本發(fā)明涉及電網(wǎng)負(fù)荷監(jiān)測
技術(shù)領(lǐng)域：
，特別是涉及基于s_kohonen非侵入式居民負(fù)荷識別方法。
背景技術(shù)：
：智能電網(wǎng)技術(shù)的發(fā)展使得電力用戶與電網(wǎng)能夠協(xié)調(diào)合作。其中智能用電是智能電網(wǎng)的重要環(huán)節(jié)之一，是互動服務(wù)體系的核心。要實現(xiàn)智能用電，電力用戶需要更好地了解自身的用電特點，及時獲得用電設(shè)備的能耗信息。負(fù)荷監(jiān)測是實現(xiàn)智能用電的關(guān)鍵技術(shù)，通過負(fù)荷監(jiān)測可以對各種用電設(shè)備進(jìn)行用電信息的分析，從而引導(dǎo)電力用戶改變用電習(xí)慣并優(yōu)化用電行為，從而達(dá)到節(jié)能的目的。對于電網(wǎng)來說，負(fù)荷監(jiān)測能夠幫助電網(wǎng)了解負(fù)荷組成并掌握電力用戶的用電行為，為電網(wǎng)的規(guī)劃設(shè)計和發(fā)電調(diào)度提供指導(dǎo)，并支撐雙向互動服務(wù)與智能用能服務(wù)。負(fù)荷監(jiān)測包括侵入式負(fù)荷監(jiān)測和非侵入式負(fù)荷監(jiān)測。其中侵入式負(fù)荷監(jiān)測在每個用電設(shè)備上加裝檢測裝置，該方法雖然準(zhǔn)確性高，但成本大，維護(hù)難。非侵入式負(fù)荷監(jiān)測是將監(jiān)測設(shè)備安裝在電力用戶的電力入口處，通過監(jiān)測算法分析電力用戶的用電信息，從而獲悉電力用戶內(nèi)部各設(shè)備的用電情況，大大簡化了硬件結(jié)構(gòu)、降低了經(jīng)濟(jì)成本，適用于大量獨立用戶安裝模式。目前使用的非侵入式負(fù)荷識別算法在負(fù)荷監(jiān)測中存在識別準(zhǔn)確率不高，對小功率電器、多狀態(tài)電器和特征相近的電器難以正確識別的問題，這嚴(yán)重影響非侵入式負(fù)荷監(jiān)測的實施和智能用電的實現(xiàn)。因此希望有一種非侵入式居民負(fù)荷識別方法可以克服或至少減輕現(xiàn)有技術(shù)中非侵入式負(fù)荷識別算法在負(fù)荷監(jiān)測中識別準(zhǔn)確率低的問題。技術(shù)實現(xiàn)要素：本發(fā)明的目的在于提供一種非侵入式居民負(fù)荷識別方法以解決在非侵入式負(fù)荷監(jiān)測中家用電器識別準(zhǔn)確率不高，小功率電器、多狀態(tài)電器和特征相近的電器難以正確識別的問題。本發(fā)明提供一種非侵入式居民負(fù)荷識別方法，包括以下步驟：步驟一：根據(jù)家庭電力入口處有功功率的變化判斷投切事件，當(dāng)發(fā)生投切事件時，在家庭電力入口處采集發(fā)生投切事件的電器電流樣本；步驟二：對采集到的電器電流樣本進(jìn)行頻域分析，提取其頻域諧波幅值作為各電器的負(fù)荷特征，形成負(fù)荷特征庫；步驟三：設(shè)計適用于居民負(fù)荷識別的s_kohonen神經(jīng)網(wǎng)絡(luò)，確定s_kohonen神經(jīng)網(wǎng)絡(luò)輸入層和輸出層的神經(jīng)元個數(shù)以及競爭層的規(guī)模，以確定獲勝神經(jīng)元的選擇方式和權(quán)值調(diào)整的學(xué)習(xí)算法；步驟四：初始化參數(shù)，其中參數(shù)包括：輸入層與競爭層之間連接權(quán)值ωij、輸出層與競爭層之間連接權(quán)值ωjk、鄰域半徑r、ωij的學(xué)習(xí)速率η1和ωjk的學(xué)習(xí)速率η2；步驟五：各電器的負(fù)荷特征向量作為網(wǎng)絡(luò)輸入，電器類別作為網(wǎng)絡(luò)輸出，通過訓(xùn)練集對s_kohonen網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練結(jié)束使用網(wǎng)絡(luò)對測試集樣本進(jìn)行測試，得到識別結(jié)果，計算各電器的識別準(zhǔn)確率以及總體識別準(zhǔn)確率以測試網(wǎng)絡(luò)性能；步驟六：調(diào)整s_kohonen神經(jīng)網(wǎng)絡(luò)的競爭層規(guī)模、終止閾值或最大迭代次數(shù)，研究網(wǎng)絡(luò)參數(shù)與網(wǎng)絡(luò)性能的關(guān)系，選擇合適參數(shù)實現(xiàn)最佳網(wǎng)絡(luò)性能。優(yōu)選地，所述步驟一中，利用安裝在所述家庭電力入口處的采集裝置進(jìn)行電壓、電流和有功功率值的采集。優(yōu)選地，所述步驟一中，根據(jù)規(guī)則判斷法，當(dāng)家庭電力入口處有功功率值的變化超過20w時，判定發(fā)生投切事件，以投切事件發(fā)生前的穩(wěn)態(tài)電流值與投切事件發(fā)生后的穩(wěn)態(tài)電流值之差作為發(fā)生投切事件的負(fù)荷的電流樣本，并記錄發(fā)生投切事件的電器種類作為事件標(biāo)簽。優(yōu)選地，所述步驟二還對采集到的各個電器穩(wěn)態(tài)電流進(jìn)行頻域分析，并且通過離散傅里葉級數(shù)展開提取各電器頻域特征，將一個電流周期內(nèi)各次諧波投影到頻域中，取幅值較大的諧波作為所述各電器的負(fù)荷特征。優(yōu)選地，所述步驟三中，所述s_kohonen神經(jīng)網(wǎng)絡(luò)包括輸入層，競爭層和輸出層；所述輸入層神經(jīng)元個數(shù)為所述負(fù)荷特征的維數(shù)，所述競爭層神經(jīng)元為二維陣列排布，根據(jù)負(fù)荷聚類數(shù)目確定所述s_kohonen神經(jīng)網(wǎng)絡(luò)的規(guī)模，所述輸出層神經(jīng)元個數(shù)為居民家中待識別的負(fù)荷類別數(shù)目；所述競爭層獲勝神經(jīng)元的選擇方式為歐氏距離法，即計算輸入向量x＝(x1,x2,…xm)與競爭層神經(jīng)元j之間的距離dj，m為輸入的所述負(fù)荷特征向量的維數(shù)，距離計算公式為：選擇與輸入向量x距離最小的競爭層神經(jīng)元c作為獲勝神經(jīng)元，即實現(xiàn)輸入向量x與競爭層神經(jīng)元c之間的映射；此外，調(diào)整獲勝神經(jīng)元及其周圍鄰域神經(jīng)元的權(quán)值，鄰域規(guī)定為：nc(j)＝(j|find(norm(posj,posc)＜r))j＝1,2,…,lposj、posc分別為神經(jīng)元j和c的位置；norm是計算兩個神經(jīng)元之間的歐式距離；r為選擇的鄰域半徑，l為競爭層神經(jīng)元的個數(shù)；最優(yōu)匹配神經(jīng)元c和其鄰域nc(j)內(nèi)神經(jīng)元與輸入層之間的權(quán)值ωij根據(jù)xi調(diào)整，逐漸趨向xi，而與輸出層的權(quán)值ωjk則根據(jù)負(fù)荷期望輸出yk調(diào)整：ωij＝ωij+y(j)*η1(xi-ωij)ωjk＝ωjk+y(j)*η2(yk-ωjk)其中y(j)為權(quán)值調(diào)整的學(xué)習(xí)算法，此處采用廚師帽學(xué)習(xí)函數(shù)：即在半徑r鄰域內(nèi)的神經(jīng)元與獲勝神經(jīng)元采用相同方式調(diào)整權(quán)值，而鄰域以外的神經(jīng)元不調(diào)整權(quán)值，分別調(diào)整神經(jīng)元c和其鄰域nc(j)內(nèi)包含的節(jié)點與輸入層節(jié)點之間的權(quán)系數(shù)ωij以及與輸出層節(jié)點之間的權(quán)系數(shù)ωjk；η1和η2分別是權(quán)值ωij和ωjk的學(xué)習(xí)速率；r和η1隨進(jìn)化次數(shù)的增加而下降，η2隨進(jìn)化次數(shù)的增加而增加，其中n為迭代次數(shù)，三者的變化規(guī)律分別如下：優(yōu)選地，所述步驟四中，ωij初始化為隨機(jī)數(shù)，ωjk初始化為0，η1max，η1min，η2max和η2min取值0～1，鄰域半徑r根據(jù)所述競爭層規(guī)模進(jìn)行選擇，rmin取值0～1。優(yōu)選地，所述步驟五中，用訓(xùn)練集樣本對設(shè)計的網(wǎng)絡(luò)進(jìn)行訓(xùn)練，當(dāng)總體識別準(zhǔn)確率變化量小于閾值或者達(dá)到迭代次數(shù)時停止訓(xùn)練；用訓(xùn)練好的網(wǎng)絡(luò)對測試集樣本進(jìn)行識別測試，檢驗各電器識別準(zhǔn)確率及總體識別準(zhǔn)確率，準(zhǔn)確率定義如下：單個電器識別準(zhǔn)確率＝該類電器正確識別個數(shù)/該類電器樣本個數(shù)，總體識別準(zhǔn)確率＝所有電器正確識別個數(shù)/所有電器總樣本個數(shù)。優(yōu)選地，所述步驟六中，所述網(wǎng)絡(luò)參數(shù)與網(wǎng)絡(luò)性能的關(guān)系為網(wǎng)絡(luò)在不同參數(shù)下的訓(xùn)練時間、單個事件識別時間和總體識別準(zhǔn)確率，為提高工作效率，實現(xiàn)負(fù)荷在線監(jiān)測選擇合適的參數(shù)設(shè)置。本發(fā)明的非侵入式居民負(fù)荷識別方法對電器穩(wěn)態(tài)工作電流進(jìn)行離散傅里葉變換，提取頻域諧波電流幅值作為負(fù)荷特征，降低了對采集裝置采樣頻率的要求，進(jìn)而減少硬件設(shè)備的投資。本發(fā)明的非侵入式居民負(fù)荷識別方法將負(fù)荷特征投影到二維競爭層平面，并根據(jù)權(quán)值調(diào)整算法使得負(fù)荷特征投影到競爭層的類內(nèi)區(qū)域不斷縮小，同時逐漸擴(kuò)大類與類之間的距離，使得具有相似特征的負(fù)荷聚類區(qū)域逐漸遠(yuǎn)離。本發(fā)明能夠提高相似電器的識別準(zhǔn)確率，同時通過調(diào)整輸出層權(quán)值使每一類負(fù)荷區(qū)域內(nèi)神經(jīng)元具有相同輸出，使負(fù)荷的分類具有容錯性，即容許同一類的負(fù)荷特征有輕微波動，因此便能夠在電網(wǎng)電壓發(fā)生小波動時依然能夠?qū)崿F(xiàn)負(fù)荷準(zhǔn)確識別，增強(qiáng)該算法的實用性。本發(fā)明能夠?qū)㈦娖鞑煌墓ぷ鳡顟B(tài)投影到不同的區(qū)域，這些區(qū)域?qū)?yīng)相同的輸出，即能實現(xiàn)對多狀態(tài)電器的識別。綜上所述，本發(fā)明非侵入式居民負(fù)荷識別方法具有良好的穩(wěn)定性、容錯性和實用性，能夠解決在非侵入式負(fù)荷監(jiān)測中家用電器識別準(zhǔn)確率不高，小功率電器、多狀態(tài)電器和特征相近的電器難以正確識別的問題，對居民電器實現(xiàn)有效識別，可以廣泛用于居民電力負(fù)荷識別中。附圖說明圖1為s_kohonen神經(jīng)網(wǎng)絡(luò)模型圖。圖2為本發(fā)明提出的非侵入式負(fù)荷識別方法的流程圖。圖3為本發(fā)明實施例中特征相近電器的競爭層聚類示意圖。圖4為本發(fā)明實施例中訓(xùn)練集樣本競爭層聚類示意圖。圖5為本發(fā)明實施例中測試集樣本競爭層聚類示意圖。具體實施方式為使本發(fā)明實施的目的、技術(shù)方案和優(yōu)點更加清楚，下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進(jìn)行更加詳細(xì)的描述。在附圖中，自始至終相同或類似的標(biāo)號表示相同或類似的元件或具有相同或類似功能的元件。所描述的實施例是本發(fā)明一部分實施例，而不是全部的實施例。下面通過參考附圖描述的實施例是示例性的，旨在用于解釋本發(fā)明，而不能理解為對本發(fā)明的限制。基于本發(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護(hù)的范圍。下面結(jié)合附圖對本發(fā)明的實施例進(jìn)行詳細(xì)說明。如圖1-2所示，本發(fā)明提供一種基于s_kohonen的非侵入式居民負(fù)荷識別方法，包括以下步驟：步驟一：根據(jù)家庭電力入口處有功功率的變化判斷投切事件，當(dāng)發(fā)生投切事件時，在家庭電力入口處采集發(fā)生投切事件的電器電流樣本，利用安裝在所述家庭電力入口處的采集裝置進(jìn)行電壓、電流和有功功率值的采集，根據(jù)規(guī)則判斷法，當(dāng)家庭電力入口處有功功率值的變化超過20w時，判定發(fā)生投切事件，以投切事件發(fā)生前的穩(wěn)態(tài)電流值與投切事件發(fā)生后的穩(wěn)態(tài)電流值之差作為發(fā)生投切事件的負(fù)荷的電流樣本，并記錄發(fā)生投切事件的電器種類作為事件標(biāo)簽；步驟二：對采集到的各電器電流樣本進(jìn)行頻域分析，同時對采集到的各個電器穩(wěn)態(tài)電流進(jìn)行頻域分析，通過離散傅里葉級數(shù)展開提取各電器頻域特征，將一個電流周期內(nèi)各次諧波投影到頻域中，取幅值較大的諧波作為負(fù)荷特征，形成各個電器的負(fù)荷特征庫；步驟三：設(shè)計適用于居民負(fù)荷識別的s_kohonen神經(jīng)網(wǎng)絡(luò)，確定s_kohonen神經(jīng)網(wǎng)絡(luò)輸入層和輸出層的神經(jīng)元個數(shù)以及競爭層的規(guī)模，以確定獲勝神經(jīng)元的選擇方式和權(quán)值調(diào)整的學(xué)習(xí)算法，所述s_kohonen神經(jīng)網(wǎng)絡(luò)包括輸入層，競爭層和輸出層；所述輸入層神經(jīng)元個數(shù)為所述負(fù)荷特征的維數(shù)，所述競爭層神經(jīng)元為二維陣列排布，根據(jù)負(fù)荷聚類數(shù)目確定所述s_kohonen神經(jīng)網(wǎng)絡(luò)的規(guī)模，所述輸出層神經(jīng)元個數(shù)為居民家中待識別的負(fù)荷類別數(shù)目；所述競爭層獲勝神經(jīng)元的選擇方式為歐氏距離法，即計算輸入向量x＝(x1,x2,…xm)與競爭層神經(jīng)元j之間的距離dj，m為輸入的所述負(fù)荷特征向量的維數(shù)，距離計算公式為：選擇與輸入向量x距離最小的競爭層神經(jīng)元c作為獲勝神經(jīng)元，即實現(xiàn)輸入向量x與競爭層神經(jīng)元c之間的映射；此外，調(diào)整獲勝神經(jīng)元及其周圍鄰域神經(jīng)元的權(quán)值，鄰域規(guī)定為：nc(j)＝(j|find(norm(posj,posc)＜r))j＝1,2,…,lposj、posc分別為神經(jīng)元j和c的位置；norm是計算兩個神經(jīng)元之間的歐式距離；r為選擇的鄰域半徑，l為競爭層神經(jīng)元的個數(shù)；最優(yōu)匹配神經(jīng)元c和其鄰域nc(j)內(nèi)神經(jīng)元與輸入層之間的權(quán)值ωij根據(jù)xi調(diào)整，逐漸趨向xi，而與輸出層的權(quán)值ωjk則根據(jù)負(fù)荷期望輸出yk調(diào)整：ωij＝ωij+y(j)*η1(xi-ωij)ωjk＝ωjk+y(j)*η2(yk-ωjk)其中y(j)為權(quán)值調(diào)整的學(xué)習(xí)算法，此處采用廚師帽學(xué)習(xí)函數(shù)：即在半徑r鄰域內(nèi)的神經(jīng)元與獲勝神經(jīng)元采用相同方式調(diào)整權(quán)值，而鄰域以外的神經(jīng)元不調(diào)整權(quán)值，分別調(diào)整神經(jīng)元c和其鄰域nc(j)內(nèi)包含的節(jié)點與輸入層節(jié)點之間的權(quán)系數(shù)ωij以及與輸出層節(jié)點之間的權(quán)系數(shù)ωjk；η1和η2分別是權(quán)值ωij和ωjk的學(xué)習(xí)速率；r和η1隨進(jìn)化次數(shù)的增加而下降，η2隨進(jìn)化次數(shù)的增加而增加，其中n為迭代次數(shù)，三者的變化規(guī)律分別如下：步驟四：初始化參數(shù)，其中參數(shù)包括：輸入層與競爭層之間連接權(quán)值ωij、輸出層與競爭層之間連接權(quán)值ωjk、鄰域半徑r、ωij的學(xué)習(xí)速率η1和ωjk的學(xué)習(xí)速率η2，ωij初始化為隨機(jī)數(shù)，ωjk初始化為0，η1max，η1min，η2max和η2min取值0～1，鄰域半徑r根據(jù)所述競爭層規(guī)模進(jìn)行選擇，rmin取值0～1；步驟五：各電器的負(fù)荷特征向量作為網(wǎng)絡(luò)輸入，電器類別作為網(wǎng)絡(luò)輸出，通過訓(xùn)練集對s_kohonen網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練結(jié)束使用網(wǎng)絡(luò)對測試集樣本進(jìn)行測試，得到識別結(jié)果，計算各電器的識別準(zhǔn)確率以及總體識別準(zhǔn)確率以測試網(wǎng)絡(luò)性能，用訓(xùn)練集樣本對設(shè)計的網(wǎng)絡(luò)進(jìn)行訓(xùn)練，當(dāng)總體識別準(zhǔn)確率變化量小于閾值或者達(dá)到迭代次數(shù)時停止訓(xùn)練；用訓(xùn)練好的網(wǎng)絡(luò)對測試集樣本進(jìn)行識別測試，檢驗各電器識別準(zhǔn)確率及總體識別準(zhǔn)確率，準(zhǔn)確率定義如下：單個電器識別準(zhǔn)確率＝該類電器正確識別個數(shù)/該類電器樣本個數(shù)，總體識別準(zhǔn)確率＝所有電器正確識別個數(shù)/所有電器總樣本個數(shù)；步驟六：調(diào)整s_kohonen神經(jīng)網(wǎng)絡(luò)的競爭層規(guī)模、終止閾值或最大迭代次數(shù)，研究網(wǎng)絡(luò)參數(shù)與網(wǎng)絡(luò)性能的關(guān)系，選擇合適參數(shù)實現(xiàn)最佳網(wǎng)絡(luò)性能，所述網(wǎng)絡(luò)參數(shù)與網(wǎng)絡(luò)性能的關(guān)系為網(wǎng)絡(luò)在不同參數(shù)下的訓(xùn)練時間、單個事件識別時間和總體識別準(zhǔn)確率，為提高工作效率，實現(xiàn)負(fù)荷在線監(jiān)測選擇合適的參數(shù)設(shè)置。本發(fā)明一實施例：如圖3-5所示，采用卡內(nèi)基梅隆大學(xué)公開的blued數(shù)據(jù)庫進(jìn)行仿真測試，該數(shù)據(jù)庫使用12khz的采樣頻率，在1個美國家庭的電力端口處連續(xù)采集了一周的電壓、電流、功率等數(shù)據(jù)，并標(biāo)記了各個電器設(shè)備的投切時刻。以每次投切事件前后端口處穩(wěn)態(tài)電流之差作為投切負(fù)荷電流樣本，每次投切事件均提取100個負(fù)荷電流樣本，并根據(jù)電壓校正電流波形相位。訓(xùn)練數(shù)據(jù)采用500次負(fù)荷投切事件，共計5萬個負(fù)荷電流樣本作為訓(xùn)練集；測試數(shù)據(jù)采用數(shù)據(jù)庫中具有另外232次負(fù)荷投切事件，共計2.32萬個負(fù)荷電流樣本作為測試集。訓(xùn)練集和測試集均包含7種電器類別。該7種電器中冰箱、后院燈、浴室頂燈和臥室燈為小功率電器；廚房切碎機(jī)、冰箱等具有多種工作狀態(tài)；廚房切碎機(jī)和吹風(fēng)機(jī)以及冰箱的某種狀態(tài)和浴室頂燈為兩組特征相近電器，具有相近的電流波形和負(fù)荷特征。按照上述基于s_kohonen的非侵入式居民負(fù)荷識別方法的步驟，對blued中各類型負(fù)荷投切事件進(jìn)行識別，在s_kohonen網(wǎng)絡(luò)訓(xùn)練過程時，給定參數(shù)η1min＝0.01,η1max＝0.1；η2min＝0.5,η2max＝1；rmax＝5,rmin＝0.2；取競爭層規(guī)模為50×50；迭代10次，每一次迭代均對50000個樣本進(jìn)行訓(xùn)練；訓(xùn)練完成后對測試集中23200個負(fù)荷樣本進(jìn)行識別測試，計算識別準(zhǔn)確率，測試結(jié)果如表1所示：表1s_kohonen神經(jīng)網(wǎng)絡(luò)對家用電器識別結(jié)果從表1可以看出，本發(fā)明方法對各類型負(fù)荷的識別準(zhǔn)確率都非常高，能夠?qū)π」β孰娖?、多狀態(tài)電器和特征相近的電器實現(xiàn)高精度識別。此外，調(diào)整s_kohonen網(wǎng)絡(luò)的訓(xùn)練時樣本迭代次數(shù)和競爭層規(guī)模，研究其對s_kohonen網(wǎng)絡(luò)性能的影響。表2總體準(zhǔn)確率與迭代次數(shù)的關(guān)系迭代次數(shù)12345總體準(zhǔn)確率16.20％99.62％99.78％99.86％99.92％迭代次數(shù)678910總體準(zhǔn)確率99.89％99.96％99.92％99.89％99.97％從表2中可以看出，在第2次迭代時總體識別準(zhǔn)確率就已經(jīng)很高，在第5次迭代后總體準(zhǔn)確率就基本穩(wěn)定在99.9％左右，網(wǎng)絡(luò)穩(wěn)定性能好。表3網(wǎng)絡(luò)性能與競爭層規(guī)模的關(guān)系對競爭層規(guī)模從10×10到80×80二維陣列進(jìn)行研究，從表3可以看出，隨著競爭層規(guī)模增大，網(wǎng)絡(luò)訓(xùn)練時間、單個事件識別時間以及總體準(zhǔn)確率都在增加。在競爭層規(guī)模40×40以后，總體識別準(zhǔn)確率基本穩(wěn)定在99.97％附近，網(wǎng)絡(luò)的負(fù)荷識別能力基本達(dá)到穩(wěn)定，而訓(xùn)練時間和單個事件識別時間繼續(xù)增加。通過研究網(wǎng)絡(luò)性能與迭代次數(shù)和競爭層規(guī)模的關(guān)系，調(diào)整最佳參數(shù)，可以使網(wǎng)絡(luò)的綜合性能達(dá)到最好。采用本發(fā)明可以對居民負(fù)荷實現(xiàn)高精度識別，解決了目前對小功率電器、多工作狀態(tài)電器和特征相近電器無法準(zhǔn)確識別的問題。適當(dāng)調(diào)整網(wǎng)絡(luò)參數(shù)，使網(wǎng)絡(luò)性能適用于負(fù)荷在線監(jiān)測。最后需要指出的是：以上實施例僅用以說明本發(fā)明的技術(shù)方案，而非對其限制。盡管參照前述實施例對本發(fā)明進(jìn)行了詳細(xì)的說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：其依然可以對前述各實施例所記載的技術(shù)方案進(jìn)行修改，或者對其中部分技術(shù)特征進(jìn)行等同替換；而這些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實施例技術(shù)方案的精神和范圍。當(dāng)前第1頁12