一种荷电状态预测方法、装置、电子设备及存储介质

1.本技术涉及电池、人工智能和深度学习的技术领域，具体而言，涉及一种荷电状态预测方法、装置、电子设备及存储介质。


背景技术：

2.蓄电池的荷电状态，是指电化学储能过程中储能介质中实际存在的电荷数(单位为安
·
时)占额定储能容量对应的储能介质中含有的电荷数(单位为安
·
时)的百分率；具体例如：新电池的电荷状态是100％，电池完全掉电后的电荷状态是0％，荷电状态估算可以作为铅酸蓄电池进行充放电控制以及均衡管理的重要依据。
3.目前，预测蓄电池的电荷状态(state of charge,soc)的主要方法包括：安时法、开路电压法、内阻法和卡尔曼滤波法等等，然而，在具体的实践过程中发现，电池在工作时容易受到充放电次数、充放电效率、电解液温度、电池老化和自放电等因素影响，因此，目前的对蓄电池的电荷状态进行预测的精度较低。


技术实现要素：

4.本技术实施例的目的在于提供一种荷电状态预测方法、装置、电子设备及存储介质，用于改善对蓄电池的电荷状态进行预测的精度较低的问题。
5.本技术实施例提供了一种荷电状态预测方法，包括：获取蓄电池中的多个传感器信号，并对多个传感器信号进行特征提取，获得隐空间特征；从隐空间特征提取出信号重构特征和隐空间注意力特征，并对隐空间注意力特征与信号重构特征进行融合，获得重构融合特征；对信号重构特征进行处理，获得重构注意力特征，并对重构注意力特征与隐空间特征进行融合，获得隐空间融合特征；使用训练后的神经网络模型根据多种特征进行预测，获得蓄电池的电荷状态，多种特征包括：隐空间特征、信号重构特征、重构融合特征和隐空间融合特征中的任意两种或两种以上。
6.在上述方案的实现过程中，通过提取不同的多个传感器信号在蓄电池的不同表现形式的多种特征，此处的多种特征是隐空间特征、信号重构特征、重构融合特征和隐空间融合特征中的任意两种或两种以上的特征，然后使用神经网络模型根据多种特征来确定蓄电池的荷电状态，从而最大程度地减小了充放电次数、充放电效率、电解液温度、电池老化和自放电等因素对电荷状态进行预测的影响，提高了预测蓄电池的电荷状态的精度。
7.可选地，在本技术实施例中，神经网络模型包括：编码器和解码器；对多个传感器信号进行特征提取，包括：使用神经网络模型中的编码器对多个传感器信号进行特征提取；从隐空间特征提取出信号重构特征和隐空间注意力特征，包括：使用神经网络模型中的解码器对隐空间特征进行特征还原，获得多个还原信号，并从多个还原信号中提取出信号重构特征；从隐空间特征提取出隐空间注意力特征。
8.在上述方案的实现过程中，通过使用神经网络模型中的编码器对多个传感器信号进行特征提取，以及使用神经网络模型中的解码器对隐空间特征进行特征还原，获得多个
还原信号，并从多个还原信号中提取出信号重构特征，以及从隐空间特征提取出隐空间注意力特征，从而结合注意力机制来获取各个阶段的两种或两种以上的模态特征，并通过两种或两种以上的模态特征来预测蓄电池的电荷状态，有效地提高了预测蓄电池的电荷状态的精度等。
9.可选地，在本技术实施例中，神经网络模型还包括：卷积长短期记忆网络；从多个还原信号中提取出信号重构特征，包括：使用卷积长短期记忆网络分别对多个还原信号进行特征提取，获得多个表现形式特征，并对多个表现形式特征进行融合重构，获得信号重构特征。
10.在上述方案的实现过程中，通过使用卷积长短期记忆网络提取特征，不但可以利用卷积长短期记忆网络提取到时间序列数据的时空特征，还可以学习复杂的时间依赖性以及时间序列数据的空间依赖性。该卷积长短期记忆网络可以将长短期记忆网络中的所有矩阵乘操作替换成卷积操作即可获得，使得局部的卷积长短期记忆网络比卷积神经网络和长短期记忆网络能够发现更多的隐藏信息。
11.可选地，在本技术实施例中，神经网络模型还包括：第一注意力模块；从隐空间特征提取出隐空间注意力特征，包括：使用神经网络模型中的第一注意力模块对隐空间特征进行处理，获得隐空间注意力特征。
12.在上述方案的实现过程中，通过使用神经网络模型中的第一注意力模块对隐空间特征进行处理，从而结合注意力机制来自动提取与目标任务强相关的高层语义特征，从而最大程度地减小了充放电次数、充放电效率、电解液温度、电池老化和自放电等因素对电荷状态进行预测的影响，提高了预测蓄电池的电荷状态的精度。
13.可选地，在本技术实施例中，神经网络模型还包括：第二注意力模块；对信号重构特征进行处理，获得重构注意力特征，包括：使用神经网络模型中的第二注意力模块对信号重构特征进行处理，获得重构注意力特征。
14.在上述方案的实现过程中，通过使用神经网络模型中的第二注意力模块对信号重构特征进行处理，从而结合注意力机制来自动提取与目标任务强相关的高层语义特征，从而最大程度地减小了充放电次数、充放电效率、电解液温度、电池老化和自放电等因素对电荷状态进行预测的影响，提高了预测蓄电池的电荷状态的精度。
15.可选地，在本技术实施例中，使用训练后的神经网络模型根据多种特征进行预测，包括：对多种特征进行拼接，获得拼接特征；使用神经网络模型对拼接特征进行预测，获得蓄电池的电荷状态。
16.在上述方案的实现过程中，通过对多种特征进行拼接，获得拼接特征，并使用神经网络模型对拼接特征进行预测，由于拼接特征中能够体现出与目标任务强相关的高层语义特征，从而最大程度地减小了充放电次数、充放电效率、电解液温度、电池老化和自放电等因素对电荷状态进行预测的影响，提高了预测蓄电池的电荷状态的精度。
17.可选地，在本技术实施例中，神经网络模型还包括：全连接层；使用神经网络模型对拼接特征进行预测，包括：使用神经网络模型中的全连接层对拼接特征进行预测。
18.在上述方案的实现过程中，通过神经网络模型中的全连接层等等网络结构有效地提取融合多通道维度信息，使用这些多通道维度信息的相关性自动提取与目标任务强相关的高层语义特征，而最大程度地减小了充放电次数、充放电效率、电解液温度、电池老化和
自放电等因素对电荷状态进行预测的影响，提高了预测蓄电池的电荷状态的精度。
19.本技术实施例还提供了一种荷电状态预测装置，包括：空间特征获得模块，用于获取蓄电池中的多个传感器信号，并对多个传感器信号进行特征提取，获得隐空间特征；特征提取重构模块，用于从隐空间特征提取出信号重构特征和隐空间注意力特征，并对隐空间注意力特征与信号重构特征进行融合，获得重构融合特征；融合特征获得模块，用于对信号重构特征进行处理，获得重构注意力特征，并对重构注意力特征与隐空间特征进行融合，获得隐空间融合特征；电荷状态预测模块，用于使用训练后的神经网络模型根据多种特征进行预测，获得蓄电池的电荷状态，多种特征包括：隐空间特征、信号重构特征、重构融合特征和隐空间融合特征中的任意两种或两种以上。
20.可选地，在本技术实施例中，神经网络模型包括：编码器和解码器；空间特征获得模块，包括：空间特征提取模块，用于使用神经网络模型中的编码器对多个传感器信号进行特征提取；特征提取重构模块，包括：空间特征还原模块，用于使用神经网络模型中的解码器对隐空间特征进行特征还原，获得多个还原信号，并从多个还原信号中提取出信号重构特征；注意力特征提取模块，用于从隐空间特征提取出隐空间注意力特征。
21.可选地，在本技术实施例中，神经网络模型还包括：卷积长短期记忆网络；空间特征还原模块，包括：特征融合重构模块，用于使用卷积长短期记忆网络分别对多个还原信号进行特征提取，获得多个表现形式特征，并对多个表现形式特征进行融合重构，获得信号重构特征。
22.可选地，在本技术实施例中，神经网络模型还包括：第一注意力模块；注意力特征提取模块，包括：空间特征处理模块，用于使用神经网络模型中的第一注意力模块对隐空间特征进行处理，获得隐空间注意力特征。
23.可选地，在本技术实施例中，神经网络模型还包括：第二注意力模块；融合特征获得模块，包括：重构特征处理模块，用于使用神经网络模型中的第二注意力模块对信号重构特征进行处理，获得重构注意力特征。
24.可选地，在本技术实施例中，电荷状态预测模块，包括：拼接特征获得模块，用于对多种特征进行拼接，获得拼接特征；拼接特征预测模块，用于使用神经网络模型对拼接特征进行预测，获得蓄电池的电荷状态。
25.可选地，在本技术实施例中，神经网络模型还包括：全连接层；拼接特征预测模块，包括：全连接层预测模块，用于使用神经网络模型中的全连接层对拼接特征进行预测。
26.本技术实施例还提供了一种电子设备，包括：处理器和存储器，存储器存储有处理器可执行的机器可读指令，机器可读指令被处理器执行时执行如上面描述的方法。
27.本技术实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上面描述的方法。
附图说明
28.为了更清楚地说明本技术实施例的技术方案，下面将对本技术实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术实施例中的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
29.图1示出的本技术实施例提供的荷电状态预测方法的流程示意图；
30.图2示出的本技术实施例提供的神经网络模型的网络结构示意图；
31.图3示出的本技术实施例提供的荷电状态预测装置的结构示意图；
32.图4示出的本技术实施例提供的电子设备的结构示意图。
具体实施方式
33.下面将结合本技术实施例中附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术实施例中的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本技术实施例的详细描述并非旨在限制要求保护的本技术实施例的范围，而是仅仅表示本技术实施例中的选定实施例。基于本技术实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本技术实施例保护的范围。
34.可以理解的是，本技术实施例中的“第一”、“第二”用于区别类似的对象。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定，并且“第一”、“第二”等字样也并不限定一定不同。
35.在介绍本技术实施例提供的荷电状态预测方法之前，先介绍本技术实施例中所涉及的一些概念：
36.变分自动编码器(variational auto-encoder，vae)，是指一种深度生成模型(deep generative model)，也是一种无监督学习算法；vae的主要作用是能够学习一个函数(模型)，使得输出数据的分布尽可能地逼近原始数据分布。vae与传统的自编码器通过数值的方式描述潜在空间不同，vae以概率的方式描述对潜在空间的观察，在数据生成方面表现出了巨大的应用价值。
37.长短期记忆(long short-term memory，lstm)网络，是一种时间递归神经网络，也是一种循环神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要特征。
38.需要说明的是，本技术实施例提供的荷电状态预测方法可以被电子设备执行，这里的电子设备是指具有执行计算机程序功能的设备终端或者服务器，设备终端例如：智能手机、个人电脑、平板电脑、个人数字助理或者移动上网设备等。服务器是指通过网络提供计算服务的设备，服务器例如：x86服务器以及非x86服务器，非x86服务器包括：大型机、小型机和unix服务器。
39.下面介绍该荷电状态预测方法适用的应用场景，这里的应用场景包括但不限于：在使用电动汽车以及光伏储能系统的过程中，电动汽车的蓄电池会受到充放电次数、充放电效率、电解液温度、电池老化和自放电等等因素的影响，因此，可以使用该荷电状态预测方法来对电动汽车的荷电状态进行预测，由于该荷电状态预测方法从不同的传感器信号提取出不同特征层面的特征，且结合注意力机制来获取各个阶段的两种或两种以上的模态特征，并通过两种或两种以上的模态特征来预测蓄电池的电荷状态，从而有效地提高了预测蓄电池的电荷状态的精度等。
40.请参见图1示出的本技术实施例提供的荷电状态预测方法的流程示意图；本技术实施例提供了一种荷电状态预测方法，包括：
41.步骤s110：获取蓄电池中的多个传感器信号，并对多个传感器信号进行特征提取，获得隐空间特征。
42.多个传感器信号，是指蓄电池中的多个传感器发出的传感信号，包括但不限于：蓄电池电流信号、蓄电池电压信号、蓄电池温度信号、启动电机电流信号、启动电机电压信号、电解液浓度信号和/或电解液的液位信号等等。
43.步骤s120：从隐空间特征提取出信号重构特征和隐空间注意力特征，并对隐空间注意力特征与信号重构特征进行融合，获得重构融合特征。
44.步骤s130：对信号重构特征进行处理，获得重构注意力特征，并对重构注意力特征与隐空间特征进行融合，获得隐空间融合特征。
45.步骤s140：使用训练后的神经网络模型根据多种特征进行预测，获得蓄电池的电荷状态，多种特征包括：隐空间特征、信号重构特征、重构融合特征和隐空间融合特征中的任意两种或两种以上。
46.请参见图2示出的本技术实施例提供的神经网络模型的网络结构示意图；可以理解的是，上述的神经网络模型可以包括：编码器、解码器、多个卷积长短期记忆网络、第一注意力模块、第二注意力模块和全连接层等等网络结构，此处的编码器和解码器可以采用变分自动编码器(vae)中的编码器和解码器，编码器和解码器相互连接，其余各个网络结构之间的连接关系如图2所示。
47.在上述方案的实现过程中，通过提取不同的多个传感器信号在蓄电池的不同表现形式的多种特征，此处的多种特征是隐空间特征、信号重构特征、重构融合特征和隐空间融合特征中的任意两种或两种以上的特征，然后使用神经网络模型根据多种特征来确定蓄电池的荷电状态，从而最大程度地减小了充放电倍率、温度、老化等因素对电荷状态进行预测的影响，提高了预测蓄电池的电荷状态的精度。
48.作为步骤s110的一种可选实施方式，由于上述的神经网络模型可以包括编码器和解码器，因此，可以使用编码器和解码器对传感器信号进行特征提取，特征提取的实施方式可以包括：
49.步骤s111：获取蓄电池中的多个传感器信号。
50.上述步骤s111的实施方式例如：由于多个传感器信号包括但不限于：蓄电池电流信号、蓄电池电压信号、蓄电池温度信号、启动电机电流信号、启动电机电压信号、电解液浓度信号和/或电解液的液位信号等等，因此，此处以获取电解液的液位信号为例进行说明，使用蓄电池的液位传感器获取电解液的液体高度位置，并将液体高度位置转换为液位信号，然后将液位信号发送给电子设备，电子设备接收液位传感器发送的液位信号，其它传感器信号以此类推，即可获得多个传感器信号。其中，此处的液位传感器(又被称为静压液位计，或液位变送器，或液位传感器，或水位传感器)是一种测量液位的压力传感器。
51.步骤s112：使用神经网络模型中的编码器对多个传感器信号进行特征提取，获得隐空间特征。
52.上述步骤s112的实施方式例如：使用神经网络模型中的编码器对多个传感器信号进行特征提取，获得隐空间特征；其中，此处的编码器可以采用变分自动编码器(vae)中的编码器。
53.作为步骤s120的一种可选实施方式，隐空间特征的提取和融合的实施方式可以包
括：
54.步骤s121：使用神经网络模型中的解码器对隐空间特征进行特征还原，获得多个还原信号，并从多个还原信号中提取出信号重构特征。
55.上述步骤s121的实施方式例如：使用神经网络模型中的解码器对隐空间特征进行特征还原，即尝试根据隐空间特征还原出原来的传感器信号，获得多个还原信号，并从多个还原信号中提取出信号重构特征。
56.上述的神经网络模型还可以包括卷积长短期记忆网络，该卷积长短期记忆网络可以将长短期记忆网络中的所有矩阵乘操作替换成卷积操作，即可获得卷积长短期记忆网络。在具体的实施过程中，还可以使用卷积长短期记忆网络从多个还原信号中提取出信号重构特征，该实施方式可以包括：使用多个卷积长短期记忆网络分别对多个还原信号进行特征提取，获得多个表现形式特征，并在维度上对多个表现形式特征进行融合重构，获得信号重构特征。
57.在上述的实现过程中，使用卷积长短期记忆网络提取特征，不但可以利用卷积长短期记忆网络提取到时间序列数据的时空特征，还可以学习复杂的时间依赖性以及时间序列数据的空间依赖性。该卷积长短期记忆网络可以将长短期记忆网络中的所有矩阵乘操作替换成卷积操作即可获得，使得局部的卷积长短期记忆网络比卷积神经网络和长短期记忆网络能够发现更多的隐藏信息。
58.步骤s122：从隐空间特征提取出隐空间注意力特征。
59.上述步骤s122的实施方式例如：由于上述的神经网络模型还可以包括：第一注意力模块，所以可以使用第一注意力模块从隐空间特征提取出隐空间注意力特征，该实施方式可以包括：使用神经网络模型中的第一注意力模块对隐空间特征进行处理，获得隐空间注意力特征。
60.可以理解的是，上述的第一注意力模块中包含注意力机制的计算过程可以表示为：其中，q表示隐空间特征中的查询(query)特征矩阵，k表示隐空间特征中的关键(key)特征矩阵，k
t
表示关键(key)特征矩阵的转置运算，v表示隐空间特征中的数值(value)特征矩阵，是尺度标度，其具体值是q和k的矩阵维度。首先，查询(query)特征矩阵与关键(key)特征矩阵进行点乘(dot-product)注意力计算，为了防止点乘注意力计算的结果过大，需要除以一个尺度标度(scaling factor)；再利用softmax将结果归一化成概率分布，最终乘以数值(value)特征矩阵，获得注意力机制的计算结果。
61.步骤s123：对隐空间注意力特征与信号重构特征进行融合，获得重构融合特征。
62.上述步骤s123的实施方式例如：使用均值融合、加权融合、通道融合和拼接融合等方式对隐空间注意力特征与信号重构特征进行融合，获得重构融合特征。
63.在上述方案的实现过程中，通过使用神经网络模型中的编码器对多个传感器信号进行特征提取，以及使用神经网络模型中的解码器对隐空间特征进行特征还原，获得多个还原信号，并从多个还原信号中提取出信号重构特征，以及从隐空间特征提取出隐空间注
意力特征，从而结合注意力机制来获取各个阶段的两种或两种以上的模态特征，并通过两种或两种以上的模态特征来预测蓄电池的电荷状态，有效地提高了预测蓄电池的电荷状态的精度等。
64.作为步骤s130的一种可选实施方式，由于上述的神经网络模型还可以包括：第二注意力模块，所以，还可以使用第二注意力模块对信号重构特征进行处理的实施方式可以包括：
65.步骤s131：使用神经网络模型中的第二注意力模块对信号重构特征进行处理，获得重构注意力特征。
66.作为步骤s140的一种可选实施方式，使用训练后的神经网络模型根据多种特征进行预测的实施方式可以包括：
67.步骤s141：对多种特征进行拼接，获得拼接特征。
68.上述步骤s141的实施方式例如：在通道维度信息上对隐空间特征、信号重构特征、重构融合特征和隐空间融合特征中的任意两种或两种以上特征进行拼接，获得拼接特征，该拼接特征是可以完全表达蓄电池荷电状态的特征。
69.步骤s142：使用神经网络模型对拼接特征进行预测，获得蓄电池的电荷状态。
70.作为步骤s142的一种实施方式，由于上述的神经网络模型还可以包括：全连接层，因此，还可以使用全连接层对拼接特征进行预测，该实施方式具体例如：使用神经网络模型中的全连接层对拼接特征进行预测，获得蓄电池的电荷状态。
71.可以理解的是，在使用上述的神经网络模型之前或者之后，还可以对该神经网络模型进行训练，上述的神经网络模型的训练过程具体例如：收集蓄电池完成一次启动所产生的所有传感器信号，并将这些传感器信号作为训练数据对神经网络模型进行训练，并采用均方误差损失函数作为该神经网络模型的损失函数，直到神经网络的正确率不再升高或者迭代次数(epoch)数量大于预设阈值时，即可获得训练后的神经网络模型。其中，上述的预设阈值也可以根据具体情况进行设置，例如设置为100或者1000等等。
72.在上述的实现过程中，通过神经网络模型中的编码器、解码器、多个卷积长短期记忆网络、第一注意力模块、第二注意力模块和全连接层等等网络结构，这些网络结构能够有效地提取融合多通道维度信息，使用这些多通道维度信息的相关性自动提取与目标任务强相关的高层语义特征，从而最大程度地减小了充放电次数、充放电效率、电解液温度、电池老化和自放电等因素对电荷状态进行预测的影响，提高了预测蓄电池的电荷状态的精度。
73.请参见图3示出的本技术实施例提供的荷电状态预测装置的结构示意图；本技术实施例提供了一种荷电状态预测装置200，包括：
74.空间特征获得模块210，用于获取蓄电池中的多个传感器信号，并对多个传感器信号进行特征提取，获得隐空间特征。
75.特征提取重构模块220，用于从隐空间特征提取出信号重构特征和隐空间注意力特征，并对隐空间注意力特征与信号重构特征进行融合，获得重构融合特征。
76.融合特征获得模块230，用于对信号重构特征进行处理，获得重构注意力特征，并对重构注意力特征与隐空间特征进行融合，获得隐空间融合特征。
77.电荷状态预测模块240，用于使用训练后的神经网络模型根据多种特征进行预测，获得蓄电池的电荷状态，多种特征包括：隐空间特征、信号重构特征、重构融合特征和隐空
间融合特征中的任意两种或两种以上。
78.可选地，在本技术实施例中，神经网络模型包括：编码器和解码器；空间特征获得模块，包括：
79.空间特征提取模块，用于使用神经网络模型中的编码器对多个传感器信号进行特征提取。
80.特征提取重构模块，包括：
81.空间特征还原模块，用于使用神经网络模型中的解码器对隐空间特征进行特征还原，获得多个还原信号，并从多个还原信号中提取出信号重构特征。
82.注意力特征提取模块，用于从隐空间特征提取出隐空间注意力特征。
83.可选地，在本技术实施例中，神经网络模型还包括：卷积长短期记忆网络；空间特征还原模块，包括：
84.特征融合重构模块，用于使用卷积长短期记忆网络分别对多个还原信号进行特征提取，获得多个表现形式特征，并对多个表现形式特征进行融合重构，获得信号重构特征。
85.可选地，在本技术实施例中，神经网络模型还包括：第一注意力模块；注意力特征提取模块，包括：
86.空间特征处理模块，用于使用神经网络模型中的第一注意力模块对隐空间特征进行处理，获得隐空间注意力特征。
87.可选地，在本技术实施例中，神经网络模型还包括：第二注意力模块；融合特征获得模块，包括：
88.重构特征处理模块，用于使用神经网络模型中的第二注意力模块对信号重构特征进行处理，获得重构注意力特征。
89.可选地，在本技术实施例中，电荷状态预测模块，包括：
90.拼接特征获得模块，用于对多种特征进行拼接，获得拼接特征。
91.拼接特征预测模块，用于使用神经网络模型对拼接特征进行预测，获得蓄电池的电荷状态。
92.可选地，在本技术实施例中，神经网络模型还包括：全连接层；拼接特征预测模块，包括：
93.全连接层预测模块，用于使用神经网络模型中的全连接层对拼接特征进行预测。
94.应理解的是，该装置与上述的荷电状态预测方法实施例对应，能够执行上述方法实施例涉及的各个步骤，该装置具体的功能可以参见上文中的描述，为避免重复，此处适当省略详细描述。该装置包括至少一个能以软件或固件(firmware)的形式存储于存储器中或固化在装置的操作系统(operating system，os)中的软件功能模块。
95.请参见图4示出的本技术实施例提供的电子设备的结构示意图。本技术实施例提供的一种电子设备300，包括：处理器310和存储器320，存储器320存储有处理器310可执行的机器可读指令，机器可读指令被处理器310执行时执行如上的方法。
96.本技术实施例还提供了一种计算机可读存储介质330，该计算机可读存储介质330上存储有计算机程序，该计算机程序被处理器310运行时执行如上的方法。
97.其中，计算机可读存储介质330可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(static random access memory,简称sram)，
电可擦除可编程只读存储器(electrically erasable programmable read-only memory,简称eeprom)，可擦除可编程只读存储器(erasable programmable read only memory,简称eprom)，可编程只读存储器(programmable read-only memory,简称prom)，只读存储器(read-only memory,简称rom)，磁存储器，快闪存储器，磁盘或光盘。
98.需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
99.本技术实施例提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其他的方式实现。以上所描述的装置实施例仅是示意性的，例如，附图中的流程图和框图显示了根据本技术实施例的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以和附图中所标注的发生顺序不同。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这主要根据所涉及的功能而定。
100.另外，在本技术实施例中的各个实施例的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。此外，在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本技术实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
101.在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
102.以上的描述，仅为本技术实施例的可选实施方式，但本技术实施例的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术实施例揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术实施例的保护范围之内。