一种基于大数据的充电汽车的充电设施选址系统的制作方法
本发明涉及充电汽车的充电设施领域，尤其涉及充电设施选址问题。
背景技术：
随着社会的进步和经济水平的提高，人们对节能减排的要求也越来越重视，传统汽车废气排放是城市空气污染的主要因素，充电汽车的发展对改善城市环境具有重要意义，构建完善的充电站网络布局是电动汽车广泛应用的基本前提和重要保证。
如cn107351718a现有技术公开了一种充电设施的布置系统，研究充电设施布置基于单一区域内的设施布置，另一种典型的如cn102832670a的现有技术公开的一种汽车充电桩规划系统，利用云技术对充电桩选址进行规划。
为了解决本领域普遍存在充电设施选址不能结合大数据合理规划位置问题，为更好的利用大数据研究规划区域内的交通路网进而科学合理的规划好充电设施的选址问题，基于此作出了本发明。
技术实现要素：
本发明的目的在于利用大数据研究规划区域内的交通路网进而科学合理的规划好充电设施的选址问题，针对目前对于充电设施选址规划没有利用好城市交通大数据所存在的不足，提出了一种大数据的充电汽车的充电设施选址系统。
为了克服现有技术的不足，本发明采用如下技术方案：
一种基于大数据的充电汽车的充电设施选址系统，所述系统包括：收集模块、预测模块、选址模块；其中所述收集模块与所述预测模块数据连接，所述预测模块与所述选址模块数据连接。
可选的，所述收集模块被构造成两个收集子模块，一个收集子模块通过来自于埋在路面下的车辆探测器记录道路上行驶车辆的物理数据，所述一个收集模块将所述物理数据通过无线传输至所述预测模块。
可选的，所述收集模块的另一个收集子模块内置gis空间分析技术，通过所述gis空间分析技术采集城市的用地、路网数据、基础设施数据，并将城市的实时上述数据通过无线传输至所述预测模块。
可选的，所述预测模块由交通小区发展预测及充电桩数预测组成，所述预测模块接收所述收集模块的数据后进行规划区域内的交通数据预测，并将数据预测值发送至所述选址模块。
可选的，所述预测模块内的所述交通小区发展预测计算规划区内的交通小区的交通出行量，所述充电桩数预测计算规划区域内规划年间需要的充电桩的数量。
可选的，所述选址模块接收来自所述预测模块发送的所述数据预测值，并对所述规划区域进行充电设施的选址规划。
可选的，所述选址模块运行于matlab操作系统之上，并且内置gis模块。
本发明所取得的有益效果是：
1.本发明结合大数据，利用传感器等技术将规划区域的交通数据进行整合，合理地根据规划区域内的交通路网规格并以充电设施的成本最低等目标规划充电设施选址。
2.本发明中的选址确认利用可机器学习的操作系统对设施选址的确认，可以在大量的选址方案中快速地计算出基于目标函数的最优选址方案。
3.本发明利用现有的交通数据预测规划年的充电设施的需求量，保证充电设施在未来的供应量充足，避免充电设施建设完毕后出现供不应求的情况。
附图说明
从以下结合附图的描述可以进一步理解本发明。图中的部件不一定按比例绘制，而是将重点放在示出实施例的原理上。在不同的视图中，相同的附图标记指定对应的部分。
图1为本发明的模块关系的结构示意图。
图2为本发明的选址目标关系的结构示意图。
图3为本发明的模块与大数据的结构示意图。
图4为本发明的规划区内的功能小区划分的结构示意图。
具体实施方式
为了使得本发明的目的.技术方案及优点更加清楚明白，以下结合其实施例，对本发明进行进一步详细说明；应当理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明。对于本领域技术人员而言，在查阅以下详细描述之后，本实施例的其它系统、方法和/或特征将变得显而易见。旨在所有此类附加的系统、方法、特征和优点都包括在本说明书内.包括在本发明的范围内，并且受所附权利要求书的保护。在以下详细描述描述了所公开的实施例的另外的特征，并且这些特征根据以下将详细描述将是显而易见的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或组件必须具有特定的方位.以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
实施例一：
在本实施方式一中，所述收集模块被构造成两个收集子模块，所述收集模块将所述子模块的数据通过无线传输方式传输至所述预测模块，其中一个收集子模块通过来自于埋在路面下的车辆探测器记录道路路段的实际交通量v和实际通行能力n，本实施例中对于规划充电设施的区域称为a区，对于所述a区中的主干道两侧均设有所述车辆探测器，所述车辆探测器将检测所述a区的主干道的实际交通量和实际通行能力，所述收集模块的另一个收集子模块内置gis空间分析技术，通过所述gis空间分析技术采集城市的人口和机动车数据、区域用地、路网数据、基础设施数据，其中所述gis空间分析技术将所述a区的用地和路网数据以矢量数据形式表现，所述基础设施数据采用地理空间数据形式表现人口和机动车数据采用分片区的历年人口和机动车保有量数据形式表现。
实施例二：
本实施方式应当理解为包含前述全部实施方式的技术手段的全部内容，并且进一步的，在本实施方式二中，根据城市政府划分的交通小区，所述预测模块由交通小区发展预测及充电桩数预测组成；
所述交通小区发展预测根据所述gis空间分析技术收集的数据预测所述已划分的各交通小区规划年的发生交通量和吸引交通量，所述交通小区发展预测具体过程如下所示：
1)、确认初始数据；在本实施例中，政府根据已有的城市规划将a区域划分为n个交通小区，将所述n个交通小区以小区1、小区2、小区3……小区n进行命名；在本实施例中a地区不考虑间接影响区，确认每个所述交通小区现在的发生交通量、现在的吸引交通量、现在常住人口，其中各交通小区的所述现在的发生交通量集表示为t＝{t1，t2，t3，…，tn}，所述各交通小区的所述现在的吸引交通量集表示为b＝{b1，b2，b3，…，bn}，所述各交通小区的所述现在常住人口集表示为c＝{c1，c2，c3，…，cn}；
2)、计算交通小区的现在的交通数据，根据公式(1)计算所述a区的总现在的出行生成量，根据公式(2)计算所述a区的现常住人口数，根据公式(3)计算所述a区的现平均出行率，根据公式(4)计算所述a区的将来生成交通量；
x＝α×c0×q(4)
其中t0指所述a区的总现在的出行生成量，c0指所述a区的现常住人口数，q指所述a区的现平均出行率，x指所述a区的将来生成交通量；
3)、计算交通小区的现状发生与吸引原单位，计算所述a区各个交通小区的现状发生与吸引原单位，由公式(5)计算得出，
其中qi为小区i的现状发生和吸引原单位，i取值为1～n任意一个整数；
4)、计算交通小区的未来的交通数据，计算所述a区的各个交通小区的未来发生交通量和未来吸引交通量，其中所述未来发生交通量和未来吸引交通量的值相同，根据公式(6)可计算出所述各个交通小区的来发生交通量和未来吸引交通量，
ti＝ci×α×qi(6)
其中ti为小区i的未来发生交通量和未来吸引交通量，i取值为1～n任意一个整数，α为交通小区人口增长系数，取值范围为0～0.5；
5)、数据调整，判断步骤4)计算的所述各交通小区的未来发生交通量和未来吸引交通量的总和是否等于步骤2)计算的所述将来生成交通量x，若相等则无需调整数据，否则根据公式(7)对数据进行调整，
其中ti′为小区i规划年的将来出行量；
根据步骤5)得出各交通小区规划年的未来交通出行量，并将所述未来出行量发送至所述选址模块中；
所述充电桩数预测模块内置a区机动车保有量数据库，可实时调取现有年份a区充电汽车保有量，并根据所述a区充电汽车保有量的增长预测充电桩的需求量，所述需求量计算步骤如下:
根据公式(8)计算所述a区充电汽车保有量的增长预测充电桩的需求量，
pi＝fi×(1+θ)a×σ(8)
其中pi指a区内的小区i在规划年的充电设施需求量，fi为a区内小区i的现状基年的充电汽车保有量，θ为所述小区i的充电汽车保有量的年平均增长率，θ值由历年所述小区i的充电汽车保有量数据根据移动平均可得，a指所述小区i的规划年和基年的时间间隔，取正整数，σ为对应充电汽车数量的充电设施系数，取值范围为1.2～1.5；
将公式(8)所求的所述a区中规划年所需的充电桩总数发送至所述选址模块中。
实施例三：
本实施方式应当理解为包含前述全部实施方式的技术手段的全部内容，并且进一步的，在本实施方式三中所述选址模块接收来自所述预测模块中的所述各交通小区未来交通出行量及所述所述a区中规划年所需的充电桩总数，并进行充电桩选址设施的具体规划，步骤如下：
(1)区域划分，将所述a区进行功能区域划分，其中划分原则为功能小区的划分半径不超过200m；将土地利用性质相同或相近的地块进行组合；避免跨越城市交通性的主次干道，以减小选址规划误差；主要以道路和交通小区为边界线，便于停车调查数据的分类和整理，本实施例中以a区以功能划分为工业区、商业区、住宅区三个子空间，并以z1、z2、z3进行命名，并分别计算z1、z2、z3子空间内包含的交通小区的所述规划年的未来交通出行量，若存在交通小区处于所述三个子空间间的边界之间的情况，则以住宅区优于商业区，商业区优于工业区的原则将所述交通小区划分到优先级最高的所述子空间内，在本实施例中，z1子空间的未来交通出行量为o1，z2子空间的未来交通出行量为o2，z3子空间的未来交通出行量为o3；
(2)确认上层模型；从充电设施建设管理者和充电设施使用者的角度出发，构建充电设施选址的双层多目标协调选址模型，根据充电设施选址的相关设定，结合充电设施选址优化目标，基于建设管理者的角度考虑，以充电设施建设成本最低、满足交通小区交通量和满足所述规划区域内的充电桩的数量为目标，建立充电设施协调选址的上层模型如下:
minm＝ms+25×mlan×s+mcon×(s-1)×mc(9)
其中ms指a区内总充电站点的固定成本，为固定值，mlan是在a区每年的土地租赁费用，mcon是单个充电站的充电桩的开发成本，所述开发成本由施工团队决定，mc是充电站的额定容量，为固定值，本实施例取值为96kw，s是a区内单个充电桩中充电连接器的数量；其中o′指a区内总充电设施的数量，取值为整数，oi为第i个子空间内的未来交通出行量，由步骤(1)决定所述三个子空间的总未来交通出行量的值，p′是所述a区内总的需要建设的充电桩的数量，pi为小区i预测的所需的充电桩的数量，pi的值由公式(8)可得；
(3)确认下层模型，基于充电设施使用者的角度，以所述使用者的充电成本最低为目标，综合考虑a区路网的可达性，确定充电设施选址的下层模型如下:
其中公式(11)计算道路交通的路段路阻判断充电汽车到达充电设施的可实施性，r指路段的阻抗，ri指第i个子空间内的路段的自由走行时间，所述自由步行时间取值为所述第i个子空间内所有交通小区到所述第i个子空间的地理中心的距离求算术平均值，单位为秒；λ和β为阻滞系数，其中λ取0.15，β取4；vi为i子空间内的所有路段实际交通量的算术平均值，所述路段实际交通量的数据由所述收集模块提供，oi为i子空间内的所有路段的实际通行能力的算术平均值，所述路段的实际通行能力的数据由所述收集模块提供，其中公式(12)中的
(4)确认编码方案，根据所述上层模型的约束条件，利用matlab编码随机产生一组初始种群最为初始可行解，然后通过所述matlab中的ga工具箱将所述上层模型得出的每个可行解作为定量代入下层模型，所述可行解即为所述a区中初代的充电设施选址方案解，将所述可行解代入所述下层模型求解得出下层最优解，再然后将上下层的解代入所述上层模型的目标函数中，利用nsga-ii算法进行转化、比较优劣，保留优秀的个体，对较劣的个体进行淘汰，从而产生一组新的可行解，重复以上步骤，直到满足最大迭代次数停止迭代，其中matlab中的编码过程如下：
i.选取a区内三个子空间的地理中心位置为初代选址点，设kx为第x子空间的所述初代选址点需要建设的充电桩数量，其中x取值为1至3，当kx等于零时表示不选取此点为所述初代选址点；
ii.初始种群的生成，首先对所述上层模型中的变量进行取值，根据上层模型的约束条件对x个备选待建的充电设施选址进行随机取值，因为kx采用的是实数编码，取值为正整数，kx值一定大于等于0，本实施例通过采取随机生成策略在取值区间随机取整数值，对于每条染色体上的kx的基因取值，从而得到规模为n的初始种群w(t),t初始取值为0，其中n表示群体规模，取值为整数；
iii.生成由父代和子代种群合并成的新种群，将父代种群w(t)通过交叉、变异操作生成子代种群c(t)，父代与子代合并生成规模为2n的新种群r(t)；
iv.求解下层模型最优解，将种群r(t)中的所有个体代入所述下层模型，所述下层模型为单目标函数，可利用matlab中的ga工具箱求解得出相应的下层最优解；
v.计算上层规划的各目标函数值，将r(t)中每个个体与相应的所述下层模型最优解代入所述上层模型，计算所述上层模型中各目标函数的函数值，作为个体的适应度集；
vi.非支配排序、拥挤度计算；根据所述个体的适应度集进行非支配排序并计算拥挤度；
vii.生成新一代父代种群w(t+1)，根据排序后个体的等级和拥挤度，利用精英保留策略，生成新一代的父代种群w(t+1)；
viii.终止条件判断，由于求解的充电设施选址问题具有多目标，上下层模型相互关联，最优解无法预知，所以只能采用给定一个最大进化代数为终止依据，当满足终止条件时输出最后一代中第1等级的个体为最优解集，否则转第iii步；
(5)结果输出，将步骤(4)得出的充电设施选址优化方案通过matlab可视化表现出来。
实施方式四：
本实施例进一步说明一种基于大数据的充电汽车的充电设施选址方法，所述系统用于充电设施选址规划；所述系统包括：收集模块、预测模块、选址模块；其中所述收集模块与所述预测模块数据连接，所述预测模块与所述选址模块数据连接；
所述收集模块被构造成两个收集子模块，一个收集子模块通过来自于埋在路面下的车辆探测器记录道路上行驶车辆的物理数据，所述一个收集模块将所述物理数据通过无线传输至所述预测模块；其中中一个收集子模块通过来自于埋在路面下的车辆探测器记录道路路段的实际交通量v和实际通行能力n，本实施例中对于规划充电设施的区域称为a区，对于所述a区中的主干道两侧均设有所述车辆探测器，所述车辆探测器将检测所述a区的主干道的实际交通量和实际通行能力，所述收集模块的另一个收集子模块内置gis空间分析技术，通过所述gis空间分析技术采集城市的人口和机动车数据、区域用地、路网数据、基础设施数据，其中所述gis空间分析技术将所述a区的用地和路网数据以矢量数据形式表现，所述基础设施数据采用地理空间数据形式表现人口和机动车数据采用分片区的历年人口和机动车保有量数据形式表现；
所述预测模块由交通小区发展预测及充电桩数预测组成，所述预测模块接收所述收集模块的数据后进行规划区域内的交通数据预测，并将数据预测值发送至所述选址模块；其中所述交通小区发展预测根据所述gis空间分析技术收集的数据预测所述已划分的各交通小区规划年的发生交通量和吸引交通量，所述交通小区发展预测具体过程如下所示：
a1、确认初始数据；在本实施例中，政府根据已有的城市规划将a区域划分为n个交通小区，将所述n个交通小区以小区1、小区2、小区3……小区n进行命名；在本实施例中a地区不考虑间接影响区，确认每个所述交通小区现在的发生交通量、现在的吸引交通量、现在常住人口，其中各交通小区的所述现在的发生交通量集表示为t＝{t1，t2，t3，…，tn}，所述各交通小区的所述现在的吸引交通量集表示为b＝{b1，b2，b3，…，bn}，所述各交通小区的所述现在常住人口集表示为c＝{c1，c2，c3，…，cn}；
a2、计算交通小区的现在的交通数据，根据公式(1)计算所述a区的总现在的出行生成量，根据公式(2)计算所述a区的现常住人口数，根据公式(3)计算所述a区的现平均出行率，根据公式(4)计算所述a区的将来生成交通量；
x＝α×c0×q(4)
其中t0指所述a区的总现在的出行生成量，c0指所述a区的现常住人口数，q指所述a区的现平均出行率，x指所述a区的将来生成交通量；
a3、计算交通小区的现状发生与吸引原单位，计算所述a区各个交通小区的现状发生与吸引原单位，由公式(5)计算得出，
其中qi为小区i的现状发生和吸引原单位，i取值为1～n任意一个整数；
a4、计算交通小区的未来的交通数据，计算所述a区的各个交通小区的未来发生交通量和未来吸引交通量，其中所述未来发生交通量和未来吸引交通量的值相同，根据公式(6)可计算出所述各个交通小区的来发生交通量和未来吸引交通量，
ti＝ci×α×qi(6)
其中ti为小区i的未来发生交通量和未来吸引交通量，i取值为1～n任意一个整数，α为交通小区人口增长系数，取值范围为0～0.5；
a5、数据调整，判断步骤a4计算的所述各交通小区的未来发生交通量和未来吸引交通量的总和是否等于步骤a2计算的所述将来生成交通量x，若相等则无需调整数据，否则根据公式(7)对数据进行调整，
其中ti′为小区i规划年的将来出行量；
根据步骤a5得出各交通小区规划年的未来交通出行量，并将所述未来出行量发送至所述选址模块中；
所述充电桩数预测模块内置a区机动车保有量数据库，可实时调取现有年份a区充电汽车保有量，并根据所述a区充电汽车保有量的增长预测充电桩的需求量，所述需求量计算步骤如下；
根据公式(8)计算所述a区充电汽车保有量的增长预测充电桩的需求量，
pi＝fi×(1+θ)a×σ(8)
其中pi指a区内的小区i在规划年的充电设施需求量，fi为a区内小区i的现状基年的充电汽车保有量，θ为所述小区i的充电汽车保有量的年平均增长率，θ值由历年所述小区i的充电汽车保有量数据根据移动平均可得，a指所述小区i的规划年和基年的时间间隔，取正整数，σ为对应充电汽车数量的充电设施系数，取值范围为1.2～1.5；
将公式(8)所求的所述a区中规划年所需的充电桩总数发送至所述选址模块中；
所述选址模块接收来自所述预测模块发送的所述数据预测值，并对所述规划区域进行充电设施的选址规划，其中所述选址模块接收来自所述预测模块中的所述各交通小区未来交通出行量及所述所述a区中规划年所需的充电桩总数，并进行充电桩选址设施的具体规划，步骤如下：
b1、区域划分，将所述a区进行功能区域划分，其中划分原则为功能小区的划分半径不超过200m；将土地利用性质相同或相近的地块进行组合；避免跨越城市交通性的主次干道，以减小选址规划误差；主要以道路和交通小区为边界线，便于停车调查数据的分类和整理，本实施例中以a区以功能划分为工业区、商业区、住宅区三个子空间，并以z1、z2、z3进行命名，并分别计算z1、z2、z3子空间内包含的交通小区的所述规划年的未来交通出行量，若存在交通小区处于所述三个子空间间的边界之间的情况，则以住宅区优于商业区，商业区优于工业区的原则将所述交通小区划分到优先级最高的所述子空间内，在本实施例中，z1子空间的未来交通出行量为o1，z2子空间的未来交通出行量为o2，z3子空间的未来交通出行量为o3；
b2、确认上层模型；从充电设施建设管理者和充电设施使用者的角度出发，构建充电设施选址的双层多目标协调选址模型，根据充电设施选址的相关设定，结合充电设施选址优化目标，基于建设管理者的角度考虑，以充电设施建设成本最低、满足交通小区交通量和为目标，建立充电设施协调选址的上层模型如下:
minm＝ms+25×mlan×s+mcon×(s-1)×mc(9)
其中ms指a区内总充电站点的固定成本，为固定值，mlan是在a区每年的土地租赁费用，mcon是单个充电站的充电桩的开发成本，所述开发成本由施工团队决定，mc是充电站的额定容量，为固定值，本实施例取值为96kw，s是a区内单个充电桩中充电连接器的数量；其中o′指a区内总充电设施的数量，取值为整数，oi为第i个子空间内的未来交通出行量，由步骤(1)决定所述三个子空间的总未来交通出行量的值，p′是所述a区内总的需要建设的充电桩的数量，pi为小区i预测的所需的充电桩的数量，pi的值由公式(8)可得；
b3、确认下层模型，基于充电设施使用者的角度，以所述使用者的充电成本最低为目标，综合考虑a区路网的可达性，确定充电设施选址的下层模型如下:
其中公式(11)计算道路交通的路段路阻判断充电汽车到达充电设施的可实施性，r指路段的阻抗，ri指第i个子空间内的路段的自由走行时间，所述自由步行时间取值为所述第i个子空间内所有交通小区到所述第i个子空间的地理中心的距离求算术平均值，单位为秒；λ和β为阻滞系数，其中λ取0.15，β取4；vi为i子空间内的所有路段实际交通量的算术平均值，所述路段实际交通量的数据由所述收集模块提供，oi为i子空间内的所有路段的实际通行能力的算术平均值，所述路段的实际通行能力的数据由所述收集模块提供，其中公式(12)中的
b4、确认编码方案，根据所述上层模型的约束条件，利用matlab编码随机产生一组初始种群最为初始可行解，然后通过所述matlab中的ga工具箱将所述上层模型得出的每个可行解作为定量代入下层模型，所述可行解即为所述a区中初代的充电设施选址方案解，将所述可行解代入所述下层模型求解得出下层最优解，再然后将上下层的解代入所述上层模型的目标函数中，利用nsga-ii算法进行转化、比较优劣，保留优秀的个体，对较劣的个体进行淘汰，从而产生一组新的可行解，重复以上步骤，直到满足最大迭代次数停止迭代，其中matlab中的编码过程如下：
a)选取a区内三个子空间的地理中心位置为初代选址点，设kx为第x子空间的所述初代选址点需要建设的充电桩数量，其中x取值为1至3，当kx等于零时表示不选取此点为所述初代选址点；
b)初始种群的生成，首先对所述上层模型中的变量进行取值，根据上层模型的约束条件对x个备选待建的充电设施选址进行随机取值，因为kx采用的是实数编码，取值为正整数，kx值一定大于等于0，本实施例通过采取随机生成策略在取值区间随机取整数值，对于每条染色体上的kx的基因取值，从而得到规模为n的初始种群w(t),t初始取值为0，其中n表示群体规模，取值为整数；
c)生成由父代和子代种群合并成的新种群，将父代种群w(t)通过交叉、变异操作生成子代种群c(t)，父代与子代合并生成规模为2n的新种群r(t)；
d)求解下层模型最优解，将种群r(t)中的所有个体代入所述下层模型，所述下层模型为单目标函数，可利用matlab中的ga工具箱求解得出相应的下层最优解；
e)计算上层规划的各目标函数值，将r(t)中每个个体与相应的所述下层模型最优解代入所述上层模型，计算所述上层模型中各目标函数的函数值，作为个体的适应度集；
f)非支配排序、拥挤度计算；根据所述个体的适应度集进行非支配排序并计算拥挤度；
g)生成新一代父代种群w(t+1)，根据排序后个体的等级和拥挤度，利用精英保留策略，生成新一代的父代种群w(t+1)；
h)终止条件判断，由于求解的充电设施选址问题具有多目标，上下层模型相互关联，最优解无法预知，所以只能采用给定一个最大进化代数为终止依据，当满足终止条件时输出最后一代中第1等级的个体为最优解集，否则转第c)步；
b5、结果输出，将步骤(4)得出的充电设施选址最优方案通过matlab操作系统可视化表现出来。
综上所述，本发明的一种基于大数据的充电汽车的充电设施选址系统。
虽然上面已经参考各种实施例描述了本发明，但是应当理解，在不脱离本发明的范围的情况下，可以进行许多改变和修改。也就是说上面讨论的方法，系统和设备是示例。各种配置可以适当地省略，替换或添加各种过程或组件。例如，在替代配置中，可以以与所描述的顺序不同的顺序执行方法，和/或可以添加，省略和/或组合各种部件。而且，关于某些配置描述的特征可以以各种其他配置组合，如可以以类似的方式组合配置的不同方面和元素。此外，随着技术发展其中的元素可以更新，即许多元素是示例，并不限制本公开或权利要求的范围。
在说明书中给出了具体细节以提供对包括实现的示例性配置的透彻理解。然而，可以在没有这些具体细节的情况下实践配置例如，已经示出了众所周知的电路、过程、算法、结构和技术而没有不必要的细节，以避免模糊配置。该描述仅提供示例配置，并且不限制权利要求的范围，适用性或配置。相反，前面对配置的描述将为本领域技术人员提供用于实现所描述的技术的使能描述。在不脱离本公开的精神或范围的情况下，可以对元件的功能和布置进行各种改变。
综上，其旨在上述详细描述被认为是例示性的而非限制性的，并且应当理解，以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。
- 还没有人留言评论。精彩留言会获得点赞！