一种差异化用电客户运维方法、系统、装置及存储介质

1.本发明属于数据处理技术领域，具体涉及一种差异化用电客户运维方法、系统、装置及存储介质。


背景技术：

2.保电阶段是指此阶段电网将保持全保护、全接线的运行方式，除了抢修工作，不安排计划性检修工作。
3.政治供电保障指由省级以上人民政府组织或认定的、具有重大影响和特定规模的政治、经济、科技、文化、体育等活动，由重大活动承办方、电力管理部门、派出机构、电力企业(含经营配电网的企业)、重点用户按职责协同完成。重大活动社会影响大，保障要求高，保障难度大，对供电服务水平提出了很高的要求。在当前的统一供电架构下，供电企业对用户用电数据挖掘程度低，无法通过用电数据分析自动识别用户级别，无法准确定位用电设备与不同等级用电之间的关系，客户等级及下辖用电设备仍旧通过传统的人工方式进行确认，严重影响差异化供电时效性。


技术实现要素：

4.本发明的目的在于提供一种差异化用电客户运维方法、系统、装置及存储介质。以解决现有技术中人工方式进行确认用户级别，严重影响差异化供电时效性的问题。
5.为了实现上述目的，本发明采用如下技术方案：
6.本发明的第一方面，提供了一种差异化用电客户运维方法，包括如下步骤：
7.获取配电网中基于时间序列的监测数据；
8.对所述监测数据采用基于突变监测的滑动时窗算法标识时间序列分割点，进行连续短时傅里叶变换和离散短时傅里叶变换，以得到二维频谱幅值矩阵；
9.将所述二维频谱幅值矩阵经过离散小波变换以得到散列后的时间序列数据，将所述散列后的时间序列数据从时域变换到频域，采用低维方式进行表示，以得到压缩后的数据；
10.对所述压缩后的数据进行相似度计算；
11.基于计算的相似度，将压缩后的数据进行聚类，以得到聚类结果，作为不同等级的用电客户；
12.针对每一个等级的用电客户，将用电客户的多维度数据进行关联，并进行统一标签；
13.基于所述统一标签，为不同等级的用电客户匹配预设的供电保障方案。
14.可选的，所述基于时间序列的监测数据包括静态数据和动态数据，其中，所述静态数据分为模型数据、属性数据、分析数据，所述动态数据包括功率曲线、环境温度、电能量数据。
15.可选的，将所述二维频谱幅值矩阵经过离散小波变换时，采用haar小波离散进行
小波变换，通过控制haar小波变换系数的数量来进行压缩表示；通过小波提升变换和软阈值处理方法，进一步提高数据压缩比。
16.可选的，将所述二维频谱幅值矩阵进行压缩获得压缩后的数据，具体流程如下：
17.1)将二维频谱幅值矩阵构造成128
×
128的数据方阵a；
18.2)对二维数据方阵a做二维haar提升小波变换得到矩阵b，数据方阵仿真a变换后能量重新分配在低频系数ca1矩阵、垂直系数cv1矩阵、水平系数ch1矩阵、对角系数cd1矩阵中；其中，每个小波系数矩阵行列数据均是原来数据矩阵的一半；
19.3)将低频系数ca1矩阵、垂直系数cv1矩阵、水平系数ch1矩阵、对角系数cd1矩阵再构造成一个128
×
128的矩阵c，再利用64
×
64dct变换对构造的矩阵c变换，以得到dct变换系数矩阵c；
20.4)构造maskc64
×
64稀疏矩阵，对dct变换系数矩阵c进行筛选，获取筛选结果矩阵d；
21.5)对筛选结果矩阵d的非零数据重新排列成一维数组，利用以为haar小波提升变换和软阈值处理，进一步将数据压缩，最后获取部分压缩数据data1；
22.6)对data1解码，做二维dct逆变换，得到矩阵e，为矩阵b的近似矩阵；
23.7)构造小波系数误差矩阵f，令f＝b-e。
24.8)对误差矩阵f做dct2变换，得到矩阵g；
25.9)构造maskg64
×
64稀疏矩阵，对矩阵g系数筛选，得到矩阵h；
26.10)利用一维haar小波提升变换和软阈值处理方法，将矩阵h非零元素压缩成数data2；
27.11)对误差矩阵f做lwt2变换，得到矩阵i；
28.12)构造maski64
×
64稀疏矩阵，对矩阵i系数筛选，得到矩阵j；
29.13)利用一维haar小波提升变换和软阈值处理方法，将矩阵j非零元素压缩成数据data3。
30.可选的，针对所述压缩后的数据，进行相似度计算时，采用明柯夫斯基距离算法进行相似度度量，其中，选取n＝1的欧式距离进行计算，以衡量相同维度数据对象的相似度，保留数据时间序列的特征信息。
31.可选的，明柯夫斯基距离算法目标函数为：
[0032][0033]
其中，d(ci,xj)表示聚类中心与数据对象的欧氏距离，其计算式为：
[0034][0035]
式中v
i,m
,x
j,m
为数据二维坐标。
[0036]
可选的，将压缩后的数据进行聚类时，采用k均值法，通过k中心点聚类算法生成基聚类成员，作为遗传算法的初始种群，以累计重构总误差最小作为目标函数或准则函数，将聚类集成问题转换为最优化问题，以遗传算法作为集成共识函数，模拟进化的过程，当种群
迭代达到终止条件时得到聚类结果。
[0037]
本发明的第二方面，提供了一种用于所述差异化用电客户运维方法的系统，包括：
[0038]
数据获取模块，用于获取配电网中基于时间序列的监测数据；
[0039]
数据预处理模块，用于对所述监测数据采用基于突变监测的滑动时窗算法标识时间序列分割点，进行连续短时傅里叶变换和离散短时傅里叶变换，以得到二维频谱幅值矩阵；
[0040]
数据压缩模块，用于将所述二维频谱幅值矩阵经过离散小波变换以得到散列后的时间序列数据，将所述散列后的时间序列数据从时域变换到频域，采用低维方式进行表示，以得到压缩后的数据；
[0041]
相似度计算模块，用于对所述压缩后的数据进行相似度计算；
[0042]
聚类模块，用于基于计算的相似度，将压缩后的数据进行聚类，以得到聚类结果，作为不同等级的用电客户；
[0043]
关联模块，用于针对每一个等级的用电客户，将用电客户的多维度数据进行关联，并进行统一标签；
[0044]
管理模块，用于基于所述统一标签，为不同等级的用电客户匹配预设的供电保障方案。
[0045]
本发明的第三方面，提供了一种计算机装置，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，其特征在于，所述处理器执行所述计算机程序时实现所述的差异化用电客户运维方法。
[0046]
本发明的第四方面，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，其特征在于，所述计算机程序被处理器执行时，实现所述的差异化用电客户运维方法。
[0047]
本发明的有益效果如下：
[0048]
1、本发明实施例提供的运维方法，获取基于时间序列的监测数据；对基于时间序列的监测数据，采用基于突变监测的滑动时窗算法标识时间序列分割点，进行连续短时傅里叶变换和离散短时傅里叶变换，以得到二维频谱幅值矩阵；将二维频谱幅值矩阵经过离散小波变换以得到散列后的时间序列数据，将散列后的时间序列数据从时域变换到频域，采用低维方式进行表示，以得到压缩后的数据并储存在时间序列数据库中；针对压缩后的数据，进行相似度计算；基于计算的相似度，将压缩后的数据进行聚类，以得到聚类结果；将聚类结果关联业务类型，形成统一标签；基于统一标签，结合不同等级用电客户的供电保障方案，对客户进行差异化管理。对客户用电数据的深度处理和挖掘分析，实现了用户等级自动识别、用电设备自动关联和重要客户电网运行监测，进一步推动了辖区内重要客户保电等生产管理方式由分散管控向中心集约指挥转变的进程，解决了现有技术中重要客户及其用电设备仍旧使用人工方式进行手动确认的问题。
[0049]
2、本发明实施例提供的运维方法，其中采用短时傅里叶变化技术进行监测数据预处理，通过改变窗函数大小，在频域对监测数据进行频谱分析，实现了监测数据预处理及高频扰动消除的技术效果。
[0050]
3、本发明实施例提供的运维方法，其中采用二维haar小波矩阵压缩技术，实现量原始一维数据的高压缩比压缩，同时避免了二维dct对小波分解块系数做变换引发的边缘
效应。
[0051]
4、本发明实施例提供的运维方法，其中采用基于明柯夫斯基距离算法的相似度度量技术和基于k均值法的聚类技术对电网运行监测数据进行聚类分析，对数据进行标签，实现量多维度的数据分类与归集。
附图说明
[0052]
构成本技术的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
[0053]
图1为本发明实施例中差异化用电客户运维方法原理示意图。
[0054]
图2为本发明实施例中差异化用电客户运维方法流程图。
[0055]
图3为本发明实施例中聚类算法流程图。
[0056]
图4为本发明实施例中差异化用电客户运维系统架构示意图、
具体实施方式
[0057]
下面将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。
[0058]
以下详细说明均是示例性的说明，旨在对本发明提供进一步的详细说明。除非另有指明，本发明所采用的所有技术术语与本技术所属领域的一般技术人员的通常理解的含义相同。本发明所使用的术语仅是为了描述具体实施方式，而并非意图限制根据本发明的示例性实施方式。
[0059]
本发明的第一方面，提供了一种差异化用电客户运维方法，包括如下步骤：
[0060]
s1、对配电网进行运行监测，获取基于时间序列的监测数据。
[0061]
本步骤中，所述基于时间序列的监测数据包括静态数据和动态数据；
[0062]
具体的，所述静态数据分为模型数据、属性数据、分析数据，是调度、运检、营销、安监、人力资源推送的数据；所述动态数据包括功率曲线、环境温度、电能量数据等。
[0063]
作为一种示例，本实施例中对配电网进行运行监测，主要依托于各类感知设备对于物理空间进行实时精准感知，感知层是实现分布自治、远程协调物理基础。具体来说，是利用输、变、配业务的在线监测装置，采用等间隔被动轮询与主动报送兼容机制，在线监测装置只在收到一二次融合中终端、台区智能融合终端等设备的查询指令时，被动触发数据采集与传输行为，但当目标监测量的变化超过一定阈值时，由在线监测装置主动上报更新后的测量值。
[0064]
s2、对所述基于时间序列的监测数据，采用基于突变监测的滑动时窗算法标识时间序列分割点，进行连续短时傅里叶变换和离散短时傅里叶变换，以得到二维频谱幅值矩阵。
[0065]
作为一种示例，本实施例中以配电网为例，“二遥(遥测和遥信)”业务包括整点数据上传、实时召唤及越限信息实时上传业务。由于采集数据大多为动态数据，测量值与采集时间相关，具有数值性和连续性的特点，因此，本实施例中在预处理时采用基于突变监测的滑动时窗算法标识时间序列分割点，形成具备分析条件的预处理数据。通过短时傅里叶变换对监测数据进行预处理，分离出有周期性规律的干扰信号。
[0066]
步骤s1获取的监测数据存在两种情况，一种是在连续时间段数据值均为异常(连续异常数据)，另一种为只在某几个离散时间点数据值为异常(离散异常数据/非平稳监测数据)，因此本实施例采用基于突变监测的滑动窗口算法，以傅里叶变化为基础，分别为连续短时傅里叶变换和离散短时傅里叶变换得到二维频谱幅值矩阵am(m,n)，具体如下：
[0067]
1)新增滑动时窗函数
[0068]
在本实施例中，在傅里叶变换的基础上增加沿时间轴滑动的短时窗函数，将非平稳监测数据(非平稳监测数据为离散时间点上的异常动态数据)看作是一系列短时平稳数据在时间上的延伸，可分析非平稳监测数据的局部特征，克服了傅里叶变换只能分析平稳信号整体情况的缺点。
[0069]
2)对监测数据做连续短时傅里叶变换
[0070]
作为一种示例，给定一个时间宽度很短的时窗函数g(u)，那么数据x(u)的连续短时傅里叶变换的基本公式表示为：
[0071][0072]
从上式可以看出，sf(t,f)是关于时间和频率的二元函数，对于某一时间t0，sf(t0,f)可看作是该时刻对应的频谱，即“局部频谱”；对于某一频率f0，sf(t,f0)为该特定频率的幅值。短时傅里叶变换的时频局部化能力由时频窗的面积决定。面积越小，时频局部化能力就越强，反之，时频局部化能力就越弱。为了达到精确的时频局部化描述，针对信号的局部变化选择适合的窗函数。
[0073]
在本实施例中，对于信号x(t)，时变参数下的同步压缩短时傅立叶变换定义为：
[0074]sx
(t,τ)＝∫v
x
(t,η,σ(t))δ(ω
x
(t,η)-τ)dη
[0075]
其中，x(t)代表监测数据中的一种；ω
x
(t,η)为信号的顺势频率函数，σ是t的函数，表示窗宽，v
x
(t,η,σ(t))为表示时变σ参数下信号x(t)的在窗函数g
σ(t)
下的短时傅里叶变换：
[0076][0077]
3)基于步骤二做离散短时傅里叶变换
[0078]
在本实施例中，为方便实际应用，对连续变换进行离散处理。
[0079]
对于采样频率fs，采样时间间隔以该频率在时频面等间隔点[mδt,n/(nδt)]处采样，n为总采样点数，m、n＝0,1,2,
…
,n-1。
[0080]
x(k)为数据x(t)的离散形式，则短时傅里叶变换的离散形式表示如下：
[0081][0082]
在本实施例中，离散短时傅里叶变换所得的结果是时频二维联合复数矩阵，其中
行向量是对应采样时刻的频谱，列向量是对应各采样频率频谱的时间分布。对其求模可得二维频谱幅值矩阵am(m,n)，如下式所示。
[0083]
am(m,n)＝|sf(m,n)|
[0084]
在本实施例中，用于监测数据扰动时，从离散短时傅里叶变换所得的二维频谱幅值矩阵am(m,n)中直接或利用数学方法间接提取特征序列，如基频幅值序列、频谱峰值序列、幅值标准差序列等，并以特征曲线的形式直观呈现出来，方便扰动特征量的表征和提取。
[0085]
s3、将二维频谱幅值矩阵am(m,n)进行压缩处理并存储。
[0086]
在本实施例中，将所述二维频谱幅值矩阵经过离散小波变换以得到散列后的时间序列数据，将所述散列后的时间序列数据从时域变换到频域，采用低维方式进行表示，以得到压缩后的数据并储存在时间序列数据库中，目的是为了压缩存储。
[0087]
(1)小波压缩参数获取
[0088]
由于小波函数在时域和频域中均具备平滑性和集中性，因此上述连续短时傅里叶变换函数sf(t,f)和离散短时傅里叶变换所得的二维频谱幅值矩阵am(m,n)采用haar小波进行压缩存储，引入尺度和平移因子，使时窗函数随尺度而自适应改变，具有良好的时频局部分析能力和多分辨率分析特点，适合分析突变数据的暂态特征。
[0089]
haar尺度函数为：
[0090][0091]
对于该尺度函数向右平移任意b个单位，构成函数族：
[0092][0093]
该函数族是在l2空间是正交的，并构成一组正交基，形成v0子空间。haar小波函数为：
[0094][0095]
则对任意数据x(t)均可以由表示为以下线性组合
[0096][0097]
其中，ψ
*a,b
(t)为小波函数；a为尺度因子，决定小波函数的频域中心和带宽；b为平移因子，与a一起决定小波函数的时域中心。改变a和b，从而改变时窗函数的大小，以此分析数据的低频和高频内容。分析方法将异常数据分解到不同的尺度空间，不同数据特征由各层分解所得系数表征。
[0098]
(2)二维haar小波矩阵压缩
[0099]
将所述二维频谱幅值矩阵经过离散小波变换时，采用haar小波离散进行小波变换，通过控制haar小波变换系数的数量来进行压缩表示；通过小波提升变换和软阈值处理方法，进一步提高数据压缩比。以尺度因子a和平移因子b为主要参数对二维频谱幅值矩阵
am(m,n)进行二维haar小波矩阵压缩。具体流程如下：
[0100]
1)将二维频谱幅值矩阵构造成128
×
128的二维数据方阵a。
[0101]
2)对二维数据方阵a做二维haar提升小波变换(lwt2)得到矩阵b，二维数据方阵a变换后能量重新分配在低频系数ca1矩阵、垂直系数cv1矩阵、水平系数ch1矩阵、对角系数cd1矩阵中，有利于下一步dct变换进一步能量集中；其中，每个小波系数矩阵行列数据均是原来数据矩阵的一半。
[0102]
3)将低频系数ca1矩阵、垂直系数cv1矩阵、水平系数ch1矩阵、对角系数cd1矩阵再构造成一个128
×
128的矩阵c，再利用64
×
64dct变换对构造的矩阵c变换，以得到dct变换系数矩阵c；变换后的ca1_dct2,cvl_dct2,ch1_dct2,cd1_dct2矩阵能量最后主要集中在左上角。
[0103]
4)构造maskc64
×
64稀疏矩阵，对dct变换系数矩阵c进行筛选，获取筛选结果矩阵d。
[0104]
5)对筛选结果矩阵d的非零数据重新排列成一维数组，利用一维haar小波提升变换和软阈值处理，进一步将数据压缩，最后获取部分压缩数据data1，位置信息由mask稀疏矩阵中1的元素位置决定。
[0105]
6)对压缩数据data1解码，做二维dct逆变换，得到矩阵e，矩阵e为矩阵b的近似矩阵。
[0106]
7)构造小波系数误差矩阵f，令f＝b-e。
[0107]
8)对误差矩阵f做dct2变换，得到矩阵g。
[0108]
9)构造maskg64
×
64稀疏矩阵，对矩阵g系数筛选，得到矩阵h。
[0109]
10)利用一维haar小波提升变换和软阈值处理方法，将矩阵h非零元素压缩成数data2。
[0110]
11)对误差矩阵f做lwt2变换，得到矩阵i。
[0111]
12)构造maski64
×
64稀疏矩阵，对矩阵i系数筛选，得到矩阵j。
[0112]
13)利用一维haar小波提升变换和软阈值处理方法，将矩阵j非零元素压缩成数据data3。
[0113]
14)以此类推完成初始矩阵am(m,n)的压缩，得到数据data。
[0114]
s4、针对所述压缩后的数据，进行相似度计算。
[0115]
在本实施例中，针对所述压缩后的数据，进行相似度计算时，采用明柯夫斯基距离算法进行相似度度量，其中，选取n＝1的欧式距离进行计算，以衡量相同维度数据对象的相似度，保留数据时间序列的特征信息。
[0116]
经过压缩存储后的data数据以及从调度、运检、营销、安监等部门获取的数据进行相似性度量。
[0117]
经haar小波函数、二维haar小波矩阵压缩的数据均为相同维度，衡量相同维度数据对象的相似度，本发明采用明柯夫斯基距离算法，通常在应用中选取n＝1的欧式距离进行计算，其目标函数为
[0118]
[0119]
其中，d(ci,xj)表示聚类中心与数据对象的欧氏距离,其计算式为
[0120][0121]
式中v
i,m
,x
j,m
为数据二维坐标。
[0122]
对于二元函数haar小波压缩后的相似度为
[0123]
对于二维haar小波矩阵压缩后的相似度为
[0124]
s5、基于计算的相似度，将压缩后的数据data进行聚类，以得到p个聚类中心；
[0125]
在本实施例中，将压缩后的数据进行聚类时，采用k均值法，通过k中心点聚类算法生成基聚类成员，作为遗传算法的初始种群，以累计重构总误差最小作为目标函数或准则函数，将聚类集成问题转换为最优化问题，以遗传算法作为集成共识函数，模拟进化的过程，当种群迭代达到终止条件时得到聚类结果。
[0126]
在本实施例中，将需聚类的元素集表示为o＝{o1,o2,
…
,on},通过p个基聚类构建器产生了p个聚类结果，第p个聚类结果表示为δ
p
＝{δ
p
(o1),δ
p
(o2),
…
δ
p
(on)},其中δ
p
(oi)表示元素oi在第p个聚类结果中的类标签，因此f为共识函数，聚类集可以表示为δ(o)＝f(δ1(o),δ2(o),
…
δ
p
(o)}。
[0127]
采用k均值法生成基聚类成员，随机选取k个样本作为聚类中心，计算各样本与各个聚类中心的距离，将各样本回归于与之距离最近的聚类中心，求各个类的样本的均值，作为新的聚类中心；判定若类中心不再发生变动或者达到迭代次数，算法结束，重新开始计算各样本与各个聚类中心的距离。
[0128]
最终生成δ
p
＝{δ
p
(o1),δ
p
(o2),
…
δ
p
(on)}共p个聚类，按照业务实际情况命名成为标签簇。
[0129]
采用k均值法进行聚类分析，算法由染色体编码、适应度函数及目标函数、种群初始化、选择/交叉/变异、精英保留五个部分组成，算法流程为：
[0130]
1)种群初始化。迭代代数gen＝0，使用基于重构误差的k中心点算法进行h次聚类，产生h个基聚类成员作为初始种群。并以种群所有个体的累计重构总误差最小作为目标函数。
[0131]
2)以重构总误差做为个体成员的适应度函数，衡量各个基聚类成员的适应度。
[0132]
3)选择k
opt
％种群个体作为精英个体，直接作为下一代种群成员。
[0133]
4)基于轮盘赌方法随机选择种群成员进行交叉和变异操作，交叉率和变异率分别为pc和pm生成1-k
opt
％种群个体作为下一代种群成员。
[0134]
5)计算基于种群所有个体的累计重构总误差re_sum的种群进化目标函数。
[0135]
6)若不满足迭代终止条件，则重复2)；否则，进行7)。终止条件为种群进化目标函数值下降幅度小于一阈值或进化次数到达最大值。
[0136]
7)输出最后的种群最优个体作为聚类集成的结果，作为不同等级的用电客户。
[0137]
s6、针对每一个等级的用电客户，将该用电客户的多维度数据进行关联，并进行统一标签，用电客户的多维度数据包括客户信息、用电设备、运行监测数据、客户等级等数据。
[0138]
s7、基于所述统一标签，为不同等级的用电客户匹配预设的供电保障方案，对客户进行供电保障，实现针对不同等级的用电客户，进行差异化管理。
[0139]
本发明的第二方面，提供了一种用于所述差异化用电客户运维方法的系统，包括：
[0140]
数据获取模块，用于获取基于时间序列的监测数据；
[0141]
数据预处理模块，用于对所述基于时间序列的监测数据，采用基于突变监测的滑动时窗算法标识时间序列分割点，进行连续短时傅里叶变换和离散短时傅里叶变换，以得到二维频谱幅值矩阵；
[0142]
数据压缩模块，用于将所述二维频谱幅值矩阵经过离散小波变换以得到散列后的时间序列数据，将所述散列后的时间序列数据从时域变换到频域，采用低维方式进行表示，以得到压缩后的数据并储存在时间序列数据库中；
[0143]
相似度计算模块，用于针对所述压缩后的数据，进行相似度计算；
[0144]
聚类模块，用于基于计算的相似度，将压缩后的数据进行聚类，以得到聚类结果；
[0145]
关联模块，用于将所述聚类结果关联业务类型，形成统一标签；
[0146]
管理模块，用于基于所述统一标签，结合不同等级用电客户的供电保障方案，对客户进行差异化管理。
[0147]
本发明的第三方面，提供了一种计算机装置，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，其特征在于，所述处理器执行所述计算机程序时实现所述的差异化用电客户运维方法。
[0148]
本发明的第四方面，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，其特征在于，所述计算机程序被处理器执行时，实现所述的差异化用电客户运维方法。
[0149]
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。
[0150]
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。
[0151]
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。
[0152]
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。
[0153]
由技术常识可知，本发明可以通过其它的不脱离其精神实质或必要特征的实施方案来实现。因此，上述公开的实施方案，就各方面而言，都只是举例说明，并不是仅有的。所有在本发明范围内或在等同于本发明的范围内的改变均被本发明包含。