一種特高壓直流換流站接頭端子的溫升優化方法及系統與流程
2023-09-18 05:19:35 1
本發明屬於特高壓直流換流站電網防災技術領域,並且更具體地,涉及一種特高壓直流換流站接頭端子的溫升優化方法及系統。
背景技術:
隨著國民經濟的發展,特高壓直流換流站工程的規模迅速擴大,其站內通流迴路接頭端子過熱缺陷會引起換流站設備結構、材料等產生疲勞損壞,縮短設備的使用壽命,影響了電網的安全穩定運行。目前發現的特高壓直流換流站通流迴路接頭端子發熱現象,幾乎包含了目前在運的所有的特高壓直流換流站,波及的範圍大、造成的危害程度高,如果造成嚴重故障,其經濟損失一般數額巨大、難以精確估算。特高壓工程作為電網最核心的組成部分,其安全穩定性要求更高,發生故障造成的經濟損失更加巨大,因此對特高壓直流換流站工程的接頭端子溫升設計提出了更高的要求。
技術實現要素:
根據本發明的一方面,提出一種特高壓直流換流站接頭端子的溫升優化方法,包括:
步驟1,獲取多組接頭端子的設計參數,並通過有限元模型模擬接頭端子搭接部分的溫升過程,記錄接頭端子搭接部分的最大溫升tmax,將tmax與溫升極限值tu進行比較,選取tmax≤tu的設計參數進行保留,其中所述設計參數包括:接頭端子長度x1、接頭端子寬度x2、接頭端子厚度x3、接頭端子搭接部位電阻x4和接頭端子加載的電流x5;
步驟2,隨機選取一組保留的設計參數,通過神經網絡模型得出tmax與保留的設計參數之間的溫升函數關係,並進行蒙特卡羅(mcs)計算得到相應的接頭端子可靠度r0的值,將當前r0與可靠度極限值ru進行比較,若r0≥ru,則保留當前的設計參數,否則,重新選取保留的一組設計參數,使得可靠度r0≥ru,並保留當前的設計參數;
步驟3,以當前保留的可靠度r≥ru的設計參數作為初始設計點,獲取以初始設計點為原點的有限鄰域內的不同設計參數進行組合,通過有限元模型模擬並得出組合後的設計參數對應的最大溫升tmax,進而結合接頭端子板的極限狀態方程,通過蒙特卡羅模擬法(mcs)計算相應的接頭端子可靠度r的值,通過神經網絡模型得出r與設計參數之間的函數關係;
步驟4,根據r與設計參數之間的函數關係,以接頭端子的成本為優化條件,設計目標函數f(x)=c=x1·x2·x3.ρ·ω,其中c為接頭端子的成本,接頭端子的密度,ω為單位體積接頭端子的成本,以接頭端子的可靠度作為約束條件,得到接頭端子的優化設計參數為minf(x)=e(x1·x2·x3·ρ·ω)st.r≥ru,其中x1、x2以及x3的值即為優化後的設計參數。
根據權利要求1所述的方法,其特徵在於,所述利用有限元模型實現接頭端子的溫升過程模擬為:
當接頭端子流過電流時,其電流密度應滿足電流連續性方程:
式中γ為接頭端子的導電率,為接頭端子任意一點的電位;
接頭端子在有內熱源及非穩態導熱的情況下,描述其溫度場的微分方程為:
式中t為任意點的熱力學溫度,分別為接頭端子的密度和比熱容,t為時間,v為場域;
接頭端子用於升高溫度的能量為e=qw,接頭端子內熱源產生的熱量qw,根據其的電流場分布得:
q=qw-qs-qe(3)
式中為由接頭端子內部熱源產生的熱量,ex、ey、ez為接頭端子的電場強度;qs=αcona0(tf-t0)為接頭端子向周圍介質所散失的熱量,αcon為對流散熱係數單位為w/(m2·℃);a0為對流散熱面積單位為m2,tf為發熱體溫度單位為℃,t0為環境溫度單位為℃;為接頭端子通過熱輻射散失的熱量,εi為發射率,取0.92;σ為史蒂芬—波爾茲曼常數,取5.67×10-8w/m2.k4;ai為輻射面i的面積;fij為由輻射面i到輻射面j的形狀係數,一般取fij=1;
聯立式(1)(2)(3)構建接頭端子的有限元模型,並進行網格化分以簡化模型,在確定初始溫升和邊界條件之後,利用式(1)得到接頭端子的各節點的電場分布,然後用式(3)求出接頭端子吸收的能量q,最後應用式(2)求解得到接頭端子上的溫升分布情況,之後重新確定電阻率γ,再交替進行電流場與溫升場的計算,從而實現電流場及溫升場的聯立求解,實現對接頭端子溫升過程的模擬。
優選地,其中所述溫升極限值tu的取值範圍為:60k~200k。
優選地,其中所述步驟2中使用的神經網絡模型為三層神經網絡結構,其中所述設計參數x1、x2、x3、x4以及x5為輸入參數,隱含層神經元的個數為12個,tmax為輸出參數,隱含層神經元激活函數為sigmoid型激活函數,輸出層激活函數為線性purelin型傳遞函數,初始權值選取(-1,1)之間的隨機數,學習速率的選取範圍在0.01~0.8之間,動量因子選取範圍在0.9~0.95之間,收斂條件為網絡總誤差e≤1.0e-12。
優選地,其中所述接頭端子板的極限狀態方程為:
z=g(x)=g(x1,x2,x3,x4,x5)=tu-tmax(x1,x2,x3,x4,x5)=0。
優選地,其中所述步驟3中使用的神經網絡模型為三層神經網絡結構,其中設計參數x1、x2、x3、x4以及x5為輸入參數,隱含層神經元的個數為9個,r為輸出參數,隱含層神經元激活函數以及輸出層激活函數均為sigmoid型激活函數,初始權值選取(-1,1)之間的隨機數,學習速率的選取範圍在0.01~0.9之間,動量因子選取範圍在0.85~0.98之間,收斂條件為網絡總誤差e≤1.0e-12。
優選地,其中所述r與設計參數之間的函數關係為:
其中,wji,vkj和b1j,b2k分別表示神經網絡的連接權值和閾值,δ為傳遞函數。
優選地,其中所述通過蒙特卡羅模擬法(mcs)計算相應的接頭端子可靠度r的值時,選取的模擬次數為5000次。
優選地,其中計算相應的接頭端子可靠度r時,可對設計參數進行歸一化處理為:
根據本發明的另一方面,提供一種特高壓直流換流站接頭端子的溫升優化系統,包括:
設計參數獲取及溫升模擬單元,用於獲取一組接頭端子的設計參數x1、x2、x3、x4以及x5,並通過有限元模型模擬接頭端子搭接部分的溫升過程,記錄接頭端子搭接部分的最大溫升tmax,將tmax與溫升極限值tu進行比較,當tmax≤tu時,將數據發送至第一可靠度計算單元繼續進行計算,否則重新選取設計參數進行溫升模擬;
第一可靠度計算單元,通過神經網絡模型得出tmax與設計參數之間的多個函數關係,取其中一組關係結合接頭端子板的極限狀態方程,通過蒙特卡羅模擬法(mcs)計算相應的接頭端子可靠度r的值,將當前r與可靠度極限值ru進行比較,若r≥ru,保留當前的設計參數,否則,重新選取保留的一組設計參數,使得可靠度r0≥ru,並保留當前的設計參數;
第二可靠度計算單元,以當前保留的可靠度r≥ru的設計參數作為初始設計點,獲取以初始設計點為原點的有限鄰域內的不同設計參數進行組合,通過有限元模型模擬並得出組合後的設計參數對應的最大溫升tmax,進而結合接頭端子板的極限狀態方程,通過蒙特卡羅模擬法(mcs)計算相應的接頭端子可靠度r的值,通過神經網絡模型得出r與設計參數之間的函數關係;
優化單元,以接頭端子的成本為優化條件,設計目標函數f(x)=c=x1·x2·x3.ρ·ω,其中c為接頭端子的成本,接頭端子的密度,ω為單位體積接頭端子的成本,以接頭端子的可靠度作為約束條件,得到接頭端子的優化設計參數為minf(x)=e(x1·x2·x3·ρ·ω)st.r≥ru,其中x1、x2以及x3、的值即為優化後的設計參數。
本發明提供了一種特高壓直流換流站接頭端子的溫升優化方法,使設計參數優化後的接頭端子可以避免或減輕因接頭端子發熱引起的電網災害事故造成的損失,同時也避免了對接頭端子尺寸設計過大而造成的經濟浪費。
附圖說明
通過參考下面的附圖,可以更為完整地理解本發明的示例性實施方式:
圖1為根據本發明優選實施例的接頭端子的溫升優化方法流程圖;
圖2為接頭端子溫升限值分析實驗電路圖;
圖3為根據本發明優選實施例的tmax與設計參數擬合神經網絡模型;
圖4為根據本發明優選實施例的r與設計參數擬合神經網絡模型;以及
圖5為根據本發明優選實施例的接頭端子的溫升優化系統的結構示意圖。
具體實施方式
現在參考附圖介紹本發明的示例性實施方式,然而,本發明可以用許多不同的形式來實施,並且不局限於此處描述的實施例,提供這些實施例是為了詳盡地且完全地公開本發明,並且向所屬技術領域的技術人員充分傳達本發明的範圍。對於表示在附圖中的示例性實施方式中的術語並不是對本發明的限定。在附圖中,相同的單元/元件使用相同的附圖標記。
除非另有說明,此處使用的術語(包括科技術語)對所屬技術領域的技術人員具有通常的理解含義。另外,可以理解的是,以通常使用的詞典限定的術語,應當被理解為與其相關領域的語境具有一致的含義,而不應該被理解為理想化的或過於正式的意義。
圖1為本發明優選實施例的接頭端子的溫升優化方法流程圖。如圖1所示,接頭端子的溫升優化方法100首先選取多組設計參數,通過有限元模型得出當前設計參數對應的街頭端子板搭接部分最大溫升值,且噹噹前的最大溫升小於等於溫升極限值時,通過神經網絡模型得出最大溫升與設計參數之間的函數關係,並結合接頭端子板的極限狀態方程通過montecarlo法得出接頭端子的可靠度r的值,當r大於等於可靠度極限值時,選取初始設計點,並獲取初始設計點附近的不同設計參數進行組合,計算相應的接頭端子板搭接部分的最大溫升值進而得出可靠度,並通過神經網絡模型得出設計參數與可靠度之間的函數關係,最後以接頭端子成本作為優化條件設定目標函數,以可靠度作為約束條件得到接頭端子的優化設計參數。
如圖1所示,方法100從步驟101開始。在步驟101中,獲取多組接頭端子的設計參數x1、x2、x3、x4以及x5。優選地,設計參數分別為接頭端子長度x1、接頭端子寬度x2、接頭端子厚度x3、接頭端子搭接部位電阻x4,接頭端子加載的電流x5。
在步驟102中,通過有限元模型模擬接頭端子搭接部分的溫升過程,記錄接頭端子搭接部分的最大溫升tmax。優選地,所述利用有限元模型實現接頭端子的溫升過程模擬為:
當接頭端子流過電流時,其電流密度應滿足電流連續性方程:
式中γ為接頭端子的導電率,為接頭端子任意一點的電位;
接頭端子在有內熱源及非穩態導熱的情況下,描述其溫度場的微分方程為:
式中t為任意點的熱力學溫度,分別為接頭端子的密度和比熱容,t為時間,v為場域;
接頭端子用於升高溫度的能量為e=qw,接頭端子內熱源產生的熱量qw,根據其的電流場分布得:
q=qw-qs-qe(3)
式中為由接頭端子內部熱源產生的熱量,ex、ey、ez為接頭端子的電場強度;qs=αcona0(tf-t0)為接頭端子向周圍介質所散失的熱量,αcon為對流散熱係數單位為w/(m2·℃);a0為對流散熱面積單位為m2,tf為發熱體溫度單位為℃,t0為環境溫度單位為℃;為接頭端子通過熱輻射散失的熱量,εi為發射率,取0.92;σ為史蒂芬—波爾茲曼常數,取5.67×10-8w/m2.k4;ai為輻射面i的面積;fij為由輻射面i到輻射面j的形狀係數,一般取fij=1;
聯立式(1)(2)(3)構建接頭端子的有限元模型,在進行有限元模型的求解時,首先對模型進行簡化,並進行網格化分形成小單元。在確定初始溫升和邊界條件之後,利用式(1)得到接頭端子的各節點的電場分布,然後用式(3)求出接頭端子吸收的能量q,最後應用式(2)求解得到接頭端子上的溫升分布情況,之後重新確定電阻率γ,再繼續求解電場的分布。在交替進行的電流場與溫升場的計算中,實現電流場和溫升場的聯立求解,從而實現對接頭端子溫升過程的模擬。
優選地,本發明中使用的有限元模型通過ansys參數化程序的建模方法建立接頭端子的三維有限元模型,並通過ansys中的solid227單元對接頭端子進行溫度場和電流場進行交替計算。該單元有十個節點,每個節點有4個自由度,可對接頭端子板進行暫態和穩態熱電耦合分析。solid227耦合場材料特性必須設置電阻率、熱傳導率、質量密度、比熱容、介電係數。本發明採用自由網格劃分將模型劃分為四面體單元,再利用ansys的智能尺寸控制技術,來實現對網格的大小和疏密分布的控制。由於電場與溫度場之間相互影響,不能單獨對某一個場進行求解,因此必須採用直接耦合的方法進行求解。在求解之前,首先指定分析類型為瞬態分析,打開時間積分效應;其次根據接頭端子板達到穩定工作所需的時間,定義載荷步及結束的時間,本發明專利取載荷步結束的時間為4小時,然後定義負載電流,載荷變化方式為階躍載荷,打開自動時間步長功能。設置接頭端子板的初始溫度為室溫20℃的均勻溫度場,接頭端子兩端的溫度近似維持在20℃。加載時,在接頭端子的某一端面上選取接頭端子板的所有節點加載電流向量,方向垂直端面,同時定義該面上節點的電壓恆為零;而在另一個端面上所有的節點耦合電壓自由度。
在步驟103中,將tmax與溫升極限值tu進行比較。優選地,所述溫升極限值取值範圍為:60k~200k。溫升極限值通過接頭端子板的溫升限值分析實驗得出,具體的實驗步驟將在下文進行詳細說明。
在步驟104中,選取tmax≤tu的設計參數進行保留,通過神經網絡模型得出tmax與設計參數之間的函數關係。優選地,步驟104中使用的神經網絡模型為三層神經網絡結構,其中設計參數x1、x2、x3、x4以及x5為輸入參數,即輸入層神經元的個數為5個,隱含層神經元的個數為12個,tmax為輸出參數,即輸出層神經元的個數為1個,隱含層神經元激活函數為sigmoid型激活函數,輸出層激活函數為線性purelin型傳遞函數,初始權值選取(-1,1)之間的隨機數,學習速率的選取範圍在0.01~0.8之間,動量因子選取範圍在0.9~0.95之間,收斂條件為網絡總誤差e≤1.0e-12。
在步驟105中,隨機選取一組保留的設計參數,通過神經網絡模型得出tmax與保留的設計參數之間的溫升函數關係,進行蒙特卡羅模擬法(mcs)計算得到相應的接頭端子可靠度r的值。優選地,接頭端子溫升可靠度計算首先需要建立接頭端子的溫升極限狀態方程,根據接頭端子板溫升影響因素分析,影響接頭端子辦溫升主要影響因素是,接頭端子板的寬度、接頭端子板的厚度、接頭端子板的長度、接頭端子板的電阻及接頭端子板所加載的電流。按照接頭端子板正常使用的極限狀態設計,接頭端子板的極限狀態方程為:
z=g(x)=g(x1,x2,x3,x4,x5)=tu-tmax(x1,x2,x3,x4,x5)=0。
由於接頭端子搭接部位的最大溫升tmax的函數關係公式不能用顯式表達,因此接頭端子板的極限狀態方程解析式很難求出,故而本發明使用神經網絡模型使tmax與設計參數的函數關係儘可能逼近接頭端子板的極限狀態方程。
對接頭端子溫升優化設計時,可將接頭端子可靠度作為約束條件來計算接頭端子可靠度:r=∫g(x)>0fx(x)dx=p{g(x)>0}≥ru,其中ru為可靠度極限值,求解此公式需要知道接頭端子板溫升狀態函數的聯合概率密度函數將可靠性概率約束轉化為確定性約束,應用理論方法,狀態函數的聯合概率密度函數很難確定,且此公式為隱形函數關係,不能直接反映出設計參數與可靠度的函數關係,因此本發明利用montecarlo法對樣本數據進行隨機抽樣,並對數據進行概率分析,得到極限狀態函數值的均值和標準差,從而求得接頭端子溫升可靠度指標。優選地,通過蒙特卡羅模擬法計算相應的接頭端子可靠度r0的值時,選取的模擬次數為5000次。
在步驟106中,將當前r0與可靠度極限值ru進行比較,若r0≥ru,則保留當前的設計參數,否則重新執行步驟105。優選地,可靠度極限值根據實際情況設定,可以為99%或92%等符合要求的數值。
在步驟107中,選取接頭端子可靠度r0≥ru時的一組設計參數作為初始設計點,獲取以初始設計點為原點的有限鄰域內的不同設計參數進行組合,通過有限元模型模擬並得出組合後的設計參數對應的最大溫升tmax。優選地,步驟107中的最大溫升值的計算方法與步驟102相同,在此不進行贅述。
在步驟108中,結合接頭端子板的極限狀態方程,通過蒙特卡羅模擬法(mcs)計算相應的接頭端子可靠度r的值,通過神經網絡模型得出r與設計參數之間的函數關係。優選地,步驟108中計算可靠度的方法與步驟105相同,在此不進行贅述。優選地,步驟108中使用的神經網絡模型為三層神經網絡結構,其中設計參數x1、x2、x3、x4以及x5為輸入參數,即輸入層神經元的個數為5個,隱含層神經元的個數為9個,r為輸出參數,即輸出層神經元的個數為1個,隱含層神經元激活函數以及輸出層激活函數均為sigmoid型激活函數,初始權值選取(-1,1)之間的隨機數,學習速率的選取範圍在0.01~0.9之間,動量因子選取範圍在0.85~0.98之間,收斂條件為網絡總誤差e≤1.0e-12。
在步驟109中,根據r與設計參數之間的函數關係,以接頭端子的成本為優化條件,設計目標函數f(x)=c=x1·x2·x3.ρ·ω,其中c為接頭端子的成本,接頭端子的密度,ω為單位體積接頭端子的成本,以接頭端子的可靠度作為約束條件,得到接頭端子的優化設計參數為minf(x)=e(x1·x2·x3·ρ·ω)st.r≥ru,其中x1、x2以及x3的值即為優化後的設計參數。
在本發明的實施方式中,通過端子板溫升試驗來驗證所述建立的有限元模型是否正確。針對特高壓直流換流站接頭端子材料,分別開展鋁板-鋁板、銅板-銅板材料的電流-溫升試驗。具體試驗方法為:將端子板兩端用銅導線連接並用螺栓擰緊,再將銅導線與大電流試驗設備的輸出端連接,從而電流從電源箱經過銅導線流經端子板;在距離端子板搭接部位20到25cm處安裝電壓測試線,測試線端部連接電壓數字多用表的輸入端,並用表讀取測試部位電壓值;其電流流向由控制臺控制,通過分別測試樣品正向、反向電壓及電流,並測出端子板的電阻值;撤除電阻測試系統,用銅導線以串聯形式連接100kva變壓器和軟連接板,並在端子板兩邊各添加n個溫度傳感器;以及通過控制臺控制變壓器並提高輸出電流,達到要求值後穩定電流,通過計算機監控端子板實時溫度變化。圖2為接頭端子溫升限值分析實驗電路圖。其中,201為220v交流電源,202為調壓器,203為降壓變壓器,204為保護電阻,205為耦合電容器,206為實驗樣品接頭端子,207為溫度傳感器,208為溫度巡檢儀。在實際操作中,通常使用接頭端子溫升限值分析實驗測試接頭端子搭接部位的溫度、變形及所塗電力複合脂的變化情況,來確定不同材質、不同電流密度設計值和不同工況的接頭端子的溫升限值,為端子板優化設計提供直接依據。由於換流站接頭端子多為純銅和鋁合金材質,因此本實驗中實驗樣品接頭端子可採用鋁合金材料製造。步驟如下:
(1)安裝前依次使用200#、400#細砂紙打磨去除表面氧化層,用丙酮清洗打磨麵並用乾淨的白棉布或衛生紙擦拭乾淨;並在試件的搭接部位塗0.2mm的電力複合脂;
(2)試驗前測定試件搭接部位的接續電阻;
(3)加電流至1500a,通流4個小時觀察試件搭接部位的溫度變化情況,若溫度穩定則繼續持續加熱10個小時觀察試件變化情況,若加熱10小時後試件試件的溫升出現明顯的拐點,則此出現拐點的溫升即為溫升限值。若加熱10小時後試件試件沒有出現溫升明顯的拐點,將退電流至0後繼續加電流至2000a、2500a,並重複上面的試驗步驟,直到接頭端子板溫升出現明顯拐點為止。該明顯拐點即為溫升極限值。
圖3為根據本發明優選實施例的tmax與設計參數擬合神經網絡模型。由圖3可知,神經網絡模型300為三層神經網絡結構,其中設計參數x1、x2、x3、x4以及x5為輸入參數,即輸入層神經元的個數為5個,隱含層神經元的個數為12個,tmax為輸出參數,即輸出層神經元的個數為1個,隱含層神經元激活函數為sigmoid型激活函數,輸出層激活函數為線性purelin型傳遞函數,初始權值選取(-1,1)之間的隨機數,學習速率的選取範圍在0.01~0.8之間,動量因子選取範圍在0.9~0.95之間,收斂條件為網絡總誤差e≤1.0e-12。
圖4為根據本發明優選實施例的r與設計參數擬合神經網絡模型。由圖4可知,神經網絡模型400為三層神經網絡結構,其中設計參數x1、x2、x3、x4以及x5為輸入參數,即輸入層神經元的個數為5個,隱含層神經元的個數為9個,r為輸出參數,即輸出層神經元的個數為1個,隱含層神經元激活函數以及輸出層激活函數均為sigmoid型激活函數,初始權值選取(-1,1)之間的隨機數,學習速率的選取範圍在0.01~0.9之間,動量因子選取範圍在0.85~0.98之間,收斂條件為網絡總誤差e≤1.0e-12。
圖5為根據本發明優選實施例的接頭端子的溫升優化系統的結構示意圖。如圖5所示,接頭端子的溫升優化系統500包括設計參數獲取及溫升模擬單元501、第一可靠度計算單元502、第二可靠度計算單元503以及優化單元504。
優選地,設計參數獲取及溫升模擬單元501獲取多組接頭端子的設計參數,並通過有限元模型模擬接頭端子搭接部分的溫升過程,記錄接頭端子搭接部分的最大溫升tmax,將tmax與溫升極限值tu進行比較,選取tmax≤tu的設計參數進行保留,其中所述設計參數包括:接頭端子長度x1、接頭端子寬度x2、接頭端子厚度x3、接頭端子搭接部位電阻x4和接頭端子加載的電流x5。
優選地,第一可靠度計算單元502隨機選取一組保留的設計參數,通過神經網絡模型得出tmax與保留的設計參數之間的溫升函數關係,並進行蒙特卡羅(mcs)計算得到相應的接頭端子可靠度r0的值,將當前r0與可靠度極限值ru進行比較,若r0≥ru,則保留當前的設計參數,否則,重新選取保留的一組設計參數,使得可靠度r0≥ru,並保留當前的設計參數;
優選地,第二可靠度計算單元503以當前保留的可靠度r≥ru的設計參數作為初始設計點,獲取以初始設計點為原點的有限鄰域內的不同設計參數進行組合,通過有限元模型模擬並得出組合後的設計參數對應的最大溫升tmax,進而結合接頭端子板的極限狀態方程,通過蒙特卡羅模擬法(mcs)計算相應的接頭端子可靠度r的值,通過神經網絡模型得出r與設計參數之間的函數關係;
優選地,優化單元504用於根據r與設計參數之間的函數關係,以接頭端子的成本為優化條件,設計目標函數f(x)=c=x1·x2·x3.ρ·ω,其中c為接頭端子的成本,接頭端子的密度,ω為單位體積接頭端子的成本,以接頭端子的可靠度作為約束條件,得到接頭端子的優化設計參數為minf(x)=e(x1·x2·x3·ρ·ω)st.r≥ru,其中x1、x2以及x3、的值即為優化後的設計參數。
本發明的一個優選實施例接頭端子的溫升優化系統500與本發明的另一個優選實施例接頭端子的溫升優化方法100一一對應,在此不進行詳細贅述。
已經通過參考少量實施方式描述了本發明。然而,本領域技術人員所公知的,正如附帶的專利權利要求所限定的,除了本發明以上公開的其他的實施例等同地落在本發明的範圍內。
通常地,在權利要求中使用的所有術語都根據他們在技術領域的通常含義被解釋,除非在其中被另外明確地定義。所有的參考「一個/所述/該[裝置、組件等]」都被開放地解釋為所述裝置、組件等中的至少一個實例,除非另外明確地說明。這裡公開的任何方法的步驟都沒必要以公開的準確的順序運行,除非明確地說明。