面向电力需求响应的多可调资源调节能力聚合方法及系统与流程

1.本发明涉及面向电力需求响应的多可调资源调节能力聚合方法及系统，属于电力需求响应技术领域。


背景技术：

2.电力需求响应是指电力市场价格明显升高(降低)或系统安全可靠性存在风险时，电力用户根据价格信号或激励措施，改变其用电行为，减少(增加)用电，从而促进电力供需平衡、保障电网稳定运行。通过实施电力需求响应，运用经济杠杆，引导电力用户提高电能精细化管理水平；通过主动开展电力需求响应，对缓解电网运行压力、保障工业生产、优化能源配置具有十分重要的意义。
3.当前电力需求响应中，用户的调节功率与时间段的值，是电力需求响应主站根据电力需求响应终端所上报的值生成，每个用户每时刻对应只有一个实时的可调节潜力，对用户调节能力的挖掘还不够深入，用户响应系统的程度还不够高。而往往用户拥有多种可调节资源设备，并且它们具有不同的调节特性。并且，在不同的场景下，电网往往有不同的调节需求，如需要较短的爬坡时间资源快速调节、较深的调节能力但对爬坡时间要求不高的场景。
4.因此，仅按照单一的调节潜力等参数(取多资源的平均值或最大值)，难以展现多用户的多样化调节方式的能力，缺乏调节的灵活性，难以充分应对不同的电网场景。


技术实现要素：

5.针对现有技术的缺陷，本发明的目的在于提供一种充分考虑各类需求侧的可调资源dsr在不同季节存在的差异性，将可调资源dsr聚合分为四个典型季度进行，并采用自组织映射som算法进行聚类训练，将特征相似的类别，划分为同一类，并将每一类别作为一种场景；同时计算出场景出现的概率；根据每种场景下的概率，将可调资源的调节能力聚合为资源聚合体ra；以充分发挥各类需求侧的可调资源dsr的特性及其之间的互补性，充分挖掘响应资源的响应特性；并对资源聚合体构建目标函数和约束条件，进行规模约束，实现满足多优化目标的需求侧可调资源dsr聚合；在不同场景下将多用户的多资源进行聚合，可以有效提高电力需求响应方案生产的灵活性、多样性，使需求响应能快速、高效地处理电网遇到的问题，支撑电力需求响应的精益化提升的面向电力需求响应的多可调资源调节能力聚合方法及系统。
6.为实现上述目的，本发明的技术方案为：
7.一种面向电力需求响应的多可调资源调节能力聚合方法，
8.包括以下步骤：
9.第一步，获取各类需求侧的可调资源dsr，
10.所述可调资源dsr包括常性负荷、柔性负荷、分布式电源、电动汽车负荷和储能；
11.第二步，对第一步中的可调资源dsr进行分析，计算其特征向量；
12.第三步，由于各类需求侧的可调资源dsr存在季节性差异，将可调资源dsr聚合分为四个典型季度进行，对于每个季度，根据第二步中特征向量，并采用自组织映射som算法进行聚类训练，将特征相似的类别，划分为同一类，并将每一类别作为一种场景；
13.并计算出场景出现的概率；从而根据场景出现的概率，对各类需求侧的可调资源dsr在不同季度上的特性进行评估；
14.第四步，为发挥各类需求侧的可调资源dsr的特性及其之间的互补性，充分挖掘响应资源的响应特性，根据第三步评估出的各类需求侧的可调资源dsr特性及每种场景下的概率，将可调资源的调节能力聚合为资源聚合体ra；
15.资源聚合体ra将众多容量小、单一分散的资源通过聚合形成容量较大，响应能力可观的聚合体参与市场运营，以便于市场的统一调度，实现资源高效利用；
16.第五步，由于参与聚合的各类需求侧的可调资源dsr总个数不宜过少，聚合后负荷的用电规模不宜过小，因此对第四步中的资源聚合体构建目标函数和约束条件，进行规模约束，实现满足多优化目标的需求侧可调资源dsr聚合。
17.本发明经过不断探索以及试验，充分考虑各类需求侧的可调资源dsr在不同季节存在的差异性，将可调资源dsr聚合分为四个典型季度进行，并采用自组织映射som算法进行聚类训练，将特征相似的类别，划分为同一类，并将每一类别作为一种场景。同时计算出场景出现的概率；进而为发挥各类需求侧的可调资源dsr的特性及其之间的互补性，充分挖掘响应资源的响应特性，根据每种场景下的概率，将可调资源的调节能力聚合为资源聚合体ra。资源聚合体ra的构建是为了整合分散的需求侧资源，将众多容量小、单一分散的资源通过聚合形成容量较大，响应能力可观的聚合体参与市场运营，便于市场的统一调度，所以参与聚合的各类需求侧可调资源dsr总个数不宜过少，聚合后负荷的用电规模不宜过小；因此对资源聚合体构建目标函数和约束条件，进行规模约束，实现满足多优化目标的需求侧可调资源dsr聚合。
18.进而，本发明能将不同场景下多用户的多资源进行聚合，组合优化响应需求的方案，可以有效提高电力需求响应方案生产的灵活性、多样性，使需求响应能快速、高效地处理电网遇到的问题，支撑电力需求响应的精益化提升。
19.作为优选技术措施：
20.所述第一步中，常性负荷包括照明负荷、实验仪器、医疗设备；
21.所述柔性负荷包括可中断负荷、可转移负荷、可平移负荷；
22.所述分布式电源包括光伏发电、风力发电、微型燃气轮机。
23.作为优选技术措施：
24.所述第二步中，特征向量的构成如下式：
[0025][0026]
式中，表示第m个参与聚合的分布式电源即第1类需求侧可调资源dsr的日出力特征向量；
[0027]
其中分别为第m个分布式电源出力的日平均值、日最大值、日峰谷差；
[0028]
表示第n个参与聚合的常性负荷即第2类需求侧可调资源dsr的日负荷特征向
量，其中分别为第n个常性日负荷大小的平均值、最大值及峰谷差；
[0029]
表示第q个参与聚合的可调资源即第3类需求侧可调资源dsr的日负荷及其特征向量，其中分别为第q个可调资源日负荷大小的的平均值、最大值、峰谷差及其响应特性的响应容量、响应时长和违约电量。
[0030]
作为优选技术措施：
[0031]
所述第三步中，各类需求侧的可调资源dsr进行训练的步骤如下：
[0032]
确定神经网络结构；输入层神经元数i＝m*3+n*3+q*6，每一神经元对应输入特征向量的一个分量，输出神经元数j为j个；
[0033]
输入层神经元到输出层神经元的连接权重w
ij
()赋予[0,1]的随机值，进行初始化；
[0034]
将各类需求侧的可调资源dsr每日特性构成的特征向量x，提供给网络的输入层，并作归一化处理；
[0035]
选取需求侧可调资源dsr新一天的特征量，重复学习过程，直到季度内每天的特征量样本训练完成；
[0036]
训练结束后，输出编号一样的神经元就代表了特征相似的类别，划分为同一类，并记录每一类别所包括的天数；将每一类别作为一种场景，并计算出场景出现的概率；
[0037]
根据场景出现的概率，求取每一类别的需求侧可调资源dsr的聚类中心，并作为每种场景下需求侧可调资源dsr的特征量。
[0038]
作为优选技术措施：
[0039]
所述归一化处理的计算公式如下：
[0040][0041]
计算欧式距离；其中欧式距离最小的神经元j
*
为获胜的神经元，其计算公式如下；
[0042][0043]
其中，w
ij
为连接权重值；
[0044]
调整连接权重矢量，对j
*
及其领域n
j*
()以内的神经元的连接权重矢量进行更新，其计算公式如下：
[0045][0046]
式中η(t)为可变学习速度，η(t)和n
j*
()领域都随着时间而衰减。
[0047]
作为优选技术措施：
[0048]
所述场景出现的概率如下式所述：
[0049][0050]
式中，k为聚类后得到的类别个数，每个类别所包括的天数分别为n1,2,
…
,s,
…
,k；ps为第s个场景的概率。
[0051]
作为优选技术措施：
[0052]
所述第四步中，资源聚合体ra的最优构建过程如下：
[0053]
以场景存在的概率作为各个单场景优化目标的权重，得到季度聚合的加权目标函数；
[0054]
所述加权目标函数分别以聚合体ra日均负荷波动率最小为目标、资源聚合体ra日均负荷波动率最小、资源聚合体ra日均响应容量最大为目标，构建需求侧可调资源dsr聚合的总目标函数，其计算公式如下：
[0055][0056]
其中，f1为资源聚合体ra日均峰谷差；
[0057]
f2为资源聚合体ra日均负荷波动率；
[0058]
f3为资源聚合体ra日均响应容量。
[0059]
作为优选技术措施：
[0060]
以资源聚合体ra日均峰谷差最小为目标的计算公式如下：
[0061][0062]
式中，load
ra
()代表第s个场景下资源聚合体ra的日负荷曲线，其中()代表第s个场景下资源聚合体ra的日负荷曲线，其中分别为日负荷曲线的最大值和最小值；
[0063]
t为负荷曲线划分的时刻数；
[0064]
为第s个场景下第a个dg在t时刻的有功出力；
[0065]
为第s个场景下第b个常性负荷在t时刻的负荷功率；
[0066]
为第s个场景下第c个可调资源在t时刻的负荷功率；
[0067]
λa、λb、λc都为0、1变量，分别代表在资源聚合体ra的构成中第a个第1类需求侧可调资源dsr、第b个第2类需求侧可调资源dsr、第c个第3类需求侧可调资源dsr是否参与聚合，若为1，则参与聚合，若为0，则不参与；
[0068]
以资源聚合体ra日均负荷波动率最小为目标的计算过程如下：
[0069]
负荷波动率为负荷有功功率的标准差σ与负荷有功功率的几何均值μ之比，用于反映出负荷分散程度的相对大小；
[0070]
负荷有功功率的几何均值μ，用于反映负荷有功功率的水平和集中程度，
[0071]
标准差σ，用于反映负荷有功功率的分散程度；
[0072][0073]
式中，σs、μs、αs分别为第s个场景下资源聚合体ra负荷有功功率的标准差、集合均值、算数平均值；为第s个场景下资源聚合体ra负荷第t时刻有功功率值；
[0074]
以资源聚合体ra日均响应容量最大为目标的计算公式如下：
[0075][0076]
式中，为场景s下第c个响应负荷的日响应容量。
[0077]
作为优选技术措施：
[0078]
所述第五步中，目标函数的计算公式如下：
[0079][0080]
式中，n
min
()(＝1,2,3,4)为第i个季度构建资源聚合体ra时所包括需求侧可调资源dsr个数的下限；为资源聚合体ra构建后聚合体最小负荷用电量，q
∑
为所有参与用户的总用电量，ξ为一个百分比系数；
[0081]
所述目标函数的约束条件为负荷互补性约束，其具体计算过程如下：
[0082]
为使聚合后形成的资源聚合体ra在参与电网运行时，减少对系统的冲击，提高系统运行的稳定性，在资源聚合过程中需要充分利用不同负荷的定互补性，并以负荷互补系数γ来衡量负荷间的互补性，其具体计算公式如下；
[0083]
γyz＝1-βyz
[0084]
式中，β为两负荷序列y(t)和z(t)在各时刻的加权关联度函数，如下所示：
[0085][0086]
式中，λ(t)≥0为根据不同时刻点重要程度的不同、构造的不同时刻点有功功率的权化函数；σy、σz分别为负荷序列y(t)和z(t)的标准差；
[0087]
以任意两不同用户负荷互补系数的综合度量衡量整个聚合体负荷的互补性，如下所示：
[0088]
若i＝j，γ
ij
＝0
[0089]
式中，γ
ra
为资源聚合体ra构建后其聚合用户间负荷互补性的度量；γ
ij
为第i个
用户第j个用户的负荷互补系数；λi为第i个用户是否参与聚合的0、1变量，1代表参与聚合，0代表不参与聚合；
[0090]
为保证资源聚合体ra内部负荷的互补性，给出如下约束：
[0091]
γ
ra
≥γ
min
[0092]
式中，γ
min
为负荷互补性的下限值；
[0093]
求解上述目标函数和约束条件，得到满足多优化目标的需求侧可调资源dsr聚合方案。
[0094]
作为优选技术措施：
[0095]
一种面向电力需求响应的多可调资源调节能力聚合系统，
[0096]
其包括：
[0097]
一个或多个处理器；
[0098]
存储装置，用于存储一个或多个程序；
[0099]
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述的一种面向电力需求响应的多可调资源调节能力聚合方法。
[0100]
与现有技术相比，本发明具有以下有益效果：
[0101]
本发明经过不断探索以及试验，充分考虑各类需求侧的可调资源dsr在不同季节存在的差异性，将可调资源dsr聚合分为四个典型季度进行，并采用自组织映射som算法进行聚类训练，将特征相似的类别，划分为同一类，并将每一类别作为一种场景。同时计算出场景出现的概率；进而为发挥各类需求侧的可调资源dsr的特性及其之间的互补性，充分挖掘响应资源的响应特性，根据每种场景下的概率，将可调资源的调节能力聚合为资源聚合体ra。资源聚合体ra的构建是为了整合分散的需求侧资源，将众多容量小、单一分散的资源通过聚合形成容量较大，响应能力可观的聚合体参与市场运营，便于市场的统一调度，所以参与聚合的各类需求侧可调资源dsr总个数不宜过少，聚合后负荷的用电规模不宜过小；因此对资源聚合体构建目标函数和约束条件，进行规模约束，实现满足多优化目标的需求侧可调资源dsr聚合。
[0102]
进而，本发明能将不同场景下多用户的多资源进行聚合，组合优化响应需求的方案，可以有效提高电力需求响应方案生产的灵活性、多样性，使需求响应能快速、高效地处理电网遇到的问题，支撑电力需求响应的精益化提升。
附图说明
[0103]
图1为本发明基于自组织映射som算法对聚合资源的日特征量进行聚类分析的季度场景构建流程图。
具体实施方式
[0104]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，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仅用以解释本发明，并不用于限定本发明。
[0105]
相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细
节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
[0106]
一种面向电力需求响应的多可调资源调节能力聚合方法，
[0107]
包括以下步骤：
[0108]
第一步，获取各类需求侧的可调资源dsr，
[0109]
所述可调资源dsr包括常性负荷、柔性负荷、分布式电源、电动汽车负荷和储能；
[0110]
第二步，对第一步中的可调资源dsr进行分析，计算其特征向量；
[0111]
第三步，由于各类需求侧的可调资源dsr存在季节性差异，将可调资源dsr聚合分为四个典型季度进行，对于每个季度，根据第二步中特征向量，并采用自组织映射som算法进行聚类训练，将特征相似的类别，划分为同一类，并将每一类别作为一种场景；
[0112]
并计算出场景出现的概率；从而根据场景出现的概率，对各类需求侧的可调资源dsr在不同季度上的特性进行评估；
[0113]
第四步，为发挥各类需求侧的可调资源dsr的特性及其之间的互补性，充分挖掘响应资源的响应特性，根据第三步评估出的各类需求侧的可调资源dsr特性及每种场景下的概率，将可调资源的调节能力聚合为资源聚合体ra；
[0114]
资源聚合体ra将众多容量小、单一分散的资源通过聚合形成容量较大，响应能力可观的聚合体参与市场运营，以便于市场的统一调度，实现资源高效利用；
[0115]
第五步，由于参与聚合的各类需求侧的可调资源dsr总个数不宜过少，聚合后负荷的用电规模不宜过小，因此对第四步中的资源聚合体构建目标函数和约束条件，进行规模约束，实现满足多优化目标的需求侧可调资源dsr聚合。
[0116]
本发明能将不同场景下多用户的多资源进行聚合，组合优化响应需求的方案，可以有效提高电力需求响应方案生产的灵活性、多样性，使需求响应能快速、高效地处理电网遇到的问题，支撑电力需求响应的精益化提升。
[0117]
如图1所示，本发明一种最佳实施例：
[0118]
一种面向电力需求响应的多可调资源调节能力聚合方法，包括以下内容：
[0119]
一、将需求侧可调资源(demandsideresource，需求侧可调资源dsr)分为常性负荷(照明负荷、实验仪器、医疗设备)、柔性负荷(可中断负荷、可转移负荷、可平移负荷)、分布式电源(光伏发电、风力发电、微型燃气轮机)、电动汽车和储能。对于用户参与聚合的可调资源进行聚类分析，聚类特征向量x的构成如下式：
[0120][0121]
式中，表示第m个参与聚合的分布式电源(记为第1类需求侧可调资源dsr)的日出力特征向量，其中分别为第m个分布式电源出力的日平均值、日最大值、日峰谷差；表示第n个参与聚合的常性负荷(记为第2类需求侧可调资源dsr)的日负荷特征向量，其中分别为第n个常性日负荷大小的平均值、最大值及峰谷差；表示第q个参与聚合的可调资源(记为第3类需求侧可调资源dsr，包括柔性负荷和电动汽车充电桩负荷)的日负荷及其特征向量，
其中分别为第q个可调资源日负荷大小的的平均值、最大值、峰谷差及其响应特性的响应容量、响应时长和违约电量。
[0122]
二、考虑到各类需求侧可调资源dsr的季节性差异，将可调资源聚合分为四个典型季度进行，对于每个季度，根据聚合资源的日特征量采用自组织映射som算法进行聚类分析，训练步骤如下所述：
[0123]
确定神经网络结构。输入层神经元数i＝m*3+n*3+q*6，每一神经元对应输入特征向量的一个分量，输出神经元数j为j个。
[0124]
初始化。输入层神经元到输出层神经元的连接权重w
ij
()赋予[0,1]的随机值。
[0125]
将各类需求侧可调资源dsr每日特性构成的特征向量x，提供给网络的输入层，并作归一化处理：
[0126][0127]
计算欧式距离，其中欧式距离最小的神经元j
*
为获胜的神经元：
[0128][0129]
调整连接权重矢量，对j
*
及其领域n
j*
()以内的神经元的连接权重矢量进行更新：
[0130][0131]
式中η(t)为可变学习速度，η(t)和n
j*
()领域都随着时间而衰减。
[0132]
选取聚合需求侧可调资源dsr新一天的特征量，从步骤3重复学习过程，直到季度内每天的特征量样本训练完成。
[0133]
训练结束后，输出编号一样的神经元就代表了特征相似的类别，可以划分为同一类，并记录每一类别所包括的天数。将每一类别作为一种细分场景，场景出现的概率如下式所述：
[0134][0135]
式中，k为聚类后得到的类别个数，每个类别所包括的天数分别为n1,2,
…
,s,
…
,k；ps为第s个场景的概率。
[0136]
求取每一类簇需求侧可调资源dsr特征量的聚类中心作为每种场景下需求侧可调资源dsr的特征量。
[0137]
三、为发挥各类需求侧可调资源dsr的特性及其之间的互补性，充分挖掘响应资源的响应特性，将多可调资源调节能力聚合为资源聚合体(resourceaggregation,资源聚合体ra)，实现资源高效利用。
[0138]
为得到资源聚合体ra的最优构建，以场景存在的概率作为各个单场景优化目标的权重综合得到季度聚合的加权目标函数。
[0139]
资源聚合体ra日均峰谷差最小
[0140][0141]
式中，load
ra
()代表第s个场景下资源聚合体ra的日负荷曲线，其中()代表第s个场景下资源聚合体ra的日负荷曲线，其中分别为日负荷曲线的最大值和最小值；t为负荷曲线划分的时刻数；为第s个场景下第a个dg在t时刻的有功出力；为第s个场景下第b个常性负荷在t时刻的负荷功率；为第s个场景下第c个可调资源在t时刻的负荷功率；λa、λb、λc都为0、1变量，分别代表在资源聚合体ra的构成中第a个第1类需求侧可调资源dsr、第b个第2类需求侧可调资源dsr、第c个第3类需求侧可调资源dsr是否参与聚合，若为1，则参与聚合，若为0，则不参与。
[0142]
资源聚合体ra日均负荷波动率最小
[0143]
负荷波动率的定义为：负荷有功功率的标准差σ与负荷有功功率的几何均值μ之比。负荷有功功率的几何均值μ反映了负荷有功功率的水平和集中程度，标准差σ反映了负荷有功功率的分散程度，而负荷波动率则反映出负荷分散程度的相对大小。
[0144][0145]
式中，σs、μs、αs分别为第s个场景下资源聚合体ra负荷有功功率的标准差、集合均值、算数平均值；为第s个场景下资源聚合体ra负荷第t时刻有功功率值。
[0146]
资源聚合体ra日均响应容量最大
[0147][0148]
式中，为场景s下第c个响应负荷的日响应容量。
[0149]
综上所述，需求侧可调资源dsr聚合的总目标函数为：
[0150]
[0151]
四、约束条件如下所述：
[0152]
资源聚合体ra规模约束
[0153]
资源聚合体ra的构建是为了整合分散的需求侧资源，将众多容量小、单一分散的资源通过聚合形成容量较大，响应能力可观的聚合体参与市场运营，便于市场的统一调度，所以参与聚合的各类需求侧可调资源dsr总个数不宜过少，聚合后负荷的用电规模不宜过小。
[0154][0155]
式中，n
min
()(＝1,2,3,4)为第i个季度构建资源聚合体ra时所包括需求侧可调资源dsr个数的下限；为资源聚合体ra构建后聚合体最小负荷用电量，q
∑
为所有参与用户的总用电量，ξ为一个百分比系数。
[0156]
负荷互补性约束
[0157]
为使聚合后形成的资源聚合体ra在参与电网运行时，减少对系统的冲击，提高系统运行的稳定性，在资源聚合过程中需要充分利用不同负荷的定互补性。以负荷互补系数γ来衡量负荷间的互补性。
[0158]
γyz＝1-β
yz
[0159]
式中，β为两负荷序列y(t)和z(t)在各时刻的加权关联度函数，如下所示：
[0160][0161]
式中，λ(t)≥0为根据不同时刻点重要程度的不同、构造的不同时刻点有功功率的权化函数；σy、σz分别为负荷序列y(t)和z(t)的标准差。
[0162]
以任意两不同用户负荷互补系数的综合度量衡量整个聚合体负荷的互补性，如下所示：
[0163]
若i＝j，γ
ij
＝0
[0164]
式中，γ
ra
为资源聚合体ra构建后其聚合用户间负荷互补性的度量；γ
ij
为第i个用户第j个用户的负荷互补系数；λi为第i个用户是否参与聚合的0、1变量，1代表参与聚合，0代表不参与聚合。
[0165]
为保证资源聚合体ra内部负荷的互补性，给出如下约束：
[0166]
γ
ra
≥γ
min
[0167]
式中，γ
min
为负荷互补性的下限值。
[0168]
求解上述目标函数和约束条件，得到满足多优化目标的需求侧可调资源dsr聚合方案。
[0169]
应用本发明方法的一种装置实施例：
[0170]
一种面向电力需求响应的多可调资源调节能力聚合系统，其包括：
[0171]
一个或多个处理器；
[0172]
存储装置，用于存储一个或多个程序；
[0173]
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述的面向电力需求响应的多可调资源调节能力聚合方法。
[0174]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包括有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0175]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0176]
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。