基于CatBoost的净负荷备用容量需求预测方法、装置及存储介质

基于catboost的净负荷备用容量需求预测方法、装置及存储介质
技术领域
1.本发明涉及净负荷备用容量需求评估技术领域，尤其涉及一种基于catboost的净负荷备用容量需求预测方法、装置及存储介质。


背景技术：

2.备用需求源于电网运行中的不确定性，一方面是不可预计的电网事故(事故备用)。另一方面是供需预测的不准确(负荷备用)，在传统电网中主要来自负荷预测误差。我国电网尚未形成科学的备用需求评估方法，不能全面考虑新能源发电功率的不确定性带来的电网向上和向下调节资源需求。电网备用问题涉及到频率控制、安全控制和经济调度等不同层面上的运行问题，而当前按照负荷一定比例和最大机组容量确定的备用管理模式，难以满足新形势下的电网安全与经济运行需求，因此，有必要对电网的备用管理展开系统化、市场化的研究和探索。
3.随着新能源渗透率提高，电网需要更加精准地掌握电网净负荷曲线的预测误差特征，并建立适应新能源发展的净负荷备用需求评估技术。
4.近年来不少学者研究新能源并网下备用容量的优化配置，以得出既有科学性又具有经济性的有效备用方案。目前现有研究主要分为两种:
5.一是随机规划方法。利用蒙特卡洛模拟生成由风电、负荷等多种不确定因素组成的运行场景，利用智能算法(如粒子群算法)求解备用容量配置。
6.二是卷积法，将风电/光伏、负荷、机组停运等多种不确定因素利用概率分布函数建模，通过卷积原理得到系统的理想供应裕度函数，结合失负荷概率得到备用要求，求解确定性机组组合模型得到备用容量配置。
7.随机规划方法中蒙特卡洛模拟场景生成计算量大，不适合于不确定因素种类较多的问题，卷积法计算量小，但能考虑的不确定因素有限。
8.净负荷备用容量分为上调备用容量和下调备用容量。传统(无新能源)电力系统中，负荷预测误差相对较小，而且电源基本为可调节的火电、水电等常规机组，机组向下调节容量较为充裕。因此，仅需设置因设备故障和负荷预测误差所需的基本向上备用容量。针对大规模新能源的不确定性，该方法在原有的备用基础上增加因风电/光伏并网而需要的额外向上和向下备用需求。
9.综上，目前针对风电/光伏的出力预测方法较多，受限于风/光预测以及负荷预测等多重不确定性因素，目前还没有一种通用的方法对某地区的净负荷备用容量需求做出较为精确的评估。


技术实现要素：

10.本发明提供了一种基于catboost的净负荷备用容量需求预测方法、装置及存储介质，以解决现有的负荷备用容量需求预测方法难以在风/光预测以及负荷预测等多重不确
定性因素作用下做出精确预测的问题。
11.一种基于catboost的净负荷备用容量需求预测方法，包括：
12.s1：获取待预测时段内各预测点的预测特征信息；
13.s2：将各预测点的预测特征信息输入基于catboost集成学习方法构建的负荷/新能源预测误差预测模型，得到各预测点对应的负荷预测误差和新能源预测误差；
14.s3：各预测点负荷预测误差和新能源预测误差相减，得到各预测点的净负荷备用容量需求预测结果；
15.s4：基于各预测点的净负荷备用容量需求预测结果，在一定置信水平下，根据净负荷备用容量需求预测误差累计分布函数，得到各预测点净负荷备用容量需求预测区间上、下限；
16.其中，所述净负荷备用容量需求预测误差累计分布函数通过对待预测时段前的预设时长内的净负荷备用容量需求预测结果误差进行统计分析得到。
17.进一步地，所述预测特征信息包括各预测点对应的时刻、月份、节气、节假日、负荷预测值及新能源预测值。
18.进一步地，所述步骤s2具体包括：
19.将各预测点的预测特征信息划分为负荷误差预测特征信息及新能源误差预测特征信息；所述负荷误差预测特征信息包括时刻、月份、节气、节假日、负荷预测值，所述新能源误差预测特征信息包括时刻、月份、节气、节假日、新能源预测值；
20.将负荷误差预测特征信息输入基于catboost集成学习方法构建的负荷预测误差预测模型，得到各预测点对应的负荷预测误差；
21.将新能源误差预测特征信息输入基于catboost集成学习方法构建的新能源预测误差预测模型，得到各预测点对应的新能源预测误差。
22.进一步地，所述负荷预测误差预测模型及新能源预测误差预测模型通过如下方法得到：
23.获取历史的包含负荷误差预测特征信息及负荷预测误差的多变量时间序列样本，以及获取历史的包含新能源误差预测特征信息及新能源预测误差的多变量时间序列样本，分别将样本进行归一化处理，得到负荷预测误差训练集和新能源预测误差训练集；
24.以负荷误差预测特征信息为输入，以负荷预测误差为输出，基于catboost集成学习方法构建负荷预测误差预测模型，并利用负荷预测误差训练集进行训练，得到最终的负荷预测误差预测模型；
25.以新能源误差预测特征信息为输入，以新能源预测误差为输出，基于catboost集成学习方法构建新能源预测误差预测模型，并利用新能源预测误差训练集进行训练，得到最终的新能源预测误差预测模型。
26.进一步地，所述净负荷备用容量需求预测误差累计分布函数通过如下方法得到：
27.采用构建的负荷/新能源预测误差预测模型对待预测时段前的预设时长内各时间点的负荷预测误差和新能源预测误差进行预测；
28.各时间点负荷预测误差和新能源预测误差相减，得到各时间点的净负荷备用容量需求预测结果；
29.获取各时间点的净负荷备用容量需求真实值并与各时间点的净负荷备用容量需
求预测结果比较，得到各时间点的净负荷备用容量需求预测误差，构建净负荷备用容量需求预测误差数据库；
30.基于净负荷备用容量需求预测误差数据库，采用非参数核密度估计方法，得到净负荷备用容量需求预测误差概率密度函数及净负荷备用容量需求预测误差累计分布函数。
31.进一步地，采用高斯核函数对净负荷备用容量需求预测误差进行核密度估计，通过非参数核密度估计方法构建的净负荷备用容量需求预测误差概率密度函数为：
[0032][0033][0034]
式中，n为净负荷备用容量需求预测误差数据库中样本数量；εi为第i个样本的净负荷备用容量需求预测误差；h为带宽；k(δ)为高斯核函数，δ为核函数自变量；
[0035]
根据净负荷备用容量需求预测误差概率密度函数f(ε)，对其积分得到净负荷备用容量需求预测误差累计分布函数f(ε)。
[0036]
进一步地，所述步骤s4包括：任意给定α，且0《α《1，在置信度1-α下，根据净负荷备用容量需求预测误差累计分布函数，并结合各预测点的净负荷备用容量需求预测结果，求取各预测点满足置信水平为1-α的净负荷备用容量需求预测区间[li,ui]，并表示如下：
[0037][0038]
式中，li和ui分别为净负荷备用容量需求预测区间上限和下限；α1＝α/2；α2＝1-α/2；为净负荷备用容量需求预测误差累计分布函数的反函数，e
pre
为净负荷备用容量需求预测结果。
[0039]
第二方面，提供了一种基于catboost的净负荷备用容量需求预测装置，包括：
[0040]
特征获取模块，用于获取待预测时段内各预测点的预测特征信息；
[0041]
预测误差获取模块，用于将各预测点的预测特征信息输入基于catboost集成学习方法构建的负荷/新能源预测误差预测模型，得到各预测点对应的负荷预测误差和新能源预测误差；
[0042]
备用需求点预测结果获取模块，用于各预测点负荷预测误差和新能源预测误差相减，得到各预测点的净负荷备用容量需求预测结果；
[0043]
备用需求区间获取模块，用于基于各预测点的净负荷备用容量需求预测结果，在一定置信水平下，根据净负荷备用容量需求预测误差累计分布函数，得到各预测点净负荷备用容量需求预测区间上、下限；
[0044]
其中，所述净负荷备用容量需求预测误差累计分布函数通过对待预测时段前的预设时长内的净负荷备用容量需求预测结果误差进行统计分析得到。
[0045]
第三方面，提供了一种电子设备，包括：
[0046]
存储器，其存储有计算机程序；
[0047]
处理器，用于执行所述计算机程序以实现如上所述的基于catboost的净负荷备用容量需求预测方法。
[0048]
第四方面，提供了一种计算机可读存储介质，其存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上所述的基于catboost的净负荷备用容量需求预测方法。
[0049]
有益效果
[0050]
本发明提出了一种基于catboost的净负荷备用容量需求预测方法、装置及存储介质，具有如下优点：
[0051]
(1)针对风电/光伏功率预测和负荷预测的研究如今已较为成熟，但仍然无法克服预测误差，且随着新能源大规模并网，亟需有效评估净负荷备用需求。本发明同时考虑了风电/光伏和负荷的预测误差，克服多个预测误差的影响，直接评估净负荷备用容量需求；针对高比例新能源电力系统，本发明充分考虑新能源的强不确定性，构建了catboost模型，分析净负荷备用容量需求与风电/光伏、负荷预测值等变量之间的关系，提高了净负荷备用容量需求预测精度；
[0052]
(2)本发明主要解决的痛点是高效合理地处理类别型特征、梯度偏差以及预测偏移的问题，从而减少过拟合的发生，进而提高算法的准确性和泛化能力；选择能全面反映净负荷备用容量需求的变量来构建输入特征集，可提高模型的稳定性、准确性、运算速度和运算效率；
[0053]
(3)由于高比例新能源电力系统净负荷备用容量需求具有复杂的非线性时变特性、较大的波动特征和强不确定性，本发明在点预测的基础上进行概率预测，进一步提供待预测时刻上调备用和下调备用，从而为电网规划和调度部门提供更完整有效信息，保证电网安全稳定运行。
附图说明
[0054]
为了更清楚地说明本发明实施例或现有技术中的技术方案，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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0055]
图1是本发明实施例基于catboost的净负荷备用容量需求预测方法整体流程图；
[0056]
图2是本发明实施例提供的catboost算法原理图；
[0057]
图3是本发明实施例1提供的基于catboost的日前净负荷备用容量需求预测方法的区间预测结果图；
[0058]
图4是本发明实施例2提供的基于catboost的日前净负荷备用容量需求预测方法的区间预测结果图；
[0059]
图5是本发明实施例3提供的基于catboost的日内净负荷备用容量需求预测方法的区间预测结果图；
[0060]
图6是本发明实施例4提供的基于catboost的日内净负荷备用容量需求预测方法的区间预测结果图。
具体实施方式
[0061]
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行
详细的描述。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，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
[0062]
针对现有的负荷备用容量需求预测方法难以在风/光预测以及负荷预测等多重不确定性因素作用下做出精确预测的问题，本发明提供了一种基于catboost的净负荷备用容量需求预测方法、装置及存储介质，可实现日前(如提前一天)和日内(如提前4小时)两个时间尺度的净负荷备用容量需求做出较为精确的评估，利用catboost集成学习算法构建负荷/新能源预测误差的点预测模型，得到净负荷备用容量点预测结果，进一步采用非参数核密度估计建立各时段净负荷备用容量预测误差概率密度函数和累计分布函数，并得出净负荷备用容量需求的区间预测结果。本发明可得到待预测时刻净负荷备用容量需求的概率密度函数和任意置信水平下的预测区间，预测稳定性、准确性、运算速度和运算效率高且可实现动态估计，有助于电网运行调度人员提前制定开机方式，并识别系统何时可能备用不足，提前做好应急预案，或采取措施提高系统稳定运行能力。
[0063]
下面结合几个实施例对本发明的技术方案做进一步地说明。
[0064]
实施例1
[0065]
如图1所示，本实施例提供了一种基于catboost的净负荷备用容量需求预测方法，具体步骤如下：
[0066]
s1：数据集构造及划分。构建西北某省2018年至2021年的日前净负荷备用容量需求预测数据集，包括输入特征xi和对应的输出特征yi；所述输入特征xi＝[x
i1
,x
i2
,x
i3
,x
i4
,x
i5
]
t
为从电网调控中心获取的某省预测日历史的时刻x
i1
、月份x
i2
、节气x
i3
、是否为节假日x
i4
和负荷/新能源预测值x
i5
，；所述输出特征yi为预测日负荷/新能源预测误差。需说明的是，x
i5
表示负荷预测值时，xi＝[x
i1
,x
i2
,x
i3
,x
i4
,x
i5
]
t
构成负荷误差预测特征信息，对应的输出特征yi表示负荷预测误差；x
i5
表示新能源预测值时，xi＝[x
i1
,x
i2
,x
i3
,x
i4
,x
i5
]
t
构成新能源误差预测特征信息，对应的输出特征yi表示新能源预测误差；负荷预测值和新能源预测值均为基于现有的技术进行预测得到的，本发明在此并不涉及到对预测负荷预测值和新能源预测值的技术的改进。以15min为时间间隔，建立包含时刻、月份、节气、节假日以及负荷/新能源预测值和负荷/新能源预测误差等信息的多变量时间序列样本，将样本进行归一化处理；本实施例中，为了同时对本发明的技术方案效果进行验证，将2021年2月18日之前的时间序列样本作为训练集，该训练集包括负荷预测误差训练集和新能源预测误差训练集；将2021年2月18日至28日的时间序列样本作为测试集，该测试集包括负荷预测误差测试集和新能源预测误差测试集；以24h(96个时刻)为步长进行滚动预测。
[0067]
s2：基于catboost集成学习方法，分别利用负荷预测误差训练集和新能源预测误差训练集进行训练，构建负荷预测误差预测模型和新能源预测误差预测模型；然后利用负荷预测误差预测模型和新能源预测误差预测模型对2021年2月18日至28日的负荷预测误差、新能源预测误差逐日进行点预测。catboost是一种基于对称决策树为基学习器实现的参数较少、支持类别型变量和高准确性的gbdt框架，主要解决的痛点是高效合理地处理类别型特征。此外，catboost还解决了梯度偏差以及预测偏移的问题，从而减少过拟合的发生，进而提高算法的准确性和泛化能力。图2为catboost集成学习算法原理图，在此不再进行赘述。
[0068]
s3：将s2所得负荷预测误差和新能源预测误差的预测结果相减，即可得出2021年2月18日至28日逐日各时刻净负荷备用容量需求预测结果。定义负荷/新能源预测误差为某一时刻的负荷/新能源真实值与预测值之间的偏差；定义净负荷备用容量需求r
net
为负荷预测误差ε
load
与新能源预测误差ε
ne
的差值，即：r
net
＝ε
load-ε
ne
。
[0069]
s4：在对2021年2月18日至28日的负荷预测误差、新能源预测误差逐日进行点预测前，先利用负荷预测误差预测模型和新能源预测误差预测模型对预测日以前的预设时长(如一年)内的各时刻进行负荷预测误差、新能源预测误差点预测，进而得到各时刻的净负荷备用容量需求预测结果；获取各时刻的净负荷备用容量需求真实值(由步骤s1中负荷预测误差与新能源预测误差相减得到)，并与各时刻的净负荷备用容量需求预测结果比较，得到各时刻的净负荷备用容量需求预测误差，从而构建净负荷备用容量需求预测误差数据库。采用非参数核密度估计方法，得到净负荷备用容量需求预测误差概率密度函数及净负荷备用容量需求预测误差累计分布函数。核函数有多种结构，主要分为不平滑内核和平滑内核。不平滑核函数下的核密度估计无法体现相邻数据间的差异性，为了得到较为平滑的模型，本实施例选择高斯核函数对净负荷备用容量需求预测误差进行核密度估计。通过核密度估计方法构建的净负荷备用容量需求预测误差概率密度函数为：
[0070][0071][0072]
式中：n为净负荷备用容量需求预测误差数据库中样本数量；εi为第i个样本的预测误差；h为带宽；k(δ)为高斯核函数，δ为核函数自变量。
[0073]
根据净负荷备用容量需求预测误差概率密度函数f(ε)，对其积分得到净负荷备用容量需求预测误差累积分布函数f(ε)。
[0074]
s5：给定α＝0.1，在置信度90％下，根据净负荷备用容量需求预测误差累积分布函数并结合步骤s3得到的2021年2月18日至28日逐日各时刻净负荷备用容量需求预测结果，可求取满足置信水平为90％的2021年2月18日至28日逐日各时刻净负荷备用容量需求置信区间li和ui分别为净负荷备用容量需求预测区间上限和下限；α1＝0.05；α2＝0.95；为f(ε)的反函数；e
pre
为2021年2月18日至28日逐日各时刻净负荷备用容量需求预测结果。
[0075]
为衡量本发明在整个调度周期内的备用充裕性，采用上调备用覆盖率指标量化上调备用安全裕度。上调备用覆盖率指标计算方式如下：
[0076][0077]
式中，用于表示上调备用覆盖率；n
t
为调度周期内存在的调度时段数；ci为0-1变量，若上调备用评估结果大于电网实际备用需求，则ci＝1，反之ci＝0。
[0078]
采用皮尔逊相关系数(pearson correlation coefficient，pcc)作为备用评估结果与实际备用需求同步变化的指标，是衡量两组数据(评估结果和实际需求)协调性的重要指标。其计算方式如下：
[0079][0080]
式中，为调度周期内上调备用同步系数；和分别为第i个调度时段实际备用需求量、整个调度周期内实际备用需求平均值和标准差；为第i个调度时段实际备用需求量、整个调度周期内实际备用需求平均值和标准差；和分别为第i个时段上调备用容量评估结果、整个调度周期上调备用容量评估结果的平均值和标准差。
[0081]
无效备用ir的表达式为：
[0082]
采用本发明的方法和传统方法进行对比，评价结果指标对比结果如表1所示：
[0083]
表1评价结果指标对比
[0084][0085]
2021年2月18日至28日基于catboost的日前净负荷备用容量需求区间预测结果如图3所示，可看出传统确定性备用准则过于粗放，无法满足部分时段上调备用需求。由于实际备用容量超过1000mw情况较多，为确保安全性，catboost评估可有效降低上调备用冗余度、且具同步跟随性，减少无效备用的同时，覆盖率及同步跟随性更优。从表1中可看出，本发明在实施例1中，上调备用覆盖率高达79.50％，无效备用为530.77mw，同步系数为0.54。
[0086]
实施例2
[0087]
本实施例提供了一种基于catboost的净负荷备用容量需求预测方法，其与实施例1的区别在于：在构建训练集和测试集时，将2021年4月12日之前的时间序列样本作为训练集，将2021年4月12日至30日作为测试集。其他的原理过程与实施例1相同，在此不再进行赘述。
[0088]
采用本发明的方法和传统方法进行对比，评价结果指标对比结果如表2所示：
[0089]
表2评价结果指标对比
[0090][0091]
2021年4月12日至30日基于catboost的日前净负荷备用容量需求区间预测结果如图4所示，结合表2，就综合指标而言，本发明catboost集成学习法相较于传统方法性能更优，该场景下，实际备用容量超过1000mw情况相对实施例1较少，由于优先考虑安全性，导致备用冗余度提升，但具有更加优异的动态跟随性和上调备用覆盖率，可更好地避免电网因上调备用不足而发生有序用电。
[0092]
综上，本发明基于catboost的净负荷备用容量需求评估方法在日前时间尺度的预测精度良好，覆盖率及同步性较高，可以满足应用场景。
[0093]
实施例3
[0094]
本实施例提供了一种基于catboost的净负荷备用容量需求预测方法，其与实施例1的区别在于：由于2021年8月2日，该省电网用电负荷激增，将2021年8月1日之前的时间序列样本作为训练集，将2021年8月1日至7日夏大负荷时段作为测试集，以4h(16个时刻)为步长进行滚动预测。其他的原理过程与实施例1相同，在此不再进行赘述。
[0095]
采用本发明的方法和传统方法进行对比，评价结果指标对比结果如表3所示：
[0096]
表3评价结果指标对比
[0097][0098]
2021年8月1日至7日基于catboost的日前净负荷备用容量需求区间预测结果如图5所示，从图5中看出本发明上调备用和下调备用覆盖情况良好，且具有跟随性；结合表3指标，本发明保证96.58％上调备用覆盖率的同时，极大降低了无效备用，且有较高的同步性。在跟随性好、准确率高以及上调无效备用方面有着优秀的表现，对于夏大负荷场景下日内调度有极大的帮助。
[0099]
实施例4
[0100]
本实施例提供了一种基于catboost的净负荷备用容量需求预测方法，其与实施例1的区别在于，由于2021年已出现较多传统备用无法满足实际备用需求的情况，将2021年9月21日之前的时间序列样本作为训练集，将2021年9月21日至27日传统备用不足时段作为测试集，以4h(16个时刻)为步长进行滚动预测。其他的原理过程与实施例1相同，在此不再进行赘述。
[0101]
采用本发明的方法和传统方法进行对比，评价结果指标对比结果如表4所示：
[0102]
表4评价结果指标对比
[0103][0104]
2021年9月21日至27日基于catboost的日前净负荷备用容量需求区间预测结果如图6所示，结合表4，本发明同步系数为0.36，覆盖率高达95.98％。当传统备用不足时，可较好的跟随覆盖；当传统备用过多时，可以有效跟随且不浪费。本发明上调无效备用相比于传统方法大幅度降低，可以给电网的日内调度提供更有效的信息。
[0105]
综上，本发明基于catboost的净负荷备用容量需求评估方法在日内时间尺度也有良好的预测精度，覆盖率及同步性较高，大大降低无效备用，可以满足应用场景。
[0106]
实施例5
[0107]
本实施例提供了一种基于catboost的净负荷备用容量需求预测装置，包括：
[0108]
特征获取模块，用于获取待预测时段内各预测点的预测特征信息；
[0109]
预测误差获取模块，用于将各预测点的预测特征信息输入基于catboost集成学习方法构建的负荷/新能源预测误差预测模型，得到各预测点对应的负荷预测误差和新能源
预测误差；
[0110]
备用需求点预测结果获取模块，用于各预测点负荷预测误差和新能源预测误差相减，得到各预测点的净负荷备用容量需求预测结果；
[0111]
备用需求区间获取模块，用于基于各预测点的净负荷备用容量需求预测结果，在一定置信水平下，根据净负荷备用容量需求预测误差累计分布函数，得到各预测点净负荷备用容量需求预测区间上、下限；
[0112]
其中，所述净负荷备用容量需求预测误差累计分布函数通过对待预测时段前的预设时长内的净负荷备用容量需求预测结果误差进行统计分析得到。
[0113]
应当理解，本实施例中的功能单元模块可以集中在一个处理单元中，也可以是各个单元模块单独物理存在，也可以是两个或两个以上的单元模块集成在一个单元模块中，可以采用硬件或软件的形式来实现。
[0114]
实施例6
[0115]
本实施例提供了一种电子设备，包括：
[0116]
存储器，其存储有计算机程序；
[0117]
处理器，用于执行所述计算机程序以实现如上所述的基于catboost的净负荷备用容量需求预测方法。
[0118]
实施例7
[0119]
本实施例提供了一种计算机可读存储介质，其存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上所述的基于catboost的净负荷备用容量需求预测方法。
[0120]
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含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。
[0121]
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。
[0122]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置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。
[0123]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供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步骤。
[0124]
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
[0125]
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
[0126]
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。