一種基於RPTSVM的電力系統暫態穩定評估方法與流程

2023-05-31 15:10:56

本發明涉及電力系統安全穩定評估技術領域，尤其涉及一種基於rptsvm的電力系統暫態穩定評估方法。

背景技術：

暫態穩定評估是電力系統安全穩定評估的重要組成部分。隨著可再生能源及大量電力電子裝備的接入，區域電網互聯規模不斷擴大，使電力系統的調度運行方式和安全穩定控制面臨嚴峻考驗，傳統的「人工+設備+經驗判斷」生產方式已無法滿足當前複雜電網的調度需求。需研究滿足當前運行狀態且有利於複雜電網調度的tsa在線分析方法，基於系統響應數據的故障篩選是決定暫態穩定分析在線應用效果的關鍵，因此在系統響應數據基礎上尋求準確、穩定和快速的電力系統暫態穩定評估方法具有重要意義。

人工智慧方法中以尋找穩定類與不穩定類樣本最佳投影軸的投影孿生支持向量機(projectiontwinsupportvectormachine,ptsvm)在數據挖掘等領域已獲得廣泛應用，該評估方法不同於求解一對特徵值來尋找權重向量的多權向量投影支持向量機(multi-weightvectorprojectionsupportvectormachine,mvsvm)，而是通過求解穩定與不穩定類的兩個簡單支持向量機(supportvectormachine,svm)問題，以獲得兩類樣本的投影坐標軸，能充分考慮樣本空間的全局結構和全局信息，對複雜非線性問題具有很好的泛化能力。但該方法在實際應用中存在類方差矩陣易發生奇異的問題，雖然奇異點可通過pca和lda兩階段方法進行抑制，但無法根除類方差矩陣的奇異問題。而且奇異點在分類問題中並不是固有的，可在目標函數中加入正則項來重構分類器為含正則項的投影孿生支持向量機(projectiontwinsupportvectormachinewithregularization,rptsvm)，以消除奇異點對評估性能的影響，加入正則項可使分類器具有嚴格的統計學理論基礎，使經驗風險最小用正則化風險最小代替，提高分類器的評估準確率和計算效率。針對現有電力系統暫態穩定評估方法在評估準確率和時間複雜度上的迫切需要，本文將rptsvm應用於電力系統暫態穩定評估，以改善現有暫態穩定評估方法在準確率、穩定性和時間複雜度的不足。

技術實現要素：

本發明實施例提供了一種基於rptsvm的電力系統暫態穩定評估方法，用於改善現有暫態穩定評估方法在準確率、穩定性和時間複雜度的不足。

本發明實施例提供的一種基於rptsvm的電力系統暫態穩定評估方法,包括：

s1：獲取電力系統響應軌跡數據，選取蘊含電力系統暫態穩定狀態的離線或在線的監測數據作為數據源，對數據源進行特徵提取，確定電力系統指標和投影能量函數指標，通過最大相關最小冗餘特徵選擇方法對電力系統指標和投影能量函數指標進行特徵壓縮，尋找對電網暫態變化敏感度高的電力系統特徵子集，將樣本數據按一定的比例分為訓練樣本數據和測試樣本數據；

s2：以訓練樣本數據作為rptsvm的輸入，訓練具有線性分類功能的rptsvm的數學模型並計算獲得訓練集樣本數據中穩定類與不穩定類投影坐標軸，將rptsvm的數學模型非線性轉化為具有非線性分類功能的rptsvm數學模型並計算非線性轉化後的訓練集樣本數據中穩定類和不穩定類的投影坐標軸，即獲得rptsvm電力系統暫態穩定評估模型；

s3：根據rptsvm電力系統暫態穩定評估模型對用測試樣本數據模擬的電力系統狀態進行穩定性評估，針對實際電力系統的故障類型，依據電力系統特徵子集相對於電力系統穩定類與不穩定類的隸屬度將故障劃歸到相應的類，若分類為不穩定類，則確定該故障為嚴重故障；否則確定該故障為不嚴重故障。

優選地，所述步驟s2具體包括：

以訓練樣本數據作為rptsvm的輸入，訓練具有線性分類功能的rptsvm的數學模型表示為：

式中，為訓練集樣本數據第i類的第j個樣本的空間向量，rl為l維列向量，和分別為訓練集樣本數據中穩定類的第i個、第j個和第k個樣本的空間向量，和分別為訓練集樣本數據中不穩定類的第i個、第j個和第k個樣本的空間向量，h為訓練集樣本數據總數，h1和h2分別訓練集樣本數據中穩定類和不穩定類的數量，h＝h1+h2，ctsa1、ctsa2分別為訓練集樣本數據中穩定類和不穩定類的懲罰參數，ξtsak、ηtsak分別為訓練集樣本數據中穩定類和不穩定類的第k鬆弛變量，wtsa1和wtsa2分別為訓練集樣本數據中穩定類和不穩定類的投影坐標軸，和分別wtsa1和wtsa2的轉置，為v1和v2為訓練集樣本數據中穩定類和不穩定類的權重參數；

根據kkt條件可得具有線性分類功能的rptsvm的數學模型的對偶問題，並求解計算拉格朗日乘子後，可得訓練集樣本數據中穩定類與不穩定類投影坐標軸，具體計算公式為：

式中，stsa1和stsa2分別為訓練集樣本數據中穩定類與不穩類的類方差矩陣，etsa1和etsa2為訓練集樣本數據中穩定類與不穩定類的單位向量，和分別為etsa1和etsa2的轉置，αtsa和γtsa為訓練集樣本數據中穩定類和不穩定類的拉格朗日乘子，向量i為單位矩陣，(v2stsa2+i)-1為(v2stsa2+i)的轉置。為訓練集樣本數據穩定類的輸入，為h1行l列矩陣，為訓練集樣本數據不穩定類的輸入，為h2行l列矩陣；

為將rptsvm數學模型應用到非線性分類問題中，特引入核函數k(c,ct)：

k(c,ct)＝φ(c)＝(φ(xtsa1),φ(xtsa2),...,φ(xtsah))

式中，φ是從rl到hilbert空間的映射，c為訓練樣本數據，ct為c的轉置，ct＝[atsa-btsa]t，進而將訓練樣本數據從低維空間映射到高維空間，進而將非線性分類問題轉化為線性分類問題；

引入映射φ後的rptsvm數學模型為具有非線性分類功能的rptsvm數學模型公式為：

式中，u1和u2分別為經非線性轉化後的訓練集樣本數據中穩定類和不穩定類的投影坐標軸，(stsa1)φ和(stsa2)φ分別為經非線性轉化後的訓練集樣本數據中穩定類與不穩類的類方差矩陣，ξtsa、ηtsa分別為訓練集樣本數據中穩定類和不穩定類的鬆弛變量；

並計算非線性轉化後的訓練集樣本數據中穩定類和不穩定類的投影坐標軸u1和u2：

引入核函數後的決策函數為：

式中，xtsa＝atsa+btsa，xtsa1＝atsa,xtsa2＝btsa。

優選地，所述步驟s1中的數據源包括：發電機三相電流和電流的幅值和角度，發電機有功、無功功率及勵磁電壓，變壓器高低壓側電流和電壓的幅值和相角，變壓器各出線的功率。

優選地，所述步驟s1中的系統指標包括：故障初始時刻t0所有發電機初始加速度的最大值、具有最大加速度發電機的初始角度和所有發電機初始加速功率的均值；單側故障清除時刻tcd和故障切除時刻tcl系統衝擊的大小、與慣性中心相差最大的發電機轉子角度、具有最大轉角發電機的動能、具有最大動能發電機的轉子角度、所有發電機轉子動能的最大值、所有發電機轉子動能的平均值、發電機轉子最大相對搖擺角以及與慣性中心相差最大的發電機角速度。

優選地，所述步驟s1中的投影能量函數指標包括：故障初始時刻t0的投影能量函數角加速度，故障切除時刻tcl的投影能量函數角速度、角加速度和投影動能。

優選地，所述步驟s3同時還包括：在故障篩選和穩定評估完成的同時得到評價指標，評價指標包括：準確率指標、統計值指標kappa、roc曲線指標和綜合評價指標。

優選地，所述在故障篩選和穩定評估完成的同時得到評價指標包括：

準確率指標為正確預測數和預測總數的比。tij表示實際類標號為i但被預測為j的記錄數，則準確率計算公式如下：

優選地，所述在故障篩選和穩定評估完成的同時得到評價指標還包括：

統計值指標為kappa，由於單獨評判準確率會存在一定的偶然性，用kappa來衡量一個數據集的預測分類和實際分類之間的一致性情況：

kappa＝[(t11+t00)(t11+t10+t01+t00)-(t00+t01)(t00+t10)-

(t11+t10)(t11+t01)]/[(t11+t10+t01+t00)2-

(t00+t01)(t00+t10)-(t11+t10)(t11+t01)]。

優選地，所述在故障篩選和穩定評估完成的同時得到評價指標還包括：

roc曲線指標由命中率tpr和誤報率fpr構成，以tpr作為y軸，fpr作為x軸：

優選地，所述在故障篩選和穩定評估完成的同時得到評價指標還包括：

計算系統的綜合評價指標，計算公式為：

從以上技術方案可以看出，本發明實施例具有以下優點：

本發明實施例提供的一種基於rptsvm的電力系統暫態穩定評估方法，通過採用能量函數指標和電力系統指標構造原始特徵集，可以降低特徵集維數和減少冗餘信息，是樣本集構造的新思路；通過最大相關最小冗餘特徵選擇方法對電力系統指標和投影能量函數指標進行特徵壓縮，尋找對電網暫態變化敏感度高的電力系統特徵子集，可進一步減少冗餘信息，降低特徵維數；rptsvm在優化目標函數中加入正則項重構分類器後進行電力系統暫態穩定評估，可確保暫態穩定評估的穩定性，避免ptsvm進行暫態穩定評估時類方差矩陣非滿秩缺陷，提高ptsvm評估模型的泛化能力；通過遺產算法進行參數優化，合理選擇種群數量，可在保證選擇出最優參數組合的前提下，節省計算時間。在訓練樣本相同的情況下，本發明實施例提供的一種基於rptsvm的電力系統暫態穩定評估方法較svm、lssvm、pin-svm和ptsvm具有更高的評估精度，與lssvm具有相當的時間複雜度。svm為支持向量機，lssvm為最小二乘支持向量機，pin-svm為彈球損失支持向量機，ptsvm為投影孿生支持向量機，rptsvm為正則化投影孿生支持向量機。

附圖說明

為了更清楚地說明本發明實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的一些實施例，對於本領域普通技術人員來講，在不付出創造性勞動性的前提下，還可以根據這些附圖獲得其它的附圖。

圖1為本發明實施例提供的一種基於rptsvm的電力系統暫態穩定評估方法的一個實施例的示意圖；

圖2為本發明實施例提供的一種基於rptsvm的電力系統暫態穩定評估方法的另一個實施例的示意圖；

圖3(a)為表示rptsvm評估模型投影坐標軸情況的散點圖；

圖3(b)為表示ptsvm評估模型投影坐標軸情況的散點圖。

具體實施方式

本發明實施例提供了一種基於rptsvm的電力系統暫態穩定評估方法，用於改善現有暫態穩定評估方法在準確率、穩定性和時間複雜度的不足。

為使得本發明的發明目的、特徵、優點能夠更加的明顯和易懂，下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，下面所描述的實施例僅僅是本發明一部分實施例，而非全部的實施例。基於本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其它實施例，都屬於本發明保護的範圍。

請參閱圖1，本發明實施例提供的一種基於rptsvm的電力系統暫態穩定評估方法的一個實施例，包括：

s1：獲取電力系統響應軌跡數據，選取蘊含電力系統暫態穩定狀態的離線或在線的監測數據作為數據源，對數據源進行特徵提取，確定電力系統指標和投影能量函數指標，通過最大相關最小冗餘特徵選擇方法對電力系統指標和投影能量函數指標進行特徵壓縮，尋找對電網暫態變化敏感度高的電力系統特徵子集，將樣本數據按一定的比例分為訓練樣本數據和測試樣本數據；

s2：以訓練樣本數據作為rptsvm的輸入，訓練具有線性分類功能的rptsvm的數學模型並計算獲得訓練集樣本數據中穩定類與不穩定類投影坐標軸，將rptsvm的數學模型非線性轉化為具有非線性分類功能的rptsvm數學模型並計算非線性轉化後的訓練集樣本數據中穩定類和不穩定類的投影坐標軸，即獲得rptsvm電力系統暫態穩定評估模型；

s3：根據rptsvm電力系統暫態穩定評估模型對用測試樣本數據模擬的電力系統狀態進行穩定性評估，針對實際電力系統的故障類型，依據電力系統特徵子集相對於電力系統穩定類與不穩定類的隸屬度將故障劃歸到相應的類，若分類為不穩定類，則確定該故障為嚴重故障；否則確定該故障為不嚴重故障。

本發明的一種基於rptsvm的電力系統暫態穩定評估方法。第一，投影能量函數指標與電力系統整體狀態密切相關，採用能量函數指標和電力系統指標構造原始特徵集，可以降低特徵集維數和減少冗餘信息，是樣本集構造的新思路；第二，通過最大相關最小冗餘特徵選擇方法對電力系統指標和投影能量函數指標進行特徵壓縮，尋找對電網暫態變化敏感度高的電力系統特徵子集，可進一步減少冗餘信息，降低特徵維數；第三，rptsvm在優化目標函數中加入正則項重構分類器後進行電力系統暫態穩定評估，可確保暫態穩定評估的穩定性，避免ptsvm進行暫態穩定評估時類方差矩陣非滿秩缺陷，提高ptsvm評估模型的泛化能力，在訓練樣本相同的情況下，該方法較svm、lssvm、pin-svm和ptsvm具有更高的評估精度，與lssvm具有相當的時間複雜度；第四，因rptsvm暫態穩定評估模型的評估精度受參數組合影響很大，通過遺產算法進行參數優化，合理選擇種群數量，可在保證選擇出最優參數組合的前提下，節省計算時間。svm為支持向量機，lssvm為最小二乘支持向量機，pin-svm為彈球損失支持向量機，ptsvm為投影孿生支持向量機，rptsvm為正則化投影孿生支持向量機。

以上是對本發明實施例提供的一種基於rptsvm的電力系統暫態穩定評估方法的一個實施例進行詳細的描述，以下將對本發明實施例提供的一種基於rptsvm的電力系統暫態穩定評估方法的另一個實施例進行詳細的描述。

本發明提供的一種基於rptsvm的電力系統暫態穩定評估方法的另一個實施例，採用電力系統的響應軌跡數據，構建由系統指標和投影能量函數指標組成的原始特徵集，用最大相關最小冗餘(maximalrelevanceandminimalredundancy,mrmr)(出自文獻：李揚,顧雪平.基於改進最大相關最小冗餘判據的暫態穩定評估特徵選擇[j].中國電機工程學報,2013,33(34):179-186.)特徵選擇方法進行特徵壓縮，找出對電網動態變化敏感度高的特徵子集，並將樣本集映射到高維空間，實現非線性暫態穩定評估問題的線性轉化；用rptsvm進行故障篩選和快速暫態穩定判別，將分類問題轉化為尋找穩定類與不穩定類的最佳投影軸，儘可能的使同類樣本聚集成簇，並將高維二項式規劃問題轉化為兩個低維二項式規劃問題，降低時間複雜度，同時藉助遺傳算法進行參數選擇，可改善電力系統暫態的評估準確率，從而實現故障篩選和快速暫態穩定判別。

如圖2所示，本發明的一種基於rptsvm的電力系統暫態穩定評估方法的另一個實施例，包括如下步驟：

1)構建原始特徵集。同步相量測量單元可連續不斷的監視和測量發電機的功角，各母線電壓和電流的幅值、相角，構建原始特徵集包括：獲取電力系統響應軌跡數據，選取蘊含電力系統暫態穩定狀態的離線或在線的監測數據作為數據源，對數據源進行特徵提取，確定電力系統指標和投影能量函數指標，其中投影能量函數指標包括投影角速度wθ表徵系統相對於慣性中心的位置、投影角加速度as表徵發電機組相對於慣性中心的失穩趨勢和投影動能pke描述系統某時刻發電機組的失穩趨勢。這3項指標可以有效表徵系統的運行穩定狀態，將這3項指標加入到rptsvm的原始特徵集中，可豐富樣本集特徵，減少冗餘信息。通過最大相關最小冗餘特徵選擇方法對電力系統指標和投影能量函數指標進行特徵壓縮，尋找對電網暫態變化敏感度高的電力系統特徵子集，將樣本數據按一定的比例分為訓練樣本數據和測試樣本數據；其中，

所述的數據源包括：發電機三相電流和電流的幅值和角度，發電機有功、無功功率及勵磁電壓，變壓器高低壓側電流和電壓的幅值和相角，變壓器各出線的功率。

所述的系統指標包括：故障初始時刻t0所有發電機初始加速度的最大值、具有最大加速度發電機的初始角度和所有發電機初始加速功率的均值；單側故障清除時刻tcd和故障切除時刻tcl系統衝擊的大小、與慣性中心相差最大的發電機轉子角度、具有最大轉角發電機的動能、具有最大動能發電機的轉子角度、所有發電機轉子動能的最大值、所有發電機轉子動能的平均值、發電機轉子最大相對搖擺角以及與慣性中心相差最大的發電機角速度；

所述的投影能量函數指標包括：故障初始時刻t0的投影能量函數角加速度，故障切除時刻tcl的投影能量函數角速度、角加速度和投影動能。

2)由訓練樣本數據訓練電力系統的暫態穩定評估模型

基於rptsvm思想將訓練樣本數據的穩定類和不穩定類分開，尋找穩定類、不穩定類的最佳投影軸，使穩定類投影到穩定類投影超平面上後儘可能的聚成簇，而不穩定類投影到穩定類投影超平面上後儘可能遠離正類聚成的簇，穩定類是指故障後最大功角差未超過360°的樣本，不穩定樣本是指故障後最大功角差超過360°的樣本。以訓練樣本數據作為rptsvm的輸入，訓練具有線性分類功能的rptsvm的數學模型表示如下：

式中，為訓練集樣本數據第i類的第j個樣本的空間向量，rl為l維列向量，和分別為訓練集樣本數據中穩定類的第i個、第j個和第k個樣本的空間向量，和分別為訓練集樣本數據中不穩定類的第i個、第j個和第k個樣本的空間向量，h為訓練集樣本數據總數，h1和h2分別訓練集樣本數據中穩定類和不穩定類的數量，h＝h1+h2，ctsa1、ctsa2分別為訓練集樣本數據中穩定類和不穩定類的懲罰參數，ξtsak、ηtsak分別為訓練集樣本數據中穩定類和不穩定類的第k鬆弛變量，wtsa1和wtsa2分別為訓練集樣本數據中穩定類和不穩定類的投影坐標軸，和分別wtsa1和wtsa2的轉置，為v1和v2為訓練集樣本數據中穩定類和不穩定類的權重參數。

根據kkt條件可得式(1)和式(2)的對偶問題，並求解計算拉格朗日乘子後，可得訓練集樣本數據中穩定類與不穩定類投影坐標軸：

式中，stsa1和stsa2分別為訓練集樣本數據中穩定類與不穩類的類方差矩陣，etsa1和etsa2為訓練集樣本數據中穩定類與不穩定類的單位向量，和分別為etsa1和etsa2的轉置，αtsa和γtsa為訓練集樣本數據中穩定類和不穩定類的拉格朗日乘子，向量i為單位矩陣，(v2stsa2+i)-1為(v2stsa2+i)的轉置。為訓練集樣本數據穩定類的輸入，為h1行l列矩陣，為訓練集樣本數據不穩定類的輸入，為h2行l列矩陣。

為將rptsvm數學模型應用到非線性分類問題中，特引入核函數k(c,ct)：

k(c,ct)＝φ(c)＝(φ(xtsa1),φ(xtsa2),...,φ(xtsah))(5)

式中，φ是從rl到hilbert空間的映射，c為訓練樣本數據，ct為c的轉置，ct＝[atsa-btsa]t，進而將訓練樣本數據從低維空間映射到高維空間，進而將非線性分類問題轉化為線性分類問題：

引入映射φ後的rptsvm數學模型為具有非線性分類功能的rptsvm數學模型：

式中，u1和u2分別為經非線性轉化後的訓練集樣本數據中穩定類和不穩定類的投影坐標軸，(stsa1)φ和(stsa2)φ分別為經非線性轉化後的訓練集樣本數據中穩定類與不穩類的類方差矩陣，ξtsa、ηtsa分別為訓練集樣本數據中穩定類和不穩定類的鬆弛變量。

並計算非線性轉化後的訓練集樣本數據中穩定類和不穩定類的投影坐標軸u1和u2：

引入核函數後的決策函數如下所示：

式中，xtsa＝atsa+btsa，xtsa1＝atsa,xtsa2＝btsa。

3)採用步驟2)得到的rptsvm電力系統暫態穩定評估模型對用測試樣本數據模擬的電力系統狀態進行穩定性評估，針對實際電力系統的故障類型，依據電力系統特徵子集相對於電力系統穩定類與不穩定類的隸屬度將故障劃歸到相應的類，當分類為不穩定類，則認為該故障為嚴重故障；反之，則認為該故障為不嚴重故障；在故障篩選和穩定評估完成的同時得到評價指標。所述的評價指標包括：準確率指標、統計值指標和roc曲線命中率指標。

準確率指標為正確預測數和預測總數的比。tij表示實際類標號為i但被預測為j的記錄數，則準確率如下所示：

統計值指標為kappa，由於單獨評判準確率會存在一定的偶然性，考慮用k來衡量一個數據集的預測分類和實際分類之間的一致性情況：

kappa＝[(t11+t00)(t11+t10+t01+t00)-(t00+t01)(t00+t10)-

(t11+t10)(t11+t01)]/[(t11+t10+t01+t00)2-(12)

(t00+t01)(t00+t10)-(t11+t10)(t11+t01)]

roc曲線指標由命中率(truepositiverate，tpr)和誤報率(falsepositiverate，fpr)構成，以tpr作為y軸，fpr作為x軸：

因此系統的綜合評價指標如下：

如圖3所示，rptsvm評估模型和ptsvm評估模型投影坐標軸變化情況，可知暫態穩定評估性能分析過程包括如下步驟：

1)rptsvm的準確性分析。為驗證本文所提分類器準確性，分別採用5種分類器進行暫態穩定評估，包括支持向量機svm、最小二乘支持向量機lssvm、彈球損失支持向量機pin-svm、投影孿生支持向量機ptsvm和正則化投影孿生支持向量機rptsvm。在計算過程中，核函數用徑向基核函數rbf，5種分類器的評價指標如表1所示。

表1：5種分類器的評價指標

通過對比表1中5種分類器的準確率指標、roc指標、kappa指標，綜合評價指標，可知rptsvm的準確率指標為95.14％略高於pin-svm和ptsvm的94.89％和94.23％，並高於其他2種分類器，綜合評價指標值為0.9282也都高於其他4種分類器。而且rptsvm分類器的時間複雜度為0.8519s略高於svm分類器的0.7188s，遠低於ptsvm和pin-svm分類器的4.1378s和3.1071s，並略低於lssvm分類器的0.8594s。可見rptsvm在保證分類器具有較高評估精度的同時，具有較低的時間複雜度。

2)正則項加入目標函數後對評估模型的影響。為進一步分析加入正則項後rptsvm和ptsvm評估精度改變的原因，將穩定類與不穩定類的投影坐標信息用圖3表示。

圖3中穩定類用淺灰色「+」表示，不穩定類用黑色「·」表示，穩定類被誤判為不穩定類的樣本用「○」表示，不穩定類被誤判為穩定類的樣本用「□」表示，黑色斜線為分類線。由圖3可知，穩定類和不穩定類聚集在相應的投影軸周圍並且遠離相反投影軸。圖3(a)中rptsvm的穩定類與不穩定類的最大樣本點和相應投影之間的距離都很小，而且大多數穩定類與不穩定類樣本點和相反投影軸的距離很大，雖然圖3(b)中ptsvm評估模型的穩定類與不穩定類樣本點和相應投影軸的距離依然很小，但大多數穩定類與不穩定類樣本點和相反投影軸的距離較rptsvm變小。可見本文所提rptsvm評估模型通過最大化邊界距離，使得兩類樣本與相反投影軸的距離差增大，樣本離散化程度增強，表明最大化邊界距離具有一定的實際意義。

以上所述，以上實施例僅用以說明本發明的技術方案，而非對其限制；儘管參照前述實施例對本發明進行了詳細的說明，本領域的普通技術人員應當理解：其依然可以對前述各實施例所記載的技術方案進行修改，或者對其中部分技術特徵進行等同替換；而這些修改或者替換，並不使相應技術方案的本質脫離本發明各實施例技術方案的精神和範圍。