具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

随着社会经济的发展，环境污染问题和化石燃料的日渐枯竭已经成为掣肘人类可持续发展的两个元凶。发展清洁的可再生新能源是解决环境问题和能源制约问题的有效解决方法之一，也是人类社会实现可持续发展的必经之路。现阶段，新能源发电在国内外都备受重视，随着技术进步和各国政府的支持，新能源发电装机容量在过去十年内迎来了迅猛发展。

随着电力系统中风光电装机占比不断增加，其不确定性对系统运行的影响不断扩大，新能源在给全社会带来显著效益的同时，自身的消纳问题也日益严峻，成为制约未来新能源发展与利用的主要因素之一。在新能源消纳能力评估研究的初始阶段，新能源消纳能力评估主要服务于电力系统规划，用于确定新能源最大装机容量。

利用制约因素法进行评估较为简单，但由于仅考虑某一制约因素的影响，该评估方法得到的结果不具有一般性，且仅能反映系统整体的消纳能力，无法对区域电网及节点的消纳能力进行量化，不能全面地反映新能源消纳能力。

由于新能源装机规模日益扩大，弃电情况严重，研究人员更希望从运行调度的角度评估系统新能源消纳能力，从而提高新能源消纳能力、解决弃电问题，以系统运行成本最小或新能源消纳能力最大为目标、综合考虑系统多种运行约束的优化评估模型在新能源评估研究中得以广泛应用。由于新能源在电力系统中的装机占比不断扩大，此时，新能源出力不确定性带来的影响不容忽视。

基于蒙特卡洛模拟法的消纳能力评估方法通过大量采样计算模拟系统不同运行状态下的消纳能力，评估结果精度较高，但其计算速度随电力系统规模扩大而降低，因此，对于大规模电力系统新能源消纳能力评估，蒙特卡洛模拟法的计算效率不高。还有研究基于卷积法对消纳能力进行评估，该方法可以实现快速评估，但评估过程仅考虑系统调峰能力对消纳能力的影响，导致结果准确度不高，而且评估结果仅能反映系统整体的消纳水平，不能全面评估系统消纳水平。

当电力系统规模不断扩大，新能源接入比例不断增加时，传统的新能源消纳能力评估方法在计算时间和精度上带来的问题愈发明显。随着现代卷积神经学习技术的发展，网络层数进一步加深，非线性拟合及特征提取能力进一步增强，而且对于已经训练完成的评估网络，可以快速完成对全新输入数据的评估结果进行预测，尤其在系统规模较大时大大节省了计算时间。而且，应对现有采用时序蒙特卡洛新能源系统实际数据不足的情况，还可以利用条件生成对抗网络对相应数据进行生成，以满足后续消纳能力评估网络的训练需求。因此，提供一种新能源消纳能力评估方法，利用上述网络技术建立评估模型，来实现快速、精确的评估结果的预测。

为了说明本发明的技术方案，下面通过具体实施例来进行说明。

图1是本发明一实施例提供的一种新能源消纳能力评估方法的实现流程示意图。如图1所示，该实施例的一种新能源消纳能力评估方法包括：

步骤S101：获取待预测日的电力系统运行方式数据；

步骤S102：将待预测日的电力系统运行方式数据输入已建立的新能源消纳能力评估模型，得到待预测日的新能源出力序列，其中，新能源消纳能力评估模型通过待预测日之前的多个选定日的电力系统运行方式数据和待预测日之前的多个选定日的新能源出力序列训练卷积神经网络模型得到；

步骤S103：根据待预测日的新能源出力序列，确定待预测日的新能源消纳能力指标数据，并通过待预测日的新能源消纳能力指标数据来评估新能源消纳能力。

在一实施例中，电力系统运行过程中，一般会采用各种监测设备对电力系统运行过程中的运行数据进行监控，通过对电力系统运行数据进行提取可得到不同运行方式下的电力系统运行方式数据，如发电机开机方式数据、发电机发电功率数据以及节点负荷功率数据等。

进一步地，本申请中的新能源消纳能力评估模型是利用电力系统运行数据对卷积神经网络进行训练得到的。结合图2对本申请采用的卷积神经网络进行介绍，卷积神经网络善于提取空间数据特征，且输入的两通道n×n方阵本身具有稀疏的特点，本申请使用2层卷积网络和1层带最大池化层的卷积网络提取其特征。

时域卷积网络对序列数据特征提取能力强，在经过多个卷积核后通道轴方向的频域卷积可以进一步丰富提取的特征。第二路输入的56×n的单通道数据虽然不是严格意义上的时间序列数据，但其中包含导致系统时序变化的参数序列，此处可以使56×n的特征矩阵通过时—频域卷积网络，以更好地模拟系统中众多随机变量对系统消纳能力的影响。

对于输入网络的标量发电机出力约束P_Gmax、P_Gmin，爬坡约束P_up、P_down和线路潮流约束P_Lmax、P_Lmin，特征单一，只需直接输入进全连接网络。

通道n×n电导矩阵G和电纳矩阵B作为CNN输入，首先经过两个“2维卷积—批标准化—ReLU激活函数”模块，其中，2维卷积网络用于提取系统结构特征，BN为批标准化技术，用于正则化网络并避免梯度问题，ReLU激活层用于增强网络表达能力生成，经上述模块生成一组特征图，再经过一个“2维卷积—批标准化—ReLU激活函数”模块后进行无重叠最大池化进行降采样以降低维度，为使三路输入数据可以整合，再将此时的特征图拉直并送入1层全连接网络以待整合。

56×n的系统特征矩阵首先进入时域卷积层，卷积核高度等于56，宽度按n的1％—2％比例取整选取，采用多个卷积核，卷积核只在横向维度上移动，随着移动向后，时域卷积层输出对全系统节点可变特性及规律的刻画越全面，时域卷积层的输出同样经过批标准化层防止梯度弥散和梯度爆炸，经过ReLU函数激活，经过最大池化进行降采样以降低维度。经时域卷积层后的特征图需要经过时频域变换模块通过维度变换将各个通道拼接，频域卷积核亦沿通道方向拼接，拼接后的特征图进入频域卷积网络，由于已经过时—频域变换模块，频域卷积等效为变换后的时域卷积，经过批标准化BN层、ReLU激活层、最大池化层、和拉直全连接层以将提取的特征按待整合格式输出。

Concatenate拼接层将CNN输出、时—频域CNN的输出和一维标量输入发电机出力约束P_Gmax、P_Gmin，爬坡约束P_up、P_down和线路潮流约束P_Lmax、P_Lmin直接在一维方向拼接，再送入3个连续的Dense层，每个Dense层的神经元数递减，最后得到新能源消纳能力指标数据。

具体地，本申请中的待预测日之前的多个选定日为至少2天。以待预测日为2021年5月30日，多个选定日为2021年4月1日至2021年4月25日为例。先获取2021年5月30日的电力系统运行方式数据，之后将2021年5月30日的电力系统运行方式数据输入已建立的新能源消纳能力评估模型，得到2021年5月30日的新能源出力序列，其中，新能源消纳能力评估模型通过2021年4月1日至2021年4月25日的电力系统运行方式数据和2021年4月1日至2021年4月25日的新能源出力序列训练卷积神经网络模型得到，最后根据2021年5月30日的新能源出力序列，确定2021年5月30日的新能源消纳能力指标数据，并通过2021年5月30日的新能源消纳能力指标数据来评估新能源消纳能力。

本发明实施例首先获取待预测日的电力系统运行方式数据，之后将待预测日的电力系统运行方式数据输入已建立的新能源消纳能力评估模型，得到待预测日的新能源出力序列，其中，新能源消纳能力评估模型通过待预测日之前的多个选定日的电力系统运行方式数据和待预测日之前的多个选定日的新能源出力序列训练卷积神经网络模型得到；最后根据待预测日的新能源出力序列，确定待预测日的新能源消纳能力指标数据，并通过待预测日的新能源消纳能力指标数据来评估新能源消纳能力。本发明采用已建立的新能源消纳能力评估模型可以快速完成对新输入数据的评估结果进行预测，不仅在系统规模较大时大大节省了计算时间，还提高了评估的精度。

图3为本发明实施例中步骤S102的细化步骤的实现流程示意图，如图3所示，步骤S102中的新能源消纳能力评估模型的建立包括：

步骤S301：获取训练样本集，其中，训练样本集中包括多个训练样本；

步骤S302：依次利用多个训练样本中的每个训练样本训练卷积神经网络模型，得到新能源消纳能力评估模型。

在一实施例中，新能源消纳能力评估模型需通过大量的训练样本对卷积神经网络模型进行训练得到。其中，训练方式为重复训练，以训练样本为50个为例，依次选取1-50个训练样本逐一对卷积神经网络模型进行训练，直到卷积神经网络模型设定的迭代阈值，说明训练完成，即得到新能源消纳能力评估模型。对于训练样本的数目不作具体限定，根据具体情况进行调整。

图4为本发明实施例中步骤S301之前步骤的实现流程示意图，如图4所示，步骤S301之前包括：

步骤S401：获取待预测日之前的多个选定日的电力系统运行方式数据；

步骤S402：根据待预测日之前的多个选定日的电力系统运行方式数据和预设的电力系统最大新能源消纳能力评估模型，确定待预测日之前的多个选定日的新能源出力序列；

步骤S403：将待预测日之前的多个选定日的电力系统运行方式数据和待预测日之前的多个选定日的新能源出力序列进行组合，确定多个训练样本，其中，多个选定日的电力系统运行方式数据、多个选定日的新能源出力序列和多个训练样本一一对应；

步骤S404：将多个训练样本进行合并，得到训练样本集。

在一实施例中，预设的电力系统最大新能源消纳能力评估模型的目标函数为新能源出力最大，其目标函数为：

其中，为风电机组在t时段的实际出力，n_w为风电机组总数，为光伏机组在t时段的实际出力，n_s为光伏机组的总数；

预设的电力系统最大新能源消纳能力评估模型是通过电力系统中各运行方式下通用的电力元件模型进行约束的，具体约束包括：

1、节点功率平衡约束

其中，P_it为火电机组在t时段发出的功率，P_L,t为负荷在t时段的值；B为节点导纳矩阵的虚部；θ为节点电压相角向量；P_R,t为新能源机组t时段内的发功率，为新能源机组的t时段内的切除功率。

直流潮流方程可以由下式来描述：

P_g-P_d＝Bθ (3)

其中，Pg为系统发电机出力向量；Pd为系统负荷向量。

2、发电机出力约束

P_Gmin,i<P_i,t<P_Gmax,i (4)

其中，PGmin,i，PGmax，i为分别表示火电机组的有最大、最小出力，若此约束越界，则表明新能源的消纳受调峰能力限制。

同时，新能源机组的出力约束如上所示，其中，和分别为风电机组和光伏机组的可用功率，其本质为随机变量，具体数值取决于气象条件和新能源机组功率曲线。

3、发电机爬坡能力约束

P_i,t-P_i,t-1>-R_down,iΔt (7)

P_i,t-P_i,t-1<R_up,iΔt (8)

其中，Rdown,i,Rup,i为发电机i的向上爬坡率与向下爬坡率。

4、线路潮流约束的形式为：

P_l,min<P_l<P_l,max (9)

其中，P_l为线路上流过的有功功率；P_l,min为线路上允许流过的最小功率，P_l,max为线路上允许流过的最大功率；支路有功潮流P_ij的计算公式为(潮流的方向由节点i到节点j为正)：

其中，x_ij为支路i-j的电抗；i为该支路的首端节点；j为该支路的末端节点。

进一步地，根据上述实施例中的多个选定日为2021年4月1日至2021年4月25日为例，2021年4月1日的电力系统运行方式数据和2021年4月1日的新能源出力序列作为一个训练样本，2021年4月2日的电力系统运行方式数据和2021年4月2日的新能源出力序列作为一个训练样本...依此类推，根据上述选定日可获得25个训练样本。

图5为本发明实施例中步骤S302的细化步骤的实现流程示意图，如图5所示，步骤S302包括：

步骤S501：获取卷积神经网络模型；

步骤S502：将每个训练样本中的选定日的电力系统运行方式数据作为卷积神经网络模型的输入数据以及将每个训练样本中的选定日的新能源出力序列作为输出数据，训练卷积神经网络模型以确定新能源消纳能力评估模型。

在一实施例中，以选定日为2021年4月1日为例，将2021年4月1日的电力系统运行方式数据作为卷积神经网络模型的输入数据，且将2021年4月1日的新能源最大消纳电量数据作为输出数据，训练卷积神经网络模型以确定新能源消纳能力评估模型。

图6为本发明实施例中步骤S103的细化步骤的实现流程示意图，如图6所示，步骤S103包括：

步骤S601：对待预测日的新能源出力序列进行积分运算，得到待预测日的新能源最大消纳电量数据；

步骤S602：将待预测日的新能源最大消纳电量数据和待预测日的新能源出力序列作为待预测日的新能源消纳能力指标数据，并通过待预测日的新能源消纳能力指标数据来评估新能源消纳能力。

在一实施例中，新能源最大消纳电量与新能源出力的关系如下：

其中，E为新能源最大消纳电量，P_r为新能源出力，T为总小时数。如图7所示，将每个小时的新能源出力按由大到小重新排序即得到新能源出力持续曲线，新能源出力持续曲线对坐标轴的积分即其面积易求得新能源最大消纳电量。需要注意的是，在已知总小时数T和新能源最大消纳电量E也可通过公式(11)求解出新能源出力P_r。由于优化模型得到的当日最大消纳的新能源出力持续曲线，故此时曲线的积分是最大新能源消纳电量。

如图8所示，将一年365天中的每天的电力系统的运行方式数据分别输入新能源消纳能力评估模型，对输出的365组日新能源出力持续序列合并再重新排序即得一年8760小时新能源出力持续曲线，该曲线与坐标轴围成的面积极易计算，为全年最大新能源消纳电量。

图9为本发明实施例中步骤S402的细化步骤的实现流程示意图，如图9所示，步骤S402包括：

步骤S901：建立电力系统运行方式的电力元件模型；

步骤S902：以电力系统运行方式的电力元件模型为约束条件，利用待预测日之前的多个选定日的电力系统运行方式数据对预设的电力系统最大新能源消纳能力评估模型进行求解，得到待预测日之前的多个选定日的新能源出力序列。

在一实施例中，电力元件模型包括：负荷模型、风电出力模型和光伏机组出力模型，具体如下：

1、负荷模型

负荷模型以年峰值负荷L_max为基准，在模拟的年限内，若不考虑峰值负荷的变化，可以由下式计算t时刻的负荷L(t)：

L(t)＝L_w(t)×L_d(t)×L_h(t)×L_max (12)

其中，L_w(t)为t时刻周负荷峰值占年负荷峰值的百分比；L_d(t)为t时刻日峰值负荷占周峰值负荷的百分比；L_h(t)为t时刻小时峰值负荷占日峰值负荷的百分比。

2、风电出力模型

风速V的分布可以用两参数威布尔分布模拟，其概率密度函数如下式所示：

其中，a为威布尔分布的尺度参数，反映了平均风速；b为威布尔分布的形状参数，反映了威布尔分布的偏斜度；v为给定的风速值/m·s-1。

风电机组的出力与风速的关系不是简单的线性关系，而是一个分段函数。风机的典型出力特性曲线可以由二次分段函数表示，如下式。

根据所得的风速抽样值，利用风电机组的功率输出模型，便可转化得到每台风机的输出功率抽样值，对风电场中所有风电机组的输出功率求和便可得到实际整个风电场的出力模型。

3、光伏机组出力模型

β分布能够很好地模拟短时间段(1-数小时)内光照强度的概率，若已知t时刻光伏电池组件安装处的日照辐照度，便可转化得到光伏电池组件的出力。

其中，P(t)为t时刻光伏电池组件的出力/MW；A为单位电池组件的面积/m²；η为电池组件的转化效率，该值与温度相关；I(t)为t时刻的太阳能辐照度/MJ·m^-2。

图10为本发明实施例中步骤S401之前步骤的实现流程示意图，如图10所示，步骤S401之前包括：

步骤S1001：获取待预测日之前的多个选定日的电力系统运行数据；

步骤S1002：提取待预测日之前的多个选定日的电力系统运行数据中的电力系统运行方式数据，得到待预测日之前的多个选定日的电力系统运行方式数据。

在一实施例中，目前电网采用一系列运行监测系统，对电网运行实时全景监控，如数据采集与监视控制系统(SCADA)、能量管理系统(EMS)、广域测量系统(WAMS)等。这些自动化系统随着电网运行产生大量数据，这些数据包括电网实时运行状态、设备状态、故障信息等电力系统运行数据。

从电力系统运行数据中进行数据提取，形成由线路开关状态、发电机开机方式、发电机发电功率、节点负荷功率等组成的数据向量，建立电网运行方式数据集，对应提取每个运行方式的数据，由对应时刻电力数据中关键属性数据项组成。

步骤S1003：获取待预测日之前的多个选定日的电力系统运行方式数据；

步骤S1004：根据待预测日之前的多个选定日的电力系统运行方式数据和预设的电力系统最大新能源消纳能力评估模型，确定待预测日之前的多个选定日的新能源出力序列；

步骤S1005：将待预测日之前的多个选定日的电力系统运行方式数据和待预测日之前的多个选定日的新能源出力序列进行组合，确定多个训练样本，其中，多个选定日的电力系统运行方式数据、多个选定日的新能源出力序列和多个训练样本一一对应；

步骤S1006：将多个训练样本进行合并，得到训练样本集。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

在一个实施例中，如图11所示，提供了一种新能源消纳能力评估装置，包括：数据获取模块1101、模型运算模块1102和消纳能力评估模块1103，其中：

数据获取模块1101，用于获取待预测日的电力系统运行方式数据；

模型运算模块1102，用于将待预测日的电力系统运行方式数据输入已建立的新能源消纳能力评估模型，得到待预测日的新能源出力序列，其中，新能源消纳能力评估模型通过待预测日之前的多个选定日的电力系统运行方式数据和待预测日之前的多个选定日的新能源出力序列训练卷积神经网络模型得到；

消纳能力评估模块1103，用于根据待预测日的新能源出力序列，确定待预测日的新能源消纳能力指标数据，并通过待预测日的新能源消纳能力指标数据来评估新能源消纳能力。

在一实施例中，模型运算模块1102，包括：

样本获取子模块，用于获取训练样本集，其中，训练样本集中包括多个训练样本；样本训练子模块，用于依次利用多个训练样本中的每个训练样本训练卷积神经网络模型，得到新能源消纳能力评估模型。

在一实施例中，样本获取子模块之前，还包括：

运行方式数据获取子模块，用于获取待预测日之前的多个选定日的电力系统运行方式数据；电量确定子模块，用于根据待预测日之前的多个选定日的电力系统运行方式数据和预设的电力系统最大新能源消纳能力评估模型，确定待预测日之前的多个选定日的新能源出力序列；训练样本确定子模块，用于将待预测日之前的多个选定日的电力系统运行方式数据和待预测日之前的多个选定日的新能源出力序列进行组合，确定多个训练样本，其中，多个选定日的电力系统运行方式数据、多个选定日的新能源出力序列和多个训练样本一一对应；

训练样本集确定子模块，用于将多个训练样本进行合并，得到训练样本集。

在一实施例中，样本训练子模块，包括：

神经网络获取单元，用于获取卷积神经网络模型；评估模型训练单元，用于将每个训练样本中的选定日的电力系统运行方式数据作为卷积神经网络模型的输入数据以及将每个训练样本中的选定日的新能源出力序列作为输出数据，训练卷积神经网络模型以确定新能源消纳能力评估模型。

在一实施例中，消纳能力评估模块1103，包括：

积分运算子模块，用于对待预测日的新能源出力序列进行积分运算，得到待预测日的新能源最大消纳电量数据；消纳能力指标确定子模块，用于将待预测日的新能源最大消纳电量数据和待预测日的新能源出力序列作为待预测日的新能源消纳能力指标数据，并通过待预测日的新能源消纳能力指标数据来评估新能源消纳能力。

在一实施例中，电量确定子模块，包括：

元件模型建立单元，用于建立电力系统运行方式的电力元件模型；消纳电量确定单元，用于以电力系统运行方式的电力元件模型为约束条件，利用待预测日之前的多个选定日的电力系统运行方式数据对预设的电力系统最大新能源消纳能力评估模型进行求解，得到待预测日之前的多个选定日的新能源出力序列。

在一实施例中，运行方式数据获取子模块之前，还包括：

运行数据获取子模块，用于获取待预测日之前的多个选定日的电力系统运行数据；数据提取子模块，用于提取待预测日之前的多个选定日的电力系统运行数据中的电力系统运行方式数据，得到待预测日之前的多个选定日的电力系统运行方式数据。

图12是本发明一实施例提供的终端设备的示意图。如图12所示，该实施例的终端设备12包括：处理器1201、存储器1202以及存储在存储器1202中并可在处理器1201上运行的计算机程序1203。处理器1201执行计算机程序1203时实现上述各个场景缩减方法实施例中的步骤，例如图1所示的步骤101至103。或者，处理器1201执行计算机程序1203时实现上述各装置实施例中各模块/单元的功能，例如图11所示模块1101至1103的功能。

示例性的，计算机程序1203可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器1202中，并由处理器1201执行，以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序1203在终端设备12中的执行过程。例如，计算机程序1203可以被分割成数据获取模块、模型运算模块和消纳能力评估模块，各模块具体功能如下：

数据获取模块，用于获取待预测日的电力系统运行方式数据；

模型运算模块，用于将待预测日的电力系统运行方式数据输入已建立的新能源消纳能力评估模型，得到待预测日的新能源出力序列，其中，新能源消纳能力评估模型通过待预测日之前的多个选定日的电力系统运行方式数据和待预测日之前的多个选定日的新能源出力序列训练卷积神经网络模型得到；

消纳能力评估模块，用于根据待预测日的新能源出力序列，确定待预测日的新能源消纳能力指标数据，并通过待预测日的新能源消纳能力指标数据来评估新能源消纳能力。

终端设备12可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。12终端设备可包括，但不仅限于，处理器1201、存储器1202。本领域技术人员可以理解，图12仅仅是终端设备的示例，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如终端设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器1201可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器1202可以是终端设备12的内部存储单元，例如终端设备12的硬盘或内存。存储器1202也可以是终端设备12的外部存储设备，例如终端设备12上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。进一步地，存储器1202还可以既包括终端设备12的内部存储单元也包括外部存储设备。存储器1202用于存储计算机程序以及终端设备所需的其他程序和数据。存储器1202还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。