本发明公开了一种基于多维度分析的直流测量系统状态预测方法及系统，涉及直流测量系统监测技术领域，所述方法包括获取直流测量系统的监测值和直流关键运行参数；基于所述监测值和所述直流关键运行参数，根据设定的第一判据判断所述直流测量系统的采集的数据是否异常；在采集的数据无异常的情况下，根据设定的第二判据判断所述直流输电系统是否异常。本发明从工程应用角度出发，在现有运维阈值诊断基础上，针对直流测量的驱动电流和数据电平采用横向对比和时序趋势分析方法进行诊断并识别异常。算法应用简单有效。
1.一种基于多维度分析的直流测量系统状态预测方法，用于直流输电系统，其特征在于，包括：
基于所述监测值和所述直流关键运行参数，根据设定的第一判据判断所述直流测量系统的采集的数据是否异常；
在采集的数据无异常的情况下，根据设定的第二判据判断所述直流输电系统是否异常，其中，
计算驱动电流的理论值，将驱动电流的监测值与理论值计算偏差，并与设定的第一阈值比较，判断测量点的驱动电流采样是否异常；
计算电压的理论值，将电压的监测值与理论值计算偏差，并与设定的第二阈值比较，判断测量点的电压采样是否异常；
所述驱动电流的理论值通过以下方法：将驱动电流的监测值作为因变量，对应极的直流功率和电流作为自变量；
基于直流输电系统的直流功率和电流、驱动电流的历史数据，采用最小二乘法拟合得到关系式y＝f(x1,x2)；
根据所述关系式，基于直流输电系统的直流功率和电流、驱动电流的历史数据，获得所述驱动电流的理论值；
U1和U2分别为整流站和逆变站换流变压器阀侧空载电压有效值，根据母线电压和换流变分接头档位计算，α为整流站触发角，Xr1和Xr2分别为整流站和逆变站换相电抗，Id为直流电流；
将电压的监测值与理论值计算偏差Ud_err＝Ud_cal‑Ud_means其中，Ud_err为计算电压与测量电压的偏差，Ud_cal为计算电压，Ud_means为测量电压，高端阀组的测量电压为UdH‑UdM，低端阀组的测量电压为UdM‑UdN；UdH表示高压直流母线电压，UdM表示高低端阀组间中压母线电压，UdN表示中性直流母线电压；
判据一：同一时刻，横向对比同一极高低端驱动电流和数据电平，当偏差大于阈值δ1时，判断为异常；
判据二：纵向分析驱动电流和数据电平，计算样本序列X(x1,x2,...xt)的整体趋势变化值，即∑(xt‑xt‑1)，当趋势值大于阈值时δ2，预警，即∑(xt‑xt‑1)＞δ2；考虑一种去趋势的波动分析方法，利用监测值与样本均值的差值未超出定值作为序列数据波动诊断；当监测值与均值的差值超出a×σ范围，判断为异常，即判据三：驱动电流趋势预测值大于阈值时，判断为异常；预测算法通过LSTM来实现；
所述驱动电流趋势预测值通过驱动电流预测模型进行，所述驱动电流预测模型包含LSTM模型，其包括：
根据驱动电流、数据电平、环境温度以及直流功率，通过驱动电流预测模型拟合的环境温度、直流功率、数据电平和驱动电流之间的关系，对驱动电流进行预测；
其中，所述驱动电流预测模型包括：选取当前时刻驱动电流、直流功率、环境温度、数据电平作为输入参数，输出为下一时刻驱动电流数据，构建数据样本集；
利用灰色关联度和K‑means聚类方法对数据集内的数据进行检测和清洗并按照设定比例将数据样本集划分为训练集和测试集；
将选定的训练集数据归一化处理后作为LSTM模型输入，设定LSTM模型输入的神经元个数为4个，其包括直流功率、数据电平、环境温度、当前时刻驱动电流，即{x1,x2,x3,x4}，输出变量为下一时刻驱动电流；神经网络选择2层LSTM，最后连接一个全连接层后通过一个激活函数作为最终的输出；
在训练过程中若训练平均绝对误差大于阈值，则更新权重与偏置W、b、a，继续与输入相互作用进行计算；若误差小于阈值，则输出结果作为另一个初始化参数，其中，平均绝对误差的计算公式为：
进行误差的反向传播算法(BP)神经网络训练，即t时刻后所有时刻误差进行反向传播计算，更新权重矩阵，直到得到最优全局参数矩阵，模型训练完成。
2.根据权利要求1所述的基于多维度分析的直流测量系统状态预测方法，其特征在于，所述监测值包括驱动电流、数据电平、环境温度，所述直流关键运行参数包括直流电压、直流电流、直流功率、触发角、分接头档位和直流系统阻抗。
3.根据权利要求1所述的基于多维度分析的直流测量系统状态预测方法，其特征在于，根据设定的第一判据判断所述直流测量系统的采集的数据是否异常，若异常，则发出警告；
根据设定的第二判据判断所述直流输电系统是否异常，若异常，则发出警告。
4.一种直流测量系统，其特征在于，所述直流测量系统用于获取直流输电系统的状态量并传输到控制保护系统，所述控制保护系统根据如权利要求1‑3任一所述的方法工作。
5.根据权利要求4所述的直流测量系统，其特征在于，所述直流输电系统包括远端模块，所述远端模块具有AD转换模块、能量管理模块、LED模块，
所述直流测量系统包括合并单元，所述合并单元具有激光驱动器、I/O单元，其中，所述AD转换模块通过分压器采集一次电压，以及通过分流器采集一次电流，并通过数据光纤传输到所述I/O单元，所述合并单元将数据初步处理后传输到所述控制保护系统；所述激光驱动器通过供能光纤驱动所述能量管理模块给所述AD转换模块提供能量。
6.根据权利要求5所述的直流测量系统，其特征在于，所述远端模块连接至二次分压板，所述二次分压板连接至直流线路的高压臂和低压臂。
基于多维度分析的直流测量系统状态预测方法及系统
技术领域
[0001] 本发明涉及直流测量系统监测技术领域，具体涉及一种基于多维度分析的直流测量系统状态预测方法及系统。
背景技术
[0002] 在特高压直流输电工程中，直流测量系统为控制和保护提供输入信号，其测量的准确性直接影响高压直流输电系统的安全稳定运行。目前，光电互感器在南方电网直流输
电系统中得到了大量的应用，当驱动电流或电压量测量发生较大偏差时，可能会引起保护
系统动作，从而影响换流站正常运行。直流光测量系统故障是近年来南方电网直流输电系
统运行面临的主要疑难问题之一。专利202010818172.5提出一种测量系统检测装置，检测
高压直流测量系统的激光供电回路性能以及检测发生故障的单元，从而实现故障定位。在
换流站日常运维工作中，直流测量系统运行状态主要通过运行维护人员数据监盘、异常告
警等方式进行监视。但受屏柜环境温度、外部环境、光纤缺陷等因素的影响，直流测量电流
可能存在异常波动，单纯基于阈值的异常告警存在一定的局限性，且在未超出告警值时，直
流测量数据的异常(如缓慢增长趋势)可能被掩盖在正常监控信号的波动中，人工监盘情况
下难以识别。针对直流测量数据趋势的预测与分析暂无相应研究。因此有必要开展针对直
流测量数据趋势的预测和分析，为直流测量系统的状态评估提供辅助依据。
发明内容
[0003] 针对现有技术中的不足，本发明提供一种基于多维度分析的直流测量系统状态预测方法及系统，以对实现对直流测量系统的状态评估。
[0004] 为实现上述目的，本发明的技术方案如下：
[0005] 一种基于多维度分析的直流测量系统状态预测方法，用于直流输电系统，包括：
[0006] 获取直流测量系统的监测值和直流关键运行参数；
[0007] 基于所述监测值和所述直流关键运行参数，根据设定的第一判据判断所述直流测量系统的采集的数据是否异常；
[0008] 在采集的数据无异常的情况下，根据设定的第二判据判断所述直流输电系统是否异常。
[0009] 如上所述的基于多维度分析的直流测量系统状态预测方法，进一步地，所述监测值包括驱动电流、数据电平、环境温度，所述直流关键运行参数包括直流电压、直流电流、直
流功率、触发角、分接头档位和直流系统阻抗。
[0010] 如上所述的基于多维度分析的直流测量系统状态预测方法，进一步地，所述第一判据判断包括：
[0011] 计算驱动电流的理论值，将驱动电流的监测值与理论值计算偏差，并与设定的第一阈值比较，判断测量点的驱动电流采样是否异常；
[0012] 计算电压的理论值，将电压的监测值与理论值计算偏差，并与设定的第二阈值比较，判断测量点的电压采样是否异常。
[0013] 如上所述的基于多维度分析的直流测量系统状态预测方法，进一步地，所述驱动电流的理论值通过以下方法：
[0014] 将驱动电流的监测值作为因变量，对应极的直流功率和电流作为自变量；
[0015] 通过多项式拟合构建自变量和因变量的关系式；
[0016] 基于直流输电系统的直流功率和电流、驱动电流的历史数据，采用最小二乘法拟合得到所述关系式y＝f(x1,x2)；
[0017] 根据所述关系式，基于直流输电系统的直流功率和电流、驱动电流的历史数据，获得所述驱动电流的理论值。
[0018] 如上所述的基于多维度分析的直流测量系统状态预测方法，进一步地，所述电压的理论值通过以下方法：
[0019] 整流侧：
[0020] 逆变侧：
[0021] U1和U2分别为整流站和逆变站换流变压器阀侧空载电压有效值，根据母线电压和换流变分接头档位计算，α为整流站触发角，γ为逆变站熄弧角，Xr1和Xr2分别为整流站和逆
变站换相电抗，Id为直流电流；
[0022] 将电压的监测值与理论值计算偏差
[0023] Ud_err＝Ud_cal‑Ud_means
[0024] 其中，Ud_err为计算电压与测量电压的偏差，Ud_cal为计算电压，Ud_means为测量电压，高端阀组的测量电压为UdH‑UdM，低端阀组的测量电压为UdM‑UdN；UdH表示高压直流母线电
压，UdM表示高低端阀组间中压母线电压，UdN表示中性直流母线电压。
[0025] 如上所述的基于多维度分析的直流测量系统状态预测方法，进一步地，所述第二判据包括：
[0026] 判据一：同一时刻，横向对比同一极高低端驱动电流和数据电平，当偏差差大于阈值δ1时，判断为异常；
[0027] 判据二：纵向分析驱动电流和数据电平，计算样本序列X(x1,x2,...xt)的整体趋势变化值，即∑(xt‑xt‑1)，当趋势值大于阈值时δ2，预警，即∑(xt‑xt‑1)＞δ2。考虑一种去趋势
的波动分析方法，利用监测值与样本均值的差值未超出定值作为序列数据波动诊断。当监
测值与均值的差值超出a×σ范围，判断为异常，即
[0028] 判据三：驱动电流趋势预测值大于阈值时，判断为异常。所述预测算法通过LSTM来实现。
[0029] 如上所述的基于多维度分析的直流测量系统状态预测方法，进一步地，所述驱动电流趋势预测值通过驱动电流预测模型进行，所述驱动电流预测模型包含LSTM模型，其包
括：
[0030] 根据驱动电流、数据电平、环境温度以及直流功率，通过驱动电流预测模型拟合的环境温度、直流功率、数据电平和驱动电流之间的关系，对驱动电流进行预测；
[0031] 其中，所述驱动电流预测模型包括：
[0032] 选取当前时刻驱动电流、直流功率、环境温度、数据电平作为输入参数，输出为下一时刻驱动电流数据，构建数据样本集；
[0033] 利用灰色关联度和K‑means聚类方法对数据集内的数据进行检测和清洗并按照设定比例将数据样本集划分为训练集和测试集；
[0034] 将选定的训练集数据归一化处理后作为LSTM模型输入，设定LSTM模型输入的神经元个数为4个，其包括直流功率、数据电平、环境温度、当前时刻驱动电流，即{x1,x2,x3,x4}，
输出变量为下一时刻驱动电流；神经网络选择2层LSTM，最后连接一个全连接层后通过一个
激活函数作为最终的输出。
[0035] 在训练过程中若训练平均绝对误差大于阈值，则更新权重与偏置W、b、a，继续与输入相互作用进行计算；若误差小于阈值，则输出结果作为另一个初始化参数，其中，平均绝
对误差的计算公式为：
[0036]
[0037] 进行误差的反向传播算法(BP)神经网络训练，即t时刻后所有时刻误差进行反向传播计算，更新权重矩阵，直到得到最优全局参数矩阵，模型训练完成。
[0038] 如上所述的基于多维度分析的直流测量系统状态预测方法，进一步地，
[0039] 根据设定的第一判据判断所述直流测量系统的采集的数据是否异常，若异常，则发出警告；
[0040] 根据设定的第二判据判断所述直流输电系统是否异常，若异常，则发出警告。
[0041] 一种直流测量系统，所述直流测量系统用于获取直流输电系统的状态量并传输到控制保护系统，所述控制保护系统根据如上所述的方法工作。
[0042] 作为一种可选的实施方式，在某些实施例中，
[0043] 所述直流输电系统包括远端模块，所述远端模块具有AD转换模块、能量管理模块、LED模块，
[0044] 所述直流测量系统包括合并单元，所述合并单元具有激光驱动器、I/O单元，其中，所述AD转换模块通过分压器采集一次电压，以及通过分流器采集一次电流，并通过数据光
纤传输到所述I/O单元，所述合并单元将数据初步处理后传输到所述控制保护系统；所述激
光驱动器通过供能光纤驱动所述能量管理模块给所述AD转换模块提供能量。
[0045] 作为一种可选的实施方式，在某些实施例中，所述远端模块连接至二次分压板，所述二次分压板连接至直流线路的高压臂和低压臂。
[0046] 本发明与现有技术相比，其有益效果在于：1、从工程应用角度出发，在现有运维阈值诊断基础上，针对直流测量的驱动电流和数据电平采用横向对比和时序趋势分析方法进
行诊断并识别异常。算法应用简单有效。
[0047] 2、针对趋势预测，以实际换流站直流测量数据为样本，结合直流功率，构建了一种多输入‑单输出的LSTM驱动电流预测模型，采用同一样本集，相较于传统的时间序列预测模
型，预测准确性高。
附图说明
[0048] 为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图进行简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本
领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的
附图。
[0049] 图1为本发明实施例的换流站直流光测量系统结构图；
[0050] 图2为本发明实施例的利用LSTM预测流程图；
[0051] 图3为本发明实施例的直流电压测量装置测量回路；
[0052] 图4为本发明实施例的不同模型预测结果。
具体实施方式
[0053] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本
申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实
施例，都属于本申请保护的范围。
[0054] 实施例：
[0055] 需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用
的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或
描述的那些以外的顺序实施。此外，本发明实施例的术语“包括”和“具有”以及他们的任何
变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产
品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这
些过程、方法、产品或设备固有的其它步骤或单元。
[0056] 此外，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；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。对于本
领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
[0057] 参见图1至图4，图1为本发明实施例的换流站直流光测量系统结构图；图2为本发明实施例的利用LSTM预测流程图；图3为本发明实施例的直流电压测量装置测量回路；图4
为本发明实施例的不同模型预测结果。
[0058] 一种基于多维度分析的直流测量系统状态预测方法，用于直流输电系统，包括：
[0059] 获取直流测量系统的监测值和直流关键运行参数；
[0060] 基于所述监测值和所述直流关键运行参数，根据设定的第一判据判断所述直流测量系统的采集的数据是否异常；
[0061] 在采集的数据无异常的情况下，根据设定的第二判据判断所述直流输电系统是否异常。
[0062] 作为一种可选的实施方式，在某些实施例中，所述监测值包括驱动电流、数据电平、环境温度，所述直流关键运行参数包括直流电压、直流电流、直流功率、触发角、分接头
档位和直流系统阻抗。
[0063] 作为一种可选的实施方式，在某些实施例中，所述第一判据判断包括：
[0064] 计算驱动电流的理论值，将驱动电流的监测值与理论值计算偏差，并与设定的第一阈值比较，判断测量点的驱动电流采样是否异常；
[0065] 计算电压的理论值，将电压的监测值与理论值计算偏差，并与设定的第二阈值比较，判断测量点的电压采样是否异常。
[0066] 作为一种可选的实施方式，在某些实施例中，所述驱动电流的理论值通过以下方法：
[0067] 将驱动电流的监测值作为因变量，对应极的直流功率和电流作为自变量；
[0068] 通过多项式拟合构建自变量和因变量的关系式；
[0069] 基于直流输电系统的直流功率和电流、驱动电流的历史数据，采用最小二乘法拟合得到所述关系式y＝f(x1,x2)；
[0070] 根据所述关系式，基于直流输电系统的直流功率和电流、驱动电流的历史数据，获得所述驱动电流的理论值。
[0071] 作为一种可选的实施方式，在某些实施例中，所述电压的理论值通过以下方法：
[0072] 整流侧：
[0073] 逆变侧：
[0074] U1和U2分别为整流站和逆变站换流变压器阀侧空载电压有效值，根据母线电压和换流变分接头档位计算，α为整流站触发角，γ为逆变站熄弧角，Xr1和Xr2分别为整流站和逆
变站换相电抗，Id为直流电流；
[0075] 将电压的监测值与理论值计算偏差
[0076] Ud_err＝Ud_cal‑Ud_means
[0077] 其中，Ud_err为计算电压与测量电压的偏差，Ud_cal为计算电压，Ud_means为测量电压，高端阀组的测量电压为UdH‑UdM，低端阀组的测量电压为UdM‑UdN；UdH表示高压直流母线电
压，UdM表示高低端阀组间中压母线电压，UdN表示中性直流母线电压。
[0078] 作为一种可选的实施方式，在某些实施例中，所述第二判据包括：
[0079] 判据一：同一时刻，横向对比同一极高低端驱动电流和数据电平，当偏差差大于阈值δ1时，判断为异常；
[0080] 判据二：纵向分析驱动电流和数据电平，计算样本序列X(x1,x2,...xt)的整体趋势变化值，即∑(xt‑xt‑1)，当趋势值大于阈值时δ2，预警，即∑(xt‑xt‑1)＞δ2。考虑一种去趋势
的波动分析方法，利用监测值与样本均值的差值未超出定值作为序列数据波动诊断。当监
测值与均值的差值超出a×σ范围，判断为异常，即
[0081] 判据三：驱动电流趋势预测值大于阈值时，判断为异常。所述预测算法通过LSTM来实现。
[0082] 作为一种可选的实施方式，在某些实施例中，所述驱动电流趋势预测值通过驱动电流预测模型进行，所述驱动电流预测模型包含LSTM模型，其包括：
[0083] 根据驱动电流、数据电平、环境温度以及直流功率，通过驱动电流预测模型拟合的环境温度、直流功率、数据电平和驱动电流之间的关系，对驱动电流进行预测；
[0084] 其中，所述驱动电流预测模型包括：
[0085] 选取当前时刻驱动电流、直流功率、环境温度、数据电平作为输入参数，输出为下一时刻驱动电流数据，构建数据样本集；
[0086] 利用灰色关联度和K‑means聚类方法对数据集内的数据进行检测和清洗并按照设定比例将数据样本集划分为训练集和测试集；
[0087] 将选定的训练集数据归一化处理后作为LSTM模型输入，设定LSTM模型输入的神经元个数为4个，其包括直流功率、数据电平、环境温度、当前时刻驱动电流，即{x1，x2，x3，x4}，
输出变量为下一时刻驱动电流；神经网络选择2层LSTM，最后连接一个全连接层后通过一个
激活函数作为最终的输出。
[0088] 在训练过程中若训练平均绝对误差大于阈值，则更新权重与偏置W、b、a，继续与输入相互作用进行计算；若误差小于阈值，则输出结果作为另一个初始化参数，其中，平均绝
对误差的计算公式为：
[0089]
[0090] 进行误差的反向传播算法(BP)神经网络训练，即t时刻后所有时刻误差进行反向传播计算，更新权重矩阵，直到得到最优全局参数矩阵，模型训练完成。
[0091] 作为一种可选的实施方式，在某些实施例中，
[0092] 根据设定的第一判据判断所述直流测量系统的采集的数据是否异常，若异常，则发出警告；
[0093] 根据设定的第二判据判断所述直流输电系统是否异常，若异常，则发出警告。
[0094] 一种直流测量系统，所述直流测量系统用于获取直流输电系统的状态量并传输到控制保护系统，所述控制保护系统根据如上所述的方法工作。
[0095] 作为一种可选的实施方式，在某些实施例中，
[0096] 所述直流输电系统包括远端模块，所述远端模块具有AD转换模块、能量管理模块、LED模块，
[0097] 所述直流测量系统包括合并单元，所述合并单元具有激光驱动器、I/O单元，其中，所述AD转换模块通过分压器采集一次电压，以及通过分流器采集一次电流，并通过数据光
纤传输到所述I/O单元，所述合并单元将数据初步处理后传输到所述控制保护系统；所述激
光驱动器通过供能光纤驱动所述能量管理模块给所述AD转换模块提供能量。
[0098] 作为一种可选的实施方式，在某些实施例中，所述远端模块连接至二次分压板，所述二次分压板连接至直流线路的高压臂和低压臂。
[0099] 本实施例搜集某换流站直流测量实际数据作为样本集。双极直流输电系统中涵盖180个测点。样本集涵盖2018年12月‑2019年11月1年的运维抄录数据，样本间隔1个小时。状
态量包括驱动电流、数据电平、环境温度以及直流功率。分析驱动电流和数据电平横向对比
偏差和趋势量化值，同一测点驱动电流和数据电平监测值未超出阈值65mA和70mV，趋势量
化监测值小于阈值100mA和150mV，系统状态正常。分析监测值与均值的差值，当监测值与均
值的差值超出3倍标准差值时，系统预警，计算四组阀冷系统电导率，结果均未超出3倍标准
差，驱动电流指标正常。
[0100] 在某换流站样本数据搜集的基础上，搭建基于LSTM算法模型和仿真环境，包括Python3.7环境以及Keras、Scikit‑learn、Tensorflow等函数库，对数据进行离线化训练，
训练后的模型封装嵌入到预警系统。本例中，学习率设定为0.01，输入维度为4，输出节点为
1，将所有矩阵初始化，误差阈值设定为2×10‑2，优化选用adam优化算法，迭代80次，迭代至
20次左右时，训练样本小于误差阈值，得到输出驱动电流值，训练结束。
[0101] 将2019年11月的测试集输入训练得到的模型，得到的测试结果和测试集中真实值的结果对比如图4所示。从图中可以看出，真实值和预测值曲线重合度较高，在波峰时预测
值略低于真实值，在波谷时预测值略高于真实值，整体预测误差为2.6089％。
[0102] 为验证本实施例LSTM预测算法性能的优越性，本实施例利用同一样本集，对基于时间序列的回归预测模型和基于LSTM的预测模型进行对比分析。从图4中可以看出，两种预
测模型均可模拟出驱动电流的变化趋势，但当驱动电流实际值发生波动并持续降低时，时
间序列模型预测结果与实际值之间存在较大偏差。两种模型在测试集上的MAE评价指标计
算结果分别为36mA和3mA，说明了基于LSTM的预测精度更高。LSTM的预测模型可以更好的拟
合出实际驱动电流结果值的变化趋势。
[0103] 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。
[0104] 上述实施例只是为了说明本发明的技术构思及特点，其目的是在于让本领域内的普通技术人员能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡
是根据本发明内容的实质所做出的等效的变化或修饰，都应涵盖在本发明的保护范围内。
