本发明涉及配电网的规划配置方法领域,具体涉及一种配电网分布式电源优化配置方法和系统。
背景技术:
当今社会,能源危机和环保问题越发严重,传统化石能源已无法满足人类可持续发展的目标,以可再生能源为主的分布式发电技术愈发受到人们的关注。分布式电源(dg)是指设计、安装并且运行在配电网的容量在几千瓦至几十兆瓦之间的小型发电机组。由于dg具有可靠性高、清洁环保、安装地点灵活等诸多优点,dg在配电网中扮演着日益重要的角色。
当dg接入配电网后,系统潮流方向将发生改变,随之将引起配电网网络损耗的变化,使得网络损耗不仅与负荷大小有关,还与dg的位置和数量有关。同时由于dg具有间歇性,波动性,随机性等特点,势必会影响配电网的安全稳定可靠运行。若分布式电源的渗透率过高或者接入配电网的位置选择不当,不但不能提升电网运行的环保性与经济性,反而会影响系统的安全稳定运行。因此,有必要对含dg的配电网建设进行规划。
技术实现要素:
现阶段大多数文献在规划过程中主要根据dg出力额定值,并没有考虑到dg和负荷的时序特性,这对实际的规划问题解决会产生偏差,有必要在规划过程中充分考虑dg和负荷的时序特性。
为了解决忽略分布式电源和负载的时序特性导致配电网规划产生的偏差影响,本发明提出一种配电网分布式电源优化配置方法,充分考虑不同类型dg和负荷的时序特性,选取dg运维费用、dg投资年等效费用、系统网络损耗费用、燃料费用、污染赔偿费用、环保补贴综合最小作为目标函数,采用遗传-蚁群复合算法求解得到配电网中分布式电源优化配置方案。
本发明提供的技术方案是:
一种配电网分布式电源优化配置方法,包括:
将配电网分布式电源的行业统计数据、运行数据和配电网负荷数据带入预先建立的分布式电源优化配置模型;
基于遗传-蚁群算法计算确定所述配电网最优化的分布式电源选址定容方案;
基于所述最优化的分布式电源选址定容方案对配电网建设规划进行优化配置;
所述分布式电源优化配置模型以多种分布式电源构成的配电系统年费用最小为目标,以负荷为约束。
优选的,所述分布式电源优化配置模型的建立包括:
根据配电网分布式电源的行业统计数据和运行数据,确定以多种分布式电源构成的配电系统年费用最小为目标的目标函数;
根据配电网负荷数据,确定优化配置约束条件;
其中所述分布式电源包括:燃气轮机,光伏机组和风机机组。
进一步的,所述根据配电网分布式电源的行业统计数据和运行数据,确定配电系统年费用最小的目标函数,包括:
根据配电网的电网拓扑,确定电网支路、电网节点和电缆参数;所述电缆参数包括各支路电流和各支路电阻;
根据配电网分布式电源的运行数据,基于所述电网节点,确定电网各节点出力数据;
根据配电网分布式电源的行业统计数据,基于所述电网支路和电网节点,确定配电网的分布式电源运行维护参数、建设投资参数、燃气轮机使用参数以及光伏发电和风力发电使用参数;
基于所述电缆参数、运行维护参数和电网各节点出力数据,确定分布式电源年运行维护费用和系统运行网络损耗费用;
基于所述建设投资参数,确定分布式电源年度等效投资费用;
基于所述电网各节点出力数据和燃气轮机使用参数,确定燃气轮机燃料费用和污染赔偿费用;
基于所述电网各节点出力数据、光伏发电和风力发电使用参数,确定环保补贴费用;
根据所述分布式电源年运行维护费用、系统运行网络损耗费用、分布式电源年度等效投资费用、燃气轮机燃料费用、污染赔偿费用和环保补贴费用,得到配电系统年费用最小的目标函数;
所述运行维护参数包括:分布式电源单位电量的运行维护费用、系统运行单位网损;
所述建设投资参数包括:分布式电源回收期、每个电网节点分布式电源安装投资费用以及每个电网节点燃气轮机安装数量、光伏机组安装数量和风电机组安装数量;
所述燃气轮机使用参数包括:单位燃气轮机每小时的燃料费用、单位燃气轮机产生温室气体的排放强度、燃气轮机排放温室气体应交纳的罚款;所述光伏发电和风力发电使用参数包括:光伏发电和风力发电单位电量的环保补贴。
进一步的,所述配电系统年费用最小的目标函数的计算式如下:
minctol=com+ci+closs+cf+ce-cp
其中,ctol是系统年费用总额,com是分布式电源年运行维护费用,ci是分布式电源年度等效投资费用,closs是系统网络损耗费用,cf是燃气轮机燃料费用,ce是燃气轮机污染赔偿费用,cp是环保补贴费用。
进一步的,所述分布式电源年运行维护费用com的计算式如下:
其中,com是分布式电源单位电量的运行维护费用,ei(t)是第i个节点所接分布式电源在t时段的发电量,ndg是待选节点总数;
所述分布式电源年度等效投资费用ci的计算式如下:
其中,r是贴现率,ny是分布式电源回收期,ci是第i个节点处安装分布式电源的投资费用,s[i]是第i个待选节点处分布式电源的安装数量;
所述系统网络损耗费用closs的计算式如下:
其中,closs是系统运行单位网损,ii是第i条线路上的电流,ri是第i条线路的电阻,t是线路总数;
所述燃气轮机燃料费用cf的计算式如下:
其中,cf是单位燃气轮机每小时的燃料费用,emt,i(t)是t时刻第i个燃气轮机待选节点处的出力,nmt是燃气轮机安装数量;
所述燃气轮机污染赔偿费用ce的计算式如下:
其中,kmt是单位燃气轮机产生温室气体的排放强度,emt,i(t)是t时刻第i个燃气轮机待选节点处的出力,
所述环保补贴费用cp的计算式如下:
其中,cpv是光伏发电单位电量的环保补贴,cwg是风力发电单位电量的环保补贴,epv,i(t)是t时刻第i个光伏机组待选节点处的出力,ewg,i(t)是t时刻第i个风电机组待选节点处的出力,npv是光伏机组安装数量,nwg是风电机组安装数量。
进一步的,所述根据配电网负荷数据,确定优化配置约束条件,包括:
根据配电网负荷数据,得到配电网负荷时序特性曲线;
基于所述配电网负荷时序特性曲线,确定优化配置约束条件;
所述优化配置约束条件包括:分布式电源安装容量约束、潮流约束、电压约束、支路潮流约束和系统容量约束。
进一步的,所述分布式电源安装容量约束如下式:
其中,spv,i是第i个光伏机组待选节点处光伏接入容量,swg,i是第i个风电机组待选节点处风机接入容量,spv,max是光伏接入的最大容量,swg,max是风机接入的最大容量,npv是光伏机组安装数量,nwg是风电机组安装数量;
所述潮流约束如下式:
其中,pi是注入节点i的有功功率,qi是注入节点i的无功功率,ui是节点i的电压幅值,uj是节点j的电压幅值,j∈i表示所有与节点i相连接的节点,gij是系统节点导纳矩阵的实部,bij是系统节点导纳矩阵的虚部,θij是节点i和节点j之间的相角差;
所述电压约束如下式:
ui,min≤ui≤ui,max
其中,ui,min是节点电压幅值的下限,ui,max是节点电压幅值的上限;
所述支路潮流约束如下式:
sj≤sj,max
其中,sj是支路j上的功率,sj,max是支路j上的最大允许容量;
所述系统容量约束如下式:
其中,si(t)是在t时刻第i个待选节点处的分布式电源总容量,ltol(t)是在t时刻所有节点的负荷总和,ndg是待选节点总数。
进一步的,所述基于遗传-蚁群算法计算确定所述配电网最优化的分布式电源选址定容方案,包括:
将每种可行的选址定容方案设定为一个染色体,并随机产生遗传算法的初始种群;
基于所述初始种群,采用遗传寻优迭代得到满足约束条件的配电网分布式电源初始优化选址定容方案;
基于所述配电网分布式电源初始优化选址定容方案,釆用蚁群算法的正反馈机制循环迭代得到所述配电网最优化的分布式电源选址定容方案;
其中,每个染色体包括ndg个元素;所述ndg个元素中前nmt个元素表示每个待选燃气轮机节点处燃气轮机的安装数量;中间npv个元素表示每个待选光伏节点处光伏机组的安装数量;最后nwg个元素代表每个待选风机节点处风电机组的安装数量;ndg为每个待选节点处分布式电源安装总数。
一种配电网分布式电源优化配置系统,所述系统包括:优化配置模型模块、计算模块、优化配置模块;
优化配置模型模块,用于建立分布式电源优化配置模型;
计算模块,用于将配电网分布式电源的行业统计数据、运行数据和配电网负荷数据带入预先建立的分布式电源优化配置模型,并根据遗传-蚁群算法计算确定配电网最优化的分布式电源选址定容方案;
优化配置模块,用于基于所述最优化的分布式电源选址定容方案对配电网建设规划进行优化配置。
所述优化配置模型模块包括:配电系统年费用最小的目标函数单元和约束条件单元;
所述配电系统年费用最小的目标函数单元,用于根据配电网分布式电源的行业统计数据和运行数据,确定配电系统年费用最小的目标函数;
所述约束条件单元,用于根据配电网负荷数据,确定优化配置约束条件。
所述计算模块包括:输入单元和计算单元;
所述输入单元,用于将配电网分布式电源的行业统计数据、运行数据和配电网负荷数据带入分布式电源优化配置模型;
所述计算单元,用于根据遗传算法确定配电网分布式电源初始优化选址定容方案,并釆用蚁群算法的正反馈机制循环迭代得到所述配电网最优化的分布式电源选址定容方案。
与现有技术相比,本发明的有益效果为:
本发明提供一种配电网分布式电源优化配置方法,将配电网分布式电源的行业统计数据、运行数据和配电网负荷数据带入预先建立的分布式电源优化配置模型;基于遗传-蚁群算法计算确定所述配电网最优化的分布式电源选址定容方案;基于所述最优化的分布式电源选址定容方案对配电网建设规划进行优化配置;所述分布式电源优化配置模型以多种分布式电源构成的配电系统年费用最小为目标,以负荷为约束。本发明提供的技术方案考虑多种分布式电源和负荷特性,确定配电系统年费用最小的目标函数,采用遗传-蚁群复合算法求解得到配电网中分布式电源优化配置方案。
本发明提供的技术方案在分布式电源选址定容问题中引入环境成本,体现出光伏发电、风力发电的环保优势,有利于实现系统经济性和环保性之间的平衡,使新能源利用率大幅提高,系统更清洁环保。
本发明提供的技术方案采用遗传-蚁群复合算法,结合了遗传、蚁群算法各自的优势,扬长避短,在收敛速度,收敛结果方面都优于两种算法,有效的避免了目标函数陷入局部最优解。
附图说明
图1为本发明的一种配电网分布式电源优化配置方法流程图;
图2为本发明实施例中光伏发电时序特性曲线图;
图3为本发明实施例中风力发电时序特性曲线图;
图4为本发明实施例中居民负荷时序特性曲线图;
图5为本发明实施例中商业负荷时序特性曲线图;
图6为本发明实施例中遗传-蚁群算法流程图;
图7为本发明实施例中蚁群算法搜索路径示意图;
图8为本发明实施例中遗传算法结果转换图
图9为本发明实施例中ieee-33标准节点配电图;
图10为本发明实施例中优化算法对比图;
图11为本发明的一种配电网分布式电源优化配置系统的结构示意图。
具体实施方式
为了更好地理解本发明,下面结合说明书附图和实例对本发明作进一步详细说明。
本专利提出一种配电网分布式电源优化配置方法,充分考虑不同类型分布式电源和负荷的时序特性,选取分布式电源运维费用、分布式电源投资年等效费用、系统网络损耗费用、燃料费用、污染赔偿费用、环保补贴综合最小作为目标函数,采用遗传-蚁群复合算法求解得到配电网中分布式电源优化配置方案。
实施例1:
本发明实施例提供的一种配电网分布式电源优化配置方法,其具体实施过程如图1所示,包括:
s101:将配电网分布式电源的行业统计数据、运行数据和配电网负荷数据带入预先建立的分布式电源优化配置模型;
s102:基于遗传-蚁群算法计算确定所述配电网最优化的分布式电源选址定容方案;
s103:基于所述最优化的分布式电源选址定容方案对配电网建设规划进行优化配置。
具体的,步骤s101,将配电网分布式电源的行业统计数据、运行数据和配电网负荷数据带入预先建立的分布式电源优化配置模型,包括:
步骤s101-1,在本专利中选取三种典型的分布式电源:燃气轮机,光伏和风机。燃气轮机容量额定,出力可控同时不随时间变化。光伏和风机代表容量随时间变化的一类分布式电源。根据气象资料得到不同季节风速曲线和光照强度,进而得到光伏发电与风力发电时序特性曲线,如图2和图3所示。
步骤s101-2,选取居民和商业负荷作为配电网研究对象,以电力行业统计数据为基础,建立两种负荷不同季节的时序特性,如图4和图5所示。
步骤s101-3,建立配电网分布式电源的优化配置模型,确定配电网中相关费用,以配电系统年费用最小为目标函数:
minctol=com+ci+closs+cf+ce-cp
其中:ctol是系统年费用总额,com是dg年运行维护费用,ci是dg年度等效投资费用,closs是系统网络损耗费用,cf是燃气轮机燃料费用,ce是污染赔偿费用,cp是环保补贴费用;
各部分费用具体如下:
(1)dg年运行维护费用
其中:com是dg单位电量的运行维护费用,万元/(mw·h);ei(t)是第i个节点所接dg在t时段的发电量,mw·h;
(2)dg年度等效投资费用
其中:r是贴现率;ny是dg回收期;ci是第i个节点处安装dg的投资费用,万元;s[i]是第i个待选节点处dg的安装数量;
(3)系统运行网络损耗费用
其中:closs是单位网损;t是线路总数;ii是第i条线路上的电流,ka;ri是第i条线路的电阻,ω;
(4)燃气轮机燃料费用
其中:cf是单位燃气轮机每小时的燃料费用,万元/(mw·h);emt,i(t)是t时刻第i个mt待选节点处的出力,mw;
(5)污染赔偿费用
其中:kmt是单位燃气轮机产生温室气体的排放强度,kg/(mw·h);emt,i(t)是t时刻第i个mt待选节点处的出力,mw;
(6)环保补贴费用
式中:cpv和cwg分别是光伏发电和风力发电单位电量的环保补贴,万元/(mw·h);epv,i(t)和ewg,i(t)分别是t时刻第i个光伏发电、风力发电待选节点处的出力,mw。
步骤s101-4,以配电网节点允许接入的分布式电源容量和电压波动范围等为约束条件。本发明选取的约束条件具体如下:
(1)dg安装容量约束
光照强度、温度、风速等均属于不确定因素,如果在配电网中过多的引入此种类型的dg,将会使系统的供电质量下降。因而需要限制光伏和风机的安装容量:
其中:spv,i和swg,i分别是第i个光伏待选节点处光伏接入容量和第i个风机待选节点处风机接入容量,spv,max和swg,max分别是光伏和风机接入的最大容量;
(2)潮流约束
其中:pi和qi分别是注入节点i的有功功率和无功功率;ui是节点i的电压幅值,j∈i表示所有与节点i相连接的节点;gij和bij分别是系统节点导纳矩阵的实部和虚部;θij是节点i和节点j之间的相角差;
(3)电压约束
ui,min≤ui≤ui,max
式中:ui,min是节点电压幅值的下限;ui,max是节点电压幅值的上限;
(4)支路潮流约束
sj≤sj,max
式中:sj是支路j上的功率;sj,max是线路j上的最大允许容量;
(5)系统容量约束
式中:si(t)是在t时刻第i个待选节点处的dg总容量,ltol(t)是在t时刻所有节点的负荷总和。
具体的,步骤s102,基于遗传-蚁群算法计算确定所述配电网最优化的分布式电源选址定容方案,算法流程图如图6所示,包括:
步骤s102-1,采用二进制编码的方式,每个染色体视为一种规划方案,每种选址定容方案都包括待选分布式电源节点、节点上可能安装的分布式电源的种类、数量和容量,每个染色体都包含ndg个元素,其中,前nmt个元素表示每个待选燃气轮机节点处燃气轮机的安装数量;中间npv个元素表示每个待选光伏节点处光伏的安装数量;最后nwg个元素代表每个待选风机节点处风机的安装数量。
遗传算法的初始种群是随机产生的,但是对于模型的求解,初始种群中的某个染色体无法满足约束条件,结合规划模型,要求初始群体要全部满足系统容量约束。必须进行先天淘汰。
遗传操作采用轮盘赌方法进行选择并加入最优个体保持策略,即越满足约束条件,越容易被遗传到子代,但是其他个体也会以小概率遗传进入子代,以防止算法陷入局部最优,保证全局收敛性。交叉操作采用两点交叉算子,变异操作采用单点变异算子。
因为遗传算法产生个体的随机性,所以产生的子代有可能不满足约束条件,本发明设置了罚函数,当子代的不满足度越高,惩罚度就越大,使得该子代的基因难以遗传到下一代中,从而保证了种群的先天优势性。
步骤s102-2,根据分布式电源的位置选择,假设有n个可安装分布式电源节点,在节点i上可能安装的分布式电源容量为ni,就可生成图7的类似矩阵。
步骤s102-3,经过遗传算法的t代遗传寻优,得到m个较优解。然后将m个较优解,转换成蚁群算法的确定位置和容量,如图8所示,连接这些位置容量形成m条路径,并根据信息素更新方程更新这些路径上的信息素。设定蚂蚁的个数也为m个。将m只蚂蚁放置在m条路径上,并把把前面的更新信息素作为信息素的初始值,然后进行循环迭代。
在每一次循环中,蚂蚁k(k=1,2,3……,m)根据每条路径上的信息素来决定其转移的方向。采用禁忌表tabuk来记录蚂蚁所走过的位置。蚂蚁根据各路径上的信息素和路径启发信息确定转移概率。pij(t)表示t时刻,蚂蚁k由位置i转移到要去的位置j的概率:
其中,allowedk={c-tabuk}(k=1,2,3……,m)表示蚂蚁k下一步允许选择的位置。α是启发信息因子,表征运动轨迹的重要性,即蚂蚁在运动过程中所积累的信息在蚂蚁运动选择时起到的作用。α的取值范围为[0,5]。β是期望值启发式因子,表征路径能见度的重要性,即蚂蚁在运动过程中启发信息在蚂蚁选择路径中起到的作用。β的取值范围为[0,5];
τij(t)表示t时刻,路径(i,j)上信息素强度。其中i为出发位置,j为到达位置。ηij(t)为启发函数,一般取位置j处的dg安装费用和分布式电源的运行费用之和的反比。
根据每个节点各容量的期望值及路径上的信息素浓度值,计算出第n只蚂蚁在该节点上各容量点的转移概率,然后选择路径。
为了避免残留信息素过多而淹没启发信息,本文在蚂蚁完成对所有m个位置容量的一次遍历行动后,根据如下的信息素更新方程对残留信息素进行更新:
τij(t+1)=(1-ρ)τij(t)+δτij(t)
式中,ρ为信息素挥发系数,1-ρ表示信息素残留系数,ρ的取值范围为(0,1)。δτij(t)表示本次循环过程中在路径(i,j)上的信息素增量,初始时刻δτij(t)=0。
式中,q表征信息素强度,它的取值影响算法的收敛速度。lk表示在本次循环中第k只蚂蚁所走过的路径表征的目标函数值。
步骤s102-4,记录每只蚂蚁完成的路径长度,在所有已完成的路径中,输出本次迭代的最优路径。
步骤s102-5,进行下一轮迭代,直至达到设定的最大迭代次数,则寻优结束,输出最优路径作为配电网分布式电源最优化的分布式电源选址定容方案。
实施例2:
本发明以ieee-33标准节点配电网作为算例进行分析,配电网结构如附图9所示。
图9中,0—33为节点编号,l1—l33为线路编号。节点和线路基础数据如表1所示。燃气轮机待选节点为2、6、10、14,光伏待选节点为18、22、25,风机待选节点为20、29,线路最大载流量为5000kva。节点电压允许范围为0.9-1.1p.u.,三类dg的单位额定容量均为0.1mw。燃机轮机光伏和风机的待选节点接入数限制均为15。贴现率r取为0.1,dg回收期取为20,单位网损取为取为0.017万元/(mw·h),单位燃气轮机产生温室气体的排放强度取为724.6kg/(mw·h),温室气体的环境保护价值取为0.023元/kg,燃气轮机排放温室气体应交纳的罚款取为0.01元/kg。遗传算法参数为:种群个体为100,迭代次数为20,交叉率为0.5,变异率为0.1。蚁群算法参数为:蚂蚁数目为60,信息素浓度保留系数为0.9,信息启发式因子和期望启发式因子均为1,初始时刻
表1节点及线路数据
假定dg的投资、运维、燃料和环保补贴费用如表2所示。
表2dg费用
通过模拟dg和负荷的时序性,得出了更符合配电网实际运行的规划方案。若不考虑dg和负荷的时序性,则系统中dg的出力保持不变,均按照额定容量出力,考虑时序性和不考虑时序性分别得到两种规划方案如表3、4所示。
表3规划方案
表4规划方案费用
从上述结果可以看出,如果不考虑时序性,则算法会避免加入燃气轮机。因为虽然燃气轮机的维护费用和造价较低,但是环境成本较高,同时光伏和风机的环保补贴非常高,所以综合来看,燃气轮机的总成本要高于风机和光伏。但是不加入燃气轮机显然与实际情况相悖,因为实际上光伏和风机出力具有很强的波动性,如果只安装这两类dg,势必会有某一时段供电不满足需求,影响电网的可靠运行。
此外,为验证遗传-蚁群算法的有效性,同时采用遗传算法、蚁群算法和遗传-蚁群复合算法对dg接入ieee-33标准节点配电网进行优化。得到三种优化算法的优化曲线如图10所示。
从图中我们可以看出,遗传算法在最开始的优化结果要强于蚁群算法,并且在20代之前收敛速度也比蚁群算法快,这是因为遗传算法在搜索初期有大范围的搜索能力,而蚁群算法在开始时需要很长时间进行信息素的积累。在迭代次数20代左右,遗传算法在后期产生的冗余迭代,影响收敛速度,陷入了局部最优解,而蚁群算法收敛速度开始加快,大约在40代时收敛完毕,但是因为最初信息素积累不完全,也不能搜索到全局最优解。遗传-蚁群复合算法结合二者的优势,在最开始用遗传算法大范围搜索,提供信息素,然后使用蚁群算法,使得整个寻优过程都保持较快的收敛速度,并且不会陷入局部最优,约在第60代时找到全局最优解。
实施例3:
基于同一发明构思,本发明还提供一种配电网分布式电源优化配置系统,系统结构如图11所示,所述系统包括:优化配置模型模块、计算模块、优化配置模块;
优化配置模型模块,用于建立分布式电源优化配置模型;
计算模块,用于将配电网分布式电源的行业统计数据、运行数据和配电网负荷数据带入预先建立的分布式电源优化配置模型,并根据遗传-蚁群算法计算确定配电网最优化的分布式电源选址定容方案;
优化配置模块,用于基于所述最优化的分布式电源选址定容方案对配电网建设规划进行优化配置。
所述优化配置模型模块包括:配电系统年费用最小的目标函数单元和约束条件单元;
所述配电系统年费用最小的目标函数单元,用于根据配电网分布式电源的行业统计数据和运行数据,,确定配电系统年费用最小的目标函数;
所述约束条件单元,用于根据配电网负荷数据,确定优化配置约束条件
所述计算模块包括:输入单元和计算单元;
所述输入单元,用于将配电网分布式电源的行业统计数据、运行数据和配电网负荷数据带入分布式电源优化配置模型;
所述计算单元,用于根据遗传算法确定配电网分布式电源初始优化选址定容方案,并釆用蚁群算法的正反馈机制循环迭代得到所述配电网最优化的分布式电源选址定容方案。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请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,本申请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。
本申请是参照根据本申请实施例的方法、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。
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。
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。
以上仅为本发明的实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均包含在申请待批的本发明的权利要求范围之内。