基于BP神经网络的微电网飞轮储能系统调频方法及装置

摘要

本发明提出一种基于BP神经网络的微电网飞轮储能系统调频方法及装置，包括以下步骤：实时测量微电网的频率值与负荷功率，并计算微电网的频率值与标准频率的频率差值；将频率差值与负荷功率标幺值输入预先训练好的BP神经网络，并通过BP神经网络得到当前调频周期内飞轮储能系统的调频控制器的最优PI控制参数；飞轮储能系统的调频控制器根据最优PI控制参数及频率差值得到微电网调频功率指令；以及飞轮储能系统根据微电网调频功率指令将能量在飞轮与微电网之间进行转换，维持微电网功率平衡，以对当前调频周期的微电网频率进行控制。本发明的方法提高了微电网调频控制器在系统不同运行工况下的自适应能力，增强了调频的灵活度与精准度。

说明书

技术领域

本发明涉及电力系统微电网技术领域，特别涉及一种基于BP神经网络的微电网飞轮 储能系统调频方法及装置。

背景技术

随着全球能源互联网概念的提出，在世界范围内推进两个“替代”建设中，电力行业充 分利用诸如风能、太阳能等可再生能源，更新现有电力工业能源结构将是“清洁替代”建设 中的重要一环，微电网作为上述新能源分布式发电并网的可靠技术，将是未来电网架构中 的基础环节。

但是，微电网中分布式发电设备功率输出的随机性与间歇性使得微电网调频面临挑战， 飞轮储能系统作为优质瞬态调频电源，进一步优化当前微电网储能系统的调频方法，将有 利于充分发挥飞轮储能的调频优势。

目前，关于微电网储能系统调频控制以及飞轮储能调频研究中，具有代表性的相关技 术如下：

[1]王科，陈柔伊，陈建斌等，微电网储能系统紧急调频控制方法，中国专利， CN102709928A，2012-10-03；

[2]杨苹，许志荣，郑群儒等，基于微电网中不同模式下的储能系统控制方法，中国专 利，CN104779632A，2015-07-15；

[3]陈建斌，付超，柳勇军等。基于模糊控制的微网电池储能系统调频控制方法，中国 专利，CN102761133A，2012-10-31；

[4]吴晋波，飞轮储能技术及其在电力系统控制中的应用研究[D]；

上述的相关技术在频率控制中，采取频率—有功功率控制，利用储能系统的快速响应 能力实现电网功率的实时平衡，完成系统调频。具体控制方法上则有所不同。相关技术[1] 中提出微电网储能系统紧急调频控制方程：P_ref＝P₀+PI*Δf，该方法以微电网频率波动作 为输入，采取PI调节给定储能系统的有功功率参考值，同时用PQ控制方式控制储能系统 输出P跟随有功参考值P_ref，使系统频率达到允许范围内。相关技术[2]在微电网控制系统 中采取双环控制结构，内环为电流环，外环根据微电网不同的运行模式设计为功率环或电 压控制环，但是控制环在反馈调节中依旧采取PI控制。相关技术献[3]针对微电网储能调频 控制中的PI控制做一定优化，利用模糊控制针对不同的频率波动整定PI参数，使得储能 系统调频具备更好的动态响应特性。相关技术[4]对飞轮储能参与电力系统控制进行了实验 验证。

在微电网现有储能调频方法中，普遍含有PI控制环节，PI控制简单易行，得到广泛应 用，但是微电网运行工况复杂，系统为时变非线性系统，固定PI参数调节无法在任意调频 工况下达到最优效果，相关技术献[3]虽考虑工况影响，引入模糊PI控制，但是对系统运行 参数识别度依旧较低，无法综合根据系统当前储能状态、负荷功率量级以及频率偏差等进 行多维模式识别，实现最优化PI参数整定，这在微电网飞轮储能系统中，不利于提高系统 的调频性能。

发明内容

本发明旨在至少在一定程度上解决上述相关技术中的技术问题之一。

为此，本发明的目的在于提出一种基于BP神经网络的微电网飞轮储能系统调频方法， 该方法提高了微电网调频控制器在系统不同运行工况下的自适应能力，增强了调频的灵活 度与精准度。

本发明的另一个目的在于提出一种基于BP神经网络的微电网飞轮储能系统调频装置。

为了实现上述目的，本发明第一方面的实施例提出了一种基于BP神经网络的微电网飞 轮储能系统调频方法，包括以下步骤：实时测量微电网的频率值与负荷功率，并计算所述 微电网的频率值与标准频率的频率差值；将所述频率差值与负荷功率标幺值输入预先训练 好的BP神经网络，并通过所述BP神经网络得到当前调频周期内飞轮储能系统的调频控制器 的最优PI控制参数；所述飞轮储能系统的调频控制器根据所述最优PI控制参数及频率差值 得到微电网调频功率指令；以及所述飞轮储能系统根据所述微电网调频功率指令将能量在 飞轮与所述微电网之间进行转换，维持微电网功率平衡，以对所述当前调频周期的微电网 频率进行控制。

根据本发明实施例的基于BP神经网络的微电网飞轮储能系统调频方法，采用二维系统 状态量输入的BP神经网络控制架构，综合考虑系统运行参数的非线性与时变性，根据负荷 功率以及频率偏差智能给出最优的控制参数，调频指令精确，进一步发挥飞轮储能的瞬态 调频优势，有效提高了微电网调频控制器在系统不同运行工况下的自适应能力，同时提高 了储能系统有功功率控制中的精度以及微网频率稳定性。

另外，根据本发明上述实施例的基于BP神经网络的微电网飞轮储能系统调频方法还可 以具有如下附加的技术特征：

在一些示例中，所述BP神经网络的训练原则包括：a.当所述负荷功率大于预设功率， 且所述频率差值的绝对值|deltaf|大于预设差值时，采用最大的比例系数K_p加速调频系统的 功率及时响应，此时K_i小于预设系数；b.当所述负荷功率大于预设功率，且所述频率差值 的绝对值|deltaf|小于预设差值时，采用小于所述K_p的比例系数加速调频系统的功率及时响 应，且K_i保持不变；c.当所述负荷功率小于预设功率，且所述频率差值的绝对值|deltaf|大 于预设差值时，进一步降低所述K_p，同时增大所述K_i到预设系数，以加快调频系统的响应 速度；d.当所述负荷功率小于预设功率，且所述频率差值的绝对值|deltaf|小于预设差值时， 进一步降低所述K_p，同时降低所述K_i到最小值。

在一些示例中，所述微电网调频功率指令包括所述飞轮储能系统的有功功率参考值P_ref。

在一些示例中，所述标准频率为50Hz。

在一些示例中，所述飞轮储能系统为固定容量的单台飞轮储能系统或者可大规模扩展 容量的飞轮阵列储能系统。

本发明第二方面的实施例还提供了一种基于BP神经网络的微电网飞轮储能系统调频 装置，包括：频差计算模块，所述频差获取模块用于实时测量微电网的频率值与负荷功率， 并计算所述微电网的频率值与标准频率的频率差值；参数获取模块，所述参数获取模块用 于将所述频率差值与负荷功率标幺值输入预先训练好的BP神经网络，并通过所述BP神经网 络得到当前调频周期内飞轮储能系统的调频控制器的最优PI控制参数；指令获取模块，所 述指令获取模块用于根据所述最优PI控制参数及频率差值得到微电网调频功率指令；以及 控制模块，所述控制模块用于根据所述微电网调频功率指令将能量在飞轮与所述微电网之 间进行转换，维持微电网功率平衡，以对所述当前调频周期的微电网频率进行控制。

根据本发明实施例的基于BP神经网络的微电网飞轮储能系统调频装置，采用二维系统 状态量输入的BP神经网络控制架构，综合考虑系统运行参数的非线性与时变性，根据负荷 功率以及频率偏差智能给出最优的控制参数，调频指令精确，进一步发挥飞轮储能的瞬态 调频优势，有效提高了微电网调频控制器在系统不同运行工况下的自适应能力，同时提高 了储能系统有功功率控制中的精度以及微网频率稳定性。

另外，根据本发明上述实施例的基于BP神经网络的微电网飞轮储能系统调频装置还可 以具有如下附加的技术特征：

在一些示例中，所述BP神经网络的训练原则包括：a.当所述负荷功率大于预设功率， 且所述频率差值的绝对值|deltaf|大于预设差值时，采用最大的比例系数K_p加速调频系统的 功率及时响应，此时K_i小于预设系数；b.当所述负荷功率大于预设功率，且所述频率差值 的绝对值|deltaf|小于预设差值时，采用小于所述K_p的比例系数加速调频系统的功率及时响 应，且K_i保持不变；c.当所述负荷功率小于预设功率，且所述频率差值的绝对值|deltaf|大 于预设差值时，进一步降低所述K_p，同时增大所述K_i到预设系数，以加快调频系统的响应 速度；d.当所述负荷功率小于预设功率，且所述频率差值的绝对值|deltaf|小于预设差值时， 进一步降低所述K_p，同时降低所述K_i到最小值。

在一些示例中，所述微电网调频功率指令包括所述飞轮储能系统的有功功率参考值P_ref。

在一些示例中，所述标准频率为50Hz。

在一些示例中，所述飞轮储能系统为固定容量的单台飞轮储能系统或者可大规模扩展 容量的飞轮阵列储能系统。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明 显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显 和容易理解，其中：

图1是根据本发明一个实施例的基于BP神经网络的微电网飞轮储能系统调频方法的 流程图；

图2是根据本发明一个实施例的基于飞轮储能系统的微电网结构示意图；

图3是根据本发明一个实施例的飞轮储能系统接线图；

图4是根据本发明一个实施例的BP神经网络基本架构图；

图5是根据本发明另一个实施例的基于BP神经网络的微电网飞轮储能系统调频方法 的流程图；

图6是根据本发明一个实施例的BP神经网络在不同系统状态下的控制比例系数输出 示意图；

图7是根据本发明一个实施例的BP神经网络在不同系统状态下的控制积分系数输出 示意图；

图8根据本发明一个实施例的基于BP神经网络的微电网飞轮储能系统调频方法的仿 真结果示意图；以及

图9是根据本发明一个实施例的基于BP神经网络的微电网飞轮储能系统调频装置的 结构框图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同 或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描 述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

以下结合附图描述根据本发明实施例的基于BP神经网络的微电网飞轮储能系统调频 方法及装置。

图1是根据本发明一个实施例的基于BP神经网络的微电网飞轮储能系统调频方法的流 程图。其中，该飞轮储能系统例如为固定容量的单台飞轮储能系统或者可大规模扩展容量 的飞轮阵列储能系统。如图1所示，根据本发明一个实施例的基于BP神经网络的微电网飞 轮储能系统调频方法，包括以下步骤：

步骤S1：实时测量微电网的频率值与负荷功率，并计算微电网的频率值与标准频率的 频率差值。其中，标准频率为50Hz。

步骤S2：将频率差值与负荷功率标幺值作为系统状态量，输入预先训练好的BP神经网 络，并通过BP神经网络得到当前调频周期内飞轮储能系统的调频控制器的最优PI控制参数。

步骤S3：在整定PI控制参数后，飞轮储能系统的调频控制器根据最优PI控制参数及频 率差值得到微电网调频功率指令。其中，微电网调频功率指令包括飞轮储能系统的有功功 率参考值P_ref。

步骤S4：飞轮储能系统对微电网调频功率指令进行快速精确响应，通过将能量在飞轮 与微电网之间进行转换，实现微电网的功率平衡，维持微电网频率稳定，从而完成对当前 调频周期的微电网频率的控制。

其中，本发明实施例中所涉及的BP神经网络是训练成熟的网络，在此过程中，首先需 要具备训练数据库，数据库的确定需要基于一定的专家经验下的训练原则，BP神经网络的 权值以及偏置在大量的由专家经验给出的数据库训练中，根据理想输入与期待输出不断调 节自身内部神经元之间的连接弧，使得BP神经网络能够对具有代表性的不同试验数据都能 够给出期待的响应，考虑到BP神经网络的训练，本发明实施例中的BP神经网络的训练原则 例如包括：

a.当负荷功率大于预设功率，且频率差值的绝对值|deltaf|大于预设差值时，采用最大 的比例系数K_p加速调频系统的功率及时响应，此时K_i小于预设系数。换言之，即当负荷功 率较大，频率偏差绝对值|deltaf|较大时，采取最大的比例系数K_p加速调频系统的功率及时 响应，此时K_i较小。

b.当负荷功率大于预设功率，且频率差值的绝对值|deltaf|小于预设差值时，采用小于 K_p的比例系数加速调频系统的功率及时响应，且K_i保持不变。换言之，即当负荷功率较大， 频率偏差绝对值|deltaf|较小时，相对于上述a中的系数，采取次大的比例系数K_p，K_i不变。

c.当负荷功率小于预设功率，且频率差值的绝对值|deltaf|大于预设差值时，进一步降 低K_p，同时增大K_i到预设系数，以加快调频系统的响应速度。换言之，即当负荷功率较小， 频率偏差绝对值|deltaf|较大时，进一步降低K_p，同时增大K_i到预设系数，加快系统响应速 度，但是不能过大造成积分饱和。

d.当负荷功率小于预设功率，且频率差值的绝对值|deltaf|小于预设差值时，进一步降 低K_p，同时降低K_i到最小值。换言之，即当负荷功率较小，频率偏差绝对值|deltaf|较小时， 此时系统已经趋于稳定状态，进一步降低K_p，同时降低K_i到最小值，使得系统稳定在某一 状态，维持频率稳定。

综上，根据本发明实施例的基于BP神经网络的微电网飞轮储能系统调频方法，采用二 维系统状态量输入的BP神经网络控制架构，综合考虑系统运行参数的非线性与时变性，根 据负荷功率以及频率偏差智能给出最优的控制参数，调频指令精确，进一步发挥飞轮储能 的瞬态调频优势，有效提高了微电网调频控制器在系统不同运行工况下的自适应能力，同 时提高了储能系统有功功率控制中的精度以及微网频率稳定性。

为了便于理解，以下结合附图及具体的实施例来详细描述本发明上述实施例的基于 BP神经网络的微电网飞轮储能系统调频方法的具体实现方式。

如图2所示，展示了基于飞轮储能系统的微电网主接线示意，其中，新能源发电可以 是光伏发电、风力发电等，飞轮储能系统可以是固定容量的单飞轮装置或者是可大规模扩 展容量的飞轮阵列储能系统。单台飞轮储能系统例如图3所示，包括LCL滤波器1、微电 网侧变流器2、直流母排电容3、飞轮本体侧变流器4、飞轮电机5和飞轮转子6。

图4展示了BP神经网络的结构示意，其中，BP神经网络包括输入层、隐含层以及输 出层，调频控制参数依据微电网的频率偏差与负荷功率变化，因此，神经网络在输入层的 神经元个数为2，用于输入微电网的状态量：负荷功率与微电网频率实时偏差，输出层的 神经元个数为2，用于输出两个控制参数。

图5展示了本实施例中基于BP神经网络的微电网飞轮储能系统调频的控制流程，其 中，f₀是微电网频率标准值50Hz，f为电网频率实时值，Pl*为负荷功率实时值，K_p与K_i为BP神经网络智能给定的无差调频控制器功率控制比例常数与积分常数，P_ref为飞轮储能 系统有功功率总参考值。

图6至图8展示了基于BP神经网络的微电网飞轮储能系统调频方法的仿真示例。在 图示的仿真示例中，新能源发电以光伏发电作为仿真对象，仿真用BP神经网络采取2-6-3-2 的架构，第一层隐含层包括6个神经元，第二层隐含层包括3个神经元，输出层包括两个 神经元，分别代表微电网频率控制中的参数：K_p与K_i，训练数据库设计原则遵循本发明第 四部分所述原则，训练好的神经网络将应用于基于飞轮储能系统的微电网频率控制中。图 5显示了微电网负荷与频率变化下的BP神经网络给出的控制比例参数输出，图6显示了微 电网负荷与频率变化下的BP神经网络给出的控制积分参数输出，最后在仿真算例中，0.1s 微电网孤网运行，0.3s负载突增25％，经过飞轮储能系统与BP神经系统无差调频系统控制， 系统频率可以维持稳定，图7展示了基于BP神经网络的微电网飞轮储能系统调频效果。

综上，本发明实施例的基于BP神经网络的微电网飞轮储能系统调频方法的主要原理 概述为：采用二维系统状态量输入的BP神经网络控制架构，克服以往调频控制器参数固 定或参数整定中仅仅考虑一个输入系统状态变量(频率偏差)的不足，综合兼顾微电网不 同运行功率条件与不同频率波动幅度对控制参数的要求，可以充分发挥神经网络对于多维 参量的智能处理能力，实现微电网调频控制器参数的最优实时自适应整定。本发明在微电 网飞轮储能系统调频控制器中增加BP神经网络环节，经过训练的成熟网络以微电网的两 个重要调频变量，即频率偏差与实时负荷作为输入量，对微电网运行状况进行智能评估， 给出飞轮储能系统调频控制器最优控制参数，实现微电网功率平衡控制的储能功率响应指 令输出。其中，BP神经网络根据负荷功率以及频率偏差实现智能分析，对频率控制器实现 参数实时最优整定，使功率指令更加精确，充分发挥飞轮储能系统响应速度快、环境友好 的优质瞬态调频电源优势。

本发明的进一步实施例还提供了一种基于BP神经网络的微电网飞轮储能系统调频装 置。

图9为根据本发明一个实施例的基于BP神经网络的微电网飞轮储能系统调频装置的 结构框图。其中，该飞轮储能系统例如为固定容量的单台飞轮储能系统或者可大规模扩展 容量的飞轮阵列储能系统。如图9所示，该基于BP神经网络的微电网飞轮储能系统调频 装置100包括：频差计算模块110、参数获取模块120、指令获取模块130和控制模块140。

其中，频差计算模块110用于实时测量微电网的频率值与负荷功率，并计算微电网的频 率值与标准频率的频率差值。其中，标准频率为50Hz。

参数获取模块120用于将频率差值与负荷功率标幺值输入预先训练好的BP神经网络， 并通过BP神经网络得到当前调频周期内飞轮储能系统的调频控制器的最优PI控制参数。

指令获取模块130用于根据最优PI控制参数及频率差值得到微电网调频功率指令。其中， 微电网调频功率指令包括飞轮储能系统的有功功率参考值P_ref。

控制模块140用于对微电网调频功率指令进行快速精确响应，通过将能量在飞轮与微电 网之间进行转换，实现微电网的功率平衡，维持微电网频率稳定，从而完成对当前调频周 期的微电网频率的控制。

其中，本发明实施例中所涉及的BP神经网络是训练成熟的网络，在此过程中，首先需 要具备训练数据库，数据库的确定需要基于一定的专家经验下的训练原则，BP神经网络的 权值以及偏置在大量的由专家经验给出的数据库训练中，根据理想输入与期待输出不断调 节自身内部神经元之间的连接弧，使得BP神经网络能够对具有代表性的不同试验数据都能 够给出期待的响应，考虑到BP神经网络的训练，本发明实施例中的BP神经网络的训练原则 例如包括：

a.当负荷功率大于预设功率，且频率差值的绝对值|deltaf|大于预设差值时，采用最大 的比例系数K_p加速调频系统的功率及时响应，此时K_i小于预设系数。换言之，即当负荷功 率较大，频率偏差绝对值|deltaf|较大时，采取最大的比例系数K_p加速调频系统的功率及时 响应，此时K_i较小。

b.当负荷功率大于预设功率，且频率差值的绝对值|deltaf|小于预设差值时，采用小于 K_p的比例系数加速调频系统的功率及时响应，且K_i保持不变。换言之，即当负荷功率较大， 频率偏差绝对值|deltaf|较小时，相对于上述a中的系数，采取次大的比例系数K_p，K_i不变。

c.当负荷功率小于预设功率，且频率差值的绝对值|deltaf|大于预设差值时，进一步降 低K_p，同时增大K_i到预设系数，以加快调频系统的响应速度。换言之，即当负荷功率较小， 频率偏差绝对值|deltaf|较大时，进一步降低K_p，同时增大K_i到预设系数，加快系统响应速 度，但是不能过大造成积分饱和。

d.当负荷功率小于预设功率，且频率差值的绝对值|deltaf|小于预设差值时，进一步降 低K_p，同时降低K_i到最小值。换言之，即当负荷功率较小，频率偏差绝对值|deltaf|较小时， 此时系统已经趋于稳定状态，进一步降低K_p，同时降低K_i到最小值，使得系统稳定在某一 状态，维持频率稳定。

综上，本发明实施例的基于BP神经网络的微电网飞轮储能系统调频装置的主要原理 概述为：采用二维系统状态量输入的BP神经网络控制架构，克服以往调频控制器参数固 定或参数整定中仅仅考虑一个输入系统状态变量(频率偏差)的不足，综合兼顾微电网不 同运行功率条件与不同频率波动幅度对控制参数的要求，可以充分发挥神经网络对于多维 参量的智能处理能力，实现微电网调频控制器参数的最优实时自适应整定。本发明在微电 网飞轮储能系统调频控制器中增加BP神经网络环节，经过训练的成熟网络以微电网的两 个重要调频变量，即频率偏差与实时负荷作为输入量，对微电网运行状况进行智能评估， 给出飞轮储能系统调频控制器最优控制参数，实现微电网功率平衡控制的储能功率响应指 令输出。其中，BP神经网络根据负荷功率以及频率偏差实现智能分析，对频率控制器实现 参数实时最优整定，使功率指令更加精确，充分发挥飞轮储能系统响应速度快、环境友好 的优质瞬态调频电源优势。

根据本发明实施例的基于BP神经网络的微电网飞轮储能系统调频装置，采用二维系统 状态量输入的BP神经网络控制架构，综合考虑系统运行参数的非线性与时变性，根据负荷 功率以及频率偏差智能给出最优的控制参数，调频指令精确，进一步发挥飞轮储能的瞬态 调频优势，有效提高了微电网调频控制器在系统不同运行工况下的自适应能力，同时提高 了储能系统有功功率控制中的精度以及微网频率稳定性。

需要说明的是，本发明实施例的基于BP神经网络的微电网飞轮储能系统调频装置的 具体实现方式与本发明实施例的基于BP神经网络的微电网飞轮储能系统调频方法的具体 实现方式类似，具体请参见方法部分的描述，为了减少冗余，不做赘述。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、 “厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、 “顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的 方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或 元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或 者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者 隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个， 三个等，除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术 语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械 连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元 件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术 人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第 一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第 二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一 特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征 在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、 或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包 含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须 针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一 个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技 术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合 和组合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的， 不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例 进行变化、修改、替换和变型。