配电网边缘侧负荷辨识方法、装置和终端设备与流程

1.本技术涉及一种边缘计算技术领域，具体涉及一种配电网边缘侧负荷辨识方法、装置和终端设备。


背景技术：

2.我国电力物联网发展迅速，随着5g通信网络的逐渐展开其建设进程进一步加快，社会生产进步和人民生活水平提高，对电力系统安全的依赖性也不断加强，对配电网络安全稳定性的提升以及智能化的建设提出了更高要求。配电物联网建设过程中最为基础的感知层设备数量大幅增长，设备状态数据、运行环境信息等海量异构且不同传输带宽的数据爆炸式增长，给电力数据的传输存储以及运算处理工作带来了巨大压力。边缘计算技术可以就近处理仅对于本地更有价值的数据，也能够更近距离地储存和归档原始数据，进行简单的过滤、统计工作或通过上层云计算中心下发的数据处理模型对数据进行初步处理后再将结果上传，减少需要进行维护或送往云端和企业数据中心的数据量，从而节约时间成本和能耗成本，并为更重要更复杂的数据流处理节约有限的网络带宽，在配电物联网中合理设计边缘计算架构、应用边缘计算技术可以降低组网成本。
3.边缘计算架构下的配网数据处理工作要求利用边缘侧有限的计算资源和结构复杂的本地数据，进行有效的信息提取并尽量节约数据处理的能耗和传输时间。但配电物联网当前阶段采用的基于深度学习的负荷预测方法多适用于电力数据中心，网络结构复杂、占用大量计算资源不适合在边缘计算架构进行轻量化的计算和实时数据处理。


技术实现要素：

4.有鉴于此，本技术实施例提供了一种配电网边缘侧负荷辨识方法、装置和终端设备，能够提高利用边缘侧所采集数据进行区域负荷辨识的效率并减轻边缘侧计算压力。
5.为达到上述目的，本技术采用如下技术方案：
6.第一方面，本技术实施例提供了一种配电网边缘侧负荷辨识方法，包括：
7.获取原始数据集，将所述原始数据集划分为日负荷训练数据集和日负荷验证数据集；所述原始数据集包含天气数据、时间数据、历史分时刻负荷数据以及日总负荷数据；
8.基于所述日负荷训练数据集对日总负荷预测模型进行训练，以及基于训练后的日总负荷预测模型确定目标日的日总负荷预测值；计算所述时间数据、天气数据与所述日总负荷预测值之间的关联程度，删除关联程度小于阈值的数据，得到层间过渡数据集；基于所述层间过渡数据集训练分时刻负荷预测模型；
9.基于训练后的日总负荷预测模型和分时刻负荷预测模型，对预测日的总负荷值和每隔预设时长的多个负荷值进行预测。
10.本技术实施例中，首先将原始数据集划分为日负荷训练数据集和日负荷验证数据集。之后，基于日负荷训练数据集对日总负荷预测模型进行训练并确定目标日的日总负荷预测值。然后，根据数据之间的关联程度将关联程度较低的数据删除得到层间过渡数据集，
根据层间过渡数据集训练分时刻负荷预测模型。最后，采用训练后的日总负荷预测模型和分时刻负荷预测模型，对预测日的总负荷值和每隔预设时长的多个负荷值进行预测。本技术能够提高利用边缘侧所采集数据进行区域负荷预测的效率并减轻边缘侧计算压力。
11.基于第一方面，在一些实施例中，所述于所述日负荷训练数据集对日总负荷预测模型进行训练，包括：
12.设置日总负荷预测模型的隐藏层层数的初始值，隐藏层每层的节点数的初始值，在训练过程中根据所述日总负荷预测模型的收敛情况以及预测效果对隐藏层和节点数进行试凑；
13.设置所述日总负荷预测模型的激活函数、迭代次数和初始学习率；
14.所述日总负荷预测模型根据所述激活函数正向计算各层节点输入值和神经节点传播权重，根据反向传播算法反馈误差对神经节点传播权值进行更新优化，直至超出所述迭代次数之前所述日总负荷预测模型的损失函数值收敛，其中，所述损失函数为预测值与实际值的差值；
15.所述日总负荷预测模型的输入节点包括日最高温度、最低气温、日平均气温、相对湿度、降雨量、周几、是否节假日以及过去一周内每隔预设时长采集一次的多个历史负荷值信息，输出节点为预测日的日总负荷。
16.基于第一方面，在一些实施例中，所述节点数的设置公式为：
[0017][0018]
其中，n1代表初始隐藏层节点数，n代表预测网络输入层节点数，m代表预测日总负荷网络输出层节点数，c∈[1,10]的自然数。
[0019]
基于第一方面，在一些实施例中，所述计算所述时间数据、天气数据与所述日总负荷预测值之间的关联程度，包括：
[0020]
将天气数据和时间数据表示为多维特征输入变量x＝(x1,x2,
…
,xm)，输出历史分时刻负荷序列中的峰值为y，输入变量每个维度变量xi与输出y之间的互信息值为mi(xi,y)：
[0021][0022]
其中，ψ函数为psi(digamma)函数，ψ函数的自变量n为x与y合并数据集的总样本数量，n
x
(i)表示数据集x中距离x与y合并数据集中第i个点xi小于的近邻点数，di为xi与xi的k近邻之间的距离，ny(i)表示数据集y中距离x与y合并数据集中第i个点xi小于的近邻点数；
[0023]
将(xi,y)随机分成s个互斥且近似的子集u1,u2,...,us，去掉第j个子集uj，由剩余子集组成数据集ωremain_j，其中的输入为x
ij
，随机置换y得到y
j,π
,设定k∈[1,30]，k为整数，计算k取每一个值时，数据集ωremain_j且j∈[1,s]中的x
ij
与y之间的互信息值mi(xj,y)，以及x
ij
与y
j,π
之间的互信息值mi(xj,y
j,π
)，并计算mi(xj,y)和mi(xj,y
j,π
)的分布，对
所述分布进行z检验，使zk最大的k即为第i维输入变量xi对应的k值；z检验的公式为：
[0024][0025]
式中，μk和μ
k,π
分别代表互信息mi(xj,y)和mi(xj,y
j,π
)的均值，σk和σ
k,π
分别代表mi(xj,y)和mi(xj,y
j,π
)的标准差，n代表互信息值的个数；
[0026]
根据互信息mi(xi,y)公式和确定的k值，计算每个维度变量xi与输出y之间的关联程度。
[0027]
基于第一方面，在一些实施例中，所述基于所述层间过渡数据集训练分时刻负荷预测模型，包括：
[0028]
将层间过渡数据集的90％数据作为训练集tt，其余10％数据作为验证集vt，训练时输入变量为特征提取后的日期数据天气数据过去一周内每隔预设时长采集的历史分时刻负荷数据以及日总负荷ld；
[0029]
设置所述分时刻负荷预测模型的激活函数、迭代次数和初始学习率；
[0030]
根据反向传播算法反馈误差更新优化所述分时刻负荷预测模型的各层节点权值，重复训练过程直到损失函数收敛；所述分时刻负荷预测模型的输入节点数根据特征提取结果和负荷数据集确定，隐藏层层数和每层节点数利用试凑法确定；
[0031]
根据所述验证集vt检测所述分时刻负荷预测模型的预测准确率，若准确率大于或等于阈值，则对所述分时刻负荷预测模型的训练完成，若准确率小于阈值，则返回所述计算所述时间数据、天气数据与所述日总负荷预测值之间的关联程度，删除关联程度小于阈值的数据，得到层间过渡数据集的步骤。
[0032]
示例性的，所述分时刻负荷预测模型的激活函数为tanh函数；
[0033]
所述损失函数的公式为：yi为预测时刻实际负荷值，为预测时刻预测负荷值。
[0034]
基于第一方面，在一些实施例中，所述获取原始数据集，包括：
[0035]
获取初始数据集ω0；
[0036]
对所述初始数据集ω0进行缺失值补全、孤立点检测和剔除，对所述天气数据以及历史分时刻负荷数据进行归一化处理，对所述时间数据所属类型进行独热编码，得到所述原始数据集
[0037]
其中，表示时间数据，表示天气数据，表示历史负荷值，ld表示预测结果中的日总负荷值。
[0038]
第二方面，本技术实施例提供了一种配电网边缘侧负荷辨识装置，包括：
[0039]
获取模块，用于获取原始数据集；所述原始数据集包含天气数据、时间数据、历史
分时刻负荷数据以及日总负荷数据；
[0040]
划分模块，用于将所述原始数据集划分为日负荷训练数据集和日负荷验证数据集；
[0041]
第一训练模块，用于基于所述日负荷训练数据集对日总负荷预测模型进行训练，以及基于训练后的日总负荷预测模型确定目标日的日总负荷预测值；
[0042]
处理模块，用于计算所述时间数据、天气数据与所述日总负荷预测值之间的关联程度，删除关联程度小于阈值的数据，得到层间过渡数据集；
[0043]
第二训练模块，基于所述层间过渡数据集训练分时刻负荷预测模型；
[0044]
预测模块，用于基于训练后的日总负荷预测模型和分时刻负荷预测模型，对预测日的总负荷值和每隔预设时长的多个负荷值进行预测。
[0045]
本技术实施例中，首先将原始数据集划分为日负荷训练数据集和日负荷验证数据集。之后，基于日负荷训练数据集对日总负荷预测模型进行训练并确定目标日的日总负荷预测值。然后，根据数据之间的关联程度将关联程度较低的数据删除得到层间过渡数据集，根据层间过渡数据集训练分时刻负荷预测模型。最后，采用训练后的日总负荷预测模型和分时刻负荷预测模型，对预测日的总负荷值和每隔预设时长的多个负荷值进行预测。本技术能够提高利用边缘侧所采集数据进行区域负荷预测的效率并减轻边缘侧计算压力。
[0046]
第三方面，本技术实施例提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面中任一项所述配电网边缘侧负荷辨识方法的步骤。
[0047]
第四方面，本技术实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面中任一项所述配电网边缘侧负荷辨识方法的步骤。
[0048]
第五方面，本技术实施例提供一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得电子设备执行上述第一方面中任一项所述配电网边缘侧负荷辨识方法。
附图说明
[0049]
为了更清楚地说明本技术实施例中的技术方案，下面将对实施例或现有技术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性的前提下，还可以根据这些附图获得其他的附图。
[0050]
图1是本技术实施例提供的配电网边缘侧负荷辨识方法的流程示意图；
[0051]
图2是本技术实施例提供的配电网边缘侧负荷辨识装置的结构示意图；
[0052]
图3是本技术实施例提供的终端设备的结构示意图。
具体实施方式
[0053]
下面结合具体实施例对本技术进行更清楚的说明。以下实施例将有助于本领域的技术人员进一步理解本技术的作用，但不以任何形式限制本技术。应当指出的是，对本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进。这些都属于本技术的保护范围。
[0054]
为使本技术的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。
[0055]
图1示出了本技术实施例提供的配电网边缘侧负荷辨识方法的流程示意图。参见图1，上述配电网边缘侧负荷辨识法可以包括步骤101至步骤106。
[0056]
步骤101，获取原始数据集，所述原始数据集包含天气数据、时间数据、历史分时刻负荷数据以及日总负荷数据。
[0057]
一些实施例中，步骤101可以包括：
[0058]
获取初始数据集ω0；
[0059]
对初始数据集ω0进行缺失值补全、孤立点检测和剔除，对天气数据以及历史分时刻负荷数据进行归一化处理，对时间数据所属类型进行独热编码，得到所述原始数据集
[0060]
其中，表示时间数据(例如日期数据)，表示天气数据，表示历史负荷值，ld表示预测结果中的日总负荷值。
[0061]
步骤102，将所述原始数据集划分为日负荷训练数据集和日负荷验证数据集。
[0062]
其中，可以随机将原始数据集划分为日负荷训练数据集td和日负荷验证数据集vd。例如，将原始数据中集中50％的数据确定为日负荷训练数据集td，将剩余的50％的数据确定为日负荷验证数据集vd。或者，将原始数据中集中80％的数据确定为日负荷训练数据集td，将剩余的20％的数据确定为日负荷验证数据集vd。
[0063]
步骤103，基于所述日负荷训练数据集对日总负荷预测模型进行训练，以及基于训练后的日总负荷预测模型确定目标日的日总负荷预测值。
[0064]
示例性的，上述基于日负荷训练数据集对日总负荷预测模型进行训练，可以包括以下步骤：
[0065]
设置日总负荷预测模型的隐藏层层数的初始值(例如5层)，隐藏层每层的节点数的初始值(例如30个)，在训练过程中根据所述日总负荷预测模型的收敛情况以及预测效果对隐藏层和节点数进行试凑；
[0066]
设置所述日总负荷预测模型的激活函数(例如tansig函数)、迭代次数(例如2000次)和初始学习率(例如0.1)；
[0067]
所述日总负荷预测模型根据所述激活函数正向计算各层节点输入值和神经节点传播权重，根据反向传播算法反馈误差对神经节点传播权值进行更新优化，直至超出所述迭代次数之前所述日总负荷预测模型的损失函数值收敛，其中，所述损失函数为预测值与实际值的差值；
[0068]
所述日总负荷预测模型的输入节点包括日最高温度、最低气温、日平均气温、相对湿度、降雨量、周几、是否节假日以及过去一周内每隔预设时长(例如十五分钟)采集一次的多个(例如672个)历史负荷值信息，输出节点为预测日的日总负荷。
[0069]
例如，上述节点数的设置公式可以为：
[0070][0071]
其中，n1代表初始隐藏层节点数，n代表预测网络输入层节点数，m代表预测日总负荷网络输出层节点数，c∈[1,10]的自然数。
[0072]
示例性的，上述基于训练后的日总负荷预测模型确定目标日的日总负荷预测值，可以包括：将预测目标日的天气数据、具体日期、历史分时刻负荷数据作为训练后的日总负荷预测模型的输入，训练后的日总负荷预测模型输出目标日的日总负荷预测值。
[0073]
步骤104，计算所述时间数据、天气数据与所述日总负荷预测值之间的关联程度，删除关联程度小于阈值的数据，得到层间过渡数据集。
[0074]
示例性的，上述计算所述时间数据、天气数据与所述日总负荷预测值之间的关联程度，可以包括以下步骤：
[0075]
将天气数据和时间数据表示为多维特征输入变量x＝(x1,x2,
…
,xm)，输出历史分时刻负荷序列中的峰值为y，输入变量每个维度变量xi与输出y之间的互信息值为mi(xi,y)：
[0076][0077]
其中，ψ函数为psi(digamma)函数，ψ函数的自变量n为x与y合并数据集的总样本数量，n
x
(i)表示数据集x中距离x与y合并数据集中第i个点xi小于的近邻点数，di为xi与xi的k近邻之间的距离，ny(i)表示数据集y中距离x与y合并数据集中第i个点xi小于的近邻点数；
[0078]
将(xi,y)随机分成s个互斥且近似的子集u1、u2、
……
、us，去掉第j个子集uj，由剩余子集组成数据集ωremain_j，其中的输入为x
ij
，随机置换y得到y
j,π
,设定k∈[1,30]，k为整数，计算k取每一个值时，数据集ωremain_j且j∈[1,s]中的x
ij
与y之间的互信息值mi(xj,y)，以及x
ij
与y
j,π
之间的互信息值mi(xj,y
j,π
)，并计算mi(xj,y)和mi(xj,y
j,π
)的分布，对所述分布进行z检验，使zk最大的k即为第i维输入变量xi对应的k值；z检验的公式为：
[0079][0080]
式中，μk和μ
k,π
分别代表互信息mi(xj,y)和mi(xj,y
j,π
)的均值，σk和σ
k,π
分别代表mi(xj,y)和mi(xj,y
j,π
)的标准差，n代表互信息值的个数；
[0081]
根据互信息mi(xi,y)公式和确定的k值，计算每个维度变量xi与输出y之间的关联程度。
[0082]
根据上述过程得到时间数据、天气数据与所述日总负荷预测值之间的关联程度之后，可以将日负荷训练数据集td中关联程度小于阈值的时间数据、天气数据删除，得到分时刻负荷预测网络的层间过渡数据集。
[0083]
例如，阈值可以为固定值，例如0.8等数值，将小于关联程度小于0.8的时间数据、天气数据删除，即可得到层间过渡数据集。
[0084]
又例如，阈值可以根据各个关联程度确定。将关联程度按照大小排序，将关联程度较小的20％的时间数据、天气数据删除，得到层间过渡数据集。
[0085]
步骤105，基于所述层间过渡数据集训练分时刻负荷预测模型。
[0086]
示例性的，步骤105可以包括以下过程：
[0087]
将层间过渡数据集的90％数据作为训练集tt，其余10％数据作为验证集vt，训练时输入变量为特征提取后的日期数据天气数据过去一周内每隔预设时长(例如十五分钟)采集的历史分时刻负荷数据以及日总负荷ld；
[0088]
设置所述分时刻负荷预测模型的激活函数(例如tanh函数)、迭代次数(例如1000次)和初始学习率(例如0.1)；
[0089]
根据反向传播算法反馈误差更新优化所述分时刻负荷预测模型的各层节点权值，重复训练过程直到损失函数收敛；所述分时刻负荷预测模型的输入节点数根据特征提取结果和负荷数据集确定，隐藏层层数和每层节点数利用试凑法确定；
[0090]
根据所述验证集vt检测所述分时刻负荷预测模型的预测准确率，若准确率大于或等于阈值，则对所述分时刻负荷预测模型的训练完成，若准确率小于阈值(例如90％)，则返回执行步骤104。
[0091]
示例性的，本步骤中的损失函数的公式可以为：yi为预测时刻实际负荷值，为预测时刻预测负荷值。
[0092]
步骤106，基于训练后的日总负荷预测模型和分时刻负荷预测模型，对预测日的总负荷值和每隔预设时长的多个负荷值进行预测。
[0093]
示例性的，利用步骤103训练完成的日总负荷预测模型，以及步骤105中训练完成的分时刻负荷预测模型，构成双层预测模型，输入预测目标日的日期类型、天气信息和过去一周内历史负荷数据，对预测日的总负荷值和一天内每隔十五分钟的96个负荷值进行预测。
[0094]
上述配电网边缘侧负荷辨识方法，与现有技术相比具有以下优点：
[0095]
根据预测任务的复杂程度对神经网络的结构进行轻量化设计，并通过分层多次调用网络的方法将负荷预测任务分解为日总负荷预测任务和分时负荷预测任务；
[0096]
模型的输入为包含区域日期、天气及历史负荷的经过预处理的数据集，首先对总-分式双层负荷预测网络中的日总负荷层进行训练，有效预测出日总负荷，将多输入特征信息汇集到日总负荷中以达到简化分时负荷预测输入层的目的；
[0097]
基于k-近邻估计互信息值的特征匹配方法建立输入特征变量与输出之间的关联，更新输入数据集对分时负荷层进行训练，在节省分时刻负荷预测网络训练以及预测时间的同时保持所提取出的特征信息与预测负荷量之间具有强有效关联；
[0098]
在利用重组数据集训练分时刻负荷层的环节，根据预测精确度反复迭代对特征信
息的提炼过程，使最终得到的重组数据集对分时刻负荷预测模型的训练效果是理想的，实现对能量自治区域内各时刻负荷更准确的负荷预测。
[0099]
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。
[0100]
参见图2，本技术实施例提供了一种配电网边缘侧负荷辨识装置200，包括：获取模块201、划分模块202、第一训练模块203、处理模块204、第二训练模块205和预测模块206。
[0101]
获取模块201，用于获取原始数据集；所述原始数据集包含天气数据、时间数据、历史分时刻负荷数据以及日总负荷数据。
[0102]
划分模块202，用于将所述原始数据集划分为日负荷训练数据集和日负荷验证数据集。
[0103]
第一训练模块203，用于基于所述日负荷训练数据集对日总负荷预测模型进行训练，以及基于训练后的日总负荷预测模型确定目标日的日总负荷预测值。
[0104]
处理模块204，用于计算所述时间数据、天气数据与所述日总负荷预测值之间的关联程度，删除关联程度小于阈值的数据，得到层间过渡数据集。
[0105]
第二训练模块205，基于所述层间过渡数据集训练分时刻负荷预测模型.
[0106]
预测模块206，用于基于训练后的日总负荷预测模型和分时刻负荷预测模型，对预测日的总负荷值和每隔预设时长的多个负荷值进行预测。
[0107]
上述配电网边缘侧负荷辨识装置，首先将原始数据集划分为日负荷训练数据集和日负荷验证数据集。之后，基于日负荷训练数据集对日总负荷预测模型进行训练并确定目标日的日总负荷预测值。然后，根据数据之间的关联程度将关联程度较低的数据删除得到层间过渡数据集，根据层间过渡数据集训练分时刻负荷预测模型。最后，采用训练后的日总负荷预测模型和分时刻负荷预测模型，对预测日的总负荷值和每隔预设时长的多个负荷值进行预测。本技术能够提高利用边缘侧所采集数据进行区域负荷预测的效率并减轻边缘侧计算压力。
[0108]
图3是本发明一实施例提供的终端设备的示意图。如图3所示，该实施例的终端设备300包括：处理器301、存储器302以及存储在所述存储器302中并可在所述处理器301上运行的计算机程序303，例如配电网边缘侧负荷预测程序。所述处理器301执行所述计算机程序303时实现上述配电网边缘侧负荷辨识方法实施例中的步骤，例如图1所示的步骤101至步骤106。或者，所述处理器301执行所述计算机程序303时实现上述各装置实施例中各模块/单元的功能，例如图2所示模块201至206的功能。
[0109]
示例性的，所述计算机程序303可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器302中，并由所述处理器301执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序303在所述终端设备300中的执行过程。例如，所述计算机程序303可以被分割成获取模块、划分模块、第一训练模块、处理模块、第二训练模块以及预测模块。
[0110]
所述终端设备300可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器301、存储器302。本领域技术人员可以理解，图3仅仅是终端设备300的示例，并不构成对终端设备300的限定，可以包括比图示更多或更
少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
[0111]
所称处理器301可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。
[0112]
所述存储器302可以是所述终端设备300的内部存储单元，例如终端设备300的硬盘或内存。所述存储器302也可以是所述终端设备300的外部存储设备，例如所述终端设备300上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。进一步地，所述存储器302还可以既包括所述终端设备300的内部存储单元也包括外部存储设备。所述存储器302用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器302还可以用于暂时地存储已经输出或者将要输出的数据。
[0113]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0114]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0115]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0116]
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
[0117]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目
的。
[0118]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0119]
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
[0120]
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。