考虑功率预测的风电场群无功分层优化控制方法及其系统

摘要

本发明公开一种考虑功率预测的风电场群无功分层优化控制方法及其系统，包括：判断风电接入地区是否为电压薄弱区域；电压严重跌落时风电场群能根据预决策及时动作；训练BP神经网络拟合系统运行状态与暂态电压稳定指标的映射关系；实时评估电压薄弱区域内风电无功功率增发量；求解各风电机组电压下垂增益基准值；采用小波神经网络对风机未来输入风速进行超短期预测；计算预测风速下的风机电压下垂增益概率密度和期望值；将电压下垂增益期望值作为预指令指导风机未来合理输出无功功率。本发明通过在电网层、场间层和场内层制定风机电压控制预指令，充分发挥风电场群的无功调压能力，在电压薄弱区域发生故障时及时提升电力系统暂态电压稳定性。

权利要求

1.一种考虑功率预测的风电场群无功分层优化控制方法，其特征在于，包括如下步骤：步骤1：电网层采用随机矩阵理论中的单环定理，通过在系统稳态运行方式下对各节点进行短路故障仿真，计算各节点电压薄弱程度，划定电压薄弱区域，并判断风电接入地区是否为电压薄弱区域；

步骤2：若风电接入地区判定为电压薄弱区域，则风电场群进行紧急电压控制预决策，使得未来设定时间所述电压薄弱区域内发生电压严重跌落时，所述风电场群根据所述紧急电压控制预决策及时动作；

步骤3：对所述电压薄弱区域的节点设置短路故障，计算电压薄弱区域的暂态电压稳定指标，得到离线样本数据，训练BP神经网络拟合系统运行稳态与暂态电压稳定指标的映射关系；

步骤4：通过BP神经网络算法，计算风电输出无功对所述暂态电压稳定指标的灵敏度，并根据当前系统运行状态，实时评估所述电压薄弱区域内的风电场群无功功率增发量；

步骤5：场间层根据所述风电场群的无功需求评估结果，通过潮流计算模型求解各风电机组的电压下垂增益基准值，所述电压下垂增益基准值的求解方法如下：步骤5.1：在系统稳态和暂态情况下，根据已知的系统运行状态和风电场群无功需求评估结果；

步骤5.2：基于系统稳态和暂态，在考虑无功损耗的基础上，确定风电场并网点电压和输出无功功率的求解模型，计算所述电压下垂增益基准值；

步骤6：采用小波神经网络，对风机未来输入风速，进行超短期的预测风速；

步骤7：场内层根据预测风速所在风速段的风机有功出力，并基于所述风机有功无功耦合特性，计算风机无功容量预测数据；采用混合高斯概率密度估计法，根据所述电压下垂系数基准值计算预测风速下的风机电压下垂增益概率密度和风机电压下垂增益期望值；

步骤8：将所述风机电压下垂增益期望值作为预指令指导风机未来输出无功。

2.根据权利要求1所述的一种考虑功率预测的风电场群无功分层优化控制方法，其特征在于，步骤5.2中，所述风电场并网点电压和输出无功功率的求解模型方法如下：当系统处于稳定运行状态时，令风电场群汇集点输出无功功率与稳态下样本中采样得到的风电场群输出无功功率趋于相等，目标函数表示为：其中， 为稳态下潮流迭代过程中风电场群汇集点的输出无功功率； 为稳态下样本中风电场群输出无功功率实际值， 是稳态过程中无功功率之差的绝对值；

当系统处于暂态过程时，令潮流计算过程中的风电场群并网点输出无功功率与电压薄弱区域内风电场群输出无功功率评估结果趋于相等，目标函数表示为：其中， 为暂态下潮流迭代过程中风电场群汇集点输出无功功率； 为暂态下风电场群输出无功功率评估结果， 是暂态过程中无功功率之差的绝对值；

其中， 的表达式为：

其中， 为暂态情况下风电场群需要增发的无功功率；

有功功率和无功功率平衡约束表示为：

其中， 表示节点的数量， 、 分别为发电机发出的有功功率和无功功率； 、分别为负荷有功功率和无功功率； 为节点电压； 、 分别为节点 和节点 之间支路的电导和电纳； 为节点 、 间的电压相角差；

所述节点电压 的幅值不等式约束表示为：

其中， 、 分别为节点电压幅值最小值和最大值；

风电场无功功率不等式约束可表示为：

式中， 、 分别为风电场无功出力最小值和最大值。

3.根据权利要求2所述的一种考虑功率预测的风电场群无功分层优化控制方法，其特征在于，在稳态和暂态两种状态下，根据风电场并网点电压和输出无功功率计算得到各风电场的电压下垂系数基准值，其具体表示为：其中， 为第 个风电场的电压下垂系数基准值； 、 分别为第 个风电场并网点暂态电压和稳态电压； 、 分别为暂态和稳态下第 个风电场的输出无功功率；

根据第 个风电场的电压下垂系数基准值，计算其内部风电机组的电压下垂增益基准值，具体表达式为：其中， 为第 个风电场内风电机组的电压下垂增益基准值；D为风电场内风机数量。

4.一种考虑功率预测的风电场群无功分层优化控制系统，其特征在于，考虑功率预测的风电场群无功分层优化控制系统包括：网络接口，存储器和处理器；其中，所述网络接口，用于在与其他外部网元之间进行收发信息过程中，信号的接收和发送；

所述存储器，用于存储能够在所述处理器上运行的计算机程序；

所述处理器，用于在运行所述计算机程序时，执行权利要求 1 至3任一项所述考虑功率预测的风电场群无功分层优化控制方法的步骤。

5.一种计算机存储介质，其特征在于，所述计算机存储介质存储有考虑功率预测的风电场群无功分层优化控制的程序，所述考虑功率预测的风电场群无功分层优化控制的程序被至少一个处理器执行时实现权利要求 1 至 3任一项所述考虑功率预测的风电场群无功分层优化控制方法的步骤。

说明书

考虑功率预测的风电场群无功分层优化控制方法及其系统

技术领域

[0001] 本发明属于风电场群无功电压控制技术领域，具体来说，涉及一种考虑功率预测的风电场群无功分层优化控制方法及其系统。

背景技术

[0002] 随着经济的快速发展，全球对能源的需求量日益增长，风机作为一种低碳、清洁的分布式电源，正逐步成为重要的电力能源资源。随着碳中和、碳达峰的提出，构建以风电、光伏等新能源为主体的新型电力系统成为我国能源发展的未来趋势。但是，随着风电渗透率的不断提高，风电的随机性、波动性和间歇性等特点会对电网的运行控制带来一系列的负担，频繁造成支路潮流分布不平衡问题，威胁电力系统安全稳定运行。

[0003] 在风电发展初期，风电场运行规模小，无功容量不足，故其对接入区域的节点电压调节作用较弱；而大规模风电场群在非功率满发阶段存在较大的无功容量，当系统的风电接入地区发生严重故障导致暂态电压失稳时，能对区域节点电压起到较大的支撑作用。为了提升电力系统对大规模风电场群的接纳能力，考虑令风电场群发挥主动调压作用，自主参与维护电力系统安全稳定运行以提高风电并网区域的电压稳定性。因此，亟需对风电场群无功电压控制策略展开相关研究。

[0004] 风电场群无功电压控制通常被分为三层结构，分别为电网层、场间层和场内层。电网层通过监测系统运行状态下风电场并网点电压参考值或总无功需求指令；场间层根据上层指令下发风电场并网点电压或无功输出指令至场内层；场内层各风电机组根据上层指令指导其内部控制环节输出无功进行调压。目前已有的风电场群无功电压控制策略研究中，存在不同控制层间难以协调、各风电场空间分布广泛、计算量大难以在线应用等问题。且当前多以解决风速波动情况下场群并网点的电压波动问题为主，较少涉及风电场群在系统发生故障时场群内部的无功电压协调控制策略。

发明内容

[0005] 本发明所要解决的技术问题是：提供一种考虑功率预测的风电场群无功分层优化控制方法及其系统，在风电接入的电压薄弱区域发生故障导致节点电压严重跌落时，通过动态无功需求评估、考虑无功损耗的风电机组电压下垂增益基准值计算以及风电机组电压下垂增益概率密度与期望值，令风电机组合理输出无功功率对节点电压进行调节，保证系统暂态电压稳定性。

[0006] 为解决上述技术问题，本发明采用如下技术方案：

[0007] 本发明的一种考虑功率预测的风电场群无功分层优化控制方法，包括如下步骤：

[0008] 步骤1：电网层采用随机矩阵理论中的单环定理，通过在系统稳态运行方式下对各节点进行短路故障仿真，计算各节点电压薄弱程度，划定电压薄弱区域，并判断风电接入地区是否为电压薄弱区域；

[0009] 步骤2：若风电接入地区判定为电压薄弱区域，则风电场群进行紧急电压控制预决策，使得未来设定时间所述电压薄弱区域内发生电压严重跌落时，所述风电场群根据所述紧急电压控制预决策及时动作；

[0010] 步骤3：对所述电压薄弱区域的节点设置短路故障，计算电压薄弱区域的暂态电压稳定指标，得到离线样本数据，训练BP神经网络拟合系统运行稳态与暂态电压稳定指标的映射关系；

[0011] 步骤4：通过BP神经网络算法，计算风电输出无功对所述暂态电压稳定指标的灵敏度，并根据当前系统运行状态，实时评估所述电压薄弱区域内的风电场群无功功率增发量；

[0012] 步骤5：场间层根据所述风电场群的无功需求评估结果，通过潮流计算模型求解各风电机组的电压下垂增益基准值；

[0013] 步骤6：采用小波神经网络，对风机未来输入风速，进行超短期的预测风速；

[0014] 步骤7：场内层根据预测风速所在风速段的风机有功出力，并基于所述风机有功无功耦合特性，计算风机无功容量预测数据；采用混合高斯概率密度估计法，根据所述电压下垂系数基准值计算预测风速下的风机电压下垂增益概率密度和风机电压下垂增益期望值；

[0015] 步骤8：将所述风机电压下垂增益期望值作为预指令指导风机未来输出无功。

[0016] 步骤5中，所述电压下垂增益基准值的求解方法如下：

[0017] 步骤5.1：在系统稳态和暂态情况下，根据已知的系统运行状态和风电场群无功需求评估结果；

[0018] 步骤5.2：基于系统稳态和暂态，在考虑无功损耗的基础上，确定风电场并网点电压和输出无功功率的求解模型，计算所述电压下垂增益基准值。

[0019] 步骤5.2中，所述风电场并网点电压和输出无功功率的求解模型方法如下：

[0020] 当系统处于稳定运行状态时，令风电场群汇集点输出无功功率与稳态下样本中采样得到的风电场群输出无功功率趋于相等，目标函数表示为：

[0021]

[0022] 其中， 为稳态下潮流迭代过程中风电场群汇集点的输出无功功率；为稳态下样本中风电场群输出无功功率实际值， 是稳态过程中无功功率之差的绝对值；

[0023] 当系统处于暂态过程时，令潮流计算模型过程中的风电场群并网点输出无功功率与电压薄弱区域内风电场群输出无功功率评估结果趋于相等，目标函数表示为：

[0024]

[0025] 其中， 为暂态下潮流迭代过程中风电场群汇集点输出无功功率； 为暂态下风电场群输出无功功率评估结果， 是暂态过程中无功功率之差的绝对值；

[0026] 其中， 的表达式为：

[0027]

[0028] 其中， 为暂态情况下风电场群需要增发的无功功率；

[0029] 有功功率和无功功率平衡约束表示为：

[0030]

[0031] 其中， 表示节点的数量， 、 分别为发电机发出的有功功率和无功功率；、 分别为负荷有功功率和无功功率； 为节点电压； 、 分别为节点 和节点之间支路的电导和电纳； 为节点 、 间的电压相角差；

[0032] 所述节点电压 的幅值不等式约束表示为：

[0033]

[0034] 其中， 、 分别为节点电压幅值最小值和最大值；

[0035] 风电场无功功率不等式约束可表示为：

[0036]

[0037] 式中， 、 分别为风电场无功出力最小值和最大值。

[0038] 在稳态和暂态两种状态下，根据风电场并网点电压和输出无功功率计算得到各风电场的电压下垂系数基准值，其具体表示为：

[0039]

[0040] 其中， 为第 个风电场的电压下垂系数基准值； 、 分别为第 个风电场并网点暂态电压和稳态电压； 、 分别为暂态和稳态下第 个风电场的输出无功功率；

[0041] 根据第 个风电场的电压下垂系数基准值，计算其内部风电机组的电压下垂增益基准值，具体表达式为：

[0042]

[0043] 其中， 为第 个风电场内风电机组的电压下垂增益基准值；D为风电场内风机数量。

[0044] 一种考虑功率预测的风电场群无功分层优化控制系统，考虑功率预测的风电场群无功分层优化控制系统包括：网络接口，存储器和处理器；其中，

[0045] 所述网络接口，用于在与其他外部网元之间进行收发信息过程中，信号的接收和发送；

[0046] 所述存储器，用于存储能够在所述处理器上运行的计算机程序；

[0047] 所述处理器，用于在运行所述计算机程序时，执行上述考虑功率预测的风电场群无功分层优化控制方法的步骤。

[0048] 一种计算机存储介质，所述计算机存储介质存储有考虑功率预测的风电场群无功分层优化控制的程序，所述考虑功率预测的风电场群无功分层优化控制的程序被至少一个处理器执行时实现上述考虑功率预测的风电场群无功分层优化控制方法的步骤。

[0049] 与现有技术相比，本发明具有以下有益效果：

[0050] 1．此方法通过将风电场群的电网层、场间层和场内层控制策略进行协调控制，在风电接入的电压薄弱区域发生严重故障导致节点电压跌落之前，通过功率预测提前进行紧急电压控制预决策，充分发挥风电无功补偿能力并提高大规模风电接入区域的暂态电压稳定性；

[0051] 2．此方法场间层电压下垂增益基准值计算考虑了场间输电线路的无功损耗问题，通过粒子群算法分配各风电场输出无功功率，避免出现风电场群流入电网的无功功率无法达到无功需求评估结果的情况。

附图说明

[0052] 图1为考虑功率预测的风电场群无功分层优化控制策略框图；

[0053] 图2为含大规模风电场群的10机39节点系统结构图；

[0054] 图3为风电场集群典型拓扑结构；

[0055] 图4为典型日内系统负荷和风电功率波动曲线；

[0056] 图5为风电场群输出总无功功率曲线图；

[0057] 图6为节点电压仿真曲线图。

具体实施方式

[0058] 下面结合附图和实施例对本发明的技术方案作进一步的说明。

[0059] 如图1，一种考虑功率预测的风电场群无功分层优化控制方法，该方法分为如下步骤：

[0060] （1）步骤1，电网层采用随机矩阵理论中的单环定理，通过在10机39节点系统的稳态运行方式下进行各节点短路故障仿真，计算各节点电压薄弱程度（具体的计算方法为：在维持一段时间后切除故障至系统恢复稳定运行，获取该仿真过程各节点电压数据，基于数据计算该节点故障时电压薄弱节点评价指标，对各节点的特征值统计量指标进行排序，指标值越大表明该节点电压越薄弱），当特征值统计量指标小于预设的阈值时，即为电压薄弱节点，同时，判断风电接入地区是否为电压薄弱区域，划定电压薄弱区域。

[0061] （2）步骤2，若风电接入地区辨识为电压薄弱区域，则令风电场群进行紧急电压控制预决策，使得未来一段时间薄弱区域内发生电压严重跌落时风电场群能根据预决策及时动作。

[0062] （3）步骤3，在系统稳态邻域（稳态邻域是指故障之前稳定的区域），对电压薄弱节点设置短路故障，计算电压薄弱区域暂态电压稳定指标，进而得到离线样本数据，训练BP神经网络拟合系统运行状态稳态与暂态电压稳定指标的映射关系。

[0063] （4）步骤4，首先基于图4所示的某典型日系统负荷和风电功率曲线，通过BP神经网络算法得到各时刻暂态电压稳定指标预测值，并将其与实际值进行对比，结果显示BP神经网络预测误差较小。然后通过BP神经网络计算风电输出无功对暂态电压稳定指标的灵敏度，并根据系统运行状态实时评估电压薄弱区域内风电无功功率增发量，其中第12小时的风电场群无功需求为128.8Mvar。

[0064] （5）步骤5，场间层根据风电场群无功需求评估结果，在考虑无功损耗的基础上通过潮流计算模型求解各风电机组的电压下垂增益基准值和风电场的电压下垂系数基准值。

[0065] 其中，步骤5包括如下步骤：第一步，在系统稳态和暂态情况下，根据系统运行状态和风电场群无功需求评估结果，在考虑无功损耗的基础上采用粒子群算法分别计算对应的风电场并网点A电压和输出无功功率。风电场群拓扑结构如图3所示。其中，风电场并网点A电压和输出无功功率求解模型具体表现如下：

[0066] 当系统处于稳定运行状态时，令风电场群汇集点B输出无功功率与稳态下样本中采样得到的风电场群输出无功功率趋于相等，目标函数可表示为：

[0067]

[0068] 其中， 为稳态下潮流迭代过程中风电场群汇集点的输出无功功率；为稳态下样本中风电场群输出无功功率实际值， 是稳态运行下的无功功率之差。

[0069] 当系统处于暂态过程时，令潮流计算模型过程中的风电场群并网点A输出无功功率与薄弱区域内风电场群输出无功功率评估结果趋于相等，目标函数可表示为：

[0070]

[0071] 其中， 为暂态下潮流迭代过程中风电场群汇集点输出无功功率； 为暂态下风电场群输出无功功率评估结果， 是暂态运行下的无功功率之差。

[0072] 其中， 的表达式为：

[0073]

[0074] 其中 为暂态情况下风电场群需要增发的无功功率。

[0075] 有功功率和无功功率平衡约束可表示为：

[0076]

[0077] 其中， 是节点的数量， 、 分别为发电机发出的有功功率和无功功率；、 分别为负荷有功功率和无功功率； 为节点电压； 、 分别为节点 和节点之间支路的电导和电纳； 为节点 、间的电压相角差。

[0078] 节点电压 幅值不等式约束可表示为：

[0079]

[0080] 其中， 、 分别为节点电压幅值最小值和最大值。

[0081] 风电场无功功率不等式约束可表示为：

[0082]

[0083] 式中， 、 分别为风电场无功出力最小值和最大值。

[0084] 第二步，基于稳态和暂态下求解得到的风电场并网点A电压和输出无功功率，计算风电机组电压下垂系数基准值和电压下垂增益基准值。其具体计算步骤为：

[0085] 首先在稳态和暂态两种状态下，根据风电场并网点电压和输出无功功率计算得到各风电场电压下垂系数基准值。其具体可表示为：

[0086]

[0087] 其中， 为第 个风电场的电压下垂系数基准值； 和 分别为第 个风电场并网点暂态电压和稳态电压； 、 分别为暂态和稳态下第 个风电场的输出无功功率；

[0088] 根据第 个风电场的电压下垂系数基准值，计算其内部风电机组的电压下垂增益基准值，具体表达式为：

[0089]

[0090] 其中， 为第 个风电场内风电机组的电压下垂增益基准值；D为风电场内风机数量。

[0091] 在考虑无功损耗情况下，计算得到各风电场电压下垂系数基准值和场内风电机组电压下垂增益基准值如表1所示。

[0092] 表1 所提最优潮流模型求解结果

[0093]

[0094] 若采用传统策略，即不考虑风电场输出无功功率在输电线路上产生的损耗，将风电场群无功需求均分给每个风电场，则稳态和暂态下风电场输出无功功率、各并网点电压值以及风电机组电压下垂增益基准值如表2所示。

[0095] 表2 传统策略潮流求解结果

[0096]

[0097] 将表1和表2的数据进行对比可得，若不考虑风电场输出无功功率在场间输电线路上产生的无功损耗，求出的电压下垂增益基准值会偏小，进而造成风电场群输出无功功率无法满足电压薄弱区域无功需求，而所提策略考虑了场间输电线路的无功损耗问题，能够满足系统电压薄弱区域的无功需求。

[0098] （6）步骤6，采用小波神经网络对风机未来输入风速进行超短期预测，参考文献[师洪涛, 杨静玲, 丁茂生, 等. 基于小波—BP神经网络的短期风电功率预测方法[J]. 电力系统自动化, 2011, 35(16): 44‑48.]，采用小波神经网络对风机未来输入风速进行超短期预测。

[0099] （7）步骤7，场内层根据预测风速所在风速段的风机有功出力，并基于风机有功无功耦合特性计算风机无功容量预测数据。采用混合高斯概率密度估计法，根据所述电压下垂系数基准值计算预测风速下的风机电压下垂增益概率密度和风机电压下垂增益期望值（具体的方法为：基于混合高斯模型的概率密度函数，对电压下垂系数原始数据样本进行聚类，得到多组数据并形成对应的高斯子分布，将求解得到的多个高斯子分布加权组合，求解出电压下垂系数原始数据样本的概率密度分布，进一步采用期望值模型求出各风速段的无功电压下垂增益期望值），可以看出预测风速下由于风电场群无功容量较大，故风电机组电压下垂增益期望值与基准值相差不大。

[0100] （8）步骤8，将电压下垂增益期望值作为预指令指导风机未来输出合理无功功率。为了验证所提策略对系统故障后节点电压的调节作用，在PSCAD仿真软件中搭建了图2所示的10机39节点系统，并在5、14、29节点分别接入了风电场群。取图4中典型日第12小时的系统仿真数据在PSCAD软件中对所建模型进行参数设置，并在38号节点分别进行四次三相短路故障，第3秒故障开始，故障持续时间为0.25秒。第一次仿真令29号节点的风电场群在系统出现短路故障时不采取电压下垂控制，即不输出无功功率；第二次仿真令风电场群中各风电机组的电压下垂增益按照表1中的电压下垂增益基准值进行设置，在故障开始后令风电场群输出一定无功功率调节薄弱区域的节点电压，场群输出总无功功率仿真曲线如图5所示；第三次仿真令风电场群中各风电机组的电压下垂增益为自适应下垂增益期望值；第四次仿真令风电场群中各风电机组采用电压下垂控制。仿真得到29号节点电压曲线如图6所示。

[0101] 首先根据图5的风电场群输出总无功功率仿真曲线可得，仿真中节点电压跌落后，风电场群输出总无功功率维持在130Mvar左右，这与所求的电压薄弱区域无功需求评估结果较为吻合，验证了本策略的准确性。然后，对比采用电压下垂控制和不采用电压下垂控制的电压仿真曲线可得，风电场群的电压下垂控制环节能指导风电机组输出无功功率对其所在区域的节点电压起到有效的调节作用。最后对比采用不同控制策略的电压仿真曲线可得，相比较于固定的电压下垂控制，采用电压下垂控制能更合理地利用风电机组的无功容量，提高系统节点电压的稳定水平。

[0102] 综上所述，所提的考虑预测风速的风电场群无功分层优化控制策略，针对风电场集群特点，考虑风电场群的无功支撑能力，通过风电场群无功需求评估、风电场电压下垂系数基准值求解、超短期预测风速以及风机自适应下垂增益概率密度与期望值求解，使得风电场群在得知所在区域为电压薄弱区域时，能提前制定紧急电压控制预决策，使得其在电压薄弱区域发生故障导致严重节点电压跌落时，能充分发挥无功支撑能力，满足电压薄弱区域的总无功需求，有效提高风电接入地区的暂态电压稳定性。

[0103] 本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD‑ROM、光学存储器等）上实施的计算机程序产品的形式。

[0104] 本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。

[0105] 这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。

[0106] 这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。