一种对静止无功发生器的参数进行识别的方法及系统与流程

本申请涉及电力系统技术领域，特别是涉及一种对静止无功发生器的参数进行识别的方法及系统。

背景技术：

风电场无功调节能力是影响区域电压稳定水平和风电消纳水平的关键因素，以柔性交流输电为代表的的新型输电技术的快速发展为保证风电场可靠并网和稳定运行提供了新的方法。静止无功发生器是柔性交流输电系统的核心装置之一，在风电场中得到了广泛的应用，其模型参数是否准确，关系到电力系统仿真计算的可信度，进而影响到风电场规划设计、调度运行、电网安全等各个环节。研究有效的静止无功发生器模型参数辨识方法具有重要的理论和实践价值。

虽然目前对静止无功发生器的研究已经取得了较大的进展，但是大都将研究重点放在其模型上，关于参数辨识方法的研究极少。目前，国内关于电力系统参数辨识研究主要以四大参数(发电机、励磁系统、原动机及调速系统、负荷模型的有关参数)为主。并且相关风电场静止无功发生器的参数辨识的研究多数未考虑风电场随机特性对参数辨识结果的精度及稳定性带来的影响。

针对上述的现有技术中存在的对风电场静止无功发生器的参数辨识的研究较少，并且未考虑风电场随机特性对参数辨识结果的精度及稳定性带来的影响的技术问题，目前尚未提出有效的解决方案。

技术实现要素：

本公开的实施例提供了一种对静止无功发生器的参数进行识别的方法及系统，以至少解决现有技术中存在的的对风电场静止无功发生器的参数辨识的研究较少，并且未考虑风电场随机特性对参数辨识结果的精度及稳定性带来的影响的技术问题的技术问题。

根据本公开实施例的一个方面，提供了一种对静止无功发生器的参数进行识别的方法，包括：根据风电场的静止无功发生器的动态运动特性，建立静止无功发生器的多个数学模型，并确定多个数学模型中待识别的参数；根据多个数学模型中待识别的参数随风速波动的变化特性，对多个数学模型进行分类，并确定多方式混合识别算法的参数的初始值；以及根据功率加权法，确定多方式混合识别算法的目标函数，通过差分算法反复迭代对参数初始值进行修正；以及对修正后的参数初始值进行识别，确定识别结果。

根据本公开实施例的另一方面，还提供了一种对静止无功发生器的参数进行识别的系统，包括：建立模块，用于根据风电场的静止无功发生器的动态运动特性，建立静止无功发生器的多个数学模型，并确定多个数学模型中待识别的参数；分类模块，用于根据多个数学模型中待识别的参数随风速波动的变化特性，对多个数学模型进行分类，并确定多方式混合识别算法的参数的初始值；修正模块，用于根据功率加权法，确定多方式混合识别算法的目标函数，通过差分算法反复迭代对参数初始值进行修正；以及识别模块，用于对修正后的参数初始值进行识别，确定识别结果。

在本发明中，通过一种对静止无功发生器的参数进行识别的方法。充分考虑了风电场随机特性对模型参数识别结果的影响，能够较好地解决风速随机波动引起的辨识精度较低以及辨识稳定性较差等问题。建立基于功率加权法组成多方式混合辨识算法的目标函数，根据各观测量对应参数的灵敏度值占比，对观测量进行加权优化配比，减小了单一观测量选取带来的辨识精度影响，提高参数辨识的鲁棒性。通过仿真实例分析结果，验证了计及风电场随机特性的静止无功发生器模型参数智能辨识方法的有效性和可行性，显示出该参数辨识策略具有较强的工程实用性。

进而解决了现有技术中存在的的对风电场静止无功发生器的参数辨识的研究较少，并且未考虑风电场随机特性对参数辨识结果的精度及稳定性带来的影响的技术问题的技术问题。。

附图说明

此处所说明的附图用来提供对本公开的进一步理解，构成本申请的一部分，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。在附图中：

图1是根据本公开实施例所述的对静止无功发生器的参数进行识别的方法的流程示意图；

图2是根据本公开实施例所述的静止无功发生器的数学模型的示意图；

图3是根据本公开实施例所述的风电并网系统模型的示意图；

图4是根据本公开实施例所述的传统辨识方法、多方式混合算法和静止无功发生器真实输出无功功率曲线对比图；

图5是根据本公开实施例所述的对静止无功发生器的参数进行识别的设计方法的示意图；以及

图6是根据本公开实施例所述的对静止无功发生器的参数进行识别的系统的示意图。

具体实施方式

现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。

除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。

根据本实施例的第一个方面，提供了一种对静止无功发生器的参数进行识别的方法。图1示出了该方法的流程示意图，参考图1所示，该方法包括：

s102:根据风电场的静止无功发生器的动态运动特性，建立静止无功发生器的多个数学模型，并确定多个数学模型中待识别的参数；

s104:根据多个数学模型中待识别的参数随风速波动的变化特性，对多个数学模型进行分类，并确定多方式混合识别算法的参数的初始值；

s106:根据功率加权法，确定多方式混合识别算法的目标函数，通过差分算法反复迭代对参数初始值进行修正；以及

s108:对修正后的参数初始值进行识别，确定识别结果。

具体地，参考图2所示的风电场的静止无功发生器数学模型，根据风电场的静止无功发生器的动态运动特性，建立静止无功发生器的多个数学模型：直流电压外环的pi控制器模型、并网电压外环的pi控制器模型、以及电流内环的pi控制器模型。并确定多个数学模型中待识别的参数：直流电压外环的线性控制器模型的比例kdp、直流电压外环的线性控制器模型的积分系数kdi、并网电压外环的线性控制器模型的比例kqp、并网电压外环的线性控制器模型的积分系数kqi、电流内环的线性控制器模型的比例kpi、电流内环的线性控制器模型的积分系数kii以及静止无功发生器的线路电感l。

根据多个数学模型中待识别的参数随风速波动的变化特性，对多个数学模型进行分类，并确定多方式混合识别算法的参数的初始值；根据功率加权法，确定多方式混合识别算法的目标函数，通过差分算法反复迭代对参数初始值进行修正；以及对修正后的参数初始值进行识别，确定识别结果。

参考图3所示的风电并网系统，使用本发明提供的方法进行风电场静止无功发生器参数辨识的设计，步骤如下：

步骤一：对测试系统的低风速模型和高风速模型进行观测量选取。在风电场两种模型下，依次将待辨识参数增加5％，得到各待辨识参数在不同观测量下的平均灵敏度值，其结果见表1、表2。可知，两种风速模型具有相同的观测量选取策略，即选取有功功率作为参数kqp、kqi、kpi的观测量，无功功率作为参数kdp、kdi、kii、l的观测量。

表1不同观测量下的低风速模型参数灵敏度值

表2不同观测量下的高风速模型参数灵敏度值

步骤二：根据所确定的观测量选取策略，对低风速模型和高风速模型中的参数进行辨识。随后进行参数灵敏度分析，得到低风速模型下的主导参数为kdp、kdi、kpi，高风速模型下的主导参数为kqp、kqi、kii、l。因此，选取低风速模型的kdp、kdi、kpi辨识结果和高风速模型的kqp、kqi、kii、l辨识结果作为多方式混合辨识算法中参数的初值。

步骤三：根据功率加权法确定多方式混合算法的目标函数，然后使用差分算法对步骤二确定的参数初值进行反复迭代修正，直到满足预设条件后输出参数辨识值，其结果见表3。

表3模型参数辨识结果及误差

步骤四：将风电场静止无功发生器参数辨识结果代入原风电并网系统进行仿真，并将仿真输出无功曲线与传统辨识方法输出曲线、真实值曲线进行比较，参考图4所示。

由测试结果可知，由于考虑了风电随机特性的影响因素，采用本发明设计多方式混合辨识方法得到的辨识曲线与真实值曲线高度拟合，而传统辨识方法受到风速随机波动的影响，得到的轨迹与真实值轨迹有明显误差。从而验证了本发明提供的方法在风电场静止无功发生器参数辨识方面的有效性和准确性。

从而，充分考虑了风电场随机特性对模型参数识别结果的影响，能够较好地解决风速随机波动引起的辨识精度较低以及辨识稳定性较差等问题。建立基于功率加权法组成多方式混合辨识算法的目标函数，根据各观测量对应参数的灵敏度值占比，对观测量进行加权优化配比，减小了单一观测量选取带来的辨识精度影响，提高参数辨识的鲁棒性。通过仿真实例分析结果，验证了计及风电场随机特性的静止无功发生器模型参数智能辨识方法的有效性和可行性，显示出该参数辨识策略具有较强的工程实用性。

进而解决了现有技术中存在的的对风电场静止无功发生器的参数辨识的研究较少，并且未考虑风电场随机特性对参数辨识结果的精度及稳定性带来的影响的技术问题的技术问题。

可选地，根据风电场的静止无功发生器的动态运动特性，建立静止无功发生器的多个数学模型，包括：根据风电场的静止无功发生器的动态运动特性，建立直流电压外环的线性控制器模型；根据风电场的静止无功发生器的动态运动特性，建立并网电压外环的线性控制器模型；以及根据风电场的静止无功发生器的动态运动特性，建立电流内环的线性控制器模型。

具体地，根据风电场的静止无功发生器的动态运动特性，建立直流电压外环的线性控制器模型。直流电压外环的pi控制器模型为：

式中：x1为中间变量；kdp、kdi分别为比例、积分系数，用于对直流电压外环的电压调节。

根据风电场的静止无功发生器的动态运动特性，建立并网电压外环的线性控制器模型。并网电压外环的pi控制器模型为：

式中：x2为中间变量；kqp、kqi分别为比例、积分系数，用于对并网电压外环的电压调节。

根据风电场的静止无功发生器的动态运动特性，建立电流内环的线性控制器模型。电流内环的pi控制器模型为：

式中：x3、x4为中间变量；kpi、kii分别为比例、积分环节系数，用于电流内环的电流值调节。

可选地，数学模型中待识别的参数，包括：直流电压外环的线性控制器模型的比例、直流电压外环的线性控制器模型的积分系数、并网电压外环的线性控制器模型的比例、并网电压外环的线性控制器模型的积分系数、电流内环的线性控制器模型的比例、电流内环的线性控制器模型的积分系数以及静止无功发生器的线路电感。

可选地，根据多个数学模型中待识别的参数随风速波动的变化特性，对多个数学模型进行分类，并确定多方式混合识别算法的参数的初始值，包括：根据多个数学模型的参数随风速波动的变化规律，将静止无功发生器的多个数学模型划分为低风速模型以及高风速模型；以及对低风速模型以及高风速模型的参数进行识别；其中低风速模型和高风速模型属于全风速模型，低风速模型用于表征风电场中风速在6m/s-8m/s之间随机波动，高风速模型用于表征风电场中风速在9m/s-12m/s之间随机波动，全风速模型用于表征风电场中风速在6m/s-12m/s之间随机波动。

具体地，根据多个数学模型的参数随风速波动的变化规律，将静止无功发生器的多个数学模型划分为低风速模型、高风速模型以及全风速模型，并对低风速模型和高风速模型中参数进行识别。其中低风速模型用于表征风电场中风速在6m/s-8m/s之间随机波动，高风速模型用于表征风电场中风速在9m/s-12m/s之间随机波动，全风速模型用于表征风电场中风速在6m/s-12m/s之间随机波动。

可选地，根据多个数学模型中待识别的参数随风速波动的变化特性，对多个数学模型进行分类，并确定多方式混合识别算法的参数的初始值，还包括：对低风速模型和高风速模型的参数的灵敏度进行分析；选取与低风速模型相关的多个直流电压外环的线性控制器模型的比例、多个直流电压外环的线性控制器模型的积分系数以及多个电流内环的线性控制器模型的比例；选取与高风速模型相关的多个并网电压外环的线性控制器模型的比例、多个并网电压外环的线性控制器模型的积分系数、多个电流内环的线性控制器模型的积分系数以及多个静止无功发生器的线路电感；以及将与低风速模型相关的多个多个直流电压外环的线性控制器模型的比例、多个直流电压外环的线性控制器模型的积分系数以及多个电流内环的线性控制器模型的比例、与高风速模型相关的多个并网电压外环的线性控制器模型的比例、多个并网电压外环的线性控制器模型的积分系数、多个电流内环的线性控制器模型的积分系数以及多个静止无功发生器的线路电感确定为多方式混合识别算法的参数初值。

具体地，通过对低风速模型和高风速模型辨识参数的灵敏度分析，选取与低风速模型强相关的kdp、kdi、kpi识别结果和高风速模型强相关的kqp、kqi、kii、l识别结果作为多方式混合辨识算法中参数的初值，代入式(5)初始化种群的个体。

p(s1:c)＝[kdp(0),kdi(0),kqp(0),kqi(0),kpi(0),kii(0),l(0)](5)

式中，p表示种群个体，s1表示种群规模，c表示参数个数。

可选地，根据功率加权法，确定多方式混合识别算法的目标函数，通过差分算法反复迭代对参数初始值进行修正，包括：根据有功功率和无功功率的相关参数的灵敏度占比，对多方式混合算法的目标函数进行加权优化配比。

可选地，根据有功功率和无功功率的相关参数的灵敏度占比，对多方式混合算法的目标函数进行加权优化配比，包括：在全风速模型下，根据多个直流电压外环的线性控制器模型的比例、多个直流电压外环的线性控制器模型的积分系数、多个电流内环的线性控制器模型的积分系数以及多个静止无功发生器的线路电感，确定多个无功功率的直流电压外环的线性控制器模型的比例的平均灵敏度、多个无功功率的直流电压外环的线性控制器模型的积分系数的平均灵敏度、多个无功功率的电流内环的线性控制器模型的积分系数的平均灵敏度以及多个无功功率的静止无功发生器的线路电感的平均灵敏度；以及根据多个无功功率的直流电压外环的线性控制器模型的比例的平均灵敏度、多个无功功率的直流电压外环的线性控制器模型的积分系数的平均灵敏度、多个无功功率的电流内环的线性控制器模型的积分系数的平均灵敏度以及多个无功功率的静止无功发生器的线路电感的平均灵敏度，确定第一平均灵敏度之和。

具体地，在全风速模型下，根据多个直流电压外环的线性控制器模型的比例kdp、多个直流电压外环的线性控制器模型的积分系数kdi、多个电流内环的线性控制器模型的积分系数kii以及多个静止无功发生器的线路电感l，确定多个无功功率的直流电压外环的线性控制器模型的比例kdp的平均灵敏度、多个无功功率的直流电压外环的线性控制器模型的积分系数kdi的平均灵敏度、多个无功功率的电流内环的线性控制器模型的积分系数kii的平均灵敏度以及多个无功功率的静止无功发生器的线路电感l的平均灵敏度；以及根据多个无功功率的直流电压外环的线性控制器模型的比例kdp的平均灵敏度、多个无功功率的直流电压外环的线性控制器模型的积分系数kdi的平均灵敏度、多个无功功率的电流内环的线性控制器模型的积分系数kii的平均灵敏度以及多个无功功率的静止无功发生器的线路电感l的平均灵敏度，确定第一平均灵敏度之和s1。

可选地，根据有功功率和无功功率的相关参数的灵敏度占比，对多方式混合算法的目标函数进行加权优化配比，还包括：在全风速模型下，根据多个并网电压外环的线性控制器模型的比例、多个并网电压外环的线性控制器模型的积分系数以及多个电流内环的线性控制器模型的比例，确定多个有功功率的并网电压外环的线性控制器模型的比例的平均灵敏度、多个有功功率的并网电压外环的线性控制器模型的积分系数的平均灵敏度以及多个有功功率的电流内环的线性控制器模型的比例的平均灵敏度；以及根据多个有功功率的并网电压外环的线性控制器模型的比例的平均灵敏度、多个有功功率的并网电压外环的线性控制器模型的积分系数的平均灵敏度以及多个有功功率的电流内环的线性控制器模型的比例的平均灵敏度，确定第二平均灵敏度之和。

具体地，在全风速模型下，根据多个并网电压外环的线性控制器模型的比例kqp、多个并网电压外环的线性控制器模型的积分系数kqi以及多个电流内环的线性控制器模型的比例kpi，确定多个有功功率的并网电压外环的线性控制器模型的比例kqp的平均灵敏度、多个有功功率的并网电压外环的线性控制器模型的积分系数kqi的平均灵敏度以及多个有功功率的电流内环的线性控制器模型的比例kpi的平均灵敏度；以及根据多个有功功率的并网电压外环的线性控制器模型的比例kqp的平均灵敏度、多个有功功率的并网电压外环的线性控制器模型的积分系数的平均灵敏度kqi以及多个有功功率的电流内环的线性控制器模型的比例kpi的平均灵敏度，确定第二平均灵敏度之和s2。

可选地，根据有功功率和无功功率的相关参数的灵敏度占比，对多方式混合算法的目标函数进行加权优化配比，还包括：根据第一平均灵敏度之和以及第二平均灵敏度之和，确定无功功率的加权系数以及有功功率的加权系数。

具体地，选取s＝s1+s2作为基准值。计算s1/s，得到目标函数中无功功率的加权系数k1。计算s2/s，得到目标函数中有功功率的加权系数k2。

可选地，根据功率加权法，确定多方式混合识别算法的目标函数，通过差分算法反复迭代对参数初始值进行修正，包括：根据无功功率的加权系数以及有功功率的加权系数，确定目标函数；以及根据目标函数，通过差分算法反复迭代对参数始初值进行修正。

具体地，根据无功功率的加权系数k1以及有功功率的加权系数k2，确定目标函数

根据目标函数，通过差分算法反复迭代对参数始初值进行修正。

从而，通过一种对静止无功发生器的参数进行识别的方法。充分考虑了风电场随机特性对模型参数识别结果的影响，能够较好地解决风速随机波动引起的辨识精度较低以及辨识稳定性较差等问题。建立基于功率加权法组成多方式混合辨识算法的目标函数，根据各观测量对应参数的灵敏度值占比，对观测量进行加权优化配比，减小了单一观测量选取带来的辨识精度影响，提高参数辨识的鲁棒性。通过仿真实例分析结果，验证了计及风电场随机特性的静止无功发生器模型参数智能辨识方法的有效性和可行性，显示出该参数辨识策略具有较强的工程实用性。

进而解决了现有技术中存在的的对风电场静止无功发生器的参数辨识的研究较少，并且未考虑风电场随机特性对参数辨识结果的精度及稳定性带来的影响的技术问题的技术问题。

根据本实施例的另一个方面，提供了一种对静止无功发生器的参数进行识别的系统600。该系统600包括：建立模块610，用于根据风电场的静止无功发生器的动态运动特性，建立静止无功发生器的多个数学模型，并确定多个数学模型中待识别的参数；分类模块620，用于根据多个数学模型中待识别的参数随风速波动的变化特性，对多个数学模型进行分类，并确定多方式混合识别算法的参数的初始值；修正模块630，用于根据功率加权法，确定多方式混合识别算法的目标函数，通过差分算法反复迭代对参数初始值进行修正；以及识别模块640，用于对修正后的参数初始值进行识别，确定识别结果。

可选地，建立模块610，包括：建立直流子模块，用于根据风电场的静止无功发生器的动态运动特性，建立直流电压外环的线性控制器模型；建立并网子模块，用于根据风电场的静止无功发生器的动态运动特性，建立并网电压外环的线性控制器模型；以及建立电流子模块，用于根据风电场的静止无功发生器的动态运动特性，建立电流内环的线性控制器模型。

可选地，数学模型中待识别的参数，包括：直流电压外环的线性控制器模型的比例、直流电压外环的线性控制器模型的积分系数、并网电压外环的线性控制器模型的比例、并网电压外环的线性控制器模型的积分系数、电流内环的线性控制器模型的比例、电流内环的线性控制器模型的积分系数以及静止无功发生器的线路电感。

可选地，分类模块620，包括：划分子模块，用于根据多个数学模型的参数随风速波动的变化规律，将静止无功发生器的多个数学模型划分为低风速模型以及全风速模型；以及识别子模块，用于对低风速模型以及高风速模型的参数进行识别；其中其中低风速模型和高风速模型属于全风速模型，低风速模型用于表征风电场中风速在6m/s-8m/s之间随机波动，高风速模型用于表征风电场中风速在9m/s-12m/s之间随机波动，全风速模型用于表征风电场中风速在6m/s-12m/s之间随机波动。

可选地，分类模块620，还包括：分析子模块，用于对低风速模型和高风速模型的参数的灵敏度进行分析；第一选取子模块，用于选取与低风速模型相关的多个直流电压外环的线性控制器模型的比例、多个直流电压外环的线性控制器模型的积分系数以及多个电流内环的线性控制器模型的比例；第二选区子模块，用于选取与高风速模型相关的多个并网电压外环的线性控制器模型的比例、多个并网电压外环的线性控制器模型的积分系数、多个电流内环的线性控制器模型的积分系数以及多个静止无功发生器的线路电感；以及确定参数初值子模块，用于将与低风速模型相关的多个多个直流电压外环的线性控制器模型的比例、多个直流电压外环的线性控制器模型的积分系数以及多个电流内环的线性控制器模型的比例、与高风速模型相关的多个并网电压外环的线性控制器模型的比例、多个并网电压外环的线性控制器模型的积分系数、多个电流内环的线性控制器模型的积分系数以及多个静止无功发生器的线路电感确定为多方式混合识别算法的参数初值。

可选地，修正模块630，包括：优化子模块，用于根据有功功率和无功功率的相关参数的灵敏度占比，对多方式混合算法的目标函数进行加权优化配比。

可选地，优化子模块，包括：确定无功功率平均灵敏度单元，用于在全风速模型下，根据多个直流电压外环的线性控制器模型的比例、多个直流电压外环的线性控制器模型的积分系数、多个电流内环的线性控制器模型的积分系数以及多个静止无功发生器的线路电感，确定多个无功功率的直流电压外环的线性控制器模型的比例的平均灵敏度、多个无功功率的直流电压外环的线性控制器模型的积分系数的平均灵敏度、多个无功功率的电流内环的线性控制器模型的积分系数的平均灵敏度以及多个无功功率的静止无功发生器的线路电感的平均灵敏度；以及确定第一平均灵敏度之和单元，用于根据多个无功功率的直流电压外环的线性控制器模型的比例的平均灵敏度、多个无功功率的直流电压外环的线性控制器模型的积分系数的平均灵敏度、多个无功功率的电流内环的线性控制器模型的积分系数的平均灵敏度以及多个无功功率的静止无功发生器的线路电感的平均灵敏度，确定第一平均灵敏度之和。

可选地，优化子模块，还包括：确定有功功率平均灵敏度单元，用于在全风速模型下，根据多个并网电压外环的线性控制器模型的比例、多个并网电压外环的线性控制器模型的积分系数以及多个电流内环的线性控制器模型的比例，确定多个有功功率的并网电压外环的线性控制器模型的比例的平均灵敏度、多个有功功率的并网电压外环的线性控制器模型的积分系数的平均灵敏度以及多个有功功率的电流内环的线性控制器模型的比例的平均灵敏度；以及确定第二平均灵敏度之和单元，用于根据多个有功功率的并网电压外环的线性控制器模型的比例的平均灵敏度、多个有功功率的并网电压外环的线性控制器模型的积分系数的平均灵敏度以及多个有功功率的电流内环的线性控制器模型的比例的平均灵敏度，确定第二平均灵敏度之和。

可选地，优化子模块，还包括：确定加权系数单元，用于根据第一平均灵敏度之和以及第二平均灵敏度之和，确定无功功率的加权系数以及有功功率的加权系数。

可选地，修正模块630，还包括：确定目标函数子模块，用于根据无功功率的加权系数以及有功功率的加权系数，确定目标函数；以及修正子模块，用于根据目标函数，通过差分算法反复迭代对参数始初值进行修正。

本发明的实施例的对静止无功发生器的参数进行识别的系统600与本发明的另一个实施例的对静止无功发生器的参数进行识别的方法相对应，在此不再赘述。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。本申请实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言java和直译式脚本语言javascript等。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。