具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。

针对本申请中涉及词语的解释如下：

光功率，是光在单位时间内所做的功。光功率的单位常用毫瓦(mw)和分贝毫瓦(dBm)表示。光功率可以通过光功率采集仪来采集。电功率，是电流在单位时间内所做的功。电功率的单位常用瓦(w)表示。

并网，是独立发电厂或小电力系统与相邻电力系统发生电气连接，进行功率交换的行为。对于光伏并网发电，由并网光伏发电系统通过太阳能电池阵列接收太阳辐射能量，将太阳辐射能量经过高频直流转换后变成高压直流电，在经过逆变器逆变后向电网输出与电网电压同频、同相的正弦交流电流。

如今，光伏并网发电是光伏发电实现大规模高效利用的重要形式，但是，光伏发电大规模接入电网会造成电网运行调度的困难与复杂化，对电网的安稳运行造成了很大的影响。因此，提出了对光功率变化趋势的预测方案，以基于预测到的光功率变化趋势协同电网的安全运行和经济调度。

由于光伏发电所依赖的阳光辐照具有随机性、间歇性和不可控性等特点，尤其是光伏发电时的光功率还与所在地区的辐照、温度和周边遮挡等外界条件密切相关，导致光功率变化趋势的预测精度难以提高，尤其是短期趋势下的光功率预测。为了解决这一技术问题，本申请提供了一种光功率的预测方法，该方法的详细实现细节请参考以下实施例。

示例性的，上述光功率的预测方法可以应用于并网光伏发电系统中，请参考图1，示出了本申请实施例涉及的一种并网光伏发电系统的示意图。该并网光伏发电系统可以包括：光伏阵列(也即太阳能电池阵列)101、汇流箱102、直流配电柜103、逆变器104和升压系统105。

光伏阵列101是由多个太阳能面板组成的，太阳能面板是利用半导体材料在光照条件下发生的光生伏特效应将太阳能直接转换为电能的器件。汇流箱102将多个太阳能面板进行串联，组合成光伏串列；再对多个光伏串列进行并联，组合成光伏阵列101；光伏阵列101中每一个光伏串列在将太阳辐射能量转换为电能之后，在汇流箱102内汇流，之后通过直流配电柜103的整流，再由逆变器104将直流电逆变为交流电，最终经过升压系统105对电压的变换，最终向电网106输入与电网106电压同频、同相的正弦交流电。

示例性的，上述直流配电柜103上可以接入直流负载，上述逆变器104上可以接入交流负载。在有太阳辐照时，光伏发电站可以直接供给直流和交流负载，然后将剩余的电能输入电网106；或者，可以将全部电能输入电网106。

并网光伏发电系统中还设置有监控数据采集器201，逆变器104上连接有监控数据采集器201，监控数据采集器201用于光伏发电站中采集与记录汇流箱102、直流配电柜103、逆变器104等设备的工作状态及运行信息，并通过以太网(Ethernet)、或通用无线分组业务(General Packet Radio Service，GPRS)、或无线保真(Wireless Fidelity，WiFi)网络将监控信息提交给上级的监控设备202。示例性的，监控数据采集器201上还连接了环境监测仪，比如辐照仪203和温度仪204，以对光伏发电站内环境数据进行监控。示例性的，监控数据采集器201同时具备接收和执行网络调度指令的功能。

示例性的，上述监控设备202还可以与远程监控设备205之间具备网络连接关系，在光伏并网发电的过程中，上述监控设备202通过与远程监控设备205之间的信息交互，与其他光伏发电站之间协同实现电网的安全运行和经济调度。示例性的，上述远程监控设备205可以是用于实现对整个电网的安全运行和经济调度的设备；比如，上述监控设备202可以接收远程监控设备205发送的调度指令，来控制光伏发电后电能并入电网106的时间段，或者，来控制光伏发电后电能并入电网106的电量。示例性的，上述直流配电柜103上还可以接入蓄电池，在上述调度过程中，可以将电能暂时储存至蓄电池中；或者，将剩余电量存储至蓄电池中。

示例性的，上述监控设备是由电子设备组成的，该电子设备可以是服务器或者是终端。比如，上述监控设备可以是由服务器集群组成的，上述服务器集群的数量可以更多或更少。比如上述服务器集群可以仅为一个，或者为几十个或几百个，或者更多数量。本申请实施例对服务器集群的数量和类型不加以限定。

请参考图2，示出了本申请一个示例性实施例提供的光功率的预测方法的流程图。以该方法应用于如图1所示的监控设备中为例，该方法包括：

步骤301，获取至少两个气象源的历史气象数据和气象预测数据，以及获取历史气象数据对应的实际光功率。

其中，上述气象源是指气象数据的来源；上述气象预测数据是采用科学技术手段对未来时间上指定地点的地球大气层状态进行预测得到的气象数据。示例性的，上述历史气象数据包括历史气象预测数据或历史气象实测数据；历史气象预测数据是指已发生时间上的气象预测数据，历史气象实测数据是采用科学技术手段对已发生时间上指定地点的地球大气层状态进行观测得到的气象数据。

示例性的，气象数据包括太阳辐照。气象数据还可以包括其他的气象要素。其中，气象要素用于表征大气状态的基本物理量和基本天气现象，主要包括气压、气温、湿度、风、云、能见度、蒸发、辐照及天气现象。天气现象指发生在大气中的降水现象、地面凝结(凝华)和冻结现象、视程障碍现象、大气光象和其他物理现象，如雨、雪、霰、冰粒、冰雹；雾、沙(尘)暴、扬沙、浮尘、烟幕、霾、吹雪；虹、晕、霓、华；雷暴、天电、极光及大风、飑、龙卷、尘卷、积雪、结冰等现象。气象要素随时间和空间而变化，其观测记录是天气预报、气候分析和有关科学研究的基础资料。

示例性的，实际光功率是通过光功率采集设备在指定地点采集的光功率，光功率采集设备可以将采集得到的实际光功率上报至监控设备，由监控设备将上述实际光功率存储至自身存储器或者数据库。示例性的，上述光功率采集设备可以是光功率采集仪或者光功率计。

示例性的，监控设备从每一个气象源的第三方数据库中提取第一时间段上指定地点的历史气象数据和第二时间段上指定地点的气象预测数据，以及从自身存储器或者数据库中提取第一时间段上指定地点的实际光功率。其中，历史气象数据与实际光功率存在时间上的对应关系。

步骤302，针对每一个气象源的历史气象数据和气象预测数据，与实际光功率进行预处理，得到至少两个气象源对应的至少两个特征数据序列。

监控设备将第i个气象源的历史气象数据和气象预测数据，与实际光功率进行预处理，得到第i个气象源对应的第i个特征数据序列，最终得到至少两个气象源对应的至少两个特征数据序列，i为正整数。

示例性的，监控设备将第i个气象源的历史气象数据和气象预测数据，与实际光功率按照时序生成第i个特征数据序列。

步骤303，调用预测模型基于每一个特征数据序列进行光功率预测，得到至少两个特征数据序列对应的至少两个候选光功率。

监控设备中设置有预测模型，该预测模型是由神经网络模型构建而成。监控设备调用预测模型基于第i个特征数据序列进行光功率预测，得到第i个特征数据序列对应的第i个候选光功率，最终得到至少两个特征数据序列对应的至少两个候选光功率。

步骤304，基于至少两个候选光功率确定气象预测数据对应的预测光功率。

示例性的，监控设备计算至少两个候选光功率的平均值，将平均值确定为气象预测数据对应的预测光功率。

示例性的，监控设备中设置有指定地点对应的每一个气象源的权重，至少两个气象源的权重加和为1；监控设备基于至少两个气象源对应的权重计算至少两个候选光功率的加权和，将上述加权和确定为气象预测数据对应的预测光功率。

示例性的，监控设备中设置有指定地点对应的每一个气象源的置信度，该置信度基于对指定地点上光功率的预测准确度不断更新；监控设备从至少两个候选光功率中确定出最大置信度的气象源对应的候选光功率，作为气象预测数据对应的预测光功率。

可选地，监控设备调用预测模型基于至少两个候选光功率确定气象预测数据对应的预测光功率。示例性的，在预测模型中设置线性回归函数，预测模型将至少两个候选光功率输入线性回归函数，最终输出气象预测数据对应的预测光功率。

综上所述，本实施例提供的光功率的预测方法，将一个气象源定义为一个模态，基于至少两个模态下的历史气象数据和气象预测数据，与实际光功率分别生成特征数据序列，之后调用预测模型基于特征数据序列进行每一个模态下的光功率预测，充分挖掘不同模态下气象特征与光功率之间的隐含特征，从而获得多模态下的多个候选光功率，基于多个候选光功率最终确定出一个更准确的预测光功率，通过多模态下的隐含特征挖掘提高了光功率的预测精度。

在一些实施例中，上述预测模型可以包括多模态输入层、至少两个编码模块和至少两个预测模块，其中，编码模块和预测模块一一对应设置，如图3所示，多模态输入层402分别与编码模态1、…、编码模块i、…、编码模块m这m个编码模块403相连，m为大于i的正整数；编码模块1与预测模块1相连，…，编码模块i与预测模块i相连，…，编码模块m与预测模块m相连，即编码模块403与预测模块404一一对应连接。

示例性的，图2中步骤303可以采用上述预测模型实现为步骤3031至步骤3033，如图4所示，步骤如下：

步骤3031，通过多模态输入层将第i个特征数据序列输入第i个编码模块。

监控设备通过多模态输入层实现对m个特征数据序列的分发。示例性的，第i个气象源与第i个编码模块之间存在一一对应关系，监控设备将第i个气象源对应的第i个特征数据序列输入第i个编码模块。

步骤3032，通过第i个编码模块对第i个特征数据序列进行特征编码，得到第i个特征编码向量。

可选地，上述编码模块包括特征金字塔网络；监控设备通过第i个编码模块中的特征金字塔网络对第i个特征数据序列进行特征编码，得到第i个特征编码向量。

示例性的，如图5，是一种可选实现方式中第i个编码模块的结构示意图，第i个编码模块包括第一卷积层501、第二卷积层502和第三卷积层503，其中，第一卷积层的卷积核为n₁，第二卷积层的卷积核为n₂，第三卷积层的卷积核为n₃，n₁<n₂<n₃，第i个特征数据序列依次经过第一卷积层、第二卷积层、第三卷积层，对第一卷积层的输出向量V1、第二卷积层的输出向量V2和第三卷积层的输出向量V3进行融合，比如以加权和的方式融合，即提取得到第i个特征编码向量V，此种特征编码方式通过逐层一维时序卷积来学习特征数据序列中的时序特征，卷积核随着层次的增加而增大，从而可以使得提取到的特征编码向量中融合更多的上下文信息，进一步地提高对光功率的预测精度。

步骤3033，通过第i个预测模块基于第i个特征编码向量进行光功率预测，得到第i个候选光功率。

可选地，第i预测模块包括结合了时间步注意力机制的第一网络、第二网络；监控设备通过第一网络对第i个特征编码向量进行时序特征提取，得到隐含上下时间步的时序关系的隐层向量；通过第二网络基于隐层向量进行光功率预测，得到第i个候选光功率。

示例性的，如图6，是一种可选实现方式中第i个预测模块的结构示意图，第i个预测模块包括了第一网络601和第二网络602，第一网络601包括融合了时间步注意力的第一长短期记忆(Long-Short Term Memory，LSTM)网络，在第一LSTM网络对特征编码向量进行时序特征的提取过程中，通过时间步注意力基于中间提取结果计算权重向量，将第一LSTM网络输出的中间向量与权重向量进行相乘，最终得到隐层向量；第二网络602包括第二LSTM网络，将隐层向量输入第二LSTM网络，则输出预测得到的候选光功率。

还需要说明的是，如图3，预测模型还可以包括输出层405；监控设备通过输出层405基于至少两个候选光功率确定气象预测数据对应的预测光功率。

综上所述，本实施例提供的光功率的预测方法，每一个模态设置有各自的编码模块和预测模块，将每一个气象源的特征数据序列作为预测的并行模态输入，结合后面的金字塔结构的编码模块，充分挖掘不同模态下特征数据序列的隐含特征，而且避免了不同模态下特征数据融合时存在特征冲突下，需要弱化或者剔除冲突特征，导致无法突出不同模态下特征特点的情况，以及可能错失影响光功率预测精度的隐含特征的情况，还保证了不同气象源作为单模态输入下的预测时不变性，进一步地通过多模态下特征提取以及光功率预测来提升最终输出结果的精度。

在一些实施例中，为了增加特征数据序列中的信息量，还可以基于原始数据进行特征衍生，示例性的，图2中步骤302还可以采用步骤3021至步骤3023来实现，如图7，步骤如下：

步骤3021，基于第i个气象源的历史气象数据和实际光功率，构建第i个光功率计算函数。

示例性的，监控设备将第i个气象源的历史气象数据x作为自变量，将上述历史气象数据对应的实际光功率y作为因变量，构建回归函数f(x)作为第i个光功率计算函数，公式如下：

y＝f(x)。

示例性的，气象数据可以是多维气象数据的集合，则自变量可以为(x₁，x₂，……，x_s)，s为正整数，相应地，光功率计算函数如下：

y＝f(x₁，x₂，……，x_s)。

步骤3022，调用第i个光功率计算函数计算第i个气象源的气象预测数据对应的理论光功率。

监控设备将第i个气象源的气象预测数据输入第i个光功率计算函数，计算得到第i个气象源的气象预测数据对应的理论光功率。

步骤3023，按照时序对第i个气象源的历史气象数据和气象预测数据、以及理论光功率组合，生成第i个气象源对应的第i个特征数据序列。

监控设备按照时序对第i个气象源的历史气象数据和气象预测数据、以及理论光功率组合，生成第i个气象源对应的第i个特征数据序列。

需要说明的是，还可以基于至少两个气象源的历史气象数据和实际光功率，来构建光功率计算函数；调用光功率计算函数计算第i个气象源的气象预测数据对应的理论光功率；按照时序对第i个气象源的历史气象数据和气象预测数据、以及理论光功率组合，生成第i个气象源对应的第i个特征数据序列。也就是说，还可以采用多个气象源来构建一个回归函数作为光功率计算函数，采用同一个光功率计算函数来计算每一个气象源下气象预测数据对应的理论光功率。

示例性的，对于特征数据序列的构建，还可以采用预测模型来实现，如图3，构建的预测模型还设置了数据预处理层401，将原始数据输出数据预处理层401，通过数据预处理层401执行上述特征数据序列的构建步骤，即得到每一个气象源对应的特征数据序列。

其中，上述原始数据包括至少两个气象源的历史气象数据和气象预测数据，以及历史气象数据对应的实际光功率。

综上所述，本实施例提供的光功率的预测方法，通过扩展衍生特征的方式，增加特征数据序列中的信息量，使得预测模型在光功率预测的过程中能够从特征数据序列中提取出更多的特征信息，提高光功率预测的精度。

请参考图8，示出了本申请一个示例性实施例提供的预测模型的训练方法的流程图，应用于电子设备中，该电子设备可以包括服务器或者终端，该方法包括：

步骤701，获取至少两个气象源的第一气象数据和第二气象数据，以及获取第一气象数据对应的第一历史光功率，第二气象数据标记有第二历史光功率，第一气象数据描述的天气时刻先于第二气象数据描述的天气时刻。

示例性的，第一气象数据包括历史气象预测数据或者历史气象实测数据，第二气象数据包括历史气象预测数据或者历史气象实测数据；第一历史光功率是第一气象数据对应的实际光功率，第二历史光功率是第二气象数据对应的实际光功率。

示例性的，数据库中存储有训练数据，训练数据包括上述至少两个气象源的第一气象数据和第二气象数据、以及第一气象数据对应的第一历史光功率；电子设备从数据库中获取上述训练数据。

步骤702，针对每一个气象源的第一气象数据和第二气象数据，与第一历史光功率进行预处理，得到至少两个气象源对应的至少两个样本特征数据序列。

示例性的，电子设备基于第i个气象源的第一气象数据和第一历史光功率，构建第i个光功率计算函数；调用第i个光功率计算函数计算第i个气象源的第二气象数据对应的样本理论光功率；按照时序对第i个气象源的第一气象数据和第二气象数据、以及样本理论光功率组合，生成第i个气象源对应的第i个样本特征数据序列，最终得到至少两个气象源对应的至少两个特征数据序列。

示例性的，电子设备基于至少两个气象源的第一气象数据和第一历史光功率，构建光功率计算函数；调用光功率计算函数计算第i个气象源的第二气象数据对应的样本理论光功率；按照时序对第i个气象源的第一气象数据和第二气象数据、以及样本理论光功率组合，生成第i个气象数据对应的第i个样本特征数据序列，最终得到至少两个气象源对应的至少两个特征数据序列。

示例性的，神经网络模型包括数据预处理层；电子设备可以通过数据预处理层针对每一个气象源的第一气象数据和第二气象数据，与第一历史光功率进行预处理，从而输出至少两个气象源对应的至少两个样本特征数据序列。

步骤703，调用神经网络模型基于每一个样本特征数据序列进行光功率预测，得到至少两个样本特征数据序列对应的至少两个样本候选光功率。

示例性的，神经网络模型包括多模态输入层、至少两个编码模块和至少两个预测模块；电子设备通过多模态输入层将第i个样本特征数据序列输入第i个编码模块；通过第i个编码模块对第i个样本特征数据序列进行特征编码，得到第i个样本特征编码向量；通过第i个预测模块基于第i个样本特征编码向量进行光功率预测，得到第i个样本候选光功率，最终得到至少两个样本特征数据序列对应的至少两个样本候选光功率。

示例性的，编码模块包括特征金字塔网络；电子设备可以通过第i个编码模块中的特征金字塔网络对第i个样本特征数据序列进行特征编码，得到第i个样本特征编码向量。

示例性的，预测模块包括结合了时间步注意力机制的第一网络、第二网络；电子设备通过第一网络对第i个样本特征编码向量进行时序特征提取，得到隐含上下时间步的时序关系的样本隐层向量；通过第二网络基于样本隐层向量进行光功率预测，得到第i个样本候选光功率。

步骤704，基于至少两个样本候选光功率与第二历史光功率之间的预测损失，对神经网络模型进行训练，得到预测模型。

示例性的，电子设备计算每一个样本候选光功率与第二历史光功率之间的预测损失，得到至少两个样本候选光功率对应的至少两个预测损失，基于上述至少两个预测损失对神经网络模型进行训练，经过多组样本数据的多次训练，最终得到预测模型。

示例性的，电子设备还可以采用第i个预测损失针对第i个编码模块和第i个预测模块进行模型训练，其中，第i个预测损失是第i个气象源对应的样本候选光功率与第二历史光功率之间的预测损失。

示例性的，神经网络模型包括输出层；电子设备还可以通过输出层基于至少两个样本候选光功率确定第二气象数据对应的样本预测光功率；相应地，电子设备还可以基于样本预测光功率与第二历史光功率之间的预测损失，对神经网络模型进行训练，最终得到预测模型。

需要说明的是，神经网络模型的结构可以参考图3所示的结构，在此不再加以赘述。

综上所述，本实施例提供的预测模型的训练方法，使得训练得到的预测模型能够基于至少两个模态下的历史气象数据和气象预测数据，与实际光功率分别生成特征数据序列，之后基于特征数据序列进行每一个模态下的光功率预测，充分挖掘不同模态下气象特征与光功率之间的隐含特征，从而获得多模态下的多个候选光功率，基于多个候选光功率最终确定出一个更准确的预测光功率，通过多模态下的隐含特征挖掘提高了光功率的预测精度。

请参考图9，示出了本申请一个示例性实施例提供的光功率的预测装置的框图，该装置可以应用于电子设备中，该装置通过软件、硬件或者二者的结合实现成为电子设备的部分或者全部，该装置包括：

获取模块801，用于获取至少两个气象源的历史气象数据和气象预测数据，以及获取历史气象数据对应的实际光功率；

预处理模块802，用于针对每一个气象源的历史气象数据和气象预测数据，与实际光功率进行预处理，得到至少两个气象源对应的至少两个特征数据序列；

调用模块803，用于调用预测模型基于每一个特征数据序列进行光功率预测，得到至少两个特征数据序列对应的至少两个候选光功率；

确定模块804，用于基于至少两个候选光功率确定气象预测数据对应的预测光功率。

在一些实施例中，预测模型包括多模态输入层、至少两个编码模块和至少两个预测模块；调用模块803，用于：

通过多模态输入层将第i个特征数据序列输入第i个编码模块；

通过第i个编码模块对第i个特征数据序列进行特征编码，得到第i个特征编码向量；

通过第i个预测模块基于第i个特征编码向量进行光功率预测，得到第i个候选光功率，i为正整数。

在一些实施例中，预测模块包括结合了时间步注意力机制的第一网络、第二网络；调用模块803，用于：

通过第一网络对第i个特征编码向量进行时序特征提取，得到隐含上下时间步的时序关系的隐层向量；

通过第二网络基于隐层向量进行光功率预测，得到第i个候选光功率。

在一些实施例中，编码模块包括特征金字塔网络；调用模块803，用于：

通过第i个编码模块中的特征金字塔网络对第i个特征数据序列进行特征编码，得到第i个特征编码向量。

在一些实施例中，预处理模块802，用于：

基于第i个气象源的历史气象数据和实际光功率，构建第i个光功率计算函数；

调用第i个光功率计算函数计算第i个气象源的气象预测数据对应的理论光功率；

按照时序对第i个气象源的历史气象数据和气象预测数据、以及理论光功率组合，生成第i个气象源对应的第i个特征数据序列，i为正整数。

在一些实施例中，预处理模块802，用于：

基于至少两个气象源的历史气象数据和实际光功率，构建光功率计算函数；

调用光功率计算函数计算第i个气象源的气象预测数据对应的理论光功率；

按照时序对第i个气象源的历史气象数据和气象预测数据、以及理论光功率组合，生成第i个气象源对应的第i个特征数据序列，i为正整数。

在一些实施例中，该装置还包括训练模块805；训练模块805，用于：

获取至少两个气象源的第一气象数据和第二气象数据，以及获取第一气象数据对应的第一历史光功率，第二气象数据标记有第二历史光功率，第一气象数据描述的天气时刻先于第二气象数据描述的天气时刻；

针对每一个气象源的第一气象数据和第二气象数据，与第一历史光功率进行预处理，得到至少两个气象源对应的至少两个样本特征数据序列；

调用神经网络模型基于每一个样本特征数据序列进行光功率预测，得到至少两个样本特征数据序列对应的至少两个样本候选光功率；

基于至少两个样本候选光功率与第二历史光功率之间的预测损失，对神经网络模型进行训练，得到预测模型。

综上所述，本实施例提供的光功率的预测装置，将一个气象源定义为一个模态，基于至少两个模态下的历史气象数据和气象预测数据，与实际光功率分别生成特征数据序列，之后调用预测模型基于特征数据序列进行每一个模态下的光功率预测，充分挖掘不同模态下气象特征与光功率之间的隐含特征，从而获得多模态下的多个候选光功率，基于多个候选光功率最终确定出一个更准确的预测光功率，通过多模态下的隐含特征挖掘提高了光功率的预测精度。

请参考图10，示出了本申请一个实施例提供的电子设备的结构示意图。该电子设备用于实施上述实施例中提供的光功率的预测方法，和/或，预测模型的训练方法。该电子设备可以包括服务器或者终端。具体来讲：

所述电子设备900包括CPU(Central Processing Unit，中央处理器)901、包括RAM(Random Access Memory，随机存取存储器)902和ROM(Read-Only Memory，只读存储器)903的系统存储器904，以及连接系统存储器904和中央处理单元901的系统总线905。所述电子设备900还包括帮助计算机内的各个器件之间传输信息的基本I/O(Input/Output，输入/输出)系统906，和用于存储操作系统913、应用程序914和其他程序模块915的大容量存储设备907。

所述基本输入/输出系统906包括有用于显示信息的显示器908和用于用户输入信息的诸如鼠标、键盘之类的输入设备909。其中所述显示器908和输入设备909都通过连接到系统总线905的输入输出控制器910连接到中央处理单元901。所述基本输入/输出系统906还可以包括输入输出控制器910以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地，输入输出控制器910还提供输出到显示屏、打印机或其他类型的输出设备。

所述大容量存储设备907通过连接到系统总线905的大容量存储控制器(未示出)连接到中央处理单元901。所述大容量存储设备907及其相关联的计算机可读介质为电子设备900提供非易失性存储。也就是说，所述大容量存储设备907可以包括诸如硬盘或者CD-ROM(Compact Disc Read-Only Memory，只读光盘)驱动器之类的计算机可读介质(未示出)。

不失一般性，所述计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM(Erasable Programmable Read-Only Memory，可擦除可编程只读存储器)、EEPROM(Electrically Erasable Programmable Read-Only Memory，电可擦可编程只读存储器)、闪存(Flash Memory)或其他固态存储其技术，CD-ROM、DVD(Digital VersatileDisc，数字通用光盘)或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然，本领域技术人员可知所述计算机存储介质不局限于上述几种。上述的系统存储器904和大容量存储设备907可以统称为存储器。

根据本申请的各种实施例，所述电子设备900还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即电子设备900可以通过连接在所述系统总线905上的网络接口单元911连接到网络912，或者说，也可以使用网络接口单元911来连接到其他类型的网络或远程计算机系统(未示出)。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本申请的可选实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。