有源配电网的无功优化方法、装置、设备和存储介质

摘要

本发明适用于电力系统技术领域，提供了一种有源配电网的无功优化方法、装置、设备和存储介质，其中，有源配电网的无功优化方法包括：根据预先获取的有源配电网中的分布式可再生能源发电装置的多个典型有功出力场景及每个典型有功出力场景的概率，建立动态无功优化模型；动态无功优化模型以有源配电网在目标日的运行网损值与电压偏差值的合成值最小为目标；利用预设粒子群算法对动态无功优化模型进行求解；预设粒子群算法中的粒子为分布式可再生能源发电装置与有源配电网中的无功补偿装置的无功出力方案；根据与求解得到的最优解相对应的无功出力方案，对目标日的有源配电网进行无功优化。采用本发明可以提高无功优化的优化效果。

说明书

技术领域

本发明属于电力系统技术领域，尤其涉及一种有源配电网的无功优化方法、装置、设备和存储介质。

背景技术

在配电领域，可以通过调整变压器分接头和投切无功补偿装置的方式，对配电网无功潮流进行调节，以达到提高电压质量、降低有功损耗、保证配电网安全稳定运行的目的，即配电网无功优化。随着电力技术的持续发展，出现了配置有分布式可再生能源发电装置的有源配电网，由于分布式可再生能源发电装置的逆变器可以吸收或发出无功功率，具有一定的无功调节能力，因此，可以利用逆变器的无功调节能力进行无功优化。

然而，现有的利用逆变器的无功调节能力进行无功优化的方案，优化效果较差。

发明内容

有鉴于此，本发明实施例提供了一种有源配电网的无功优化方法、装置、设备和存储介质，以解决现有技术中利用逆变器进行无功优化时存在的优化效果差的问题。

本发明实施例的第一方面提供了一种有源配电网的无功优化方法，包括：

根据预先获取的有源配电网中的分布式可再生能源发电装置的多个典型有功出力场景及每个典型有功出力场景的概率，建立动态无功优化模型；动态无功优化模型以有源配电网在目标日的运行网损值与电压偏差值的合成值最小为目标；

利用预设粒子群算法对动态无功优化模型进行求解；预设粒子群算法中的粒子为分布式可再生能源发电装置与有源配电网中的无功补偿装置的无功出力方案；

根据与求解得到的最优解相对应的无功出力方案，对目标日的有源配电网进行无功优化。

可选的，在根据预先获取的有源配电网中的分布式可再生能源发电装置的多个典型有功出力场景及每个典型有功出力场景的概率，建立动态无功优化模型之前，方法还包括：

根据光照强度预测模型和光伏分段出力模型，预测目标区域在预设时段内每个单位时段的光伏有功出力数据；目标区域为与有源配电网相对应的区域；

根据自回归滑动平均模型和风机出力模型，预测目标区域在预设时段内每个单位时段的风机有功出力数据；

对每个单位时段的光伏有功出力数据和风机有功出力数据进行聚类，得到分布式可再生能源发电装置的多个典型有功出力场景；每个典型有功出力场景对应至少一个单位时段的光伏有功出力数据和风机有功出力数据；

将每个典型有功出力场景所对应的单位时段占所有单位时段的比例，确定为相应典型有功出力场景的概率。

可选的，动态无功优化模型的目标函数为：

min f[Q

其中，Q

可选的，动态无功优化模型的约束条件包括：

潮流平衡约束：

其中，P

节点电压约束条件：

U

其中，U

分布式可再生能源发电装置的出力约束条件：

其中，P

无功补偿装置的无功出力约束条件：

Q

其中，Q

无功补偿装置的投切次数约束条件：

C

可选的，预设粒子群算法中的惯性权重系数为第一常数与第一数值的差值；其中，第一数值为第二常数与第一比例的乘值，第一比例为当次迭代次数与预设迭代次数的比例。

本发明实施例的第二方面提供了一种有源配电网的无功优化装置，包括：

构建模块，用于根据预先获取的有源配电网中的分布式可再生能源发电装置的多个典型有功出力场景及每个典型有功出力场景的概率，建立动态无功优化模型；动态无功优化模型以有源配电网在目标日的运行网损值与电压偏差值的合成值最小为目标；

求解模块，用于利用预设粒子群算法对动态无功优化模型进行求解；预设粒子群算法中的粒子为分布式可再生能源发电装置与有源配电网中的无功补偿装置的无功出力方案；

无功优化模块，用于根据与求解得到的最优解相对应的无功出力方案，对目标日的有源配电网进行无功优化。

可选的，装置还包括获取模块，用于：

根据光照强度预测模型和光伏分段出力模型，预测目标区域在预设时段内每个单位时段的光伏有功出力数据；目标区域为与有源配电网相对应的区域；

根据自回归滑动平均模型和风机出力模型，预测目标区域在预设时段内每个单位时段的风机有功出力数据；

对每个单位时段的光伏有功出力数据和风机有功出力数据进行聚类，得到分布式可再生能源发电装置的多个典型有功出力场景；每个典型有功出力场景对应至少一个单位时段的光伏有功出力数据和风机有功出力数据；

将每个典型有功出力场景所对应的单位时段占所有单位时段的比例，确定为相应典型有功出力场景的概率。

可选的，动态无功优化模型的目标函数为：

min f[Q

其中，Q

可选的，动态无功优化模型的约束条件包括：

潮流平衡约束：

其中，P

节点电压约束条件：

U

其中，U

分布式可再生能源发电装置的出力约束条件：

其中，P

无功补偿装置的无功出力约束条件：

Q

其中，Q

无功补偿装置的投切次数约束条件：

C

可选的，预设粒子群算法中的惯性权重系数为第一常数与第一数值的差值；其中，第一数值为第二常数与第一比例的乘值，第一比例为当次迭代次数与预设迭代次数的比例。

本发明实施例的第三方面提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述方法的步骤。

本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述方法的步骤。

本发明实施例与现有技术相比存在的有益效果是：

本发明实施例可以根据预先获取的有源配电网中的分布式可再生能源发电装置的多个典型有功出力场景及每个典型有功出力场景的概率，建立动态无功优化模型。之后，可以利用预设粒子群算法对动态无功优化模型进行求解。最后，可以根据与求解得到的最优解相对应的无功出力方案，对目标日的有源配电网进行无功优化。如此，可以基于多场景技术将分布式可再生能源发电装置的有功出力进行了场景划分，不仅解决了有源配电网无功优化过程中分布式可再生能源发电有功出力不确定性的问题，同时还考虑了分布式可再生能源发电装置的逆变器在有源配电网无功优化过程中的无功调节能力，故而优化效果较好。

此外，由于动态无功优化模型以有源配电网在目标日的运行网损值与电压偏差值的合成值最小为目标，并且预设粒子群算法中的粒子为分布式可再生能源发电装置与有源配电网中的无功补偿装置的无功出力方案，因此，可以对分布式可再生能源发电装置以及有源配电网的网络络上的无功补偿装置的无功出力方案进行协同优化，安全性和经济性均较好。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种有源配电网的无功优化方法的步骤流程图；

图2为本发明实施例提供的一种分布式可再生能源发电装置的无功出力方案示意图；

图3为本发明实施例提供的一种有源配电网的无功补偿装置的无功出力方案示意图；

图4为本发明实施例提供的一种有源配电网的无功优化方法的流程图；

图5为本发明实施例提供的一种有源配电网的无功优化装置的示意图；

图6为本发明实施例提供的一种电子设备的示意图。

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。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

如相关技术所描述的，现有的利用分布式可再生能源发电装置的逆变器的无功调节能力进行无功优化的方案，优化效果较差。

目前存在一些无功优化的方案，例如方案一和方案二。

方案一：考虑风速预测误差对双馈电机风电场无功容量的影响，将双馈电机风电场无功容量极限作为约束条件，在最大效率利用风能的前提下将双馈电机风电场作为连续无功源参与配电网无功优化。

方案二：综合考虑有载调压变压器的分接头、智能软开关与分布式可再生能源发电装置的无功输出，建立以系统有功网损和与上级电网无功交换功率最小为目标函数的优化模型。

然而，以方案一和方案二为代表的无功优化方案，没有考虑分布式可再生能源发电装置的有功出力的不确定性对有源配电网无功优化的影响，故而，现有的利用分布式可再生能源发电装置的逆变器的无功调节能力进行无功优化的方案，无功优化效果较差。

为了解决现有技术问题，本发明实施例提供了一种有源配电网的无功优化方法、装置、设备和存储介质。下面首先对本发明实施例所提供的有源配电网的无功优化方法进行介绍。

有源配电网的无功优化方法的执行主体，可以是有源配电网的无功优化装置，该有源配电网的无功优化装置可以是具备数据处理能力的电子设备，例如服务器、网络附属存储器(Network Attached Storage，NAS)或者个人计算机(personal computer，PC)等，本发明实施例不作具体限定。

如图1所示，本发明实施例提供的有源配电网的无功优化方法可以包括以下步骤：

步骤S110、根据预先获取的有源配电网中的分布式可再生能源发电装置的多个典型有功出力场景及每个典型有功出力场景的概率，建立动态无功优化模型。

在一些实施例中，动态无功优化模型，可以是以有源配电网在目标日的运行网损值与电压偏差值的合成值最小为目标的无功优化模型。

具体的，由于分布式可再生能源发电装置的有功出力存在不确定性，因此其会影响有源配电网的运行网损和电压偏差。可以预先将分布式可再生能源发电装置的有功出力，划分为多个典型有功出力场景，并给出每种典型有功出力场景发生的概率。之后，可以基于预先获取的多个典型有功出力场景及每个典型有功出力场景的概率，建立动态无功优化模型。

可选的，可以通过如下方式，获取有源配电网中的分布式可再生能源发电装置的多个典型有功出力场景及每个典型有功出力场景的概率，相应的处理可以如下：根据光照强度预测模型和光伏分段出力模型，预测目标区域在预设时段内每个单位时段的光伏有功出力数据；根据自回归滑动平均模型和风机出力模型，预测目标区域在预设时段内每个单位时段的风机有功出力数据；对每个单位时段的光伏有功出力数据和风机有功出力数据进行聚类，得到分布式可再生能源发电装置的多个典型有功出力场景；每个典型有功出力场景对应至少一个单位时段的光伏有功出力数据和风机有功出力数据；将每个典型有功出力场景所对应的单位时段占所有单位时段的比例，确定为相应典型有功出力场景的概率。

在一些实施例中，目标区域可以为与有源配电网相对应的区域。预设时段可以是一年，预设时段内的每个单位时段可以是一日。

具体的，可以根据上述预测模型，对预设时段内的光照强度、风速的时序值进行预测，从而得到分布式可再生能源发电装置在较长时间的时序出力数据，即分布式可再生能源发电装置有功出力的时序出力模型P

如此，在得到分布式可再生能源发电装置的有功出力的典型有功出力场景和概率后，可以计算每种场景下有源配电网的运行网损和电压偏差，并对每种场景下的结果进行概率加权，由此考虑了分布式可再生能源发电装置的有功出力不确定性对有源配电网无功优化的影响。

可选的，上述动态无功优化模型的目标函数可以为：

min f[Q

其中，Q

可选的，动态无功优化模型的约束条件可以包括：

潮流平衡约束：

其中，P

节点电压约束条件：

U

其中，U

分布式可再生能源发电装置的出力约束条件：

其中，P

无功补偿装置的无功出力约束条件：

Q

其中，Q

无功补偿装置的投切次数约束条件：

C

步骤S120、利用预设粒子群算法对动态无功优化模型进行求解。

在一些实施例中，在有源配电网动态的无功优化中，由于可投切的有源配电网上的无功补偿装置的无功出力是离散的，分布式可再生能源发电逆变器的无功出力是连续的，因此，有源配电网的动态无功优化需要求解的是一个混合整数规划问题。可以基于所提的有源配电网动态无功优化模型，然后将上述离散变量，即无功补偿装置的无功出力，进行连续化，然后参加迭代，待求出最优解后再就近归整。

在一些实施例中，可以采用预设粒子群算法进行求解，其中，预设粒子群算法中的粒子可以为分布式可再生能源发电装置与有源配电网中的无功补偿装置的无功出力方案。

此外，为了解决通用粒子群算法局部搜索能力与全局搜索能力的平衡问题，可以引入惯性权重系数ω，据此得到预设粒子群算法的速度更新公式为：

其中，V

在一些实施例中，由于在优化过程中，大的惯性权重系数有较强搜索全局的能力，小的惯性权重系数有较强搜索局部的能力，因此，如果在整个搜索过程中算法均保持惯性权重系数不变，容易导致全局和局部的矛盾。为了避免全局和局部的矛盾，可以通过如下方式配置惯性权重系数：

预设粒子群算法中的惯性权重系数为第一常数与第一数值的差值；其中，第一数值为第二常数与第一比例的乘值，第一比例为当次迭代次数与预设迭代次数的比例。

具体的，可以通过如下公式求取惯性权重系数：

其中，第一数值可以为0.9，第二数值可以为0.9-0.4，maxiter为预设迭代次数，例如理想的迭代次数，iter为当次迭代次数。

如此，搜索一开始，惯性权重因子最大，有着最强的搜索全局能力，有利于直接锁定最优解的位置；在迭代后期，惯性权重因子逐渐变小，算法局部搜索能力增强，能相当精确地确定最优解位置。

为了更好的理解求解过程，下面对求解过程进行详细介绍。

粒子群优化算法实现的步骤如下：

1)将有源配电网多目标动态无功优化模型的解，即分布式可再生能源发电装置的逆变器及有源配电网上的无功补偿装置的无功出力方案作为一个序列，可以表示为一个粒子；

2)初始化理想的迭代次数、种群数、位置和速度；

3)根据粒子群算法的速度更新公式计算粒子的适应值，并初始化个体极值和全局极值；

4)更新粒子的速度和位置；

5)若在迭代过程中粒子飞出了解空间，即无功出力方案不满足约束条件时，需重置粒子的位置，令它处于边界处；

6)根据粒子群算法的速度更新公式计算种群中每个粒子对应的适应值；

7)判断种群中的每个粒子是否是活跃粒子，如果不是，要求重置，重新计算；

8)根据适应值选择出P

9)判别算法是否结束，若是，则结束计算，输出当前的最优结果；若算法尚未结束，则前往步骤4)重新进行迭代优化；

10)将最优结果解码，得到最优的分布式可再生能源发电装置的逆变器及有源配电网上的无功补偿装置的无功出力方案。

步骤S130、根据与求解得到的最优解相对应的无功出力方案，对目标日的有源配电网进行无功优化。

在一些实施例中，在得到最优解对应的无功出力方案后，即最优的分布式可再生能源发电装置及有源配电网上的无功补偿装置的无功出力方案，可以基于该无功出力方案，对目标日的有源配电网进行无功优化。

具体的，如图2和图3所示，其中，图2示出了分布式可再生能源发电装置的无功出力方案，具体示出了一天内每15分钟的分布式可再生能源发电装置的逆变器的无功出力值；图3示出了有源配电网的网络上无功补偿装置的无功出力方案，具体示出了一天内每15分钟网络上的无功补偿装置的无功出力值。

上述实施例提供的无功优化方法的具体处理，可以参见图4所示的处理流程。

在本发明实施例中，可以根据预先获取的有源配电网中的分布式可再生能源发电装置的多个典型有功出力场景及每个典型有功出力场景的概率，建立动态无功优化模型。之后，可以利用预设粒子群算法对动态无功优化模型进行求解。最后，可以根据与求解得到的最优解相对应的无功出力方案，对目标日的有源配电网进行无功优化。如此，可以基于多场景技术将分布式可再生能源发电装置的有功出力进行了场景划分，不仅解决了有源配电网无功优化过程中分布式可再生能源发电有功出力不确定性的问题，同时还考虑了分布式可再生能源发电装置的逆变器在有源配电网无功优化过程中的无功调节能力，故而优化效果较好。

此外，由于动态无功优化模型以有源配电网在目标日的运行网损值与电压偏差值的合成值最小为目标，并且预设粒子群算法中的粒子为分布式可再生能源发电装置与有源配电网中的无功补偿装置的无功出力方案，因此，可以对分布式可再生能源发电装置以及有源配电网的网络络上的无功补偿装置的无功出力方案进行协同优化，安全性和经济性均较好。

基于上述实施例提供的有源配电网的无功优化方法，相应地，本发明还提供了应用于该有源配电网的无功优化方法的有源配电网的无功优化装置的具体实现方式。请参见以下实施例。

如图5所示，提供了一种有源配电网的无功优化装置，该装置包括：

构建模块510，用于根据预先获取的有源配电网中的分布式可再生能源发电装置的多个典型有功出力场景及每个典型有功出力场景的概率，建立动态无功优化模型；动态无功优化模型以有源配电网在目标日的运行网损值与电压偏差值的合成值最小为目标；

求解模块520，用于利用预设粒子群算法对动态无功优化模型进行求解；预设粒子群算法中的粒子为分布式可再生能源发电装置与有源配电网中的无功补偿装置的无功出力方案；

无功优化模块530，用于根据与求解得到的最优解相对应的无功出力方案，对目标日的有源配电网进行无功优化。

可选的，装置还包括获取模块，用于：

根据光照强度预测模型和光伏分段出力模型，预测目标区域在预设时段内每个单位时段的光伏有功出力数据；目标区域为与有源配电网相对应的区域；

根据自回归滑动平均模型和风机出力模型，预测目标区域在预设时段内每个单位时段的风机有功出力数据；

对每个单位时段的光伏有功出力数据和风机有功出力数据进行聚类，得到分布式可再生能源发电装置的多个典型有功出力场景；每个典型有功出力场景对应至少一个单位时段的光伏有功出力数据和风机有功出力数据；

将每个典型有功出力场景所对应的单位时段占所有单位时段的比例，确定为相应典型有功出力场景的概率。

可选的，动态无功优化模型的目标函数为：

min f[Q

其中，Q

可选的，动态无功优化模型的约束条件包括：

潮流平衡约束：

其中，P

节点电压约束条件：

U

其中，U

分布式可再生能源发电装置的出力约束条件：

其中，P

无功补偿装置的无功出力约束条件：

Q

其中，Q

无功补偿装置的投切次数约束条件：

C

可选的，预设粒子群算法中的惯性权重系数为第一常数与第一数值的差值；其中，第一数值为第二常数与第一比例的乘值，第一比例为当次迭代次数与预设迭代次数的比例。

在本发明实施例中，可以根据预先获取的有源配电网中的分布式可再生能源发电装置的多个典型有功出力场景及每个典型有功出力场景的概率，建立动态无功优化模型。之后，可以利用预设粒子群算法对动态无功优化模型进行求解。最后，可以根据与求解得到的最优解相对应的无功出力方案，对目标日的有源配电网进行无功优化。如此，可以基于多场景技术将分布式可再生能源发电装置的有功出力进行了场景划分，不仅解决了有源配电网无功优化过程中分布式可再生能源发电有功出力不确定性的问题，同时还考虑了分布式可再生能源发电装置的逆变器在有源配电网无功优化过程中的无功调节能力，故而优化效果较好。

此外，由于动态无功优化模型以有源配电网在目标日的运行网损值与电压偏差值的合成值最小为目标，并且预设粒子群算法中的粒子为分布式可再生能源发电装置与有源配电网中的无功补偿装置的无功出力方案，因此，可以对分布式可再生能源发电装置以及有源配电网的网络络上的无功补偿装置的无功出力方案进行协同优化，安全性和经济性均较好。

图6是本发明一实施例提供的电子设备的示意图。如图6所示，该实施例的电子设备6包括：处理器60、存储器61以及存储在所述存储器61中并可在所述处理器60上运行的计算机程序62。所述处理器60执行所述计算机程序62时实现上述各个有源配电网的无功优化方法实施例中的步骤。或者，所述处理器60执行所述计算机程序62时实现上述各装置实施例中各模块/单元的功能。

示例性的，所述计算机程序62可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器61中，并由所述处理器60执行，以完成本发明。所述一个或多个模块/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，该指令段用于描述所述计算机程序62在所述电子设备6中的执行过程。例如，所述计算机程序62可以被分割成构建模块、求解模块、无功优化模块，各模块具体功能如下：

构建模块，用于根据预先获取的有源配电网中的分布式可再生能源发电装置的多个典型有功出力场景及每个典型有功出力场景的概率，建立动态无功优化模型；动态无功优化模型以有源配电网在目标日的运行网损值与电压偏差值的合成值最小为目标；

求解模块，用于利用预设粒子群算法对动态无功优化模型进行求解；预设粒子群算法中的粒子为分布式可再生能源发电装置与有源配电网中的无功补偿装置的无功出力；

无功优化模块，用于根据与求解得到的最优解相对应的无功出力方案，对目标日的有源配电网进行无功优化。

所述电子设备6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。所述电子设备可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以理解，图6仅仅是电子设备6的示例，并不构成对电子设备6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，例如所述电子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60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)、现场可编程门阵列(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。

所述存储器61可以是所述电子设备6的内部存储单元，例如电子设备6的硬盘或内存。所述存储器61也可以是所述电子设备6的外部存储设备，例如所述电子设备6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(Flash Card)等。进一步地，所述存储器61还可以既包括所述电子设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储所述计算机程序以及所述电子设备所需的其他程序和数据。所述存储器61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，即将所述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，所述模块或单元的划分，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。

所述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。

所述集成的模块/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，所述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，所述计算机程序包括计算机程序代码，所述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。所述计算机可读介质可以包括：能够携带所述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，所述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。

以上所述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。