慢,进而使得区域电网不能够安全稳定的运行。

现有技术中虽然有提出用人工智能方法对空载合闸过电压进行快速预测。但是，影响黑启动过电压（即空载线路合闸过电压）的因素众多，现有技术未考虑线路参数、断路器合闸初相角等因素对过电压的影响，造成预测结果不准确，此外也没有考虑不同的因素对过电压的影响程度的不同，从而影响预测结果。

发明内容

本申请旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本申请的第一个目的在于提出一种柴发联合燃机的黑启动方法，以更好地预测不同启动路径的合闸过电压，从而选择最优路径。

本申请的第二个目的在于提出一种柴发联合燃机的黑启动系统。

本申请的第三个目的在于提出一种电子设备。

本申请的第四个目的在于提出一种计算机可读存储介质。

为达上述目的，本申请第一方面实施例提出了一种柴发联合燃机的黑启动方法，配置有柴发黑启动单元，所述柴发黑启动单元用于在电网失电导致燃气发电机停机时经燃气发电机启动设备启动燃气发电机，黑启动方法包括以下步骤：

获取电网历史黑启动过程中空载线路的合闸过电压和多种电压影响参数；

利用皮尔逊相关系数和余弦相似度计算所述合闸过电压和所述多种电压影响参数的第一权重集和第二权重集；

利用循环神经网络模型，基于所述合闸过电压、所述多种电压影响参数、所述第一权重集和第二权重集确定第一误差和第二误差；

基于第一误差和第二误差按照预设迭代次数更新第一权重集和第二权重集以获得第一权重优化集和第二权重优化集，进而获得目标权重集；

利用循环神经网络模型，基于所述目标权重集、当前黑启动过程中的多种实时电压影响参数获得合闸过电压目标预测值集，选择合闸过电压目标预测值集中最小值所在的线路作为最佳线路向电网供电以完成电网黑启动。

在本申请的第一方面的方法中，所述利用皮尔逊相关系数和余弦相似度计算所述合闸过电压和所述多种电压影响参数的第一权重集和第二权重集，包括：利用皮尔逊相关系数计算所述合闸过电压和所述多种电压影响参数的第一相关系数集；基于第一相关系数集中各第一相关系数的绝对值和所有第一相关系数的绝对值的和得到第一权重集；利用余弦相似度计算所述合闸过电压和所述多种电压影响参数的第二相关系数集；基于第二相关系数集中各第二相关系数的绝对值和所有第二相关系数的绝对值的和得到第二权重集。

在本申请的第一方面的方法中，所述利用循环神经网络模型，基于所述合闸过电压、所述多种电压影响参数、所述第一权重集和第二权重集确定第一误差和第二误差，包括：基于所述多种电压影响参数和所述第一权重集获得第一模型输入数据，将所述第一模型输入数据输入循环神经网络模型得到第一过电压预测值集，基于所述合闸过电压和所述第一过电压预测值集获得第一误差；基于所述多种电压影响参数和所述第二权重集获得第二模型输入数据，将所述第二模型输入数据输入循环神经网络模型得到第二过电压预测值集，基于所述合闸过电压和所述第二过电压预测值集获得第二误差。

在本申请的第一方面的方法中，所述基于第一误差和第二误差按照预设迭代次数更新第一权重集和第二权重集以获得第一权重优化集和第二权重优化集，进而获得目标权重集，包括：判断当前迭代次数是否等于预设迭代次数，若否，则比较第一误差和第二误差，基于比较结果按照不同要求更新第一权重集和第二权重集直至当前迭代次数等于预设迭代次数结束更新，基于各迭代次数下的第一权重集和第二权重集获得第一权重优化集和第二权重优化集。

在本申请的第一方面的方法中，所述基于第一误差和第二误差按照预设迭代次数更新第一权重集和第二权重集以获得第一权重优化集和第二权重优化集，进而获得目标权重集，还包括：利用循环神经网络模型，基于所述合闸过电压、所述多种电压影响参数、所述第一权重优化集和第二权重优化集确定第一误差目标值和第二误差目标值；选择第一误差目标值和第二误差目标值中最小值对应的权重优化集作为目标权重集。

在本申请的第一方面的方法中，所述基于比较结果按照不同要求更新第一权重集和第二权重集直至当前迭代次数等于预设迭代次数，包括：若第一误差大于第二误差，则按照第一步长和第二步长分别更新第一权重集和第二权重集；若第一误差小于等于第二误差，则按照第一比例和第二比例分别更新第一权重集和第二权重集。

在本申请的第一方面的方法中，所述基于各迭代次数下的第一权重集和第二权重集获得第一权重优化集和第二权重优化集，包括：基于最后一次迭代时的第一权重集和第二权重集，以及第一误差和第二误差之和最小时对应迭代次数下的第一权重集和第二权重集获得第一权重优化集和第二权重优化集。

为达上述目的，本申请第二方面实施例提出了一种柴发联合燃机的黑启动系统，配置有柴发黑启动单元，所述柴发黑启动单元用于在电网失电导致燃气发电机停机时经燃气发电机启动设备启动燃气发电机，黑启动系统包括以下步骤：

获取模块，用于获取电网历史黑启动过程中空载线路的合闸过电压和多种电压影响参数；

权重计算模块，用于利用皮尔逊相关系数和余弦相似度计算所述合闸过电压和所述多种电压影响参数的第一权重集和第二权重集；

误差计算模块，用于利用循环神经网络模型，基于所述合闸过电压、所述多种电压影响参数、所述第一权重集和第二权重集确定第一误差和第二误差；

优化模块，用于基于第一误差和第二误差按照预设迭代次数更新第一权重集和第二权重集以获得第一权重优化集和第二权重优化集，进而获得目标权重集；

预测模块，用于利用循环神经网络模型，基于所述目标权重集、当前黑启动过程中的多种实时电压影响参数获得合闸过电压目标预测值集，选择合闸过电压目标预测值集中最小值所在的线路作为最佳线路向电网供电以完成电网黑启动。

为达上述目的，本申请第三方面实施例提出了一种电子设备，包括：处理器，以及与所述处理器通信连接的存储器；所述存储器存储计算机执行指令；所述处理器执行所述存储器存储的计算机执行指令，以实现本申请第一方面提出的方法。

为达上述目的，本申请第四方面实施例提出了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现本申请第一方面提出的方法。

本申请提供的柴发联合燃机的黑启动方法、系统、电子设备及存储介质，配置有柴发黑启动单元，柴发黑启动单元用于在电网失电导致燃气发电机停机时经燃气发电机启动设备启动燃气发电机，黑启动方法包括以下步骤：获取电网历史黑启动过程中空载线路的合闸过电压和多种电压影响参数；利用皮尔逊相关系数和余弦相似度计算合闸过电压和多种电压影响参数的第一权重集和第二权重集；利用循环神经网络模型，基于合闸过电压、多种电压影响参数、第一权重集和第二权重集确定第一误差和第二误差；基于第一误差和第二误差按照预设迭代次数更新第一权重集和第二权重集以获得第一权重优化集和第二权重优化集，进而获得目标权重集；利用循环神经网络模型，基于目标权重集、当前黑启动过程中的多种实时电压影响参数获得合闸过电压目标预测值集，选择合闸过电压目标预测值集中最小值所在的线路作为最佳线路向电网供电以完成电网黑启动。在这种情况下，考虑多种电压影响参数对合闸过电压的影响，利用皮尔逊相关系数和余弦相似度获得第一权重集和第二权重集，进而获得第一误差和第二误差，基于第一误差和第二误差按照预设迭代次数获得目标权重集，基于目标权重集、当前黑启动过程中的多种实时电压影响参数获得合闸过电压目标预测值集，进而获得最佳线路，其中目标权重集充分考虑不同的因素对过电压的影响程度，提高了黑启动合闸过电压预测的准确性，因此能够更好地预测不同启动路径的合闸过电压，以便选择出最优的路径。

本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。

附图说明

本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为本申请实施例所提供的电厂与电网连接示意图；

图2为本申请实施例所提供的一种柴发联合燃机的黑启动方法的流程示意图；

图3为本申请实施例所提供的柴发联合燃机的黑启动方法的具体流程示意图；

图4为本申请实施例所提供的一种柴发联合燃机的黑启动系统的框图。

具体实施方式

下面详细描述本申请的实施例，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，旨在用于解释本申请，而不能理解为对本申请的限制。

下面参考附图描述本申请实施例的柴发联合燃机的黑启动方法和系统。

本申请实施例提供了柴发联合燃机的黑启动方法，以更好地预测不同启动路径的合闸过电压，从而选择最优路径。

在本申请中，电厂配置有柴发黑启动单元，柴发黑启动单元用于在电网失电导致燃气发电机停机时经燃气发电机启动设备启动燃气发电机。

图1为本申请实施例所提供的电厂与电网连接示意图。

如图1所示，电厂包括柴油发电机系统（也称柴发黑启动单元）和燃气发电机系统，柴油发电机系统与燃气发电机系统连接，燃气发电机系统通过多条路径与电网连接，燃气发电机系统包括燃气发电机启动设备和燃气发电机。其中燃气发电机用于发电。柴发黑启动单元用于在电网失电导致燃气发电机停机时向燃气发电机启动设备供电以恢复参考电压值，然后基于参考电压值启动燃气发电机，然后通过多条路径中的一条向电网供电，以完成黑启动。为了选择出最佳路径完成电网黑启动，设置过电压预测系统对不同路径的进行合闸过电压预测。其中过电压预测系统也称柴发联合燃机的黑启动系统。过电压预测系统用于执行本申请的柴发联合燃机的黑启动方法。

图2为本申请实施例所提供的一种柴发联合燃机的黑启动方法的流程示意图。图3为本申请实施例所提供的柴发联合燃机的黑启动方法的具体流程示意图。

如图2所示，该柴发联合燃机的黑启动方法包括以下步骤：

步骤S101，获取电网历史黑启动过程中空载线路的合闸过电压和多种电压影响参数。

在步骤S101中，获取的电网历史黑启动过程中空载线路的合闸过电压的数量可以是n个。获取的所有的合闸过电压可以称为合闸过电压集。由n个合闸过电压组成的合闸过电压集可以用符号

在步骤S101中，各合闸过电压均对应多种电压影响参数。多种电压影响参数包括合闸线路长度、线路并联电抗器补偿值、电源电阻、电源漏抗、线路每千米电阻、线路每千米正序电抗和合闸初相角。如历史黑启动过程中的多种电压影响参数可以用历史原始数据X表示，历史原始数据X可以表示为X=(X

步骤S102，利用皮尔逊相关系数和余弦相似度计算合闸过电压和多种电压影响参数的第一权重集和第二权重集。

在步骤S102中，利用皮尔逊相关系数和余弦相似度计算合闸过电压和多种电压影响参数的第一权重集和第二权重集，包括：利用皮尔逊相关系数计算合闸过电压和多种电压影响参数的第一相关系数集；基于第一相关系数集中各第一相关系数的绝对值和所有第一相关系数的绝对值的和得到第一权重集；利用余弦相似度计算合闸过电压和多种电压影响参数的第二相关系数集；基于第二相关系数集中各第二相关系数的绝对值和所有第二相关系数的绝对值的和得到第二权重集。

在步骤S102中，易于理解地，皮尔逊相关系数能衡量2个特征之间有无线性相关性及相关程度大小，故步骤S102中使用皮尔逊相关系数衡量黑启动过电压（即合闸过电压）与其他的特征（即多种电压影响参数）的相关性，皮尔逊相关系数满足：

其中，

第一权重集中任一第一权重满足：

式中，

在步骤S102中，易于理解地，余弦相似度通过计算两个向量间的夹角余弦度值来衡量2个特征之间有无线性相关性及相关程度大小。故步骤S102中使用余弦相似度衡量黑启动过电压与其他特征的相关性，余弦相似度满足：

式中，

第二权重集中任一第二权重满足：

式中，

步骤S103，利用循环神经网络模型，基于合闸过电压、多种电压影响参数、第一权重集和第二权重集确定第一误差和第二误差。

在步骤S103中，利用循环神经网络模型，基于合闸过电压、多种电压影响参数、第一权重集和第二权重集确定第一误差和第二误差，包括：基于多种电压影响参数和第一权重集获得第一模型输入数据，将第一模型输入数据输入循环神经网络模型得到第一过电压预测值集，基于合闸过电压和第一过电压预测值集获得第一误差；基于多种电压影响参数和第二权重集获得第二模型输入数据，将第二模型输入数据输入循环神经网络模型得到第二过电压预测值集，基于合闸过电压和第二过电压预测值集获得第二误差。

易于理解地，在步骤S103中，循环神经网络模型可以选用GRU（gated recurrentunit，门控循环单元）网络模型。GRU网络是LSTM（Long Short Term Memory networks，长短期记忆） 网络的改进模型，通过将遗忘门和输入门集成为更新门，一定程度上减少了网络的训练参数，同时又能保证对有效信息的记忆。

在步骤S103中，第一模型输入数据可以用

具体地，可以采用平均相对误差计算第一误差、第二误差。其中平均相对误差

其中，y

步骤S104，基于第一误差和第二误差按照预设迭代次数更新第一权重集和第二权重集以获得第一权重优化集和第二权重优化集，进而获得目标权重集。

在步骤S104中，基于第一误差和第二误差按照预设迭代次数更新第一权重集和第二权重集以获得第一权重优化集和第二权重优化集，进而获得目标权重集，包括：

判断当前迭代次数是否等于预设迭代次数，若否，则比较第一误差和第二误差，基于比较结果按照不同要求更新第一权重集和第二权重集直至当前迭代次数等于预设迭代次数结束更新，基于各迭代次数下的第一权重集和第二权重集获得第一权重优化集和第二权重优化集；利用循环神经网络模型，基于合闸过电压、多种电压影响参数、第一权重优化集和第二权重优化集确定第一误差目标值和第二误差目标值；选择第一误差目标值和第二误差目标值中最小值对应的权重优化集作为目标权重集。

其中，基于比较结果按照不同要求更新第一权重集和第二权重集直至当前迭代次数等于预设迭代次数，包括：若第一误差大于第二误差，则按照第一步长和第二步长分别更新第一权重集和第二权重集；若第一误差小于等于第二误差，则按照第一比例和第二比例分别更新第一权重集和第二权重集。

基于各迭代次数下的第一权重集和第二权重集获得第一权重优化集和第二权重优化集，包括：基于最后一次迭代时的第一权重集和第二权重集，以及第一误差和第二误差之和最小时对应迭代次数下的第一权重集和第二权重集获得第一权重优化集和第二权重优化集。其中，以预设迭代次数为20为例，第一权重优化集中任一第一权重优化值满足：

式中，

第二权重优化集中任一第二权重优化值满足：

式中，

具体地，如图3所示，获得第一误差和第二误差后，判断当前迭代次数T（迭代次数的初始值为1）是否等于预设迭代次数（例如20次），若否，则比较第一误差

如图3所示，计算获得第一权重优化集和第二权重优化集；基于第一权重优化集和第二权重优化集获得对应的模型输入数据，第一权重优化集对应模型输入数据

步骤S105，利用循环神经网络模型，基于目标权重集、当前黑启动过程中的多种实时电压影响参数获得合闸过电压目标预测值集，选择合闸过电压目标预测值集中最小值所在的线路作为最佳线路向电网供电以完成电网黑启动。

在步骤S105中，多种实时电压影响参数可以用实时数据集X

基于目标权重集

为了验证本申请的方法的效果，构建了黑启动过程中 500 kV 空载线路合闸过电压计算的等值网络。下面用该网络作为算例来验证基于组合模型的黑启动空载线路统计过电压快速预测方法的有效性。

设置电源电阻 Rs = 15 ～ 45 Ω，间隔为 10 Ω，线路长度 l = 280 ～ 350km，间隔为 40 km，并联电抗器补偿 Q = 70 ～ 80 MVAR，间隔为5 MVAR；电源漏抗 xs =125 ～ 140 Ω，间隔 5 Ω。

多种电压影响参数包括合闸线路长度、线路并联电抗器补偿值、电源电阻、电源漏抗、线路每km电阻、线路每km正序电抗和合闸初相角7种电压影响参数。

选择平均绝对误差(Mean absolute error, MAE)、平均绝对百分比误差(Meanabsolute percentage error, MAPE)及均方根误差(Root mean square error, RMSE)为模型评价标准，其中所有模型均使用MAE作为训练时的损失函数。在实验时还与独立的皮尔逊系数-GRU模型和余弦相似度-GRU模型进行了对比。结果如表1所示。

表1模型评价标准表

从表中可以看出采用本申请的模型比单独采用皮尔逊系数或者余弦相似度的预测准确度要高，证明了惯性权重系数对提高精确度的重要性。

为了实现上述实施例，本申请还提出一种柴发联合燃机的黑启动系统，配置有柴发黑启动单元，柴发黑启动单元用于在电网失电导致燃气发电机停机时经燃气发电机启动设备启动燃气发电机。

图4为本申请实施例所提供的一种柴发联合燃机的黑启动系统的框图。

如图4所示，该柴发联合燃机的黑启动系统包括获取模块11、权重计算模块12、误差计算模块13、优化模块14和预测模块15，其中：

获取模块11，用于获取电网历史黑启动过程中空载线路的合闸过电压和多种电压影响参数；

权重计算模块12，用于利用皮尔逊相关系数和余弦相似度计算合闸过电压和多种电压影响参数的第一权重集和第二权重集；

误差计算模块13，用于利用循环神经网络模型，基于合闸过电压、多种电压影响参数、第一权重集和第二权重集确定第一误差和第二误差；

优化模块14，用于基于第一误差和第二误差按照预设迭代次数更新第一权重集和第二权重集以获得第一权重优化集和第二权重优化集，进而获得目标权重集；

预测模块15，用于利用循环神经网络模型，基于目标权重集、当前黑启动过程中的多种实时电压影响参数获得合闸过电压目标预测值集，选择合闸过电压目标预测值集中最小值所在的线路作为最佳线路向电网供电以完成电网黑启动。

进一步地，在本申请实施例的一种可能的实现方式中，权重计算模块12，具体用于：利用皮尔逊相关系数计算合闸过电压和多种电压影响参数的第一相关系数集；基于第一相关系数集中各第一相关系数的绝对值和所有第一相关系数的绝对值的和得到第一权重集；利用余弦相似度计算合闸过电压和多种电压影响参数的第二相关系数集；基于第二相关系数集中各第二相关系数的绝对值和所有第二相关系数的绝对值的和得到第二权重集。

进一步地，在本申请实施例的一种可能的实现方式中，误差计算模块13，具体用于：基于多种电压影响参数和第一权重集获得第一模型输入数据，将第一模型输入数据输入循环神经网络模型得到第一过电压预测值集，基于合闸过电压和第一过电压预测值集获得第一误差；基于多种电压影响参数和第二权重集获得第二模型输入数据，将第二模型输入数据输入循环神经网络模型得到第二过电压预测值集，基于合闸过电压和第二过电压预测值集获得第二误差。

进一步地，在本申请实施例的一种可能的实现方式中，优化模块14，具体用于：判断当前迭代次数是否等于预设迭代次数，若否，则比较第一误差和第二误差，基于比较结果按照不同要求更新第一权重集和第二权重集直至当前迭代次数等于预设迭代次数结束更新，基于各迭代次数下的第一权重集和第二权重集获得第一权重优化集和第二权重优化集；利用循环神经网络模型，基于合闸过电压、多种电压影响参数、第一权重优化集和第二权重优化集确定第一误差目标值和第二误差目标值；选择第一误差目标值和第二误差目标值中最小值对应的权重优化集作为目标权重集。

进一步地，在本申请实施例的一种可能的实现方式中，优化模块14中，基于比较结果按照不同要求更新第一权重集和第二权重集直至当前迭代次数等于预设迭代次数，包括：若第一误差大于第二误差，则按照第一步长和第二步长分别更新第一权重集和第二权重集；若第一误差小于等于第二误差，则按照第一比例和第二比例分别更新第一权重集和第二权重集。

进一步地，在本申请实施例的一种可能的实现方式中，优化模块14中，基于各迭代次数下的第一权重集和第二权重集获得第一权重优化集和第二权重优化集，包括：基于最后一次迭代时的第一权重集和第二权重集，以及第一误差和第二误差之和最小时对应迭代次数下的第一权重集和第二权重集获得第一权重优化集和第二权重优化集。

需要说明的是，前述对柴发联合燃机的黑启动方法实施例的解释说明也适用于该实施例的柴发联合燃机的黑启动系统，此处不再赘述。

本申请实施例中，配置有柴发黑启动单元，柴发黑启动单元用于在电网失电导致燃气发电机停机时经燃气发电机启动设备启动燃气发电机，黑启动方法包括以下步骤：获取电网历史黑启动过程中空载线路的合闸过电压和多种电压影响参数；利用皮尔逊相关系数和余弦相似度计算合闸过电压和多种电压影响参数的第一权重集和第二权重集；利用循环神经网络模型，基于合闸过电压、多种电压影响参数、第一权重集和第二权重集确定第一误差和第二误差；基于第一误差和第二误差按照预设迭代次数更新第一权重集和第二权重集以获得第一权重优化集和第二权重优化集，进而获得目标权重集；利用循环神经网络模型，基于目标权重集、当前黑启动过程中的多种实时电压影响参数获得合闸过电压目标预测值集，选择合闸过电压目标预测值集中最小值所在的线路作为最佳线路向电网供电以完成电网黑启动。在这种情况下，考虑多种电压影响参数对合闸过电压的影响，利用皮尔逊相关系数和余弦相似度获得第一权重集和第二权重集，进而获得第一误差和第二误差，基于第一误差和第二误差按照预设迭代次数获得目标权重集，基于目标权重集、当前黑启动过程中的多种实时电压影响参数获得合闸过电压目标预测值集，进而获得最佳线路，其中目标权重集充分考虑不同的因素对过电压的影响程度，提高了黑启动合闸过电压预测的准确性，因此能够更好地预测不同启动路径的合闸过电压，以便选择出最优的路径（即最佳线路）。

本申请的方法和系统考虑不同的因素对过电压的影响程度的不同，并对不同因素的定量分析，能够更好地预测不同启动路径的孔子啊线路合闸过电压，从而选择最优路径。

为了实现上述实施例，本申请还提出一种电子设备，包括：处理器，以及与处理器通信连接的存储器；存储器存储计算机执行指令；处理器执行存储器存储的计算机执行指令，以实现执行前述实施例所提供的方法。

为了实现上述实施例，本申请还提出一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，计算机执行指令被处理器执行时用于实现前述实施例所提供的方法。

为了实现上述实施例，本申请还提出一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现前述实施例所提供的方法。

在前述各实施例描述中，参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。