一种基于气象大数据的光伏功率预测模型的构建方法及装置与流程

一种基于气象大数据的光伏功率预测模型的构建方法及装置
1.方法领域
2.本发明涉及电力资源新能源预测方法领域，具体涉及到一种基于气象大数据的光伏功率预测模型的构建方法及装置。
3.背景方法
4.现有方法方案将物理方法和统计方法有机结合，实现两种算法互相取长补短相得益彰的效果。但是光伏建模简化，一些关键的天气条件可能被忽略，得到的光伏预测结果准确性不足。


技术实现要素：

5.本发明旨在克服现有方法的不足，提供一种基于气象大数据的光伏功率预测模型的构建方法及装置，所述方法通过cnn卷积神经网络，充分考虑了一些关键气象特征数据，经过多次误差迭代，获得误差分布收敛好的光伏功率预测模型，光伏功率预测准确。
6.本发明提供一种基于气象大数据的光伏功率预测模型的构建方法，所述预测方法包括：
7.通过光伏发电模型整理出光伏功率物理表达式，在历史数据取一组数据作为测试数据，根据光伏功率物理表达式提取关键气象特征量，将提取的关键气象特征量整合到历史数据中，构建气象特征数据矩阵；
8.将所述气象特征数据矩阵通过pca主成分分析得到主成分气象特征数据矩阵；将所述主成分气象特征数据矩阵通过knn聚类分析得到关键气象特征数据矩阵；
9.将所述关键气象特征数据矩阵通过平移数据点获得训练数据集，并将所述训练数据集输入到cnn卷积神经网络进行训练，获得初步预测模型；
10.将测试数据的关键气象特征矩阵，输入到初步预测模型，获得预测结果，对预测结果进行误差分析统计，在初步预测模型上叠加误差反馈，得到误差反馈模型；
11.将所述训练数据集输入到误差反馈模型中的cnn卷积神经网络进行训练，进行误差迭代补偿，构建光伏功率预测模型。
12.所述光伏发电模型包括大气光照模型：
13.光伏板在光伏功率最大时的输出p
mp
表达式为：
14.p
mp
＝c
std
e
poa
*[1+c
t
(t
c
‑
t0)]；
[0015]
其中，p
mp
为最大光伏功率e
poa
是光伏板表面的总光辐射度，c
std
为系数，t
c
为光伏板的温度，t0为参考温度，通常为25℃；c
t
为光伏模块的温度系数；
[0016]
总光辐射度e
poa
和光伏板的温度t
c
是两个主要的天气特征；
[0017]
空间中任一位置的总光辐射度可以分解为阳光直射、地面反射和大气散射三个主要分量：
[0018]
e
poa
＝e
b
+e
g
+e
d
；
[0019]
其中，e
poa
指光伏板表面的总光辐射度；e
b
为太阳光直射到光伏板上的光辐射；e
g
为地面光反射到光伏板上的光辐射；e
d
为大气散射的光辐射。
[0020]
所述太阳光直射的光照分量e
b
主要与该时刻未经反射散射的太阳光强及光辐射角有关：
[0021]
e
b
＝e
dni
cos(θ
aoi
)；
[0022]
其中，e
b
为太阳光直射到光伏板上的光辐射，e
dni
为直接法向辐照度；θ
aoi
为太阳光辐射角，即太阳光直射方向和光伏阵列之间的夹角；
[0023]
所述地面反射的光照分量e
g
主要与该时刻所有水平照射地面的太阳光强有关：
[0024]
e
g
＝c
gr
e
ghi
；
[0025]
其中，e
g
为地面光反射到光伏板上的光辐射，e
ghi
为全球水平辐照度；c
gr
为地面反射系数，由地面反射光的反射率和地面倾斜程度决定；
[0026]
e
d
＝c
sky
e
dhi
；
[0027]
其中，e
d
为大气散射的光辐射，e
dhi
为散射水平辐照度，c
sky
为系数，由光伏阵列倾斜角度决定。
[0028]
所述e
ghi
可以从气象大数据中直接获得。根据现有研究得到的经验模型，所述e
dhi
可以由所述e
ghi
估算得到；
[0029]
所述全球辐照与散射辐照存在以下关系：
[0030]
e
ghi
＝e
ghi
+e
dni cosθ
aoi
＝e
dhi
+e
b
；
[0031]
e
poa
＝e
b
+e
g
+e
d
＝c
gr
e
ghi
+c
sky
e
dhi
+e
b
；
[0032]
其中，e
poa
是光伏板表面的总光辐射度，e
ghi
为全球水平辐照度，e
dni
为直接法向辐照度，e
dhi
为散射水平辐照度，c
gr
为地面反射系数，c
sky
为系数，e
b
为太阳光直射到光伏板上的光辐射，e
g
为地面光反射到光伏板上的光辐射，e
d
为大气散射的光辐射，θ
aoi
为太阳光辐射角。
[0033]
所述根据光伏功率物理表达式进行关键气象特征量的提取，包括：
[0034]
在所述气象大数据中获得基本气象参数e
ghi
、e
b
、e
dhi
、t
a
、v
w
，所述基本气象参数与光伏功率之间的表达式为：
[0035][0036]
c
w0
＝25w/m2
·
k；
[0037]
c
w1
＝6.84w/m3
·
s
·
k；
[0038]
其中，p
mp
为光伏功率，e
poa
是光伏板表面的总光辐射度，c
std
为系数，t
c
为光伏板的温度，t0为参考温度，t
a
为环境温度，c
w0
为热传导常数因子，c
w1
为热对流系数，v
w
为研究位置的风速。
[0039]
当得到t个时间点的气象数据参数及其相应的光伏功率时，首先可以围绕e
poa
构造出关于三个光辐射分量的特征矩阵。将e
ghi
、e
b
、e
dhi
、t
a
表示为一维矩阵e
b
，e
ghi
，e
dhi
，t
a
∈r
t*1
，设：
[0040]
e＝(e
b
，e
ghi
，e
dhi
)∈r
t*3
；
[0041]
其中，e
b
为太阳光直射到光伏板上的光辐射，e
dhi
为散射水平辐照度，e
ghi
为全球水平辐照度；
[0042]
设一个列向量：
[0043][0044]
由此，构建气象特征矩阵x
c
：
[0045]
x
c
＝(e,diag(t
a
)*e,diag(v
w2
)*e2)∈r
t*12
；
[0046]
其中，e2∈r
t*6
为取于中e
poa2
的高维变量的集合:
[0047]
e2＝(e
b
[t]2,e
ghi
[t]2,e
dhi
[t]2,e
b
[t]e
ghi
[t],e
ghi
[t]e
dhi
[t],e
dhi
[t]e
b
[t])；其中t＝(1,2,3
…
,t)。
[0048]
所述将气象特征数据矩阵通过pca主成分分析得到主成分气象特征数据矩阵，包括：
[0049]
对所述气象特征数据进行pca主成分分析，得到的新变量按特征量由大到小排列，选取前n列特征向量，作为主成分气象特征数据。
[0050]
所述将主成分气象特征数据矩阵通过knn聚类分析得到关键气象特征数据矩阵，包括：
[0051]
对所述主成分气象特征数据矩阵进行knn聚类分析，取测试数据的关键气象特征，在历史数据的关键气象特征数据集中逐一比较不同时间的特征与待分析样本的空间距离，筛选出一系列距离历史数据最近的样本，构建关键气象特征数据矩阵。
[0052]
所述将关键气象特征数据矩阵通过平移数据点获得训练数据集，包括：
[0053]
将一个整日的关键气象特征数据矩阵往后平移一个数据点，获得另一个关键气象特征数据矩阵，通过多次平移数据点构成训练数据集，将所述训练数据集输入到cnn卷积神经网络进行训练。
[0054]
所述对预测结果进行误差分析统计，在初步预测模型上叠加误差反馈，得到误差反馈模型；包括：
[0055]
取若干个连续的功率向量作为该时间段的光伏功率预测结果，将所述预测结果与真实的光伏功率进行比较，得到误差分布，对不同的预测结果生成误差分布图，在原有的预测模型上叠加误差分布图得到新的待测数据模型。
[0056]
本发明还提供了一种基于气象大数据的光伏功率预测模型的构建装置，所述装置包括：
[0057]
物理模型分析模块：用于通过光伏发电模型整理出光伏功率物理表达式，在历史数据取一组数据作为测试数据，根据光伏功率物理表达式提取关键气象特征量，将提取的关键气象特征量整合到历史数据中，构建气象特征数据矩阵；
[0058]
数据处理模块：用于将所述气象特征数据矩阵通过pca主成分分析和knn聚类分析，得到关键气象数据矩阵；
[0059]
统计训练模块：用于将所述关键气象特征数据矩阵通过平移数据点获得训练数据集，并将所述训练数据集输入到cnn卷积神经网络进行训练，获得初步预测模型；
[0060]
误差反馈模块：用于将测试数据的关键气象特征矩阵，输入到初步预测模型，获得预测结果，对预测结果进行误差分析统计，在初步预测模型上叠加误差反馈，得到误差反馈模型；
[0061]
误差迭代计算模块：用于将所述训练数据集输入到误差反馈模型中的cnn卷积神经网络进行训练，进行误差迭代补偿，构建光伏功率预测模型。
[0062]
本发明提供一种基于气象大数据的光伏功率预测模型的构建方法及装置，所述方法通过光伏功率物理模型提取气象大数据的关键气象特征数据，并将所述关键气象特征数据和气象大数据整合经过pca主成分分析和knn聚类分析，得到关键气象特征数据矩阵，将所述关键气象特征数据矩阵平移数据点获得训练数据集，将所述训练数据集输入cnn神经网络训练，并将测试数据输入到训练好的cnn神经网络进行光伏功率预测，经过多次误差迭代，获得误差分布收敛较好的光伏功率预测数据。所述光伏功率预测方法通过cnn卷积神经网络，充分考虑了一些关键气象特征数据，经过多次误差迭代，得到精确度高的光伏功率预测结果。
附图说明
[0063]
图1为本发明实施例的光伏功率预测模型构建方法流程图；
[0064]
图2为本发明实施例的光伏功率预测模型构建设置流程图；
[0065]
图3为本发明实施例的光伏功率预测模型构建装置的设置图。
具体实施方式
[0066]
下面将结合本发明实施例中的附图，对本发明实施例中的方法方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通方法人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
[0067]
实施例一：
[0068]
图1示出了本发明实施例中预测模型构建方法流程图，如图1所示，本发明提供一种基于气象大数据的光伏功率预测模型的构建方法，所述方法包括：
[0069]
s11：通过光伏发电模型整理出光伏功率物理表达式，在历史数据取一组数据作为测试数据，根据光伏功率物理表达式提取关键气象特征量，将提取的关键气象特征量整合到历史数据中，构建气象特征数据矩阵；
[0070]
具体的，提取关键气象变量，重点在于变量的乘方、倒数等形式，将提取出的新变量整合加入原有气象数据中。
[0071]
具体的，所述光伏发电模型包括大气光照模型：
[0072]
光伏板在光伏功率最大时的输出p
mp
表达式为：
[0073]
p
mp
＝c
std
e
poa
*[1+c
t
(t
c
‑
t0)]；
[0074]
其中，p
mp
为最大光伏功率e
poa
是光伏板表面的总光辐射度，c
std
为系数，t
c
为光伏板的温度，t0为参考温度，通常为25℃；c
t
为光伏模块的温度系数；
[0075]
总光辐射度e
poa
和光伏板的温度t
c
是两个主要的天气特征。
[0076]
具体的，空间中任一位置的总光辐射度可以分解为阳光直射、地面反射和大气散射三个主要分量：
[0077]
e
poa
＝e
b
+e
g
+e
d
；
[0078]
其中，e
poa
指光伏板表面的总光辐射度；e
b
为太阳光直射到光伏板上的光辐射；e
g
为地面光反射到光伏板上的光辐射；e
d
为大气散射的光辐射。
[0079]
所述太阳光直射的光照分量e
b
主要与该时刻未经反射散射的太阳光强及光辐射
角有关：
[0080]
e
b
＝e
dni
cos(θ
aoi
)；
[0081]
其中，e
b
为太阳光直射到光伏板上的光辐射，e
dni
为直接法向辐照度；θ
aoi
为太阳光辐射角，即太阳光直射方向和光伏阵列之间的夹角。
[0082]
所述地面反射的光照分量e
g
主要与该时刻所有水平照射地面的太阳光强有关：
[0083]
e
g
＝c
gr
e
ghi
；
[0084]
其中，e
g
为地面光反射到光伏板上的光辐射，e
ghi
为全球水平辐照度；c
gr
为地面反射系数，由地面反射光的反射率和地面倾斜程度决定；
[0085]
e
d
＝c
sky
e
dhi
；
[0086]
其中，e
d
为大气散射的光辐射，e
dhi
为散射水平辐照度，c
sky
为系数，由光伏阵列倾斜角度决定。
[0087]
所述e
ghi
可以从气象大数据中直接获得。根据现有研究得到的经验模型，所述e
dhi
可以由所述e
ghi
估算得到；
[0088]
所述全球辐照与散射辐照存在以下关系：
[0089]
e
ghi
＝e
ghi
+e
dni cosθ
aoi
＝e
dhi
+e
b
；
[0090]
e
poa
＝e
b
+e
g
+e
d
＝c
gr
e
ghi
+c
sky
e
dhi
+e
b
；
[0091]
其中，e
poa
是光伏板表面的总光辐射度，e
ghi
为全球水平辐照度，e
dni
为直接法向辐照度，e
dhi
为散射水平辐照度，c
gr
为地面反射系数，c
sky
为系数，e
b
为太阳光直射到光伏板上的光辐射，e
g
为地面光反射到光伏板上的光辐射，e
d
为大气散射的光辐射，θ
aoi
为太阳光辐射角。
[0092]
具体的，在所述气象大数据中获得基本气象参数e
ghi
、e
b
、e
dhi
、t
a
、v
w
，所述基本气象参数与光伏功率之间的表达式为：
[0093][0094]
其中，p
mp
为光伏功率，e
poa
是光伏板表面的总光辐射度，c
std
为系数，t
c
为光伏板的温度，t0为参考温度，t
a
为环境温度。
[0095]
具体的，光伏板温度t
c
可以由环境温度t
a
换算得到：
[0096][0097]
当得到t个时间点的气象数据参数及其相应的光伏功率时，首先可以围绕e
poa
构造出关于三个光辐射分量的特征矩阵。将e
ghi
、e
b
、e
dhi
、t
a
表示为一维矩阵e
b
，e
ghi
，e
dhi
，t
a
∈r
t*1
，设：
[0098]
e＝(e
b
，e
ghi
，e
dhi
)∈r
t*3
；
[0099]
其中，e
b
为太阳光直射到光伏板上的光辐射，e
dhi
为散射水平辐照度，e
ghi
为全球水平辐照度；
[0100]
设一个列向量：
[0101]
[0102]
由此，构建气象特征矩阵x
c
：
[0103]
x
c
＝(e,diag(t
a
)*e,diag(v
w2
)*e2)∈r
t*12
；
[0104]
其中，e2∈r
t*6
为取于中e
poa2
的高维变量的集合:
[0105]
e2＝(e
b
[t]2,e
ghi
[t]2,e
dhi
[t]2,e
b
[t]e
ghi
[t],e
ghi
[t]e
dhi
[t],e
dhi
[t]e
b
[t])；其中t＝(1,2,3
…
,t)。
[0106]
具体的，将气象特征数据矩阵中光伏功率为零的气象特征数据剔除，减少光伏功率输出为零的气象特征数据，对光伏功率预测结果的影响。
[0107]
s12：将所述气象特征数据矩阵通过pca主成分分析得到主成分气象特征数据矩阵；将所述主成分气象特征数据矩阵通过knn聚类分析得到关键气象特征数据矩阵；
[0108]
具体的，对所述气象特征数据进行pca主成分分析，得到的新变量按特征量由大到小排列，选取前n列特征向量，作为主成分气象特征数据。
[0109]
优选的，所述pca主成分分析可以根据具体的问题需要，选择信息量最大的几个新变量作为新的特征量，进一步减少一部分数据，降低特征数目，对数据集实现降维，把筛选得到的主成分作为新的自变量代替原来自变量作为回归分析的数据集。
[0110]
具体的，对所述主成分气象特征数据矩阵进行knn聚类分析，取测试数据的关键气象特征，在历史数据的关键气象特征数据集中逐一比较不同时间的特征与待分析样本的空间距离，筛选出一系列距离历史数据最近的样本，构建关键气象特征数据矩阵。
[0111]
具体的，所述knn聚类分析核心在于，针对一个样本在特征空间中寻找k个最相近的数据样本，当所有样本已经被固定分为若干类别时，统计这些样本中各个类别样本的数目，则数目最多的一个样本就是所取待研究样本分类最合适的一个类别，即该样本最具有此类别中样本的特性。
[0112]
s13：将所述关键气象特征数据矩阵通过平移数据点获得训练数据集，并将所述训练数据集输入到cnn卷积神经网络进行训练，获得初步预测模型；
[0113]
具体的，由于卷积神经网络在图像处理方面有巨大的优势，本发明将经过knn聚类的关键气象特征数据集按一定顺序组合为二维数据组，即将一行为一个时间点的气象数据、一列为一个关键气象特征的数据方阵视作一个图像，输入卷积神经网络进行训练，其训练目标为一列光伏功率对应的向量，即每一个功率值对应一个时间点的气象数据。
[0114]
所述cnn卷积神经网络与传统bp神经网络相比，增加的第二个维度纵轴，即气象数据随着时间的推移而变化，每一列的气象特征都将受到前一时刻的气象特征影响，连续变化或突变都存在着能够学习的固定模式。
[0115]
具体的，将一个整日的关键气象特征数据矩阵往后平移一个数据点，获得另一个关键气象特征数据矩阵，通过多次平移数据点构成训练数据集，将所述训练数据集输入到cnn卷积神经网络进行训练。
[0116]
具体的，根据所述knn聚类分析的特点，针对每一个测试日，需要相对应的训练数据集重新对cnn神经网络进行训练。
[0117]
s14：将测试数据的关键气象特征矩阵，输入到初步预测模型，获得预测结果，对预测结果进行误差分析统计，在初步预测模型上叠加误差反馈，得到误差反馈模型；
[0118]
具体的，取若干个连续的功率向量作为该时间段的光伏功率预测结果，将所述预测结果与真实的光伏功率进行比较，得到误差分布，对不同的预测结果生成误差分布图，在
原有的预测模型上叠加误差分布图得到新的待测数据模型。
[0119]
s15：将所述训练数据集输入到误差反馈模型中的cnn卷积神经网络进行训练，进行误差迭代补偿，构建光伏功率预测模型。
[0120]
具体的，将所述训练数据集输入到所述误差反馈模型中的cnn卷积神经网络，重新训练cnn卷积神经网络，对新预测模型的预测结果进行误差反馈，经过多次的误差迭代，直到误差收敛效果好，得到光伏功率预测模型。
[0121]
本发明实施例中的基于气象大数据的光伏功率预测模型的构建方法，通过物理模型获得气象特征数据矩阵，然后通过pca主成分分析和knn聚类分析得到关键气象数据矩阵，通过平移数据点获得训练数据训练cnn卷积神经网络，将训练好的cnn神经网络的预测结果经过多次误差迭代，得到误差收敛效果好的光伏预测结果。所述方法能基于气象大数据获取气象基本参数，通过物理模型整理出气象特征数据矩阵，通过cnn卷积网络训练分析，能够学习连续变化和突变的气象特征，光伏功率预测考虑到一些关键的气象特征数据，经过多次的误差迭代，得到准确度高的光伏预测结果，从而完成光伏功率预测模型的构建。
[0122]
实施例二
[0123]
图2示出了本发明实施例的光伏功率预测模型构建设置流程图，图3示出了本发明实施例中一种基于气象大数据的光伏功率预测模型构建装置设置示意图，所述装置包括：
[0124]
物理模型分析模块1：用于通过光伏发电模型整理出光伏功率物理表达式，在历史数据取一组数据作为测试数据，根据光伏功率物理表达式提取关键气象特征量，将提取的关键气象特征量整合到历史数据中，构建气象特征数据矩阵；
[0125]
具体的，所述物理模型分析模块1基于气象大数据获得气象基本参数，根据光伏发电模型，整理出光伏功率物理表达式，并在所述光伏功率物理表达式中提取关键气象特征量，将所述关键气象特征量整合到气象大数据中，构建气象特征数据矩阵。
[0126]
具体的，将所述气象数据矩阵中光伏功率输出为零的气象特征数据剔除，减少对光伏功率预测结果的影响。
[0127]
数据处理模块2：用于将所述气象特征数据矩阵通过pca主成分分析和knn聚类分析，得到关键气象数据矩阵；
[0128]
具体的，通过pca主成分分析，将所述气象特征数据矩阵进行数据降维，获取主成分气象特征数据矩阵，通过knn聚类分析获取所述主成分气象特征数据矩阵中，关键气象特征数据，构成关键气象数据特征矩阵。
[0129]
进一步的，所述pca主成分分析能够基于初步提取的变量进一步去除重复信息，提取出互不相关的关键特征，分析各个特征包含信息量的比例，实现数据的降维，使得后续网络训练学习更加高效。
[0130]
进一步的，所述knn天气类型聚类分析将相似日作为网络的数据集，更有利于学习出更深度的数据关系。
[0131]
统计训练模块3：用于将所述关键气象特征数据矩阵通过平移数据点获得训练数据集，并将所述训练数据集输入到cnn卷积神经网络进行训练，获得初步预测模型；
[0132]
具体的，通过将所述关键气象特征数据矩阵往后平移一个数据点，获得新的关键气象数据矩阵，根据cnn卷积神经网络的特性，平移数据点获得的数据不会使神经网络的训练结果出现偏差。通过平移数据点可以获得多组关键数据特征矩阵，进行cnn卷积神经网络
的训练。
[0133]
进一步的，采用cnn卷积神经网络，对二维数据集进行挖掘归纳，在得知某时刻的数值天气预报后能够得到该时刻一个较精确的光伏功率预测值。
[0134]
误差反馈模块4：用于将测试数据的关键气象特征矩阵，输入到初步预测模型，获得预测结果，对预测结果进行误差分析统计，在初步预测模型上叠加误差反馈，得到误差反馈模型；
[0135]
具体的，测试数据完成预测时，连缀得到的若干功率向量，作为该时间段的光伏功率预测结果；与真实光伏功率值进行对比统计，得到误差分布，针对不同的预测结果，给出误差分布图；
[0136]
在原有预测模型上叠加误差反馈，即针对某一时刻预测结果的值，对于该值附近误差分布进行反馈补偿，获得误差反馈的预测数据模型构建为待分析数据。
[0137]
误差迭代计算模块5：用于将所述训练数据集输入到误差反馈模型中的cnn卷积神经网络进行训练，进行误差迭代补偿，构建光伏功率预测模型。
[0138]
具体的，将待分析数据重复knn聚类分析和cnn神经网络的训练，通过训练好的cnn神经网络对所述待分析数据进行光伏功率预测，经过多次误差迭代，直到误差收敛效果好，获得精确度高的光伏预测结果。
[0139]
具体的，如图2所示，本光伏功率预测装置工作开始时，通过物理模型分析得出光伏功率的物理表达式，合并历史数据与测试数据，根据物理表达式提取关键气象特征数据，剔除光伏功率为零的数据，然后进行pca主成分分析，将数据以自然日为单位，取其中一个整日的数据进行knn聚类分析，将k个最邻近日输入cnn神经网络训练，然后获取所述整日数据的光伏预测结果，当所有整日数据完成预测时，对所有结果进行误差分析，然后重复knn分析和cnn训练预测，直到误差分布收敛效果好，完成光伏功率预测模型的构建。
[0140]
本发明实施例中的基于气象大数据的光伏功率预测模型构建装置，能基于气象大数据获取气象基本参数，通过物理模型整理出气象特征数据矩阵，通过cnn卷积网络训练分析，能够学习连续变化和突变的气象特征，光伏预测考虑到一些关键的气象特征数据，经过多次的误差迭代，得到准确度高的光伏预测结果，完成光伏功率预测模型的构建。
[0141]
本领域普通方法人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(rom，read only memory)、随机存取存储器(ram，random access memory)、磁盘或光盘等。
[0142]
以上对本发明实施例进行了详细介绍，本文中采用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般方法人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。