一种耗电功率仿真预测方法及存储介质与流程

本发明涉及用电技术领域，特别涉及一种耗电功率仿真预测方法及存储介质。

背景技术：

随着供电技术的发展以及发电方式的多样化，在多种能源中，电能逐渐占据了主导地位。作为世界最大的能源消费国，中国的能源消耗随着工业技术水平和人们的生活水平提高而节节攀升，能源管理对于能源的供给侧与消费侧都已成为重要而迫切的任务。根据需求侧响应理论，通过直接反馈用户实时电能消耗的细化信息可以降低4％-15％的用电量，有利于维持电能的供需平衡以及电力系统的安全稳定。为了合理安排能源生产及管理，应对用电高峰时段不均匀能耗的问题，电能数据的有效仿真与预测成为了迫在眉睫的任务。

现有的能源预测方法大多数立足于判断能源消耗的总体趋势，缺乏基于具体用电单位历史数据的可靠预测与仿真，也没有将用电功率的瞬时波动率考虑在内，因此判断的结果精度不够准确。近年来，随着大数据和人工智能技术不断发展，深度学习模型广泛地应用于预测领域，也在能源消费预测领域得到了有效实践。然而，由于具体用电单位的用电数据也存在高噪声、不稳定的特点，对电能消耗的有效仿真仍然是需要解决的技术问题。

因此，急需提出一种耗电功率仿真预测方法及系统，将瞬时波动率用于仿真模型中，可以解决预测结果的精度不准等问题。

技术实现要素：

本发明的目的在于，提供一种耗电功率仿真预测方法及存储介质，通过结合波动率以及用户单元个数的预测进而得到未来一定时间范围内某一时间段或时间点的瞬时耗电功率预测，可以有效解决了传统预测时间范围大等问题；并且通过深度学习将气象数据和空气质量数据引入到预测模型中，可以提高预测准确率。

为解决上述技术问题，本发明提供一种耗电功率仿真预测方法，包括如下步骤：数据库建立步骤，录入至少一用电实体的用电数据至一数据库，每一用电实体包括至少一用电单元；每一用电实体的用电数据包括该用电实体的预设历史时间段的瞬时耗电功率及该用电实体内用电单元的数量，所述预设历史时间段包含多个第一时间序列；第一样本采集步骤，从所述数据库中采集第一样本，每一第一样本包括第一时间序列的瞬时耗电功率以及用电单元数量；以及第一仿真步骤，利用所述第一样本构建第一仿真模型；并输出第二时间序列的每天平均瞬时耗电功率，所述第二时间序列晚于所述预设历史时间段。

进一步地，每一用电实体的用电数据还包括空气质量数据以及气温数据，所述预设历史时间段还包含多个第三时间序列；所述耗电功率仿真预测方法还包括：第二样本采集步骤，从所述数据库中采集第二样本，所述第二样本包括第三时间序列瞬时耗电功率、空气质量数据以及气温数据；第二样本分类步骤，将所述第二样本随机分成第二训练样本及第二测试样本两类；第二预测模型构建步骤，利用两个以上第二训练样本训练并构建预测模型；第二预测步骤，将所述第二测试样本输入至所述第二预测模型得到第四时间序列的耗电功率，所述第四时间序列包含于所述第三时间序列。

进一步地，所述预设历史时间段的瞬时耗电功率的时间间隔为0.5～1.5分钟；和/或，所述第一时间序列的时间范围为1～28天；和/或，所述第三时间序列的时间范围为28天～84天。

进一步地，在所述数据库建立步骤之后，还包括预设历史时间段数据缺失值处理步骤，具体包括如下步骤：查询步骤，在所述历史时间段内查询缺失时间点，所述数据库中不存在与该缺失时间点对应的瞬时耗电功率数据；以及插补步骤，计算该缺失时间点对应的瞬时耗电功率数据，将该缺失时间点对应的瞬时耗电功率数据插补至所述数据库。

进一步地，在所述插补步骤中，根据所述缺失时间点前、后的时间点对应的瞬时耗电功率数据，以及其他第一时间序列中对应该缺失时间点的瞬时耗电功率数据，采用均值插补法、同类均值插补法、极大似然估计法或多重插补法来计算及插补该缺失时间点对应的瞬时耗电功率数据。

进一步地，在所述第一仿真步骤中，包括：数据预处理步骤，对所述第一时间序列的瞬时耗电功率进行归一化处理并计算每分钟耗电占所述整个第一时间序列的耗电比值得到第一时间序列的瞬时耗电占比xj，计算公式包括：其中，pij为在所述第一时间序列范围内，第i天第j分钟的瞬时耗电功率；第一泊松仿真步骤，通过对每个xj进行泊松仿真得到所述第二时间序列的耗电波动率σ＝(σ1,σ2,...,σn)，其中n*t＝1440，所述第一时间间隔包含于所述第一时间序列；第二泊松仿真步骤，对所述用电单元进出所述用电实体的速度使用泊松过程进行仿真计算得到所述第二时间序列内的用电单元数量num＝(num1,num2,...,num1440)；第二时间序列耗电功率计算步骤，通过使用所述第二时间序列内的用电单元数量以及所述第二时间序列的瞬时耗电波动率进行第二时间序列的瞬时耗电功率计算得到pow，计算公式包括：其中，所述用电单元包括第一用电单d1～n(b1,c1)元以及第二用电单元d1～n(b2,c2)，δ为第一时间序列第一用电单元个数，所述第二时间序列低波动率用电单元包含于所述第二时间序列用电单元，所述第二时间序列的瞬时耗电功率pow服从高斯分布。

进一步地，在所述第二泊松仿真步骤中，具体包括如下步骤：第一数据聚合步骤，对xj进行以10～50个时间间隔聚合得到第五时间序列的瞬时耗电占比所述聚合的方式通过计算所述10～50个时间间隔内的xj的平均值；用电单元平均耗电计算步骤，通过xj计算得到所述用电单元平均瞬时耗电占比，计算公式为：其中，m为用电单元的数量，xmax为第一时间序列的耗电占比的最大值，xmin为第一时间序列的耗电占比的最小值；计算用电单元进出用电实体速度步骤，即计算所述用电单元在单位时间内，有多少用电单元在消耗电功率，计算公式包括：泊松拟合步骤，根据参数λ2进行泊松过程拟合得到所述第二时间序列内的用电单元数量。

进一步地，在所述第一泊松仿真步骤中，具体包括如下步骤：第一时间序列分割步骤，将xj进行第一时间间隔进行割隔，所述第一时间间隔包括10～50个时间间隔；输出步骤，对每个第一时间间隔内的xj进行泊松过程拟合，得到第二时间间隔的泊松拟合值poi；耗电波动率计算步骤，通过使用说个第一时间间隔内的xj以及poi计算得到每一时间间隔的波动率，计算公式包括：

进一步地，所述第一用电单元的波动率小于所述第二用电单元的波动率；在所述第二时间序列耗电功率计算步骤中，δ、c1、c2通过解如下方程组得到：其中，为num中第一用电单元的数据采样以及相对应的所述第二时间序列的耗电波动率；为num中第二用电单元的数据采样以及相对应的所述第二时间序列的耗电波动率。

进一步地，在所述第二样本采集步骤中，还包括：第二数据聚合步骤，通过对所述第三时间序列的瞬时耗电功率以1天作为时间间隔进行平均聚合得到第三时间序列的每天平均瞬时耗电功率；归一化处理步骤，对所述第三时间序列的每天平均耗电功率进行归一化处理得到所述第二样本。

进一步地，在所述第二预测模型构建步骤中，包括：第二预测模型学习步骤，第二预测模型根据第一公式进行深度学习，所述第一公式包括：其中，xi为所述训练集中的第i个训练样本，n为所述训练集中训练样本的个数，l()为均方损失函数，λ为正则化系数，j(w)为正则项，w为权重参数，yi为所述测试集中第i个测试样本，v为所述用户实体在所述第四时间序列的耗电功率仿真预测预测数据，f(xi)为当前的第二预测模型；计算第一预测误差步骤，采用第二公式确定当前的深度学习模型的第一预测误差，所述第二公式包括：其中，m为所述第一预测误差，n为用户实体在所述第四时间序列内的电力负荷预测数据的个数，xt'为用户在所述第四时间序列内的第t个每天耗电功率预测数据，xt为所述测试集中的第t个第二测试样本中的每天耗电功率的真实值；若所述第一预测误差低于预设的第一误差下限，则所述预测能力满足所述预定要求；若所述预测能力不满足所述预定要求，则对当前的第二预测模型进行优化直到满足预设的第一误差下限。

本发明还一种计算机可读存储介质，该介质上存储有计算机程序，在处理器执行所述计算机程序时可实现前文所述的任一种耗电功率仿真预测方法。

本发明的有益效果是：本发明提供一种耗电功率仿真预测方法及存储介质，通过将预设历史段的瞬时耗电功率进行两次泊松拟合，得到预测时间段的波动率分布以及预测时间段的用电单元数量分布；再根据所述得到预测时间段的波动率分布以及预测时间段的用电单元数量分布计算得到预测时间段的瞬时耗电功率，并且精确到每一分钟，因此提高了本发明预测精度。本发明还采用深度学习的方式进行每天耗电功率预测，深度学习作为一种人工智能方法相对于传统的时间序列方法和机器学习方法，预测准确率更高，而且在深度学习过程采用的数据不仅有瞬时耗电功率，还有气象数据和空气质量数据，由于天气情况、空气质量都会影响用电单元的行为，进而影响用电实体的耗电功率，最终会导致耗电功率发生变化，因此在考虑气象数据和空气质量数据，可以进一步提高预测准确率。

附图说明

下面结合附图和实施例对本发明作进一步的描述。

图1为本发明提供的耗电功率仿真预测方法的流程图；

图2为本发明提供的预设历史时间段数据缺失值处理步骤的流程图；

图3为本发明提供的第一仿真步骤的流程图；

图4为本发明提供的第一泊松仿真步骤的流程图；

图5为本发明提供的第二泊松仿真步骤的流程图；

图6为本发明提供的第二样本采集步骤的流程图；

图7为本发明提供的第二预测模型构建步骤的流程图；

图8为本发明提供的耗电功率仿真预测系统的功能模块图；

图9为本发明提供的预设历史时间段数据缺失值处理单元的功能模块图；

图10为本发明提供的第二预测模型构建单元的功能模块图；

耗电功率仿真预测系统100；

数据库110；数据处理系统200；预设历史时间段数据缺失值处理单元21；

第一样本采集单元22；第一仿真单元23；第二样本采集单元24；

第二样本分类单元25；第二预测模型构建单元26；第二预测单元27；

查询单元211；插补单元212；初始化单元261；

深度学习单元262；能力测定单元263；负荷预测单元264。

具体实施方式

以下是各实施例的说明是参考附加的图式，用以例示本发明可以用湿湿的特定实施例。本发明提到的元件名称，例如第一、第二等，仅是区分不同的元部件，可以更好的表达。在图中，相同的部件用相同标号表示，相邻或类似的部件用类似的标号表示。

本文将参照附图来详细描述本发明的实施例。本发明可以表现为许多不同形式，本发明不应仅被解释为本文阐述的具体实施例。本发明提供这些实施例是为了解释本发明的实际应用，从而使本领域其他技术人员能够理解本发明的各种实施例和适合于特定预期应用的各种修改方案。

如图1所示，本发明提供了一种计算机软件方法，用计算机实现一种耗电功率仿真预测方法，包括如下步骤s1～s8。

s1)数据库建立步骤，录入至少一用电实体的用电数据至一数据库，每一用电实体包括至少一用电单元；每一用电实体的用电数据包括该用电实体的预设历史时间段的瞬时耗电功率、该用电实体内用电单元的数量、空气质量数据以及气温数据，所述预设历史时间段包含多个第一时间序列以及多个第三时间序列。

所述预设历史时间段的瞬时耗电功率的时间间隔为0.5～1.5分钟，最优为1分钟；所述第一时间序列的时间范围为1～28天。

s2)预设历史时间段数据缺失值处理步骤，用以对缺失的预设历史段的瞬时耗电功率数据进行插补；如图2所示，具体包括如下步骤s21～s22。

s21)查询步骤，在所述历史时间段内查询缺失时间点，所述数据库中不存在与该缺失时间点对应的瞬时耗电功率数据。

s22)插补步骤，计算该缺失时间点对应的瞬时耗电功率数据，将该缺失时间点对应的瞬时耗电功率数据插补至所述数据库。

在所述插补步骤中，根据所述缺失时间点前、后的时间点对应的瞬时耗电功率数据，以及其他第一时间序列中对应该缺失时间点的瞬时耗电功率数据，并通过采用均值插补法、同类均值插补法、极大似然估计法或多重插补法来计算及插补该缺失时间点对应的瞬时耗电功率数据。

s3)第一样本采集步骤，从所述数据库中采集第一样本，每一第一样本包括第一时间序列的瞬时耗电功率以及用电单元数量。

s4)第一仿真步骤，利用所述第一样本构建第一仿真模型；并输出第二时间序列的瞬时耗电功率，所述第二时间序列晚于所述预设历史时间段。

如图3所示，在所述第一仿真步骤中，具体包括如下步骤s41～s44。

s41)数据预处理步骤，对所述第一时间序列的瞬时耗电功率进行归一化处理并计算每分钟耗电占所述整个第一时间序列的耗电比值得到第一时间序列的瞬时耗电占比xj，计算公式包括：

其中，pij为在所述第一时间序列范围内，第i天第j分钟的瞬时耗电功率。

所述第一时间序列优选为一天时间内的每一分钟，即第一时间序列具有1440个数据。

s42)第一泊松仿真步骤，通过对每个xj进行泊松仿真得到所述第二时间序列的耗电波动率σ＝(σ1,σ2,...,σn)，其中n*t＝1440，所述第一时间间隔包含于所述第一时间序列。

如图4所示，在所述第一泊松仿真步骤中，具体包括如下步骤s421～s423。

s421)第一时间序列分割步骤，将xj进行第一时间间隔进行割隔，所述第一时间间隔包括10～50个时间间隔，优选为15个时间间隔即15分钟；

s422)输出步骤，对每个第一时间间隔内的xj(x1～x15、x16～x30、...)进行泊松过程拟合，得到第一时间间隔的泊松拟合值poi(poi1～poi15、poi16～poi30、...)；

s423)耗电波动率计算步骤，通过使用多个第一时间间隔内的xj以及poi计算得到每一时间间隔的波动率，计算公式包括：

其中k为第一时间间隔的长度。

根据所述第一时间序列优选一天时间，则σi＝(σ1,σ2,...,σ96)。

s43)第二泊松仿真步骤，通过对所述用电单元进出所述用电实体的速度使用泊松过程进行仿真计算得到所述第二时间序列内的用电单元数量num＝(num1,num2,...,num1440)。

如图5所示，在所述第二泊松仿真步骤中，具体包括如下步骤s431～s434。

s431)第一数据聚合步骤，对xj进行以10～50个时间间隔聚合得到第五时间序列的瞬时耗电占比所述聚合的方式通过计算所述10～50个时间间隔内的xj的平均值；所述第五时间序列为15个时间间隔，即15分钟，则

s432)用电单元平均耗电计算步骤，通过xj计算得到所述用电单元平均瞬时耗电占比，计算公式为：其中，m为用电单元的数量，xmax为第一时间序列的耗电占比的最大值，xmin为第一时间序列的耗电占比的最小值。

s433)计算用电单元进出用电实体速度步骤，即计算所述用电单元在单位时间内，有多少用电单元在消耗电功率，计算公式包括：根据步骤s431可知，i∈[1,96]。

s434)泊松拟合步骤，根据参数λ2进行泊松过程拟合得到所述第二时间序列内的用电单元数量；在输出的时候每一个λ2包括15个时间间隔，即输出的num为1440个时间间隔。

s44)第二时间序列耗电功率计算步骤，通过使用所述第二时间序列内的用电单元数量以及所述第二时间序列的瞬时耗电波动率进行第二时间序列的瞬时耗电功率计算得到pow，计算公式包括：

其中，所述用电单元包括第一用电单d1～n(b1,c1)元以及第二用电单元d1～n(b2,c2)，所述第一用电单元的波动率小于所述第二用电单元的波动率；则整个预测的用电单元个数可以看作的高斯分布。

δ为第一时间序列第一用电单元个数，所述第二时间序列低波动率用电单元包含于所述第二时间序列用电单元，所述第二时间序列的瞬时耗电功率pow服从高斯分布。

在所述第二时间序列耗电功率计算步骤中，δ、c1、c2通过解如下方程组得到：

其中，为num中第一用电单元的数据采样以及相对应的所述第二时间序列的耗电波动率；为num中第二用电单元的数据采样以及相对应的所述第二时间序列的耗电波动率。

s5)第二样本采集步骤，从所述数据库中采集数据并进行数据处理得到第二样本，所述第二样本包括第三时间序列瞬时耗电功率、空气质量数据以及气温数据。

如图6所示，在所述第二样本采集步骤中，包括如下步骤s51～s52。

s51)第二数据聚合步骤，通过对所述第三时间序列的瞬时耗电功率以1天作为时间间隔进平均行聚合得到第三时间序列的每天平均耗电功率。

s52)归一化处理步骤，对所述第三时间序列的每天平均耗电功率进行归一化处理得到所述第二样本。

s6)第二样本分类步骤，将所述第二样本随机分成第二训练样本及第二测试样本两类。

s7)第二预测模型构建步骤，利用两个以上第二训练样本训练并构建预测模型。

s8)第二预测步骤，将所述第二测试样本输入至所述第二预测模型得到第四时间序列的每天平均耗电功率，所述第四时间序列晚于所述预设历史时间段。

如图7所示，在所述第二预测模型构建步骤中，包括如下步骤s81～s82。

s81)第二预测模型学习步骤，根据第一公式进行深度学习，所述第一公式包括：

其中，xi为所述训练集中的第i个训练样本，n为所述训练集中训练样本的个数，l()为均方损失函数，λ为正则化系数，j(w)为正则项，w为权重参数，yi为所述测试集中第i个测试样本，v为所述用户在所述第四时间序列的每天的耗电功率预测数据，f(xi)为当前的第二预测模型；

s82)计算第一预测误差步骤，采用第二公式确定当前的深度学习模型的第一预测误差，所述第二公式包括：

其中，m为所述第一预测误差，n为用户实体在所述第四时间序列内的电力负荷预测数据的个数，xt'为用户在所述第四时间序列内的第t个每天平均耗电功率预测数据，xt为所述测试集中的第t个第二测试样本中的每天耗电功率的真实值。

若所述第一预测误差低于预设的第一误差下限，则所述预测能力满足所述预定要求；若所述预测能力不满足所述预定要求，则对当前的第二预测模型进行优化直到满足预设的第一误差下限。

本发明提供一种耗电功率仿真预测方法，通过将预设历史段的瞬时耗电功率进行两次泊松拟合，得到预测时间段的波动率分布以及预测时间段的用电单元数量分布；在根据所述得到预测时间段的波动率分布以及预测时间段的用电单元数量分布计算得到预测时间段的瞬时耗电功率，精确到每一分钟，因此提高了本发明预测精度。

本发明还采用深度学习的方式进行每天耗电功率预测，深度学习作为一种人工智能方法相对于传统的时间序列方法和机器学习方法，预测准确率更高，而且在深度学习过程采用的数据不仅有每天平均耗电功率，还有气象数据和空气质量数据，由于天气情况、空气质量都会影响用电单元的行为，进而影响用电实体的耗电功率，最终会导致耗电功率发生变化，因此在考虑气象数据和空气质量数据，可以提高预测准确率。

本发明还提供一种电子设备，包括存储器及处理器，所述存储器用于存储可执行程序代码；所述处理器通过读取所述可执行程序代码来运行与所述可执行程序代码对应的程序，以执行前文所述的耗电功率预测方法中的步骤。

如图8所示，所述电子设备包括一种耗电功率仿真预测系统100，包括一数据库110以及数据处理系统200,数据库110存储于所述存储器内，数据处理系统200即为前文所述的处理器。

所述数据库110包括至少一用电实体的用电数据，每一用电实体的用电数据包括该用电实体的预设历史时间段的瞬时耗电功率、该用电实体内用电单元的数量、空气质量数据以及气温数据，所述预设历史时间段包含多个第一时间序列以及多个第三时间序列。

所述数据处理系统200包括：预设历史时间段数据缺失值处理单元21、第一样本采集单元22、第一仿真单元23、第二样本采集单元24、第二样本分类单元25、第二预测模型构建单元26以及第二预测单元27。

如图9所示，所述预设历史时间段数据缺失值处理单元21具体包括查询单元211以及插补单元212。

所述查询单元211通过述历史时间段内查询缺失时间点，所述数据库110中不存在与该缺失时间点对应的瞬时耗电功率数据。

所述插补单元212用以计算该缺失时间点对应的瞬时耗电功率数据，用以将该缺失时间点对应的瞬时耗电功率数据插补至所述数据库110。

所述第一样本采集单元22从所述数据库110中采集第一样本，每一第一样本包括第一时间序列的瞬时耗电功率以及用电单元数量。

所述第一仿真单元23利用所述第一样本构建第一仿真模型；并输出第二时间序列的瞬时耗电功率，所述第二时间序列晚于所述预设历史时间段。

所述第二样本采集单元24从所述数据库110中采集第二样本，所述第二样本包括第三时间序列瞬时耗电功率、空气质量数据以及气温数据。

所述第二样本分类单元25将所述第二样本随机分成第二训练样本及第二测试样本两类。

所述第二预测模型构建单元26利用两个以上第二训练样本训练并构建预测模型。

所述第二预测单元27将所述第二测试样本输入至所述第二预测模型得到第四时间序列的耗电功率，所述第四时间序列晚于所述预设历史时间段。

如图10所示，所述第二预测模型构建单元26用于确定用于进行预测第六时间序列每天瞬时耗电功率的深度学习模型，所述第二预测模型构建单元26包括初始化单元261、深度学习单元262、能力测定单元263以及负荷预测单元264。

所述初始化单元261用于对深度学习模型的网络结构和模型参数进行初始化设置；

所述深度学习单元262用于将所述第二训练样本输入当前的深度学习模型，通过当前的深度学习模型进行深度学习，得到用户实体在所述第四时间序列内的每天瞬时耗电功率数据。

所述能力测定单元263用于根据用户实体在所述第四时间区间内的每天平均耗电功率测数据和所述第二测试样本，对当前的深度学习模型的预测能力进行测定，若预测能力不满足预定要求，则对当前的深度学习模型的网络结构和/或模型参数进行调整，并返回所述深度学习单元262；否则，将当前的深度学习模型作为所述用于进行耗电功率仿真预测的深度学习模型，并转到所述负荷预测模块。

所述负荷预测单元264用于将所述第二测试样本输入所述用于进行耗电功率仿真预测的深度学习模型，得到用户在第六时间序列内的每天平均耗电功率。

所述特征提取单元用于提取影响所述用于进行耗电功率仿真预测的深度学习模型的预测结果的特征以及各特征对应的影响程度值。

本发明提供的所述电子设备具有一耗电功率仿真预测系统100，所述第一仿真单元23根据历史阶段的数据输出未来每天的每分钟的瞬时耗电功率，输出的时间精度较小。并且所述第二预测模型对模型结构和/或模型参数进行初始化，得到初始的深度学习模型，然后初始的深度学习模型利用训练集进行深度学习，得到预测结果，并根据预测结果和测试集测定模型的预测能力，如果预测能力不满足要求，则对模型结构和/或参数进行调整，直至预测能力满足要求，得到最终的深度学习模型，最终的深度学习模型利用测试集进行测试，从而得到想要的测试结果。

本发明还提供一种计算机可读存储介质，该介质上存储有计算机程序，在所述电子设备的处理器中执行所述计算机程序时可实现所述的耗电功率仿真预测方法。

本发明提供一种耗电功率仿真预测方法及存储介质，通过将预设历史段的瞬时耗电功率进行两次泊松拟合，得到预测时间段的波动率分布以及预测时间段的用电单元数量分布；再根据所述得到预测时间段的波动率分布以及预测时间段的用电单元数量分布计算得到预测时间段的瞬时耗电功率，并且精确到每一分钟，因此提高了本发明预测精确度。

本发明还采用深度学习的方式进行每天耗电功率预测，深度学习作为一种人工智能方法相对于传统的时间序列方法和机器学习方法，预测准确率更高，而且在深度学习过程采用的数据不仅有瞬时耗电功率，还有气象数据和空气质量数据，由于天气情况、空气质量都会影响用电单元的行为，进而影响用电实体的耗电功率，最终会导致耗电功率发生变化，因此在考虑气象数据和空气质量数据，可以进一步提高预测准确率。

应当指出，对于经充分说明的本发明来说，还可具有多种变换及改型的实施方案，并不局限于上述实施方式的具体实施例。上述实施例仅仅作为本发明的说明，而不是对发明的限制。总之，本发明的保护范围应包括那些对于本领域普通技术人员来说显而易见的变换或替代以及改型。