一种光伏系统最大功率点追踪方法及系统

1.本发明属于太阳能光伏发电技术领域，为一种光伏系统最大功率点追踪技术，具体是一种光伏系统最大功率点追踪方法及系统。


背景技术：

2.在新能源的开发与利用中，太阳分布广泛，取之不尽，是一种可持续利用的清洁能源。光伏发电技术是利用半导体界面的光生伏特效应将光能直接转变为电能的一种技术，在各种太阳能利用中具有良好的发展前景。并且，在我国光伏发电设备的装机总量都在逐渐上升，其发电量在整体电网中所占的比例也在逐年提高。
3.但是，光伏发电存在光电转换效率的问题。光伏发电系统工作时，太阳电池在一定的温度和日照强度下具有唯一的最大功率点，当太阳电池工作在该点时，能输出当前温度和日照条件下的最大功率。但由于太阳电池的输出特性受日照亮、环境温度等因素的影响，太阳电池的电压和电流均发生很大的变化，从而使输出功率不稳定，即最大功率点时刻在变化，这会导致光伏发电系统效率较低，因此，为提高光伏发电系统效率，需要确定最大功率点，但由于太阳能电池的输出特性是复杂的非线性形式，难以确定其数学模型，也就无法用解析法确定以及预测其最大功率点。


技术实现要素：

4.本技术实施例提供一种光伏系统最大功率点追踪方法、系统及存储介质，以通过建立机器学习模型，通过对于模型的训练从而实现在一定宏观的层面对于实时环境中最大功率点的确定，提高了精准度和自动化程度。并且，在整体mppt设备与光伏系统的架构上进行控制优化，解决并网与主网之间各个设备之间传递的信息量巨大导致耦合程度很高的问题。
5.为了达到上述目的，本技术实施例采用的技术方案如下：
6.第一方面，本技术实施例提供了一种光伏系统最大功率点追踪方法，应用于mppt设备，包括多个光伏电池，具体包括以下方法：获得任一光伏电池的目标机器学习模型；接收采集的测点数据；并基于所述目标机器学习模型、测点数据构建最优输出功率阈值范围，并基于所述最优输出功率阈值范围确定最优输出电压；控制太阳能光伏电池工作在所述最优输出电压；所述获得任一光伏电池的目标机器学习模型包括：预先建立的数据库获取多个键，得到候选键集合；基于所述候选键集合进行采样，得到多个目标特征；基于所述目标特征从所述数据库中查询对应的功率值，基于所述目标特征与所述对应的功率值建立独立特征曲线，融合多个独立特征曲线获得特征表达模型；将所述特征表达模型与最优曲线进行比对，确定影响参数，基于所述影响参数、所述最优曲线得到功率目标数据；所述目标功率数据用于作为训练样本训练目标机器学习模型；还包括确定对应的mppt设备，具体为以下方法：确定mppt设备的实时输出功率是否为预设输出功率，当所述实时输出功率达到所述预设输出功率时进行所述mppt设备的切换，包括：处于预设输出功率的第一mppt设备向
未处于预设输出功率的第二mppt设备发送启动指令，切换所述第二mppt设备对所述光伏电池设备进行最大功率点追踪；所述第二mttp设备基于上述过程对最大功率进行追踪。
7.在第一方面的第一种可能的实现方式中，所述数据库中，源数据对应的标识信息存储为键，所述源数据对应的特征数据存储为对应的值；所述源数据为功率曲线。
8.在第一方面的第二种可能的实现方式中，所述目标功率数据用于作为训练样本训练目标机器学习模型包括：根据所述目标功率数据获取已知信息和私有信息；根据所述已知信息生成第一类环境特征和向量特征，以及根据所述已知信息和私有信息生成第二类环境特征；通过预设的第一模型基于所述第一类环境特征和向量特征，获取第一预测值；通过预设的第二模型基于第二类环境特征和向量特征，获取第二预测值；基于所述第一预测值和第二预测值对所述第一模型进行训练，得到训练后的第一模型。
9.结合第一方面的第二种可能的实现方式，在第三种可能的实现方式中，所述根据所述目标功率数据获取已知信息包括：根据所述目标功率数据获取所述目标参与方的未公布信息、各个参与方的历史公布信息、以及除所述目标参与方之外的其他参与方的未公布信息，得到第一信息；根据所述目标功率数据获取各个参与方的角色信息、各个参与方的未公布信息数量、上一轮所公布信息的数量、当前轮是否存在比上一轮所公布的更大面值的信息、已公布的预设组合信息的数量、以及未公布的信息中可能出现的预设组合信息，得到第二信息；将所述第一信息和第二信息设置为已知信息。
10.结合第一方面的第二种可能的实现方式，在第四种可能的实现方式中，所述根据所述已知信息生成第一类环境特征和向量特征，以及根据所述已知信息和私有信息生成第二类环境特征包括：对第一信息进行特征提取，生成多通道的第一类环境特征；对所述第二信息进行特征转换，生成向量特征；对第一信息和所述私有信息进行特征提取，生成多通道的第二类环境特征。
11.在第一方面的第三种可能的实现方式中，处于预设输出功率的第一mppt设备向未处于预设输出功率的第二mppt设备发送启动指令，切换所述第二mppt设备对所述光伏电池设备进行最大功率点追踪，包括：若所述输出功率达到所述最优输出功率阈值，则保持所述第一mppt设备以所述预设输出功率进行输出；利用所述第一mppt设备向第二目标光伏发送启动指令，以便切换到所述第二mttp对所述光伏电池设备进行最大功率点追踪。
12.在第一方面的第三种可能的实现方式，在第六种可能的实现方式中，所述目标光伏与所述第二目标光伏之间通过干接点传递指令。
13.在第一方面的第一种可能的实现方式，在第七种可能的实现方式中，，还包括构建数据库，所述数据库的建立步骤包括：对于功率曲线的每一坐标点，提取所述功率曲线的特征，得到对应的特征数据；获取功率曲线的标识信息，根据所述标识信息及所述坐标点的横坐标和纵坐标得到所述功率曲线的标识信息；将所述功率曲线的标识信息存储为键，将所述功率曲线对应的特征数据存储为对应的值，以建立所述数据库。
14.第二方面，本技术实施例还提供一种光伏系统最大功率点追踪系统，应用于mppt设备，包括：机器学习模型建立装置，用于获得任一光伏电池的目标机器学习模型；测点数据接收装置，用于接收采集的测点数据；最优输出电压确定装置，用于确定最优输出电压；控制装置，用于控制太阳能光伏电池工作在所述最优输出电压；mppt设备确定装置，用于确定执行上述方法的mppt设备。
15.在第二方面的第一种可能的实现方式中，所述机器学习模型获得装置包括：数据库建立模块，用于建立对应的数据库；候选键集合建立模块，用于得到候选键集合；目标特征确定模块，用于对所述候选键集进行采样并获得多个目标特征；特征表达模型构建模块，用于融合多个独立特征曲线获得特征表达模型；功率目标数据确定模块，用于将所述特征表达模型与最优曲线进行比对，确定影响参数，基于所述影响参数、所述最优曲线得到功率目标数据。
16.本技术实施例提供的技术方案中，通过数据采集构建数据库，利用数据库构建机器学习模型并对模型进行训练，基于训练后的机器学习模型构建光伏电池输出功率的目标数据，并基于输出功率目标数据确定最优输出电压，将光伏电池的工作电压调节至最优电压。并且，为了降低主网与并网之间通信量较大而产生耦合程度高的问题。本发明提供的技术方案通过建立mppt设备的调控机制，降低了耦合程度。本发明提供的技术方案解决了现有太阳能光伏电池最大输出功率点难以确定的技术问题，有利于提高太阳能光伏电池的发电效率，节约发电成本。
附图说明
17.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
18.附图中的方法、系统和/或程序将根据示例性实施例进一步描述。这些示例性实施例将参照图纸进行详细描述。这些示例性实施例是非限制的示例性实施例，其中示例数字在附图的各个视图中代表相似的机构。
19.图1是本技术的一些实施例所示的一种光伏系统最大功率点追踪方法的流程图；
20.图2是本技术的一些实施例所示的光伏系统最大功率点追踪方法模型训练方法流程图；
21.图3是本技术的实施例提供的光伏系统最大功率点追踪系统结构图；
22.图4是本技术的实施例提供的机器学习模型建立单元结构示意图。
具体实施方式
23.为了更好的理解上述技术方案，下面通过附图以及具体实施例对本技术技术方案做详细的说明，应当理解本技术实施例以及实施例中的具体特征是对本技术技术方案的详细的说明，而不是对本技术技术方案的限定，在不冲突的情况下，本技术实施例以及实施例中的技术特征可以相互组合。
24.在下面的详细描述中，通过实例阐述了许多具体细节，以便提供对相关指导的全面了解。然而，对于本领域的技术人员来说，显然可以在没有这些细节的情况下实施本技术。在其他情况下，公知的方法、程序、系统、组成和/或电路已经在一个相对较高水平上被描述，没有细节，以避免不必要的模糊本技术的方面。
25.本技术中使用流程图说明根据本技术的实施例的系统所执行的执行过程。应当明确理解的是，流程图的执行过程可以不按顺序执行。相反，这些执行过程可以以相反的顺序
processor，np)等；还可以是数字信号处理器(dsp))、专用集成电路(asic)、现场可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。可以理解，图2所示的结构仅为示意，测试服务器还可包括更多或者更少的组件，或者具有不同的配置。各组件可以采用硬件、软件或其组合实现。
36.针对于光伏系统最大功率点追踪系统提供的基于正样本学习的人造板表面缺陷检测方法，请参阅图1，是根据本技术的一些实施例所示的一种基于光伏系统最大功率点追踪方法的流程图，主要方法为基于目标机器学习模型对光伏系统主要数据进行采集得到目标功率数据，并基于目标功率数据对最大功率点进行确定，并基于确定后的最大功率控制光伏电池在对应电压下进行工作。
37.在本实施例中，实现对于最大功率点追踪方法主要的执行硬件为mppt设备，即最大功率点追踪方法运行环境为mppt设备。在传统的mppt设备中对于最大功率点追踪的方式因为光伏电池的使用环境受到外界因素的影响，导致其对于最大功率点的预测以及确定较不稳定。所以，本实施例提供一种基于机器学习模型的最大功率点追踪方法，通过将现有的数据进行采集，并针对于数据进行特征化，即每一数据包括环境特征和向量特征，基于环境特征和向量特征对机器学习模型进行训练，使模型能够在复杂的环境特征的情况下对于向量特征具有预测和确定的能力。在本实施例中，环境特征包括光照、环境温度、光伏电池温度，向量特征为电流、电压。通过将环境特征与向量特征建立对应关系，并基于对应关系建立特征表达模型，并基于特征表达模型与最优曲线进行比对，确定影响参数。在本实施例中，最优曲线为在不受外部环境影响下功率曲线，特征表达模型与最优曲线的比对用于确定影响参数，具体为对特征表达模型中的特征进行权重赋值，可以理解为在特征中进行标签化处理，标签为具体的权重值。基于影响参数、最优曲线得到功率目标数据，并基于功率目标数据用于作为训练样本对目标机器学习模型进行训练。
38.值得说明的，本实施例中训练过程并非在方法执行前进行，也包括在每一次执行过程中获得数据进行二次或多次的循环训练。
39.本实施例中的光伏系统最大功率点追踪方法，通过数据采集构建数据库，利用数据库构建机器学习模型并对模型进行训练，基于训练后的机器学习模型构建光伏电池输出功率的目标数据，并基于输出功率目标数据确定最优输出电压，将光伏电池的工作电压调节至最优电压。并且，为了降低主网与并网之间通信量较大而产生耦合程度高的问题。本发明提供的技术方案通过建立mppt设备的调控机制，降低了耦合程度。本发明提供的技术方案解决了现有太阳能光伏电池最大输出功率点难以确定的技术问题，有利于提高太阳能光伏电池的发电效率，节约发电成本。
40.具体的请参阅图1，详细的说明了光伏系统最大功率点追踪方法的具体处理过程：
41.步骤s110.获得任一光伏电池的目标机器学习模型。
42.此步骤包括多个子步骤，包括数据库的建立以及用于训练的训练样本的构建，基于构建的训练样本对机器学习模型进行训练得到目标机器学习模型。
43.包括以下过程：
44.步骤s111.基于预先建立的数据库获取多个键，得到候选键集合。
45.在本实施例中，数据库中的源数据对应的标识信息存储为键，源数据对应的特征数据存储为对应的值。
46.其中，源数据指的是用于训练机器学习模型的训练样本的原始数据。例如，在本实施例中源数据主要是进行追踪前获取的光伏电池中的数据，包括但不限于照强度、环境温度、电压强度、电流强度。其中针对于源数据的获取主要基于分布式控制系统进行采集，还可以为与光伏电池关联的环境数据，可以通过其他配套或者相同环境下的其他采集系统采集的具有影响的数据。源数据对应的标识信息用于对源数据进行标识。源数据对应的特征数据为对源数据的特征信息进行描述的数据。
47.具体地，在本实施例中，预先获取源数据，基于源数据建立数据库，将源数据对应的标识信息存储为键(key)，将源数据对应的特征数据存储为对应的值(value)。在进行数据采样时，服务器首先基于预先建立的数据库获取多个键，得到候选键集合。
48.在一些实施例中，服务器可以获取数据库中所有的键，得到候选键集合，由于候选键集合中包括了数据库中的所有的键，后续采样中可以基于数据库中所有的键进行采样，可以保证采样得到的样本的广泛性。
49.在一些实施例中，其中的数据库可以是分布式数据库，由于机器学习模型在进行训练时，所需的训练样本体量往往非常巨大，单机无法装载，通常会采用分布式训练系统，利用分布式训练系统来加载更多的数据，训练更加复杂的模型。在分布式训练系统中，一种常用的方式就是将训练数据并行。
50.数据并行：是目前深度学习模型最常见的分布式训练策略，数据并行的主要原因是因为训练量很大导致的训练费时；数据并行是在不同的gpu(graphics processingunit，图形处理器)设备有同一模型的多个副本，将数据分片并分配到每个gpu上，然后将所有gpu的计算结果按照某种方式合并，进而可以增加训练数据的批大小(batch size)。数据并行的分布式训练时，将数据存储于分布式文件系统中，所有的设备通过接口从文件系统中读取数据采用同步或者异步的方式来训练模型。
51.步骤s112.基于候选键集合进行采样，得到至少一个目标键。
52.步骤s113.基于至少一个目标键从数据库中查询对应的值，得到目标特征数据；目标特征数据用于作为训练样本训练目标机器学习模型。
53.其中，目标键指的是采样得到的键。目标特征数据为目标键对应的值。
54.具体地，服务器基于候选键集合进行采样，得到至少一个目标键，服务器进一步基于至少一个目标健从数据库中查询对应的值，得到目标特征数据。
55.在一些实施例中，服务器在进行采样时，采样得到多个目标键，服务器进一步可以根据多个目标键生成键列表(key list)，后续在进行机器学习模型训练时，服务器可以基于该key list从数据库查询对应的值，得到目标特征数据以作为机器学习模型的训练样本。
56.上述数据采样方法中，首先基于预先建立的数据库获取多个健，得到候选键集合，数据库中，源数据对应的标识信息存储为键，源数据对应的特征数据存储为对应的值，服务器进一步基于候选键集合进行采样，得到至少一个目标键，最后基于至少一个目标键从数据库中查询对应的值，得到目标特征数据，目标特征数据用于作为训练样本训练目标机器学习模型，本技术中，由于将源数据存储为健值对的形式，在进行采样时，基于健进行采样，
基于采样结果来获取到训练样本，相较于传统技术中直接采样训练样本数据，耗时明显减少。
57.步骤s114.基于所述目标特征数据从所述数据库中查询对应的功率值，基于所述目标特征与所述对应的功率值建立独立特征曲线，融合多个独立特征曲线获得特征表达模型。
58.在本实施例中，通过目标特征数据可以实现对应功率值的确定，基于目标特征数据以及功率值可以建立每一个目标特征的特征曲线即独立特征曲线，通过将多个独立特征曲线进行融合得到特征表达模型。
59.在本实施例中，目标特征为具体的环境特征，包括环境温度、电压、电流、光照强度等特征，目标特征数据为特征对应的竖直，例如环境温度为35℃，其中环境温度为特征，35℃为数值。功率值则为选择其中任一特征作为变量其余特征作为理想非变量条件下的功率的具体的值，其中当两组特征数据中的特征以及数值都相同时则选择其一作为处理特征数据。在本实施例中，目标特征数据的种类以及数量决定了功率值的种类以及数量，将其功率值与对应的特征进行结合建立特征曲线，基于多个特征的特征曲线获得特征表达模型，特征表达模型用于表示多特征情况下的功率值的变化情况和与外部的关联情况。
60.步骤s115.将特征表达模型与最优曲线进行比对，确定影响参数，基于影响参数、最优曲线得到功率目标数据。
61.在本实施例中，最优曲线为功率值无外界影响下的变化函数构成的曲线，金奖具有外界影响产生的反应现实的特征表达模型与理想条件下的最优曲线进行比对，主要用于确定其差异性的表达，基于差异性的表达中最大差异的确定则说明其外界特征对于功率值影响情况即影响参数，影响参数为权重值。并基于影响参数、最优功率曲线确定目标功率数据，在本实施例中目标功率数据为初步预测值，即通过多特征情况下权重对于功率值的预测。
62.但仅基于权重进行预判的进准度较低，需要对目标功率数据进行训练得到更优的预测值。
63.步骤s116.将目标功率数据用于作为训练样本训练目标机器学习模型。
64.具体为：根据目标功率数据获取已知信息和私有信息；根据已知信息生成第一类环境特征和向量特征，以及根据已知信息和私有信息生成第二类环境特征；通过预设的第一模型基于第一类环境特征和向量特征，获取第一预测值；通过预设的第二模型基于第二类环境特征和向量特征，获取第二预测值；基于第一预测值和第二预测值对第一模型进行训练，得到训练后的第一模型。
65.以上的过程包括以下具体的处理手段：
66.对第一信息进行特征提取，生成多通道的第一类环境特征；对第二信息进行特征转换，生成向量特征；对第一信息和私有信息进行特征提取，生成多通道的第二类环境特征。
67.本实施例提供的处理方法相当于将目标功率数据作为初始数据再进行切割，并基于切割后的数据对模型进行训练得到最优的结果。
68.步骤s210.接收采集的测点数据。
69.光伏电池的测点数据由dcs系统采集，包括光照强度、环境温度、电压强度、电流强
度等。
70.接收到dcs系统采集的测点数据后，将测点数据按照设定单位进行转换，具体的，光照强度的设定单位为瓦/平方米，环境温度的设定单位为摄氏度，电压强度的设定单位为伏，电流强度的设定单位为安培。
71.步骤s310.基于目标机器学习模型、测点数据构建最优输出功率阈值范围，并基于最优输出功率阈值范围确定最优输出电压。
72.在本实施例中，目标机器学习模型主要输出结果为最优输出功率，因为模型无法做到百分之百精准的预测，所以需要设置阈值机制，即在输出结果上下调动一定的比例产生阈值，并且基于阈值确定功率对应的电压值。
73.步骤s410.控制光伏电池工作在最优输出电压。
74.根据最优输出电压，控制光伏电池工作在该最优输出电压上，能使得太阳能光伏电池工作在最大功率点上。
75.在本实施例中，光伏发电系统的主要部件包括光伏电池设备和并网逆变器，为了获得较大的能量利用效率，一般并网逆变器具有对光伏发电系统进行最大功率点追踪的mppt设备，全称maximum power point tracking设备，以便保证光伏发电系统以较高的输出功率输出。通常情况下，多台并网逆变器的输入端会并联接入到光伏电池设备上，为了避免无法实现最大功率点追踪、多个并网逆变器之间相互干扰的问题，一般只能用一台并网逆变器对光伏发电系统进行最大功率点追踪。
76.现有技术中，在多台并网逆变器之间增加can或rs485等进行通讯，在对光伏发电系统进行最大功率点追踪的过程中，采用主从模式，各个从属并网逆变器将各自的并网输出功率等信息发送给主并网逆变器，主并网逆变器对这些信息进行综合处理，并完成最大功率追踪。但是这种方法存在极大的弊端，由于各个从属并网逆变器需要将各自的并网输出功率等信息发送给主并网逆变器，因此各个并网逆变器之间需要传递的信息量巨大，导致耦合程度很高。
77.所以需要对现有的整个控制系统进行改进，其改进的节点为在进行电压控制过程中mttp设备的控制即在确定最大功率追踪点后对于执行主体即mttp设备的控制，从而实现对于最大功率追踪点的尾端控制，具体包括以下步骤：
78.步骤s510.确定mppt设备的实时输出功率是否为预设输出功率，当所述实时输出功率达到所述预设输出功率时进行所述mppt设备的切换。
79.步骤s511.处于预设输出功率的第一mppt设备向未处于预设输出功率的第二mppt设备发送启动指令，切换第二mppt设备对光伏电池设备进行最大功率点追踪；第二mttp设备基于上述过程对最大功率进行追踪。
80.具体为：若输出功率达到最优输出功率阈值，则保持第一mppt设备以预设输出功率进行输出；利用第一mppt设备向第二目标光伏发送启动指令，以便切换到第二mttp对光伏电池设备进行最大功率点追踪。
81.在本实施例中，第一mttp设备与第二mttp设备之间通过干接点传递指令。
82.本实施例提供的光伏系统最大功率点追踪方法通过数据采集构建数据库，利用数据库构建机器学习模型并对模型进行训练，基于训练后的机器学习模型构建光伏电池输出功率的目标数据，并基于输出功率目标数据确定最优输出电压，将光伏电池的工作电压调
节至最优电压。并且，为了降低主网与并网之间通信量较大而产生耦合程度高的问题。本发明提供的技术方案通过建立mppt设备的调控机制，降低了耦合程度。本发明提供的技术方案解决了现有太阳能光伏电池最大输出功率点难以确定的技术问题，有利于提高太阳能光伏电池的发电效率，节约发电成本。
83.为了实现上述实施例，本实施例还提出计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如上述实施例中所述的光伏系统最大功率点追踪方法。
84.计算机设备以通用计算设备的形式表现。计算机设备的组件可以包括但不限于：一个或者多个处理器或者处理单元，系统存储器，连接不同系统组件(包括系统存储器和处理单元)的总线。
85.总线表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(industry standardarchitecture；以下简称：isa)总线，微通道体系结构(micro channel architecture；以下简称：mac)总线，增强型isa总线、视频电子标准协会(video electronics standardsassociation；以下简称：vesa)局域总线以及外围组件互连(peripheral componentinterconnection；以下简称：pci)总线。
86.计算机设备也可以与一个或多个外部设备(例如键盘、指向设备、显示器等)通信，还可与一个或者多个使得用户能与该计算机设备交互的设备通信，和/或与使得该计算机设备能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口进行。并且，计算机设备还可以通过网络适配器与一个或者多个网络(例如局域网(local area network；以下简称：lan)，广域网(wide area network；以下简称：wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器通过总线与计算机设备的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
87.本技术实施例还提供一种计算机可读存储介质，其上存储有计算机程序，当计算机程序在计算机上执行时，使得计算机执行本技术实施例提供的光伏系统最大功率点追踪方法。
88.需要理解的是，针对上述内容没有进行名词解释的技术术语，本领域技术人员可以根据上述所公开的内容进行前后推导毫无疑义地确定其所指代的含义，例如针对一些阈值、系数等术语，本领域技术人员可以根据前后的逻辑关系进行推导和确定，这些数值的取值范围可以根据实际情况进行选取，例如0.1～1，又例如1～10，再例如50～100，在此均不作限定。
89.本领域技术人员可以根据上述已公开的内容毫无疑义对一些预设的、基准的、预定的、设定的以及偏好标签的技术特征/技术术语进行确定，例如阈值、阈值区间、阈值范围等。对于一些未作解释的技术特征术语，本领域技术人员完全能够基于前后文的逻辑关系进行合理地、毫无疑义地推导，从而清楚、完整地实施上述技术方案。未作解释的技术特征术语的前缀，例如“第一”、“第二”、“示例”、“目标”等，可以根据前后文进行毫无疑义地推导
和确定。未作解释的技术特征术语的后缀，例如“集合”、“列表”等，也可以根据前后文进行毫无疑义地推导和确定。
90.本技术实施例公开的上述内容对于本领域技术人员而言是清楚完整的。应当理解，本领域技术人员基于上述公开的内容对未作解释的技术术语进行推导和分析的过程是基于本技术所记载的内容进行的，因此上述内容并不是对整体方案的创造性的评判。
91.上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅作为示例，而并不构成对本技术的限定。虽然此处并没有明确说明，本领域技术人员可以对本技术进行各种修改、改进和修正。该类修改、改进和修正在本技术中被建议，所以该类修改、改进、修正仍属于本技术示范实施例的精神和范围。
92.同时，本技术使用了特定术语来描述本技术的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本技术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，本说明书中在不同部分两次或多次提到的“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，本技术的至少一个实施例中的某些特征、结构或特点可以进行适当的组合。
93.另外，本领域普通技术人员可以理解的是，本技术的各个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，或对他们任何新的和有用的改进。相应地，本技术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以被称为“单元”、“组件”或“系统”。此外，本技术的各方面可以表现为位于至少一个计算机可读介质中的计算机产品，所述产品包括计算机可读程序编码。
94.计算机可读信号介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等等、或合适的组合形式。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读信号介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤缆线、rf、或类似介质、或任何上述介质的组合。
95.本技术各方面执行所需的计算机程序码可以用一种或多种程序语言的任意组合编写，包括面向对象程序设计，如java、scala、smalltalk、eiffel、jade、emerald、c++、c#、vb.net，python等，或类似的常规程序编程语言，如"c"编程语言，visual basic，fortran 2003，perl，cobol 2002，php，abap，动态编程语言如python，ruby和groovy或其它编程语言。所述程式设计编码可以完全在用户计算机上执行、或作为独立的软体包在用户计算机上执行、或部分在用户计算机上执行部分在远程计算机执行、或完全在远程计算机或服务器上执行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网络(lan)或广域网(wan)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(saas)。
96.此外，除非申请专利范围中明确说明，本技术所述处理元件和序列的顺序、数位字母的使用、或其他名称的使用，并非用于限定本技术流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的申请专利范围并不仅限于披露的实施例，相反，申请专利范围旨在覆盖所
有符合本技术实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件装置实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或行动装置上安装所描述的系统。
97.同样应当理解的是，为了简化本技术揭示的表述，从而帮助对至少一个发明实施例的理解，前文对本技术实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本技术对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。