一种负荷预测方法、系统、介质及计算机设备与流程

1.本发明涉及负荷预测技术领域，特别涉及一种负荷预测方法、系统、介质及计算机设备。


背景技术：

2.电力行业是能源领域的支柱行业，更是国家未来能源战略的重中之重。充足的电力供应是营造良好社会环境的前提和保证，这对建设社会绿色经济、优化资源具有重要意义。准确的负荷预测，可以经济合理地安排电网内部发电机组的启停，保持电网运行的安全稳定性，为电网调度机构提供辅助决策。负荷预测是根据系统的运行特性、增容决策、自然条件与社会影响等诸多因数，在满足一定精度要求的条件下，确定未来某特定时刻的负荷数据。当今国内外有大量电力数据预测方法与电力负荷的短期预测模型，但随着系统的优化、用户不断增加的电量需求以及新能源行业的发展，现有方法与模型，对负荷的预测仍然不准确。
3.因此，如何提供一种负荷预测方法，是目前亟待解决的问题。


技术实现要素：

4.本发明实施例提供了一种负荷预测方法，以解决现有技术中针对负荷预测不够准确的问题。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。
5.第一方面，本技术提供一种负荷预测方法，括以下步骤：
6.提取电网的历史数据，以电网的历史数据构建第一预测模型并利用第一预测模型输出第一负荷预测结果，以电网的历史数据构建第二预测模型并利用第二预测模型输出第二负荷预测结果；
7.根据第一负荷预测结果及第二负荷预测结果确定最终负荷预测结果。
8.可选地，所述提取电网的历史数据的步骤，包括提取历史数据并对提取的历史数据进行异常值、缺失值、冗余值及无效值的预处理。
9.可选地，所述以电网的历史数据构建第一预测模型并利用第一预测模型输出第一负荷预测结果的步骤，包括：将提取的历史数据转化为可被回归分析的多步时间序列数据；配置环境并修改数据配置文件，上传预处理好的历史数据，修改训练配置文件，提交训练任务；实时监控工作流进展，并查看训练结果；输出预测结果，并通过调整模型参数进行模型调优；利用模型调优后的模型输出第一负荷预测结果。
10.可选地，所述第一预测模型为安全联邦提升树模型，所述通过调整模型参数进行模型调优的步骤，包括调整学习率、树的个数、树的深度进行模型调优。
11.可选地，所述以电网的历史数据构建第二预测模型并利用第二预测模型输出第二负荷预测结果的步骤，包括：将预处理后的历史数据进行归一化处理，将数据成比例地转换
到[0,1]之间，归一化处理的公式如下：
[0012][0013]
其中，xi为原始数据；xi'为处理后的数据；x
max
和x
min
分别为输入样本的最大值和最小值。
[0014]
可选地，所述以电网的历史数据构建第二预测模型并利用第二预测模型输出第二负荷预测结果的步骤，还包括：在利用第二预测模型输出第二负荷预测结果后，将输出的第二负荷预测结果进行反线性变换后得到预测值再与真实测量值进行比较，所述反线性变换的公式为：
[0015]
x＝x”·
(x
max
ꢀ‑ꢀ
x
min
)+x
min (1)
[0016]
其中，x为真实的预测值，x
max
和x
min
分别为输入样本的最大值和最小值；x”为预测值的归一化数据。
[0017]
可选地，所述以电网的历史数据构建第二预测模型并利用第二预测模型输出第二负荷预测结果的步骤，还包括：将归一化处理后的历史数据按照m:o:p的比例，划分为训练集、验证集及测试，其中：m+o+p＝1，且m＞o，m＞p。
[0018]
可选地，所述以电网的历史数据构建第二预测模型并利用第二预测模型输出第二负荷预测结果的步骤，还包括：构建双通道模型，确定双通道模型参数；利用归一化处理后的训练集中的历史数据训练所述双通道模型，并输出训练后的模型；绘制预测值和实际值的拟合图像及损失函数趋于稳定的图像；调整训练后的模型的参数并进行模型调优，利用调优后的模型进行负荷预测并输出第二负荷预测结果。
[0019]
可选地，所述构建双通道模型，确定双通道模型参数的步骤，包括：设置学习率、迭代次数和单次传递样本数量，构建双通道卷积神经网络-长短时记忆网络模型；设置数据维度和步长，设置随机失活值，确定激活参数和损失函数。
[0020]
可选地，所述学习率为0.001-0.002，所述迭代次数为1000-2000，所述单次传递样本数量为20-40，所述随机失活值为0.2-0.4。
[0021]
可选地，所述以电网的历史数据构建第二预测模型并利用第二预测模型输出第二负荷预测结果的步骤，还包括：利用验证集中的预处理后历史数据训练模型的超参数，所述超参数包括平均绝对误差mae、均方根误差rmse和相关系数r。
[0022]
可选地，所述平均绝对误差mae、均方根误差rmse和相关系数r的计算公式为：
[0023][0024][0025]
[0026]
其中:y
t
、y
t
'分别表示t时刻的负荷的真实值和预测值；n表示测试集样本个数；cov为协方差函数，v(y
t
)和v(y
t
')分别为y
t
、y
t
'的方差。
[0027]
可选地，所述根据第一负荷预测结果及第二负荷预测结果确定最终负荷预测结果并输出的步骤，包括：对第一负荷预测结果及第二负荷预测结果利用方差选择法确认第一负荷预测结果及第二负荷预测结果的权重系数，利用加权平均法得到最终负荷预测结果。
[0028]
第二方面，本技术提供一种负荷预测系统，包括模型构建单元和预测单元，其中：
[0029]
所述模型构建单元：用于提取电网的历史数据，并以电网的历史数据分别构建第一预测模型和第二预测模型；
[0030]
所述预测单元：用于利用第一预测模型输出第一负荷预测结果，利用第二预测模型输出第二负荷预测结果；以及，根据第一负荷预测结果和第二负荷预测结果，确定最终负荷预测结果。
[0031]
第三方面，本技术提供一种介质，其上存储有程序，该程序被处理器执行时实现如上任一项所述的负荷预测方法中的步骤。
[0032]
第四方面，本技术提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如上任一项所述的负荷预测方法中的步骤。
[0033]
本技术实施例提供的技术方案可以包括以下有益效果：
[0034]
通过使用双模型分别预测并输出负荷预测结果，并根据双模型输出的负荷预测结果，确定最终负荷预测结果，可以在极大程度上提高电力系统负荷预测的准确性。
[0035]
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
[0036]
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
[0037]
图1是根据一示例性实施例示出的负荷预测方法的流程图；
[0038]
图2是根据又一示例性实施例示出的负荷预测方法的流程图；
[0039]
图3是根据一示例性实施例示出的长短时记忆网络模型的结构示意图；
[0040]
图4是根据一示例性实施例示出的负荷预测系统的结构示意图；
[0041]
图5是根据一示例性实施例示出的设备的结构示意图。
具体实施方式
[0042]
以下描述和附图充分地示出本文的具体实施方案，以使本领域的技术人员能够实践它们。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本文的实施方案的范围包括权利要求书的整个范围，以及权利要求书的所有可获得的等同物。本文中，术语“第一”、“第二”等仅被用来将一个元素与另一个元素区分开来，而不要求或者暗示这些元素之间存在任何实际的关系或者顺序。实际上第一元素也能够被称为第二元素，反之亦然。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的结构、装置或者设备不仅包括那些要素，而且还包括没有明确
列出的其他要素，或者是还包括为这种结构、装置或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的结构、装置或者设备中还存在另外的相同要素。本文中各个实施例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部分互相参见即可。
[0043]
本文中的术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底"内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本文和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。在本文的描述中，除非另有规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
[0044]
本文中，除非另有说明，术语“多个”表示两个或两个以上。
[0045]
本文中，字符“/”表示前后对象是一种“或”的关系。例如，a/b表示：a或b。
[0046]
本文中，术语“和/或”是一种描述对象的关联关系，表示可以存在三种关系。例如，a和/或b，表示：a或b，或，a和b这三种关系。
[0047]
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
[0048]
请参照图1，本实施例提供一种负荷预测方法，括以下步骤：
[0049]
提取电网的历史数据，以电网的历史数据构建第一预测模型并利用第一预测模型输出第一负荷预测结果，以电网的历史数据构建第二预测模型并利用第二预测模型输出第二负荷预测结果；
[0050]
根据第一负荷预测结果及第二负荷预测结果确定最终负荷预测结果。
[0051]
提取电网的历史数据的步骤，包括提取历史数据并对提取的历史数据进行异常值、缺失值、冗余值及无效值的预处理。具体的，包括对数据缺失值、无效值、异常值等离群数据进行删除处理，对于冗余数据的预处理，通过区县编号+时间确定唯一主键，使用pandas的duplicated(重复值)方法清除冗余数据
[0052]
在一个实施例中，电网的历史数据包括负荷时序数据和影响因素数据，其中影响因素数据包括天气、温度数据、时间和节假日数据。请结合图2和图3，在一个实施例中，以电网的历史数据构建第一预测模型并利用第一预测模型输出第一负荷预测结果的步骤，包括：将提取的历史数据转化为可被回归分析的多步时间序列数据；配置环境并修改数据配置文件，上传预处理好的历史数据，修改训练配置文件，提交训练任务；实时监控工作流进展，并查看训练结果；输出预测结果，并通过调整模型参数进行模型调优；利用模型调优后的模型输出第一负荷预测结果。
[0053]
以电网的历史数据构建第一预测模型并利用第一预测模型输出第一负荷预测结果的步骤，包括使用搭建的fate框架，采用纵向联邦机器学习，使用联邦学习算法secureboost算法进行负荷预测，secureboost是一种结合xgboost以及同态加密技术的安全联邦提升树算法。算法允许学习过程中在具有部分公共用户样本但不同特征集的多方数据上进行联合建模，其优点是，它提供了与非隐私方法相同的准确性，且不会泄露任何私人数据信息，具体的，包括如下步骤：
[0054]
step1：使用python将历史数据转化为可以被回归分析的多步时间序列数据。
[0055]
step2：开启fate((federatedai technology enabler)服务的fateflow(作业调试系统)服务及fateboard(可视化模块)服务，进入fate虚拟环境。
[0056]
step3：修改数据配置文件，上传预处理好的数据。
[0057]
step4：修改训练配置文件，提交训练任务。
[0058]
step5：在fateboard中实时查看工作流进展，通过hetero_secure_boost_0模块和evaluation_0模块查看训练结果。
[0059]
step6：输出预测结果，并通过调整learning_rate(学习率),num_trees(树的个数)，tree_depth(树的深度)进行模型调优。
[0060]
step7：使用训练好的模型输出负荷预测结果。
[0061]
本实施例采用联邦机器学习的fate平台使用secureboost算法建立安全联邦提升树模型，进行负荷预测，保护电力数据隐私，得到第一负荷预测结果，具有较高的安全性。
[0062]
第一预测模型为安全联邦提升树模型，通过调整模型参数进行模型调优的步骤，包括调整学习率、树的个数、树的深度进行模型调优。
[0063]
以电网的历史数据构建第二预测模型并利用第二预测模型输出第二负荷预测结果的步骤，包括：将预处理后的历史数据进行归一化处理，将数据成比例地转换到[0,1]之间，归一化处理的公式如下：
[0064][0065]
其中，xi为原始数据；xi'为处理后的数据；x
max
和x
min
分别为输入样本的最大值和最小值，数据指标间的量纲影响较大,归一化处理可以避免大范围的数据量,减小计算量，提高组合模型的的训练速度，因此将数据预处理后的特征向量及时序数据进行归一化。
[0066]
以电网的历史数据构建第二预测模型并利用第二预测模型输出第二负荷预测结果的步骤，还包括：在利用第二预测模型输出第二负荷预测结果后，将输出的第二负荷预测结果进行反线性变换后得到预测值再与真实测量值进行比较，反线性变换的公式为：
[0067]
x＝x”·
(x
max-x
min
)+x
min
[0068]
其中，x为预测值；x
max
和x
min
分别为输入样本的最大值和最小值；x”为预测值的归一化数据，即第二负荷预测结果，由于第二预测模型输出的第二负荷预测结果同样是归一化处理之后的数据，因此需要对第二负荷预测结果进行反线性变换得到真实的预测值，再与真实测量值即原始负荷值进行比较，确定第二负荷预测结果的可靠性。
[0069]
以电网的历史数据构建第二预测模型并利用第二预测模型输出第二负荷预测结果的步骤，还包括：将归一化处理后的历史数据按照m:o:p的比例，划分为训练集、验证集及测试，其中：m+o+p＝1，且m＞o，m＞p。
[0070]
在一个实施例中，对第二负荷预测结果进行反线性变换得到真实的预测值，再与真实测量值即原始负荷值进行比较，确定第二负荷预测结果的可靠性，包括将真实的预测值与测试集中的原始负荷值进行比较，确定第二负荷预测结果的可靠性。
[0071]
在一个实施例中，将归一化后的数据按照0.6：0.2：0.2，划分训练集、验证集、测试集。训练集(trainset)用于模型拟合的数据样本。在训练过程中对训练误差进行梯度下降，进行学习，可训练的权重参数。验证集(validationset)是模型训练过程中单独留出的样本集，它可以用于调整模型的超参数和用于对模型的能力进行初步评估。测试集用来评估模
最终模型的泛化能力。
[0072]
以电网的历史数据构建第二预测模型并利用第二预测模型输出第二负荷预测结果的步骤，还包括：构建双通道模型，确定双通道模型参数；利用归一化处理后的训练集中的历史数据训练双通道模型，并输出训练后的模型；绘制预测值和实际值的拟合图像及损失函数趋于稳定的图像；调整训练后的模型的参数并进行模型调优，利用调优后的模型进行负荷预测并输出第二负荷预测结果。
[0073]
构建双通道模型，确定双通道模型参数的步骤，包括：设置学习率、迭代次数和单次传递样本数量，构建双通道卷积神经网络-长短时记忆网络模型；设置数据维度和步长，设置随机失活值，确定激活参数和损失函数。
[0074]
学习率为0.001-0.002，迭代次数为1000-2000，单次传递样本数量为20-40，随机失活值为0.2-0.4。
[0075]
在一个实施例中，以电网的历史数据构建第二预测模型并利用第二预测模型输出第二负荷预测结果的步骤，还包括：利用验证集中的预处理后历史数据训练模型的超参数，超参数包括平均绝对误差mae、均方根误差rmse和相关系数r。
[0076]
平均绝对误差mae、均方根误差rmse和相关系数r的计算公式为：
[0077][0078][0079][0080]
其中:y
t
、y
t
'分别表示t时刻的负荷的真实值和预测值；n表示测试集样本个数；cov为协方差函数，v(y
t
)和v(y
t
')分别为y
t
、y
t
'的方差。
[0081]
请参照图3所示，在一个实施例中，给出了一长短时记忆网络(lstm)单元的结构示意图，在lstm单元中h
t
可以看作短期状态,c
t
即cell(单元)看作长期状态,从下方输入(h
t-1
,x
t
)d到输出h
t
以的一条线即为cellstate(单元状态),f(t),i(t),o(t)分别为遗忘门、输入门、输出门，g(t)表示一个候选值。ltsm的运算过程由以下公式表示：
[0082]
i(t)＝σ(w
i,x
x
t
+w
i,hht-1
+bi)
ꢀꢀꢀ
(6)
[0083]
f(t)＝σ(w
f,x
x
t
+w
f,hht-1
+bf)
ꢀꢀꢀ
(7)
[0084]
o(t)＝σ(w
o,x
x
t
+w
o,hht-1
+bo)
ꢀꢀꢀ
(8)
[0085]
g(t)＝tanh(w
g,x
x
t
+w
g,hht-1
+bg)
ꢀꢀꢀ
(9)
[0086]
式中：w
i,x
，w
i,h
，w
f,x
，w
f,h
，w
o,x
，w
o,h
，w
g,x
，w
g,h
为权值矩阵；x
t
为t时刻的输入；h
t-1
为上一时刻的输出；bi，bf，bo，bg为偏置向量；σ为sigmoid激活函数，tanh为激活函数双曲正切函数，y(t)为利用双曲正切函数激活后的某一输出。
[0087]
在一个实施例中，以电网的历史数据构建第二预测模型并利用第二预测模型输出第二负荷预测结果的步骤，具体包括如下步骤：
[0088]
step1：通过spark大数据平台计算预处理历史负荷数据及特征因素数据，使用python读取数据，处理数据类型。
[0089]
step2：设置学习率learning_rate(学习率)＝0.001,epochs(迭代次数)
[0090]
＝1000,my_batch_size(单次传递样本数量)＝32,构建双通道cnn-lstm(卷积神经网络-长短时记忆网络)模型，设置数据维度和步长，dropout(随机失活值)设置为0.3防止过拟合，激活函数使用tanh(双曲正切函数)，损失函数使用“mean_squared_error”(均方误差函数)。
[0091]
step3：处理数据维度，根据步长滑窗口取值设置数据维度，然后使用train_test_split函数划分训练集和测试集。
[0092]
step4：设置earlystopping(早停法)函数，开始训练模型，输出训练好的模型
[0093]
step5：使用python的插件库plot绘制预测值和实际值的拟合图象及损失函数趋于稳定的图象。
[0094]
step6：调整参数，模型调优，使用预测效果好的模型进行负荷预测，数据入库，可视化展示。
[0095]
根据第一负荷预测结果及第二负荷预测结果确定最终负荷预测结果并输出的步骤，包括：对第一负荷预测结果及第二负荷预测结果利用方差选择法确认第一负荷预测结果及第二负荷预测结果的权重系数，利用加权平均法得到最终负荷预测结果。
[0096]
在一个实施例中，利用优势矩阵法确认第一负荷预测结果和第二负荷预测结果的权重系数，优势矩阵法的计算公式为：
[0097][0098][0099]
其中：n1和n2分表代表第一预测模型和第二预测模型相对于负荷的真实值预测效果符合要求的次数，w1和w2分别是第一预测模型和第二预测模型的权重。
[0100]
第一预测模型和第二预测模型相对于负荷的真实值预测效果符合要求的次数的步骤，包括：设定预测偏差值，当反线性变换后输出的预测值与负荷的真实值相比较，当两者差值在预测偏差之以内时，确定该预测效果为符合要求并记为一次。
[0101]
在一个实施例中，第一负荷预测模型为安全联邦提升树模型，第二负荷预测模型为卷积神经网络-长短时记忆网络模型，通过etl(数据仓库技术)数据抽取经过spark大数据平台处理得到区县单位的每小时负荷瞬时值，及相关特征因素数据，处理数据缺失值，异常值的情况，对离群数据进行删除处理，对于冗余数据处理，通过区县编号+时间确定唯一主键，使用pandas(分析结构化数据工具集,)的duplicated(重复值)方法清除冗余数据。处理负荷时间序列数据处理经过数据转换设置步数为5，得到二维数组，使用训练好的secureboost算法输出负荷预测结果。将经过滑窗口取值后的历史负荷作为影响因素作为特征合并温度和湿度及时间、节假日数据，将数据归一化后，按照0.6：0.2：0.2的比例划分训练集、验证集、测试集，使用已经训练好的双通道cnn+lstm预测短期负荷数据，得到lstm负荷预测结果集，最后通过加权平均算法获取组合模型的负荷预测结果集。
[0102]
在一个实施例中，定时执行最终负荷预测结果，将python连接mysql数据库，实现
数据的自动入库。
[0103]
本技术首先进行数据预处理处理负荷及影响因素历史数据，然后采用联邦机器学习的fate平台使用secureboost算法进行负荷预测，保护电力数据隐私，得到负荷预测结果集。将特征因素数据进行归一化，然后使用双通道cnn+lstm神经网络负荷预测模型，输出lstm预测的负荷结果集。最后通过使用方差优选法确定权重系数，使用加权平均法获得最终的组合模型负荷预测结果集，提高了负荷预测的准确率。
[0104]
请参照图4，在一个实施例中，提供一种负荷预测系统，包括模型构建单元和预测单元，其中：
[0105]
模型构建单元：用于提取电网的历史数据，并以电网的历史数据分别构建第一预测模型和第二预测模型；
[0106]
预测单元：用于利用第一预测模型输出第一负荷预测结果，利用第二预测模型输出第二负荷预测结果；以及，根据第一负荷预测结果和第二负荷预测结果，确定最终负荷预测结果。
[0107]
在一个实施例中，提供了一种负荷预测系统，其按照如上任一实施例中公开的负荷预测方法，实现负荷的预测。
[0108]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储静态信息和动态信息数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述方法实施例中的步骤。
[0109]
本领域技术人员可以理解，图5中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的设备的限定，具体的设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0110]
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述方法实施例中的步骤。
[0111]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述方法实施例中的步骤。
[0112]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是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非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。
[0113]
需要说明的是，以上描述仅为本技术的一些实施例以及对所运用技术原理的说
明。本领域技术人员应当理解，本技术中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本技术中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
[0114]
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本技术的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
[0115]
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。