煤电机组能效状态评价方法、装置及煤电机组系统

摘要

本发明提供一种煤电机组能效状态评价方法、装置及煤电机组系统，该方法包括：获取机组当前的能效状态指标观测量及工况划分参数；根据工况划分参数确定当前工况；根据预先训练的能效状态估计模型，获取表征当前工况的能效状态指标估计量；能效状态估计模型基于不同工况下能效基准状态的能效状态指标历史数据预先训练得到；根据能效状态指标观测量及能效状态指标估计量，确定当前的能效状态指数。本发明实施例兼顾煤电机组运行工况的多变性和能效状态信息的复杂性，对机组能效状态进行实时动态评价，提高了机组运行经济性的评价结果准确性，定量化机组指标偏离对机组能耗的影响。

说明书

技术领域

本发明涉及能效评价技术领域，具体而言，涉及一种煤电机组能效状态评价方法、装置及煤电机组系统。

背景技术

能效指的是能源利用过程中发挥作用与实际消耗的能源量之比。对于火力发电机组来说，能效优化指的是在相同的功率输出下尽可能的减少机组的燃煤消耗。能效状态的评价是对机组当前运行工况下的状态的度量，以实现全面、客观地了解组织生产和能源使用的实际情况。

当前，对机组能效评价主要是基于小指标打分法进行的。小指标打分法是通过对运行过程中选取的关键指标如主汽温度、主汽压力等单独进行打分，并赋予一定的权重，然后求取总分，来评价机组的能效水平。由于机组生产过程是一个复杂的热力过程，设备关联性强，参数耦合度高，运行时所处状态复杂，用单一的试验或者监测参数来评价其能效状态的优劣，并不能反映其复杂的状态信息。同时，小指标打分法考核评价一段时间内(通常情况下是一值)的统计值，忽略了考核评价过程中负荷等外界因素的变化对机组能效状态的影响，很难反映机组能效状态的动态信息。

现有技术中对煤电机组运行经济性的评价方法，存在评价结果不准确的问题。

发明内容

本发明解决的是现有对煤电机组运行经济性的评价方法，评价结果不准确的问题。

为解决上述问题，本发明提供一种煤电机组能效状态评价方法，所述方法包括：获取机组当前的能效状态指标观测量及工况划分参数；其中，所述工况划分参数包括以下至少一项：负荷率、环境温度与煤质特性；根据工况划分参数确定当前工况；根据预先训练的能效状态估计模型，获取表征所述当前工况的能效状态指标估计量；所述能效状态估计模型基于不同工况下能效基准状态的能效状态指标历史数据预先训练得到；根据所述能效状态指标观测量及所述能效状态指标估计量，确定当前的能效状态指数。

可选地，所述方法还包括：获取机组的历史运行数据；根据所述稳态特征参数在预设时长内的波动值是否小于预设阈值，确定得到稳态运行数据；所述稳态特征参数包括至少一项：负荷、主蒸汽压力、主蒸汽温度、再热蒸汽温度和给水流量；根据所述稳态运行数据，选取不同工况下能效基准状态的能效状态指标历史数据；根据所述能效状态指标历史数据训练多元状态估计模型，得到预先训练的能效状态估计模型。

可选地，所述根据所述稳态运行数据，选取不同工况下的能效基准状态数据，包括：基于预设的聚类算法对所述稳态运行数据中的能效状态指标数据进行多参数同步聚类，以供电煤耗率最小为目标，选取不同工况下各所述能效状态指标的聚类中心作为指标基准值，得到能效状态指标历史数据。

可选地，所述根据所述能效状态指标观测量及所述能效状态指标估计量，确定当前的能效状态指数，包括：根据所述能效状态指标观测量及所述能效状态指标估计量的相似度，结合各所述能效状态指标的权重，计算得到当前的能效状态指数。

可选地，所述方法还包括：根据关联系数法及所述能效状态指标历史数据，确定各所述能效状态指标历史数据与供电煤耗之间的关联关系；根据所述关联关系确定各所述能效状态指标的权重。

可选地，所述方法还包括：根据核密度估计方法，计算所述能效基准状态数据对应的能效状态指数的概率密度；根据所述概率密度的分布情况，选取一定的置信度，确定不同的能效状态评价等级对应的能效状态指数。

可选地，所述方法还包括：根据所述当前的能效状态指数，结合滑动窗口检测方法，得到窗口时长内的能效状态指数平均值；根据所述能效状态指数平均值及所述不同的能效状态评价等级对应的能效状态指数，确定当前的能效状态评价等级。

本发明提供一种煤电机组能效状态评价装置，所述装置包括：获取模块，用于获取机组当前的能效状态指标观测量及工况划分参数；其中，所述工况划分参数包括以下至少一项：负荷率、环境温度与煤质特性；确定模块，用于根据工况划分参数确定当前工况；估计模块，用于根据预先训练的能效状态估计模型，获取表征所述当前工况的能效状态指标估计量；所述能效状态估计模型基于不同工况下能效基准状态的能效状态指标历史数据预先训练得到；评价模块，用于根据所述能效状态指标观测量及所述能效状态指标估计量，确定当前的能效状态指数。

可选地，所述装置还包括训练模块，用于：获取机组的历史运行数据；根据所述稳态特征参数在预设时长内的波动值是否小于预设阈值，确定得到稳态运行数据；所述稳态特征参数包括至少一项：负荷、主蒸汽压力、主蒸汽温度、再热蒸汽温度和给水流量；根据所述稳态运行数据，选取不同工况下能效基准状态的能效状态指标历史数据；根据所述能效状态指标历史数据训练多元状态估计模型，得到预先训练的能效状态估计模型。

本发明提供一种煤电机组系统，包括：煤电机组及控制系统；所述控制系统用于执行上述煤电机组能效状态评价方法。

本发明实施例基于不同工况下能效基准状态的能效状态指标历史数据预先训练得到能效状态估计模型，然后利用该能效状态估计模型确定当前工况的能效状态指标估计量，并利用能效状态指标观测量及能效状态指标估计量，确定当前的能效状态指数，通过多状态特征融合的能效状态估计模型，兼顾煤电机组运行工况的多变性和能效状态信息的复杂性，对机组能效状态进行实时动态评价，提高了机组运行经济性的评价结果准确性，定量化机组指标偏离对机组能耗的影响。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，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的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明一个实施例中一种煤电机组能效状态评价方法的示意性流程图；

图2为本发明一个实施例的能效状态估计模型的训练方法的示意性流程图；

图3为本发明一个实施例中一种煤电机组能效状态评价装置的结构示意图。

附图标记说明：

301-获取模块；302-确定模块；303-估计模块；304-评价模块。

具体实施方式

为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

煤电机组能效状态评价的核心内容是能效基准状态的确定。能效基准状态是指在实际运行工况条件下，机组曾达到的历史最佳运行状态，由能效状态指标这些状态变量来进行定量表征的。能效基准状态所对应的能效状态指标的数值，也被称为能效状态指标的基准值。现阶段电厂对机组能效基准状态的确定方法还是依赖于传统的设计值法、热力试验法或变工况计算法。但由于设备安装误差、设备运行老化以及运行状态的改变，设计值法确定的基准状态与实际运行状态往往偏差较大；热力试验法确定基准状态成本较高，且只能针对某几个特定的工况给出指标的基准值，随着机组运行时间延长和外界负荷等条件的改变，基准值与实际运行状态也将发生较大的偏差在进行变工况热力计算时，需要做一些简化假设，由于受计算模型准确性的影响，计算得到的基准状态是理论值，在工程应用中受到限制。

能效状态的评价是对机组当前运行工况下的状态的度量，以实现全面、客观地了解组织生产和能源使用的实际情况。正确认识与能效优秀水平(基准水平)的差距，明确节能潜力、节能的工作方向和重点，根据能效状态评价结果，制定切实可行的能效改进工作方案，合理调整运行并安排维修，促进和推动能效管理水平和能效指标持续改善和提高。

因此，提出一套准确度高、实用性强，并且能随工况变化和时间推移自动更新修正的基准状态确定方法，定量化火电机组指标偏离对机组能耗的影响，构建火电机组优化设计研充方案对火电机组节能优化具有重大的意义。

本发明实施例提供了一种煤电机组能效状态评价方法、装置及煤电机组系统，以避免现有技术存在的汽轮机组运行经济性的评价结果不准确的问题，进一步降低机组的运行成本。上述方法的准确度高、实用性强，并且能随工况变化和时间推移自动更新修正的基准状态确定方法，定量化火电机组指标偏离对机组能耗的影响，构建火电机组优化设计研究方案对火电机组节能优化具有重大的意义。

图1是本发明的一个实施例中一种煤电机组能效状态评价方法的示意性流程图，该方法包括：

S102，获取机组当前的能效状态指标观测量及工况划分参数。

其中，该工况划分参数可以包括：负荷率、环境温度与煤质特性等。

由于机组能效状态指标，特别是综合指标如供电煤耗率等会受到环境温度、负荷率、煤质等因素的影响，所以机组能效状态指标的基准值在不同的工况下也会有所差异，因此，基于负荷率、环境温度与煤质特性三个变量的工况划分是基准状态确定的前提。由于目前的测量手段难以实现煤质的在线分析，因此，可以选用入炉煤的低位发热量表征煤质特性。根据机组运行特性，当负荷率、环境温度和入炉煤低位发热量在一定范围内变化时，机组运行参数和能效状态指标的波动在一定范围内，可认为是基本不变的，则按照这一标准进行工况划分。具体划分标准则根据不同机组的特性及数据特点而确定。

S104，根据工况划分参数确定当前工况。

在获取当前的工况划分参数后，可以根据其确定当前的工况。

S106，根据预先训练的能效状态估计模型，获取表征当前工况的能效状态指标估计量。

上述能效状态估计模型基于不同工况下能效基准状态的能效状态指标历史数据预先训练得到。可选地，可以按照以下步骤训练得到能效状态估计模型：

(1)获取机组的历史运行数据。

对机组历史运行数据、设计数据和热力性能实验数据进行收集整理建立历史数据库。

(2)根据稳态特征参数在预设时长内的波动值是否小于预设阈值，确定得到稳态运行数据；稳态特征参数包括至少一项：负荷、主蒸汽压力、主蒸汽温度、再热蒸汽温度和给水流量。

考虑到为满足电网调峰需求，煤电机组运行工况常处于动态变化过程这一客观情况，需要对历史数据进行稳态筛选，以去除历史数据中混杂着的大量非稳态运行数据，确定稳态工况库。

能效基准状态的确定分析过程所用到的数据是来自机组历史运行数据，这些海量原始数据反映了机组的实际运行状态和设备特性，所覆盖的机组运行工况复杂多样，采样数据中既包括稳态工况下的运行数据，也有机组启停和变负荷过程中的瞬态数据。但由于锅炉热惯性等因素，各参数变化的惯性延时程度不同，会导致热力系统的参数波动范围变大，因此，在进行能效基准状态确定时，需要获得稳定工况下的历史数据，以保证状态的一致性。

目前，对于“稳态工况”还没有统一的定义，理论上认为在理想状态下，若变量x(t)满足lim

当在一定时间区间内，若表征系统状态的关键特征参数波动在一定范围时，则视系统为稳定状态。稳态判别规则如表1所示，当负荷、主蒸汽压力、主蒸汽温度、再热蒸汽温度和给水流量这个五个特征参数在一段时间内的阈值波动范围小于阈值，则认为这段时间系统达到稳定状态。

表1

可选地，采用数据滑窗技术进行稳态工况判别，在一段时间n内，表1中特征参数的最大值、最小值之差小于稳定阂值，则认为这段时间样本属于稳态过程，否则，窗口向后滑动步长k继续取样，并再次稳态判定新的窗口内的数据。由此，可从机组大量的历史运行数据中筛选出工况数据满足或者近似满足稳态判别标准的稳定工况数据。在本文设置时间间隔n为30分钟，滑动步长k为1分钟。

(3)根据稳态运行数据，选取不同工况下能效基准状态的能效状态指标历史数据。

在上述稳态运行数据基础上，依据负荷、环境温度等边界条件对工况进行划分。

(4)基于预设的聚类算法对稳态运行数据中的能效状态指标数据进行多参数同步聚类，以供电煤耗率最小为目标，选取不同工况下各能效状态指标的聚类中心作为指标基准值，得到能效状态指标历史数据。

能效基准状态是状态评价模型的基准，其合理确定是能效状态评价的核心内容之一。本实施例可以基于模糊C均值(Fuzzy C-means，FCM)聚类算法，对能效状态指标体系中各状态指标的历史数据进行多参数同步聚类，选取供电煤耗率聚类中心最小的一类数据簇，作为能效基准状态指标数据样本。

(5)根据能效状态指标历史数据训练多元状态估计模型，得到预先训练的能效状态估计模型。

基于多元状态估计方法，构建能效状态估计模型。从已经确定的能效状态指标历史数据中选取多元状态估计模型的训练集合T，并将其分为两个样本集E和L，其中，样本集合E用来构造记忆矩阵D，样本集合L则用来进行残差训练。

S108，根据能效状态指标观测量及能效状态指标估计量，确定当前的能效状态指数。

可选地，根据能效状态指标观测量及能效状态指标估计量的相似度，结合各能效状态指标的权重，计算得到当前的能效状态指数。能效状态指数越大，则表明能效状态与基准状态偏差越大，能效状态越差。

本实施例可以采用能效状态指数SI来衡量能效状态指标观测量与能效状态指标估计量的偏离程度，选取欧式距离衡量偏离程度，其计算方法如下:

其中，X和Y分别表示能效状态的能效状态指标观测向量和能效状态指标估计向量，w

当机组运行状态与能效基准状态接近时，多元状态估计模型预测精度很高，预测残差的均值接近零，能效状态指数也接近0。当运行状态出现偏离时，如空预器漏风率增加，真空下降、省煤器积灰严重等，或出现通流部分结构、高加泄露等热力系统故障时，都会使能效状态改变，使观测向量偏离基准状态空间，预测残差增大，能效状态指数增加。因此，SI越大表明能效状态与基准状态偏差越大，则能效状态越差。

不同能效状态指标对机组的能效状态的影响也不尽相同，因此，各能效状态指标权重系数需要根据其对能效状态的定量影响进行赋值。可选地，根据关联系数法及能效状态指标历史数据，确定各能效状态指标历史数据与供电煤耗之间的关联关系；根据关联关系确定各能效状态指标的权重。

关联系数法则是利用电厂历史运行数据，分析各参数和供电煤耗之间的关联关系。关联系数有皮尔逊系数和最大信息系数等。其中，最大信息系数，建立在互信息论基础上，可以描述两个随机变量的任意函数关系。

本实施例提供的煤电机组能效状态评价方法，基于不同工况下能效基准状态的能效状态指标历史数据预先训练得到能效状态估计模型，然后利用该能效状态估计模型确定当前工况的能效状态指标估计量，并利用能效状态指标观测量及能效状态指标估计量，确定当前的能效状态指数，通过多状态特征融合的能效状态估计模型，兼顾煤电机组运行工况的多变性和能效状态信息的复杂性，对机组能效状态进行实时动态评价，提高了机组运行经济性的评价结果准确性，定量化机组指标偏离对机组能耗的影响。

可选地，本实施例中基于FCM聚类算法对能效状态指标的历史数据进行多参数同步聚类，结合轮廓系数(Silhouette Coefficient)聚类有效评价函数来确定最佳分类数，以供电煤耗率最小为目标，选取各工况下能效基准状态样本，作为能效状态评价模型的输入。选取各能效状态指标的聚类中心作为指标基准值。

FCM算法依据样本数据间的相似性，将样本数据聚合成有限的几个类别。FCM以隶属度值的加权和为目标，通过迭代计算，不断修正聚类中心，以极小化所有数据点到各个聚类中心的距离，使目标函数达到极小。FCM的目标函数表示如下：

式中，J是目标函数，c为设定的分类类别数，n为样本数量，m为隶属度的加权系数，一般取2；v

将约束公式带入目标函数可得：

在FCM聚类中，聚类数c的数值需要人为给定，范围一般是

轮廓值S(i)的取值范围是[-1,1]，如果数据点被很好的区分，离散度远大于凝聚度，即b(i)>>a(i)，所以S(i)→1。反之b(i)

依据绘制好的不同聚类数下的Silhouette的轮廓图，选择轮廓图最大时对应的c值为最佳聚类数。根据聚类后的结果，选择对应供电煤耗最低的类作为能效基准状态数据样本，选取该类各能效状态指标的聚类中心点作为其基准值。

上述多元状态估计技术是由阿尔贡实验室提出的一种多参数融合的非线性回归模型，目前在核电站传感器校验、设备监测、电子产品寿命预测等方面有成功的应用。

可选地，基于核密度估计方法，估计由上述样本集合L回归后得到的能效状态指数的概率密度，根据其概率密度分布情况，选取一定的置信度，确定不同的能效状态评价等级所对应的能效状态指数。具体地，包括以下步骤：根据核密度估计方法，计算能效基准状态数据对应的能效状态指数的概率密度；根据概率密度的分布情况，选取一定的置信度，确定不同的能效状态评价等级对应的能效状态指数。

一般地，进行样本概率密度估计时，需要了解概率密度函数的分布，常假设样本服从高斯分布。但实际生产过程中，样本很难严格服从高斯分布，概率密度估计会存在一定的误差。本实施例可以采用核密度估计(Kernel Destiny Estimation,KDE)方法，其作为一种非参数估计方法，被广泛应用于工业过程的监控等领域。该方法不需要做任何结构上的假设，是依赖于统计中的渐进性质来逐渐逼近待估计的密度函数序列，能够以任意精度逼近任意的连续分布。置信度是以测量值为中心，在一定范围内，真值出现在该范围内的几率。一般设定在95％。

可选地，上述不同的能效状态评价等级，可以基于以下方式确定：根据当前的能效状态指数，结合滑动窗口检测方法，得到窗口时长内的能效状态指数平均值；根据上述能效状态指数平均值及不同的能效状态评价等级对应的能效状态指数，确定当前的能效状态评价等级。

图2是本发明的一个实施例中能效状态估计模型的训练方法的示意性流程图，该方法以包括：

S201，读取训练样本数据。

S202，粒子群优化(Particle Swarm Optimization，PSO)算法初始化设置。初始化PSO算法的相关参数，包括惯性权重、加速常数、最大进化代数以及适应度阈值。将要优化的支持向量回归(Support Vector Regression，SVR)模型中的相关参数初始化为一群粒子，初始化粒子速度、粒子位置。

S203，根据适应度函数计算每个粒子的适应值，将粒子中最小的适应值

所对应的初始位置设为初始群体最好位置。每个粒子的适应度函数定义为:

式中：E为平均相对误差，y

S204，更新粒子个体和全局最优值。将适应值与该粒子自身最优适应值比较，如果前者小于后者，则用新的适应值取代前一轮的优化解，用新的粒子取代前一轮的粒子；将各个粒子的自身最优适应值与所有粒子的最好适应值进行比较。如果前者小于后者，则用每个粒子的最优适应值取代原所有粒子的最优适应值，同时保存粒子的当前状态。

S205，检查终止条件，判断适应度是否小于设定阂值，或进化代数是否达到最大。如果满足终止条件要求，则执行步骤S206；否则，执行步骤S204。

S206，将全局最优粒子映射为SVR模型中的参数，并以此为优化结果得到一个建立好的SVR模型。

图3是本发明的一个实施例中一种煤电机组能效状态评价装置的结构示意图，该煤电机组能效状态评价装置包括：

获取模块301，用于获取机组当前的能效状态指标观测量及工况划分参数；其中，所述工况划分参数包括以下至少一项：负荷率、环境温度与煤质特性；

确定模块302，用于根据工况划分参数确定当前工况；

估计模块303，用于根据预先训练的能效状态估计模型，获取表征所述当前工况的能效状态指标估计量；所述能效状态估计模型基于不同工况下能效基准状态的能效状态指标历史数据预先训练得到；

评价模块304，用于根据所述能效状态指标观测量及所述能效状态指标估计量，确定当前的能效状态指数。

本实施例提供的煤电机组能效状态评价装置，基于不同工况下能效基准状态的能效状态指标历史数据预先训练得到能效状态估计模型，然后利用该能效状态估计模型确定当前工况的能效状态指标估计量，并利用能效状态指标观测量及能效状态指标估计量，确定当前的能效状态指数，通过多状态特征融合的能效状态估计模型，兼顾煤电机组运行工况的多变性和能效状态信息的复杂性，对机组能效状态进行实时动态评价，提高了机组运行经济性的评价结果准确性，定量化机组指标偏离对机组能耗的影响。

可选地，作为一个实施例，所述装置还包括训练模块，用于：获取机组的历史运行数据；根据所述稳态特征参数在预设时长内的波动值是否小于预设阈值，确定得到稳态运行数据；所述稳态特征参数包括至少一项：负荷、主蒸汽压力、主蒸汽温度、再热蒸汽温度和给水流量；根据所述稳态运行数据，选取不同工况下能效基准状态的能效状态指标历史数据；根据所述能效状态指标历史数据训练多元状态估计模型，得到预先训练的能效状态估计模型。

可选地，作为一个实施例，所述训练模块，还用于：基于预设的聚类算法对所述稳态运行数据中的能效状态指标数据进行多参数同步聚类，以供电煤耗率最小为目标，选取不同工况下各所述能效状态指标的聚类中心作为指标基准值，得到能效状态指标历史数据。

可选地，作为一个实施例，所述评价模块具体用于：根据所述能效状态指标观测量及所述能效状态指标估计量的相似度，结合各所述能效状态指标的权重，计算得到当前的能效状态指数。

可选地，作为一个实施例，所述装置还包括权重确定模块，用于：根据关联系数法及所述能效状态指标历史数据，确定各所述能效状态指标历史数据与供电煤耗之间的关联关系；根据所述关联关系确定各所述能效状态指标的权重。

可选地，作为一个实施例，所述评价模块具体用于：根据核密度估计方法，计算所述能效基准状态数据对应的能效状态指数的概率密度；根据所述概率密度的分布情况，选取一定的置信度，确定不同的能效状态评价等级对应的能效状态指数。

可选地，作为一个实施例，所述评价模块具体用于：根据所述当前的能效状态指数，结合滑动窗口检测方法，得到窗口时长内的能效状态指数平均值；根据所述能效状态指数平均值及所述不同的能效状态评价等级对应的能效状态指数，确定当前的能效状态评价等级。

本发明实施例还提供一种煤电机组系统，包括：煤电机组及控制系统；所述控制系统用于上述煤电机组能效状态评价方法。

本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述煤电机组能效状态评价方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random AccessMemory，简称RAM)、磁碟或者光盘等。

当然，本领域技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程度来指令控制装置来完成，所述的程序可存储于一计算机可读取的存储介质中，所述程序在执行时可包括如上述各方法实施例的流程，其中所述的存储介质可为存储器、磁盘、光盘等。

在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。