负荷恢复模型生成方法、装置、计算机设备及存储介质

摘要

本申请提供一种负荷恢复模型生成方法、装置、计算机设备及存储介质，涉及电力自动化技术领域。该方法包括：根据待恢复风电场的接入状态参数和预测出力值、失电负荷的恢复状态参数和预测有功功率，建立负荷恢复模型；对负荷恢复模型配置源荷多重不确定因素，通过解耦得到预测场景下的主模型和误差场景下的子模型；根据预测出力值和预测有功功率，对主模型进行求解，得到预测场景下的负荷恢复方案，获取第一预测误差不确定集和第二预测误差不确定集，根据负荷恢复方案、第一预测误差不确定集和第二预测误差不确定集，求解子模型，若子模型的求解结果满足预设恢复条件，则输出负荷恢复方案。通过本申请可使负荷恢复过程更加安全。

权利要求

1.一种负荷恢复模型生成方法，其特征在于，包括：根据待恢复风电场的接入状态参数、所述待恢复风电场的预测出力值、失电负荷的恢复状态参数、所述失电负荷的预测有功功率，建立负荷恢复模型；

在所述负荷恢复模型中配置源荷多重不确定性因素，所述源荷多重不确定性包括：风电场和负荷的至少两项不确定因素；

对配置不确定因素后的所述负荷恢复模型进行解耦，得到预测场景下的主模型和误差场景下的子模型；

根据所述待恢复风电场的预测出力值和所述失电负荷的预测有功功率，对所述主模型进行求解，得到所述预测场景下的负荷恢复方案，所述负荷恢复方案包括：所述待恢复风电场的接入状态参数的求解结果，和所述失电负荷的恢复状态参数的求解结果；

获取所述待恢复风电场的第一预测误差不确定集，和所述失电负荷的第二预测误差不确定集；

根据所述负荷恢复方案、所述第一预测误差不确定集和所述第二预测误差不确定集，求解所述子模型；

若所述子模型的求解结果满足预设恢复条件，则输出所述负荷恢复方案。

2.根据权利要求1所述的方法，其特征在于，所述对配置不确定因素后的所述负荷恢复模型进行解耦，得到预测场景下的主模型和误差场景下的子模型之前，所述方法还包括：利用预设线性化方法对配置不确定因素后的所述负荷恢复模型进行线性化处理，得到目标负荷恢复模型；

所述对配置不确定因素后的所述负荷恢复模型进行解耦，得到预测场景下的主模型和误差场景下的子模型，包括：

对所述目标负荷恢复模型进行解耦，得到所述主模型和所述子模型。

3.根据权利要求1所述的方法，其特征在于，根据待恢复风电场的接入状态参数、所述待恢复风电场的预测出力值、失电负荷的恢复状态参数、所述失电负荷的预测有功功率，建立负荷恢复模型，包括：

根据所述待恢复风电场的接入状态参数、所述待恢复风电场的第一预测出力值、所述失电负荷的恢复状态参数、所述失电负荷的预测有功功率、已恢复风电场的第二预测出力值和预设参量向量，建立所述负荷恢复模型。

4.根据权利要求3所述的方法，其特征在于，所述根据所述待恢复风电场的预测出力值和所述失电负荷的预测有功功率，对所述主模型进行求解，得到所述预测场景下的负荷恢复方案，包括：

根据所述第一预测出力值、所述预测有功功率和所述第二预测出力值，对所述主模型进行求解，得到所述负荷恢复方案。

5.根据权利要求1所述的方法，其特征在于，所述获取所述待恢复风电场的第一预测误差不确定集，和所述失电负荷的第二预测误差不确定集，包括：根据历史风电预测误差，采用广义椭球集合方法，构建所述历史风电预测误差的第一椭球不确定集；

采用线性多面体集合方法，对所述第一椭球不确定集进行转换，得到所述第一预测误差不确定集；

根据历史失电负荷预测误差，利用盒式约束方式，构建所述第二预测误差不确定集。

6.根据权利要求5所述的方法，其特征在于，所述采用线性多面体集合方法，对所述第一椭球不确定集进行转换，得到所述第一预测误差不确定集，包括：对所述第一椭球不确定集进行旋转平移，得到旋转平移后的第二椭球不确定集；

计算所述第二椭球不确定集的第一顶点坐标，根据所述第一顶点坐标构造初始线性多面体不确定集；

根据所述第一椭球不确定集和所述第二椭球不确定集的逆变关系，对所述初始线性多面体不确定集进行逆变，得到逆变后的初始线性多面体不确定集；

对所述逆变后的初始线性多面体不确定集进行缩放，得到所述第一预测误差不确定集。

7.根据权利要求1所述的方法，其特征在于，所述方法还包括：若所述子模型的求解结果不满足所述预设恢复条件，则将所述求解结果中不满足所述预设恢复条件的不可行场景添加至所述主模型中进行迭代，直至所述子模型的求解结果满足预设恢复条件，所述不可行场景包括：不可恢复的风电场和不可恢复的失电负荷。

8.一种负荷恢复模型生成装置，其特征在于，所述装置包括：恢复模型建立模块，用于根据待恢复风电场的接入状态参数、所述待恢复风电场的预测出力值、失电负荷的恢复状态参数、所述失电负荷的预测有功功率，建立负荷恢复模型；

不确定因素配置模块，用于在所述负荷恢复模型中配置源荷多重不确定性因素，所述源荷多重不确定性包括：风电场和负荷的至少两项不确定因素；

解耦模块，用于对配置不确定因素后的所述负荷恢复模型进行解耦，得到预测场景下的主模型和误差场景下的子模型；

主模型求解模块，用于根据所述待恢复风电场的预测出力值和所述失电负荷的预测有功功率，对所述主模型进行求解，得到所述预测场景下的负荷恢复方案，所述负荷恢复方案包括：所述待恢复风电场的接入状态参数的求解结果，和所述失电负荷的恢复状态参数的求解结果；

不确定集获取模块，用于获取所述待恢复风电场的第一预测误差不确定集，和所述失电负荷的第二预测误差不确定集；

子模型求解模块，用于根据所述负荷恢复方案、所述第一预测误差不确定集和所述第二预测误差不确定集，求解所述子模型；

输出模块，用于若所述子模型的求解结果满足预设恢复条件，则输出所述负荷恢复方案。

9.一种计算机设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的程序指令，当所述计算机设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述程序指令，以执行如权利要求1至7任一所述的负荷恢复模型生成方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至7任一所述的负荷恢复模型生成方法的步骤。

说明书

负荷恢复模型生成方法、装置、计算机设备及存储介质

技术领域

[0001] 本发明涉及电力自动化技术领域，具体而言，涉及一种负荷恢复模型生成方法、装置、计算机设备及存储介质。

背景技术

[0002] 随着风电机组制造、控制技术的高速发展，风电并网容量逐年提升，当高风电渗透率系统发生大规模停电事故后，如何安排负荷安全快速恢复是一个亟需研究解决的新问
题。

[0003] 现有方案提出了考虑风电场参与负荷恢复的源荷协调恢复方法，风电机组具有启动功率需求小、启动速度快等优势，适时接入有助于加快系统恢复过程。

[0004] 但是在风速随机变化的制约下，风电机组无法持续稳定出力，风电机组的出力具有不确定性、可调度性差等特点，而且其调频调压能力较差，风电场的参与给系统恢复决策
和控制带来了更多不确定性因素。

发明内容

[0005] 本发明的目的在于，针对上述现有技术中的不足，提供一种负荷恢复模型生成方法、装置、计算机设备及存储介质，以便确保源荷恢复过程的安全性，加速负荷恢复进程。

[0006] 为实现上述目的，本申请实施例采用的技术方案如下：

[0007] 第一方面，本申请实施例提供了一种负荷恢复模型生成方法，包括：

[0008] 根据待恢复风电场的接入状态参数、所述待恢复风电场的预测出力值、失电负荷的恢复状态参数、所述失电负荷的预测有功功率，建立负荷恢复模型；

[0009] 在所述负荷恢复模型中配置源荷多重不确定性因素，所述源荷多重不确定性包括：风电场和负荷的至少两项不确定因素；

[0010] 对配置不确定因素后的所述负荷恢复模型进行解耦，得到预测场景下的主模型和误差场景下的子模型；

[0011] 根据所述待恢复风电场的预测出力值和所述失电负荷的预测有功功率，对所述主模型进行求解，得到所述预测场景下的负荷恢复方案，所述负荷恢复方案包括：所述待恢复
风电场的接入状态参数的求解结果，和所述失电负荷的恢复状态参数的求解结果；

[0012] 获取所述待恢复风电场的第一预测误差不确定集，和所述失电负荷的第二预测误差不确定集；

[0013] 根据所述负荷恢复方案、所述第一预测误差不确定集和所述第二预测误差不确定集，求解所述子模型；

[0014] 若所述子模型的求解结果满足预设恢复条件，则输出所述负荷恢复方案。

[0015] 可选的，所述对配置不确定因素后的所述负荷恢复模型进行解耦，得到预测场景下的主模型和误差场景下的子模型之前，所述方法还包括：

[0016] 利用预设线性化方法对配置不确定因素后的所述负荷恢复模型进行线性化处理，得到目标负荷恢复模型；

[0017] 所述对配置不确定因素后的所述负荷恢复模型进行解耦，得到预测场景下的主模型和误差场景下的子模型，包括：

[0018] 对所述目标负荷恢复模型进行解耦，得到所述主模型和所述子模型。

[0019] 可选的，根据待恢复风电场的接入状态参数、所述待恢复风电场的预测出力值、失电负荷的恢复状态参数、所述失电负荷的预测有功功率，建立负荷恢复模型，包括：

[0020] 根据所述待恢复风电场的接入状态参数、所述待恢复风电场的第一预测出力值、所述失电负荷的恢复状态参数、所述失电负荷的预测有功功率、已恢复风电场的第二预测
出力值和预设参量向量，建立所述负荷恢复模型。

[0021] 可选的，所述根据所述待恢复风电场的预测出力值和所述失电负荷的预测有功功率，对所述主模型进行求解，得到所述预测场景下的负荷恢复方案，包括：

[0022] 根据所述第一预测出力值、所述预测有功功率和所述第二预测出力值，对所述主模型进行求解，得到所述负荷恢复方案。

[0023] 可选的，所述获取所述待恢复风电场的第一预测误差不确定集，和所述失电负荷的第二预测误差不确定集，包括：

[0024] 根据历史风电预测误差，采用广义椭球集合方法，构建所述历史风电预测误差的第一椭球不确定集；

[0025] 采用线性多面体集合方法，对所述第一椭球不确定集进行转换，得到所述第一预测误差不确定集；

[0026] 根据历史失电负荷预测误差，利用盒式约束方式，构建所述第二预测误差不确定集。

[0027] 可选的，所述采用线性多面体集合方法，对所述第一椭球不确定集进行转换，得到所述第一预测误差不确定集，包括：

[0028] 对所述第一椭球不确定集进行旋转平移，得到旋转平移后的第二椭球不确定集；

[0029] 计算所述第二椭球不确定集的第一顶点坐标，根据所述第一顶点坐标构造初始线性多面体不确定集；

[0030] 根据所述第一椭球不确定集和所述第二椭球不确定集的逆变关系，对所述初始线性多面体不确定集进行逆变，得到逆变后的初始线性多面体不确定集；

[0031] 对所述逆变后的初始线性多面体不确定集进行缩放，得到所述第一预测误差不确定集。

[0032] 可选的，所述方法还包括：

[0033] 若所述子模型的求解结果不满足所述预设恢复条件，则将所述求解结果中不满足所述预设恢复条件的不可行场景添加至所述主模型中进行迭代，直至所述子模型的求解结
果满足预设恢复条件，所述不可行场景包括：不可恢复的风电场和不可恢复的失电负荷。

[0034] 第二方面，本申请实施例还提供一种负荷恢复模型生成装置，所述装置包括：

[0035] 恢复模型建立模块，用于根据待恢复风电场的接入状态参数、所述待恢复风电场的预测出力值、失电负荷的恢复状态参数、所述失电负荷的预测有功功率，建立负荷恢复模
型；

[0036] 不确定因素配置模块，用于在所述负荷恢复模型中配置源荷多重不确定性因素，所述源荷多重不确定性包括：风电场和负荷的至少两项不确定因素；

[0037] 解耦模块，用于对配置不确定因素后的所述负荷恢复模型进行解耦，得到预测场景下的主模型和误差场景下的子模型；

[0038] 主模型求解模块，用于根据所述待恢复风电场的预测出力值和所述失电负荷的预测有功功率，对所述主模型进行求解，得到所述预测场景下的负荷恢复方案，所述负荷恢复
方案包括：所述待恢复风电场的接入状态参数的求解结果，和所述失电负荷的恢复状态参
数的求解结果；

[0039] 不确定集获取模块，用于获取所述待恢复风电场的第一预测误差不确定集，和所述失电负荷的第二预测误差不确定集；

[0040] 子模型求解模块，用于根据所述负荷恢复方案、所述第一预测误差不确定集和所述第二预测误差不确定集，求解所述子模型；

[0041] 输出模块，用于若所述子模型的求解结果满足预设恢复条件，则输出所述负荷恢复方案。

[0042] 可选的，在所述解耦模块之前，所述装置还包括：

[0043] 线性化处理模块，用于利用预设线性化方法对配置不确定因素后的所述负荷恢复模型进行线性化处理，得到目标负荷恢复模型；

[0044] 所述解耦模块用于对所述目标负荷恢复模型进行解耦，得到所述主模型和所述子模型。

[0045] 可选的，所述恢复模型建立模块用于根据所述待恢复风电场的接入状态参数、所述待恢复风电场的第一预测出力值、所述失电负荷的恢复状态参数、所述失电负荷的预测
有功功率、已恢复风电场的第二预测出力值和预设参量向量，建立所述负荷恢复模型。

[0046] 可选的，所述主模型求解模块用于根据所述第一预测出力值、所述预测有功功率和所述第二预测出力值，对所述主模型进行求解，得到所述负荷恢复方案。

[0047] 可选的，所述不确定集获取模块包括：

[0048] 椭球不确定集获取单元，用于根据历史风电预测误差，采用广义椭球集合方法，构建所述历史风电预测误差的第一椭球不确定集；

[0049] 第一不确定集获取单元，用于采用线性多面体集合方法，对所述第一椭球不确定集进行转换，得到所述第一预测误差不确定集；

[0050] 第二不确定集获取单元，用于根据历史失电负荷预测误差，利用盒式约束方式，构建所述第二预测误差不确定集。

[0051] 可选的，所述第一不确定集获取单元包括：

[0052] 旋转平移子单元，用于对所述第一椭球不确定集进行旋转平移，得到旋转平移后的第二椭球不确定集；

[0053] 初始线性多面体不确定集构造子单元，用于计算所述第二椭球不确定集的第一顶点坐标，根据所述第一顶点坐标构造初始线性多面体不确定集；

[0054] 逆变子单元，用于根据所述第一椭球不确定集和所述第二椭球不确定集的逆变关系，对所述初始线性多面体不确定集进行逆变，得到逆变后的初始线性多面体不确定集；

[0055] 缩放子单元，用于对所述逆变后的初始线性多面体不确定集进行缩放，得到所述第一预测误差不确定集。

[0056] 可选的，所述装置还包括：

[0057] 迭代模块，用于若所述子模型的求解结果不满足所述预设恢复条件，则将所述求解结果中不满足所述预设恢复条件的不可行场景添加至所述主模型中进行迭代，直至所述
子模型的求解结果满足预设恢复条件，所述不可行场景包括：不可恢复的风电场和不可恢
复的失电负荷。

[0058] 第三方面，本申请实施例还提供了一种计算机设备，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的程序指令，当所述计算机设备运行时，所述处
理器与所述存储介质之间通过总线通信，所述处理器执行所述程序指令，以执行如上述实
施例任一所述的负荷恢复模型生成方法的步骤。

[0059] 第四方面，本申请实施例还提供了一种计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如上述实施例任一所述的负荷恢复
模型生成方法的步骤。

[0060] 本申请的有益效果是：

[0061] 本申请提供的负荷恢复模型生成方法、装置、计算机设备及存储介质，根据待恢复风电场的接入状态参数、待恢复风电场的预测出力值、失电负荷的恢复状态参数、失电负荷
的预测有功功率，建立负荷恢复模型；在负荷恢复模型中配置源荷多重不确定因素，对配置
不确定因素后的负荷恢复模型进行解耦，得到预测场景下的主模型和误差场景下的子模
型；根据待恢复风电场的预测出力值和失电负荷的预测有功功率，对主模型进行求解，得到
预测场景下的负荷恢复方案，获取待恢复风电场的第一预测误差不确定集和失电负荷的第
二预测误差不确定集，根据负荷恢复方案、第一预测误差不确定集和第二预测误差不确定
集，求解子模型，若子模型的求解结果满足预设恢复条件，则输出负荷恢复方案。通过本申
请提供的方案，考虑到风电场和失电负荷的源荷多重不确定性因素，结合风电场的第一预
测误差不确定集和失电负荷的第二预测误差不确定集，利用子模型对主模型的负荷恢复方
案进行安全校验，使得通过主模型得到的负荷恢复方案的安全性更高，使恢复过程更加安
全。

附图说明

[0062] 为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对
范围的限定，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
些附图获得其他相关的附图。

[0063] 图1为本申请实施例提供的第一种负荷恢复模型生成方法的流程示意图；

[0064] 图2为本申请实施例提供的第二种负荷恢复模型生成方法的流程示意图；

[0065] 图3为本申请实施例提供的第三种负荷恢复模型生成方法的流程示意图；

[0066] 图4为本申请实施例提供的一种第一预测误差不确定集生成过程的框图；

[0067] 图5为本申请实施例提供的一种负荷恢复模型生成装置的结构示意图；

[0068] 图6为本申请实施例提供的计算机设备的示意图。

具体实施方式

[0069] 为使本发明实施例的目的、技术方案和优点更加清楚，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、完整地描述，显然，所描述的实施例是
本发明一部分实施例，而不是全部的实施例。

[0070] 因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通
技术人员在没有作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。

[0071] 在本申请的描述中，需要说明的是，若出现术语“上”、“下”、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，或者是该申请产品使用时惯常摆放的方位或位置
关系，仅是为了便于描述本申请和简化描述，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申请的限制。

[0072] 此外，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，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。

[0073] 需要说明的是，在不冲突的情况下，本申请的实施例中的特征可以相互结合。

[0074] 现代电力系统在发生大规模停电事故后，通常从黑启动、网架重构以及负荷全面恢复三个阶段实现对电力系统的供电恢复。由于风电场出力的随机性，在网架重构阶段接
入风电场不利于系统恢复供电，还有可能导致再次停电，负荷全面恢复阶段的主要任务是
实现广域范围内负荷的安全快速投入，将电力系统尽快恢复至正常运行状态。在此阶段，电
力系统相对强壮，可接入风电场提高负荷恢复的效率。负荷恢复阶段涉及的对象多、操作任
务繁重，一般将负荷恢复阶段离散为多个固定时长的时步，分时步对负荷进行递进恢复，本
申请实施例以当前时步对失电负荷进行恢复为例，对负荷恢复模型生成方法进行说明。

[0075] 本申请实施例提供的负荷恢复模型生成方法，其执行主体为具有负荷恢复模型生成功能的计算机设备，该计算机设备上安装有建模系统，负荷恢复模型和建立与求解过程
均在该建模系统中完成。该计算机设备可以配置为Intel(R)Core(TM)i5 CPU，安装内存为
8.00GB，建模系统可以为通用代数建模系统(The General Algebraic Modeling System，
GAMS)。

[0076] 图1为本申请实施例提供的第一种负荷恢复模型生成方法的流程示意图；如图1所示，该方法包括：

[0077] S100：根据待恢复风电场的接入状态参数、待恢复风电场的预测出力值、失电负荷的恢复状态参数、失电负荷的预测有功功率，建立负荷恢复模型。

[0078] 具体的，待恢复风电场为当前时步需要确认的是否进行恢复的风电场，接入状态参数xws，接入状态参数xws为表征当前时步是否选择恢复风电场s的二元决策变量，其值为1
表示选择恢复该风电场，待恢复风电场的预测出力值Pw,s待恢复风电场接入电力系统进行
供电后的预测出力值。失电负荷为当前时步需要确认的是否进行恢复的负荷，恢复状态参
数zik为当前时步负荷恢复状态的二元决策变量，其值为1表示选择恢复节点i所连馈线k上
的失电负荷，失电负荷的预测有功功率Pdik为失电负荷恢复供电后的预测有功功率。根据待
恢复风电场的接入状态参数xws、待恢复风电场的预测出力值Pw,s、失电负荷的恢复状态参数
zik、失电负荷的预测有功功率Pdik，建立的负荷恢复模型。

[0079] 在一种可选实施方式中，上述S100包括：

[0080] 根据待恢复风电场的接入状态参数、待恢复风电场的第一预测出力值、失电负荷的恢复状态参数、失电负荷的预测有功功率、已恢复风电场的第二预测出力值和预设参量
向量，建立负荷恢复模型。

[0081] 具体的，已恢复风电场为在当前时步之前恢复的风电场，由于已恢复风电场对当前时步失电负荷的恢复具有影响作用，因此在建立负荷恢复模型时需要考虑已恢复风电场
的第二预测出力值Pwres,s。另外，为保证负荷恢复模型的准确性，还考虑了其他因素对失电
负荷恢复的影响，以预设参量向量Ψ表示其他因素。

[0082] 根据待恢复风电场的接入状态参数xws、待恢复风电场的第一预测出力值Pw,s、失电负荷的恢复状态参数zik、失电负荷的预测有功功率Pdik、已恢复风电场的第二预测出力值
Pwres,s和预设参量向量Ψ，建立的负荷恢复模型可以表示为：

[0083]

[0084] 其中，Pdsum为目标函数，表示加权负荷恢复量，即优先恢复重要性更高的负荷，g为负荷恢复模型中的不等式约束集，h为负荷恢复模型中的等式约束集。

[0085] S200：在负荷恢复模型中配置源荷多重不确定性因素。

[0086] 具体的，源荷多重不确定性包括：风电场和负荷的至少两项不确定因素。由于在负荷恢复阶段，负荷恢复模型中的待恢复风电场的预测出力值Pw,s和失电负荷的预测有功功
率Pdik均为预测值，很难事先精确获取，因此，需要对待恢复风电场的预测出力值Pw,s和失电
负荷的预测有功功率Pdik进行优化。

[0087] 本申请实施例基于鲁棒优化框架结合源荷多重不确定因素，对负荷恢复模型进行优化，在负荷恢复模型中，对待恢复风电场的预测出力值Pw,s配置预测出力值的不确定误差
使得待恢复风电场的出力值表示为 对失电负荷的预测有功功率Pdik配置
预测有功功率的不确定误差 使得失电负荷的有功功率表示为 得到配置不
确定参数后的负荷恢复模型。

[0088] 在一种可选实施方式中，建立负荷恢复模型时还引入了已恢复风电场的第二预测出力值Pwres,s和预设参量向量Ψ，由于已恢复风电场的第二预测出力值Pwres,s也是预测值，
因此，在负荷恢复模型中，对已恢复风电场的第二预测出力值Pwres,s配置预测出力值的不确
定误差 使得已恢复风电场的出力值表示为

[0089] 根据公式(1)可知，配置不确定因素后的负荷恢复模型可表示为：

[0090]

[0091] 其中，Φ表示不确定集合，包含待恢复风电场的第一预测误差不确定集，和失电负荷的第二预测误差不确定集。

[0092] S300：对配置不确定因素后的负荷恢复模型进行解耦，得到预测场景下的主模型和误差场景下的子模型。

[0093] 具体的，由于负荷恢复模型中包含了待恢复风电场的出力值的预测值和不确定误差值，以及失电负荷的有功功率的预测值和不确定误差值，为降低对负荷恢复模型的求解
难度，可对该负荷恢复模型在预测场景下和误差场景进行解耦，构建预测场景下的主模型
和误差场景下的子模型。

[0094] 示例的，根据公式(2)的负荷恢复模型进行解耦得到的主模型和子模型分别可以表示为：

[0095]

[0096] 其中，a，A，B，C，D，E为对应的系数矩阵， 表示矩阵的哈达玛积；Π(·)为前L次K
迭代产生的所有线性不可行割约束，Φ为第K次迭代中子模型返回的不可行场景。

[0097]

[0098] 其中，η为松弛变量组成的向量，均为非负变量；μ1和μ2分别为不等式约束和等式约束对应的对偶变量。

[0099] S400：根据待恢复风电场的预测出力值和失电负荷的预测有功功率，对主模型进行求解，得到预测场景下的负荷恢复方案。

[0100] 具体的，在负荷恢复模型中，待恢复风电场的预测出力值和失电负荷的预测有功功率为已知量，待恢复风电场的接入状态参数和失电负荷的恢复状态参数为未知参数，将
负荷恢复模型解耦为预测场景下的主模型和误差场景下的子模型后，可根据待恢复风电场
的预测出力值和失电负荷的预测有功功率，在商用求解器中对主模型进行求解，得到预测
场景下的负荷恢复方案。求解得到的负荷恢复方案包括：待恢复风电场的接入状态参数的
求解结果，和失电负荷的恢复状态参数的求解结果。示例的，商用求解器可以为CPLEX求解
器。

[0101] 在一种可选实施例中，根据第一预测出力值Pw,s、预测有功功率Pdik和第二预测出力值Pwres,s，对公式(3)的主模型进行求解，得到负荷恢复方案。负荷恢复方案包括：待恢复
风电场的接入状态参数的求解结果xw，和失电负荷的恢复状态参数的求解结果z，xw为多个
待恢复风电场的接入状态参数xws的求解结果向量，求解结果向量中的值为1，表示在当前时
步选择恢复“1”对应的待恢复风电场；求解结果向量中的值为0，表示在当前时步选择不恢
复“0”对应的待恢复风电场。

[0102] z为多个失电负荷的恢复状态参数zik的求解结果向量，求解结果向量中的值为1，表示在当前时步选择恢复“1”对应的失电负荷；求解结果向量中的值为0，表示在当前时步
选择不恢复“0”对应的失电负荷。

[0103] S500：获取待恢复风电场的第一预测误差不确定集，和失电负荷的第二预测误差不确定集。

[0104] 具体的，待恢复风电场的第一预测误差不确定集为根据影响风电场的出力值的历史误差的集合，该第一预测误差不确定集的构建可以选择某一时间范围内的出力值历史误
差。失电负荷的第二预测误差不确定集为根据影响负荷的有功功率的历史误差的集合，该
第二预测误差不确定集的构建可以选择某一时间范围内的有功功率历史误差。

[0105] S600：根据负荷恢复方案、第一预测误差不确定集和第二预测误差不确定集，求解子模型。

[0106] 具体的，在主模型输出了待恢复风电场的接入状态参数的求解结果xw，和失电负荷的恢复状态参数的求解结果z后，需要根据待恢复风电场的第一预测误差不确定集和失
电负荷的第二预测误差不确定集，验证主模型输出的负荷恢复方案是否可以满足子模型的
安全运行约束条件。

[0107] 在一种可选实施方式中，对公式(4)的子模型进行求解，由于公式(4)的子模型为max‑min多层优化模型，无法使用现有的商用求解器直接进行求解，因此采用预设的转换方
法将子模型的内层min问题转换为max问题，使子模型转换为单层优化模型。示例的，预设的
转换方法为线性优化的强对偶理论，得到的单层优化的子模型可以为表示为：

[0108]

[0109] S700：若子模型的求解结果满足预设恢复条件，则输出负荷恢复方案。

[0110] 具体的，根据子模型的求解结果，若子模型的求解结果满足预设恢复条件，表明主模型输出的负荷恢复方案满足子模型的安全运行约束条件，根据该负荷恢复方案进行负荷
恢复不会影响电力系统的稳定性和安全性，因此可以输出该负荷恢复方案进行负荷恢复。

[0111] 在一种可选实施方式中，根据上述公式(5)的求解结果，预设恢复条件为松弛变量组成的向量η中的所有结果均为0，若η中所有元素均为0，说明主模型输出的负荷恢复方案
满足安全运行约束条件，输出该负荷恢复方案。

[0112] 本申请实施例提供的负荷恢复模型生成方法，根据待恢复风电场的接入状态参数、待恢复风电场的预测出力值、失电负荷的恢复状态参数、失电负荷的预测有功功率，建
立负荷恢复模型；在负荷恢复模型中配置源荷多重不确定因素，对配置不确定因素后的负
荷恢复模型进行解耦，得到预测场景下的主模型和误差场景下的子模型；根据待恢复风电
场的预测出力值和失电负荷的预测有功功率，对主模型进行求解，得到预测场景下的负荷
恢复方案，获取待恢复风电场的第一预测误差不确定集和失电负荷的第二预测误差不确定
集，根据负荷恢复方案、第一预测误差不确定集和第二预测误差不确定集，求解子模型，若
子模型的求解结果满足预设恢复条件，则输出负荷恢复方案。通过本申请实施例提供的方
法，考虑到风电场和失电负荷的源荷多重不确定性因素，结合风电场的第一预测误差不确
定集和失电负荷的第二预测误差不确定集，利用子模型对主模型的负荷恢复方案进行安全
校验，使得通过主模型得到的负荷恢复方案的安全性更高，使恢复过程更加安全。

[0113] 在上述实施例的基础上，本申请实施例还提供一种负荷恢复模型生成方法，在上述S300之前，该方法还包括：

[0114] 利用预设线性化方法对配置不确定因素后的负荷恢复模型进行线性化处理，得到目标负荷恢复模型。

[0115] 具体的，由于负荷恢复模型中包含离散变量和连续变量，还包括高度非线性的方程约束，属于典型的非凸非线性混合整数规划模型，该模型的求解十分困难，为提高模型的
计算效率，并保证模型计算结果的精度，利用预设线性化方法对配置不确定因素后的负荷
恢复模型进行线性化处理，将模型转换为混合整数线性规划模型(Mixed‑integer Linear 
Programming,MILP)，得到目标负荷恢复模型。示例的，预设线性化方法为近似线性化潮流
方法(Linear Programming Approximation of AC Power Flows,LPAC)。

[0116] 上述S300包括：

[0117] 对目标负荷恢复模型进行解耦，得到主模型和子模型。

[0118] 具体的，对线性化处理后的目标恢复模型进行解耦，得到主模型和子模型。解耦方法与上述S300一致，在此不做赘述。

[0119] 本申请实施例提供的负荷恢复模型生成方法，利用预设线性化方法对配置不确定因素后的负荷恢复模型进行线性化处理，得到目标负荷恢复模型，通过对目标负荷恢复模
型进行解耦，得到主模型和子模型。通过本申请实施例提供的方法，通过对负荷恢复模型进
行线性化处理，使得模型的计算效率更高，并保证模型计算结果的精度，便于主模型输出准
确的负荷恢复方案。

[0120] 在上述实施例的基础上，本申请实施例还提供一种负荷恢复模型生成方法，图2为本申请实施例提供的第二种负荷恢复模型生成方法的流程示意图，如图2所示，上述S500包
括：

[0121] S501：根据历史风电预测误差，采用广义椭球集合方法，构建历史风电预测误差的第一椭球不确定集。

[0122] 具体的，由于风电场之间的预测误差具有相关性，可采用广义椭球集合方法刻历史风电预测误差的不确定性。

[0123] 在一种可选实施方式中，通过构造体积最小且可以覆盖预设时间范围内所有历史风电预测误差的椭球不确定集。示例的，椭球不确定集Φw1可以表示为：

[0124] Φw1:＝{δ:(δ‑c)TQ(δ‑c)≤1}   (6)

[0125] 其中，δ表示历史风电出力值预测误差，Q为表征椭球对称轴偏离坐标轴方向的正定矩阵，c代表椭球的中心坐标值。

[0126] S502：采用线性多面体集合方法，对第一椭球不确定集进行转换，得到第一预测误差不确定集。

[0127] 具体的，由于椭球不确定集Φw1可适用的模型范围较窄，因此，为了弥补椭球不确定集的不足，可在椭球不确定集的基础上采用线性多面体集合方法构造线性多面体结合，
得到待恢复风电场的第一预测误差不确定集Φw。该第一预测误差不确定集Φw不仅能够凸
显风电场的预测误差之间的相关性，还可以在针对子模型的求解时，不会改变子模型的形
式。

[0128] S503：根据历史失电负荷预测误差，利用盒式约束方式，构建第二预测误差不确定集。

[0129] 具体的，盒式约束方法是描述参数不确定性的常用表达式，具有线性结构，便于对子模型进行求解。由于负荷启动特性等因素的影响，恢复前后的负荷特性差异很大，历史失
电负荷预测误差之间不具备相关性，因此可利用盒式约束方法，构建失电负荷的第二预测
误差不确定集Φd。

[0130] 示例的，第二预测误差不确定集可以表示为：

[0131]

[0132] Φd表示失电负荷预测误差的不确定集， 和 分别表示负荷预测误差 的上下边界值，β为调节系数，取值范围为(0,1]，用以调节盒式不确定集的保守性。

[0133] 本申请实施例提供的负荷恢复模型生成方法，根据历史风电预测误差，采用广义椭球集合方法，构建历史风电预测误差的第一椭球不确定集；采用线性多面体集合方法，对
第一椭球不确定集进行转换，得到第一预测误差不确定集；根据历史失电负荷预测误差，利
用盒式约束方式，构建第二预测误差不确定集。通过本申请实施例提供的方法，可考虑到风
电场预测误差之间的相关性和失电负荷预测误差之间的不相关性，分别构建对应的第一预
测误差不确定集和第二预测误差不确定集，确保子模型可以对负荷恢复方案的安全运行情
况进行准确判断，且线性多面体集合方法可以充分考虑风电场预测误差之间的相关性，降
低子模型判断的保守型，为操作人员权衡系统恢复安全性和快速性提供参考。

[0134] 在上述实施例的基础上，本申请实施例还提供一种负荷恢复模型生成方法，图3为本申请实施例提供的第三种负荷恢复模型生成方法的流程示意图，图4为本申请实施例提
供的一种第一预测误差不确定集生成过程的框图；如图3所示，上述S502包括：

[0135] S5021：对第一椭球不确定集进行旋转平移，得到旋转平移后的第二椭球不确定集。

[0136] 具体的，如图4中的(1)所示，为上述S501得到的第一椭球不确定集Φw1，为便于构造第一预测误差不确定集，将第一椭球不确定集Φw1进行旋转平移，使第一椭球不确定集
Φw1的对称轴和坐标轴重合，得到旋转平移后的第二椭球不确定集Φw2，如图4中的(2)所
示。示例的，第二椭球不确定集Φw2可以表示为：

[0137]

[0138] 其中，δ'为δ在旋转后的坐标轴下的坐标值，P和D是对Q正交化分解得到的矩阵，P称为变换矩阵，D形式上为对角元素均为正值的对角矩阵，用以求取第二椭球不确定集Φw2
的顶点坐标，P和D满足以下关系。

[0139] Q＝PTDP＝P‑1DP   (9)

[0140] S5022：计算第二椭球不确定集的第一顶点坐标，根据第一顶点坐标构造初始线性多面体不确定集。

[0141] 具体的，根据椭球顶点坐标的求解方法，计算旋转平移后的对称轴与坐标轴重合的第二椭球不确定集Φw2的第一顶点坐标，并根据第一顶点坐标构造初始线性多面体不确
定集，如图4中的(3)所示。示例的，假设D＝diag(λ1,λ2,…，λnw)，分析式(8)可知第二椭球不
确定集Φw2的2nw个顶点坐标为：

[0142]

[0143] S5023：根据第一椭球不确定集和第二椭球不确定集的逆变关系，对初始线性多面体不确定集进行逆变，得到逆变后的初始线性多面体不确定集。

[0144] 具体的，由于第二椭球不确定集Φw2是通过第一椭球不确定集Φw1在坐标轴上旋转平移得到的，因此可以根据第一椭球不确定集Φw1和第二椭球不确定集Φw2之间的逆变
关系，对初始线性多面体不确定集进行逆变，使逆变后的初始线性多面体不确定集的对称
轴和第一椭球不确定集的对称轴平行，得到逆变后的初始线性多面体不确定集Φw3，如图4
中的(4)所示。示例的，初始线性多面体不确定集Φw3可以表示为：

[0145]

[0146] S5024：对逆变后的初始线性多面体不确定集进行缩放，得到第一预测误差不确定集。

[0147] 具体的，由于根据椭球不确定集经过转换得到的初始线性多面体不确定集不能完全覆盖历史风电预测误差，因此需要通过对逆变后的初始线性多面体不确定集进行缩放，
调整历史风电预测误差的覆盖程度，得到第一预测误差不确定集Φw。示例的，第一预测误
差不确定集Φw可以表示为：

[0148]

[0149] 其中，γ为鲁棒调节系数，γ取值越大，对历史场景的覆盖率越大，γ的取值范围为(0,γmin]，γ存在一个最小值。

[0150] 在一种可选实施方式中，公式(5)中包含有非线性项，若要实现对公式(5)的子模型的求解，需要将非线性项转换为线性项，从而将公式(5)的子模型转换为线性优化模型。
由于线性优化模型的最优解在随机变量不确定集的边界上，则可将连续的随机变量第一预
测误差不确定集Φw和第二预测误差不确定集Φd采用有限的离散极限场景表示，即将第二
预测误差不确定集Φd进一步表示为：

[0151]

[0152] 第一预测误差不确定集Φw进一步表示为：

[0153]

[0154] 其中，ξ为指示 取下界的0‑1变量。

[0155] 示例的，表1为本申请实施例给出的不同鲁棒调节系数γ下的第一预测误差不确定集的预测误差覆盖率。

[0156] 表1不同鲁棒调节系数γ下的第一预测误差不确定集的预测误差覆盖率

[0157]

[0158] 根据表1中的结果可知，鲁棒调节系数γ对预测误差覆盖率的影响，预测误差覆盖率越大，不确定集越保守。

[0159] 本申请实施例提供的负荷恢复模型生成方法，通过对第一椭球不确定集进行旋转平移，得到旋转平移后的第二椭球不确定集；计算第二椭球不确定集的第一顶点坐标，根据
第一顶点坐标构造初始线性多面体不确定集；根据第一椭球不确定集和第二椭球不确定集
的逆变关系，对初始线性多面体不确定集进行逆变，得到逆变后的初始线性多面体不确定
集；对逆变后的初始线性多面体不确定集进行缩放，得到第一预测误差不确定集。本申请实
施例提供的方法，通过将椭球不确定集转换为线性多面体形式的不确定集，使得第一预测
误差不确定集不仅能够凸显风电场预测误差之间的相关性，还可以在针对子模型的求解
时，不会改变子模型的形式，确保子模型对负荷恢复方案的验证准确性。

[0160] 在上述实施例的基础上，本申请实施例还提供一种负荷恢复模型生成方法，该方法还可包括：

[0161] 若子模型的求解结果不满足预设恢复条件，则将求解结果中不满足预设恢复条件的不可行场景添加至主模型中进行迭代，直至子模型的求解结果满足预设恢复条件。

[0162] 具体的，根据子模型的求解结果，若子模型的求解结果不满足预设恢复条件，表明主模型输出的负荷恢复方案不满足子模型的安全运行约束条件，主模型输出的负荷恢复方
案中存在一旦恢复将会影响电力系统稳定性和安全行的不可行场景，不可行场景包括：不
可恢复的风电场和不可恢复的失电负荷。需要将不可行场景返回至主模型中进行迭代，主
模型重新计算负荷恢复方案，并通过子模型进行验证，直至子模型的求解结果满足预设恢
复条件，迭代完成，输出该负荷恢复方案。

[0163] 在一种可选实施方式中，根据上述公式(5)的求解结果，若松弛变量组成的向量η中存在不为0的元素，不为0的元素对应负荷恢复方案中不可恢复的风电场和/或不可恢复
的失电负荷。

[0164] 通过将不可行场景以参数 和 表征，并返回至公式(3)的主模型中，对主模型进行迭代。示例的，迭代的主模型表示为：

[0165]

[0166] 本申请实施例提供的负荷恢复模型生成方法，通过若子模型的求解结果不满足预设恢复条件，则将求解结果中不满足预设恢复条件的不可行场景添加至主模型中进行迭
代，直至子模型的求解结果满足预设恢复条件。通过本申请实施例提供的方案，通过迭代的
方式使主模型输出满足子模型安全运行约束条件的负荷恢复方案，使得根据主模型输出的
负荷恢复方案进行负荷恢复，可以保证恢复过程更加安全，避免在负荷恢复过程中再次出
现停电故障。

[0167] 表2为本申请的负荷恢复方案和其他负荷恢复方案的对比

[0168]

[0169] 由表2可知，本申请提供的方案会损失一定的负荷恢复量，但从负荷恢复模型的角度分析可知，该模型输出的负荷恢复方案不会出现线路传输容量限制备用传输的问题，能
够使恢复过程更加安全。以对比方案为例进行简要说明，假设实际负荷值为预测值的1.3
倍，即预测误差取上边界值，根据表1及风电场预测误差不确定集计算公式可得，风电出力
预测误差取极限场景[‑13.4MW,‑15.3MW]，可见实际负荷比预测值大，风电出力比预测值
小，系统需要调用预留的上备用容量，此时线路有功功率传输量将超过线路最大传输容量，
影响恢复过程的安全。

[0170] 基于上述分析可知，本申请考虑源荷不确定性因素的负荷恢复模型生成方法，能够承受一定范围内的预测误差，得到更加安全的负荷恢复方案，虽然可能损失部分负荷恢
复量，但可以避免备用容量不可用等潜在安全隐患，使恢复过程更加安全。

[0171] 在上述实施例的基础上，本申请实施例还提供一种负荷恢复模型生成装置，图5为本申请实施例提供的一种负荷恢复模型生成装置的结构示意图，如图5所示，该装置包括：

[0172] 恢复模型建立模块100，用于根据待恢复风电场的接入状态参数、待恢复风电场的预测出力值、失电负荷的恢复状态参数、失电负荷的预测有功功率，建立负荷恢复模型；

[0173] 不确定因素配置模块200，用于在负荷恢复模型中配置源荷多重不确定性因素，源荷多重不确定性包括：风电场和负荷的至少两项不确定因素；

[0174] 解耦模块300，用于对配置不确定因素后的负荷恢复模型进行解耦，得到预测场景下的主模型和误差场景下的子模型；

[0175] 主模型求解模块400，用于根据待恢复风电场的预测出力值和失电负荷的预测有功功率，对主模型进行求解，得到预测场景下的负荷恢复方案，负荷恢复方案包括：待恢复
风电场的接入状态参数的求解结果，和失电负荷的恢复状态参数的求解结果；

[0176] 不确定集获取模块500，用于获取待恢复风电场的第一预测误差不确定集，和失电负荷的第二预测误差不确定集；

[0177] 子模型求解模块600，用于根据负荷恢复方案、第一预测误差不确定集和第二预测误差不确定集，求解子模型；

[0178] 输出模块700，用于若子模型的求解结果满足预设恢复条件，则输出负荷恢复方案。

[0179] 可选的，在解耦模块300之前，该装置还包括：

[0180] 线性化处理模块，用于利用预设线性化方法对配置不确定因素后的负荷恢复模型进行线性化处理，得到目标负荷恢复模型；

[0181] 解耦模块300用于对目标负荷恢复模型进行解耦，得到主模型和子模型。

[0182] 可选的，恢复模型建立模块100用于根据待恢复风电场的接入状态参数、待恢复风电场的第一预测出力值、失电负荷的恢复状态参数、失电负荷的预测有功功率、已恢复风电
场的第二预测出力值和预设参量向量，建立负荷恢复模型。

[0183] 可选的，主模型求解模块400用于根据第一预测出力值、预测有功功率和第二预测出力值，对主模型进行求解，得到负荷恢复方案。

[0184] 可选的，不确定集获取模块500包括：

[0185] 椭球不确定集获取单元，用于根据历史风电预测误差，采用广义椭球集合方法，构建历史风电预测误差的第一椭球不确定集；

[0186] 第一不确定集获取单元，用于采用线性多面体集合方法，对第一椭球不确定集进行转换，得到第一预测误差不确定集；

[0187] 第二不确定集获取单元，用于根据历史失电负荷预测误差，利用盒式约束方式，构建第二预测误差不确定集。

[0188] 可选的，第一不确定集获取单元包括：

[0189] 旋转平移子单元，用于对第一椭球不确定集进行旋转平移，得到旋转平移后的第二椭球不确定集；

[0190] 初始线性多面体不确定集构造子单元，用于计算第二椭球不确定集的第一顶点坐标，根据第一顶点坐标构造初始线性多面体不确定集；

[0191] 逆变子单元，用于根据第一椭球不确定集和第二椭球不确定集的逆变关系，对初始线性多面体不确定集进行逆变，得到逆变后的初始线性多面体不确定集；

[0192] 缩放子单元，用于对逆变后的初始线性多面体不确定集进行缩放，得到第一预测误差不确定集。

[0193] 可选的，该装置还包括：

[0194] 迭代模块，用于若子模型的求解结果不满足预设恢复条件，则将求解结果中不满足预设恢复条件的不可行场景添加至主模型中进行迭代，直至子模型的求解结果满足预设
恢复条件，不可行场景包括：不可恢复的风电场和不可恢复的失电负荷。

[0195] 上述装置用于执行前述实施例提供的方法，其实现原理和技术效果类似，在此不再赘述。

[0196] 以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，或，一个
或多个微处理器(digital singnal processor，简称DSP)，或，一个或者多个现场可编程门
阵列(Field Programmable Gate Array，简称FPGA)等。再如，当以上某个模块通过处理元
件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(Central 
Processing Unit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成
在一起，以片上系统(system‑on‑a‑chip，简称SOC)的形式实现。

[0197] 图6为本申请实施例提供的计算机设备的示意图，该计算机设备800包括：处理器801、存储介质802和总线，存储介质802存储有处理器801可执行的程序指令，当计算机设备
800运行时，处理器801与存储介质802之间通过总线通信，处理器801执行程序指令，以执行
上述方法实施例。具体实现方式和技术效果类似，这里不再赘述。

[0198] 可选地，本发明还提供一种程序产品，例如计算机可读存储介质，包括程序，该程序在被处理器执行时用于执行上述方法实施例。

[0199] 在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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信连接可以是通过一些接口，装置或单元的间接耦合或通
信连接，可以是电性，机械或其它的形式。

[0200] 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。

[0201] 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，也可以采用硬件加软件功能单元的形式实现。

[0202] 上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机
设备(可以是个人计算机，服务器，或者网络设备等)或处理器(英文：processor)执行本发
明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器
(英文：Read‑Only Memory，简称：ROM)、随机存取存储器(英文：Random Access Memory，简
称：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

[0203] 上仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本
发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。