CN109726858A - 基于动态时间规整的热负荷预测方法及装置 - Google Patents

Abstract

本发明公开了一种基于动态时间规整的热负荷预测方法及装置，针对不同用户通过基于动态时间规整和极限学习机模型的热负荷预测算法，根据用户历史用热信息采用基于动态时间规整的K‑中心点聚类算法对用户进行细粒度划分，该划分方法能够很好的保留原始用户的历史信息，之后在各个子类分别建立热预测模型，通过对每个用户个体的各种用热行为进行准确的分析，更加深入地理解宏观用热需求变化的内因，从而制定更加合理的运营管理调度优化策略。同时本发明选取极限学习机模型作为热预测模型，相比于BP神经网络模型具有训练速度快，泛化能力强等优点。

Description

基于动态时间规整的热负荷预测方法及装置

技术领域

本发明涉及蒸汽供热用户的用热行为及用热数据分析预测技术领域，尤其涉及一种基于动态时间规整的热负荷预测方法及装置，及其可读介质和电子设备。

背景技术

实际生活中，不同蒸汽供热区域的热用户会达到几十、几百甚至上千个，只有对每个用户个体的各种用热行为进行准确的分析，才能更加深入地理解宏观用热需求变化的内因，从而制定更加合理的运营管理调度优化策略。

传统的对于热负荷预测研究通常基于宏观的角度，对一定范围内的热用户总体进行展开，较少考虑到用户个体的热行为差异。不同用户之间的热负荷水平及规律有很大的不同，针对一个热源区域中含有几十甚至上百个用户的情况，采用宏观单一的预测模型显然是不合适的。宏观单一的负荷预测算法没有考虑到用户的个体行为差异，预测准确性欠佳，不利于后期调度优化。因此关于针对蒸汽供热负荷中不同用户的个体用热差异，如何针对不同用户的个性化热行为对热负荷进行预测还未见相关说明。

动态时间规整(DTW)算法是一种衡量两个长度不同的时间序列的相似的的方法，主要应用于模板匹配中。时间序列是数据的一种常见的表述形式，对于时间序列处理来说，一个普遍的任务就是比较两个序列的相似性。在时间序列中，需要比较相似性的两段时间序列的长度可能并不相等，也就是说，这两个序列整体上具有非常相似的形状，但是这些形状在时间轴上并不是对齐的，所以我们在比较他们的相似度之前需要将其中一个(或者两个)序列在时间轴下扭曲，以达到更好的对齐。DTW通过把时间序列进行延伸和缩短，来计算两个时间序列之间的相似性。动态时间规整(DTW)是一个典型的优化问题，它用满足一定条件的时间规整函数描述测试模板和参考模板的时间对应关系，求解两模板匹配时累计距离最小所对应的规整函数。

k-中心点聚类算法的基本思想是根据随机给取的k个初始簇类中心，按照“距离最近”的原则将每条数据划分到最近的簇类中心，第一次迭代之后更新各个簇类中心，进行第二次迭代，依旧按照“距离最近”原则进行数据归类，直到簇类不再改变，停止迭代。这里的“距离最近”原则即两两数据之间的相似度最高原则。k-中心点聚类算法是一种简单的迭代型聚类算法，采用距离作为相似性指标，从而发现给定数据集中的k个类，且每个类的中心是根据类中所有值的均值得到，每个类用聚类中心(簇中心)来表述。

发明内容

本发明提供一种基于动态时间规整的热负荷预测方法，首先将样本用户的历史用热信息采用基于动态时间规整的k-中心聚类算法对用户进行细粒度划分为不同子类，然后将划分后的各个子类用户通过极限学习机模型的进行模型训练实现针对不同用户的热负荷预测，该方法能够更加深入地理解宏观用热需求变化的内因，从而制定更加合理的运营管理调度优化策略，克服了宏观单一的负荷预测算法没有考虑到用户的个体行为差异，预测准确性欠佳，不利于后期调度优化的缺点。

为实现上述目的本发明提供了一种基于动态时间规整的热负荷预测方法，包括以下步骤：

(1)采集样本用户的历史用热信息，利用基于动态时间规整的K-中心点聚类算法对用户进行细粒度划分，将用户划分为多个子类；

(2)利用趋势相似性算法选取与待预测日相似性最高的历史相似日；

(3)将每个子类中的用户在历史相似日各个时间段内的用热均值作为训练模型的输入向量，对各个子类分别建立热预测模型，模型的输出即为对应子类中用户的预测值。

优选地，步骤(1)中所述样本用户的历史用热信息包括同一区域内选取的样本用户在过去一个时间周期内的用热行为数据。

优选地，步骤(1)中所述同一个子类中的用户个体之间具有相似的用热行为，不同子类用户总体之间的用热行为具有显著差异，并且同一个子类中至少包含一个用户，一个用户仅能被划分到一个子类中。

优选地，步骤(1)所述利用基于动态时间规整的K-中心点聚类算法对用户进行细粒度划分，具体包括：

(11)从样本用户中随机选择k个用户对象作为初始中心点并根据用户的用热信息计算每个对象到中心点的动态时间规整距离；

(12)将样本用户中剩余的每个用户对象指派给动态时间规整距离最近的初始中心点所代表的簇；

(13)分别计算每个簇中每个用户对象到该簇中其他用户对象的动态时间规整距离平方和，选择使距离平方和最小的用户对象作为该簇新的中心点；

(14)根据所述新的中心点，样本用户的用热信息被分为k簇，即样本用户被分为k个子类。

优选地，步骤(2)所述利用趋势相似性算法选取与待预测日相似性最高的历史相似日，具体包括：

(21)根据气象情况获取待预测日和历史相似日每天对应时刻的采样点；

(22)分别构建待预测日和历史相似日的采样点曲线；

(23)在只允许垂直方向平移的情况下，计算两条曲线的最大重合程度，计算公式为X和Y为每天对应时刻的采样点，X＝(x₁，x₂，...，x_t)，Y＝(y₁，y₂，...，y_t)，R_XY代表趋势相似性数值，E(XY)代表XY的期望，E(X)代表X的期望，E(Y)代表Y的期望，D(X)代表X的方差，D(Y)代表Y的方差；

(24)采集相似性最高的至少一天历史相似日的用户用热信息作为训练数据。

优选地，步骤(3)所述对各个子类分别建立热预测模型包括构建极限学习机神经网络，所述极限学习机神经网络分包括输入层、隐含层和输出层三层，所述输入层和隐含层间的连接权值及隐含层神经元的阈值是随机产生的，且在训练过程中不需要进行调整。

优选地，所述极限学习机神经网络预测模型的误差衡量指标为均方误差指标，当均方误差值最小时，极限学习机神经网络预测模型训练完成。

第二方面，本发明提供了一种基于动态时间规整的热负荷预测装置，包括：

样本处理模块，用于采集样本用户的历史用热信息，利用基于动态时间规整的K-中心点聚类算法对样本用户进行细粒度划分，将样本用户划分为多个子类；

选取模块，用于利用趋势相似性算法选取与待预测日相似性最高的历史相似日；

模型预测模块，用于将每个子类中的用户在历史相似日各个时间段内的用热均值作为训练模型的输入向量，对各个子类分别建立热预测模型，模型的输出即为对应子类中用户的预测值。

第三方面，本发明提供了一种可读介质，包括执行指令，当电子设备的处理器执行所述执行指令时，所述电子设备执行如第一方面中任一所述的方法。

第四方面，本发明提供了一种电子设备，包括：处理器、存储器和总线；所述存储器用于存储执行指令，所述处理器与所述存储器通过所述总线连接，当所述电子设备运行时，所述处理器执行所述存储器存储的所述执行指令，以使所述处理器执行如第一方面中任一所述的方法。

本发明提供了本发明提供一种基于动态时间规整的热负荷预测方法及装置，针对不同用户通过基于动态时间规整和极限学习机模型的热负荷预测算法，根据用户历史用热信息采用基于动态时间规整的K-中心点聚类算法对用户进行细粒度划分，该划分方法能够很好的保留原始用户的历史信息，之后在各个子类分别建立热预测模型，通过对每个用户个体的各种用热行为进行准确的分析，更加深入地理解宏观用热需求变化的内因，从而制定更加合理的运营管理调度优化策略。同时本发明选取极限学习机模型作为热预测模型，相比于BP神经网络模型具有训练速度快，泛化能力强等优点。

附图说明

为了更清楚地说明本发明实施例或现有的技术方案，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中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一实施例提供的基于动态时间规整的热负荷预测方法流程图；

图2为本发明一实施例提供的利用基于动态时间规整的K-中心点聚类算法对用户进行细粒度划分流程图；

图3为本发明一实施例提供的利用趋势相似性算法选取与待预测日相似性最高的历史相似日流程图；

图4为本发明一实施例提供的基于动态时间规整的热负荷预测装置的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合具体实施例及相应的附图对本发明的技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

如图1所示，本发明实施例提供了一种基于动态时间规整的热负荷预测方法，包括以下步骤：

S101.采集样本用户的历史用热信息，利用基于动态时间规整的K-中心点聚类算法对用户进行细粒度划分，将用户划分为多个子类。本实施例中，样本用户来自某一供蒸汽热区域内的随机选取的用热用户，用户的历史用热信息包括用户在过去某一个时间周期内的用热行为数据。这些样本用户的历史用热信息将会用于对热预测模型训练。

如附图2所示为本发明方法中利用基于动态时间规整的K-中心点聚类算法对用户进行细粒度划分的流程示意图，包括：

S111.从选取的样本用户中随机选择k个用户对象作为初始中心点并根据用户的用热信息计算每个对象到中心点的动态时间规整距离；

S112.将样本用户中剩余的每个用户对象指派给动态时间规整距离最近的初始中心点所代表的簇；

S113.分别计算每个簇中每个用户对象到该簇中其他用户对象的动态时间规整距离平方和，选择使距离平方和最小的用户对象作为该簇新的中心点；

S114.根据所述新的中心点，样本用户的用热信息被分为k簇，即样本用户被分为k个子类。

进行细粒度划分后，同一个子类中的用户个体之间具有相似的用热行为即同一子类中用户的用热信息数据相似。不同子类用户总体之间的用热行为具有显著差异，即不同子类用户总体之间的用户信息数据差距较为明显。并且同一个子类中至少包含一个用户，一个用户仅能被划分到一个子类中。

S102.利用趋势相似性算法选取与待预测日相似性最高的历史相似日。在实际操作中，根据气象情况，选取与待预测日气象情况相似性最高的若干天作为历史相似日，从样本用户的历史数据集中的分别获取每个用户在这些历史相似日的用热数据。

如附图3所示为本发明的利用趋势相似性算法选取与待预测日相似性最高的历史相似日流程图，包括：

S121.根据气象情况获取待预测日和历史相似日每天对应时刻的采样点；

S122.分别构建待预测日和历史相似日的采样点曲线；

S123.在只允许垂直方向平移的情况下，利用趋势相似性算法计算两条曲线的最大重合程度，趋势相似性算法公式为X和Y为每天对应时刻的采样点，X＝(x₁，x₂，...，x_t)，Y＝(y₁，y₂，...，y_t)，R_XY代表趋势相似性数值，E(XY)代表XY的期望，E(X)代表X的期望，E(Y)代表Y的期望，D(X)代表X的方差，D(Y)代表Y的方差；

S124.采集相似性最高的至少一天历史相似日的用户用热信息作为训练数据。

S103.将每个子类中的用户在历史相似日各个时间段内的用热均值作为训练模型的输入向量，对各个子类分别建立热预测模型，模型的输出即为对应子类中用户的预测值。本实施例中建立的预测模型实际为构建极限学习机神经网络，所述极限学习机神经网络分包括输入层、隐含层和输出层三层，所述输入层和隐含层间的连接权值及隐含层神经元的阈值是随机产生的，且在训练过程中不需要进行调整。极限学习机神经网络预测模型的误差衡量指标为均方误差指标，当均方误差值最小时，极限学习机神经网络预测模型训练完成。

为了更加清楚的说明本发明的技术方案及优点，下面具体以本发明实施例提供的某个蒸汽供热区域内m个样本用户，对这些样本用户在以7天为一个周期内的用热情况进行预测的主要方法步骤进行进一步的举例说明。在该实施例中，对预测模型做出如下假设：

1)同一子类的用户个体之间具有相似的用热行为

2)不同子类的用户总体之间的用热行为具有显著差异

3)一个用户仅能被划分到一个子类中

4)所有子类的并集为该区域的全体用户样本

5)假设历史日和待预测日的实时气象因素已知，如每小时的温度和湿度可通过气象平台获得。

首先在该区域内随机选取m个样本用户，建立样本用户集，每个用户选取至少一个周期p天的用热信息(即用户的用热负荷值)，建立每个用户的用热信息数据集，在此实施例中，p的取值为7天，个别用户因为其业务特殊性也可取不同的数值，之后对采集到的所有样本用户的用热信息原始数据进行去噪，填充等预处理。

根据当前采集的数据以及预测需求，构建用户的时间序列和动态时间规整路径方程，动态时间规整(DTW)的过程如下：

假设有两个用户的时间序列序列长度分别为m和n，并按照时间先后顺序排序，构造m×n的矩阵A_m×n，矩阵中的每个元素a_ij为两组时间序列元素两两之间的距离，即：在A_m×n中，定义A(1,1)到A(m,n)相邻元素的集合称为弯曲路径，记为W＝{w₁，w₂，…，w_k}，w的第k个元素为w_k＝(a_ij)_k，并且路径满足下述条件：

1)max{m，n)＜k≤m+n-1

2)w₁＝a₁₁，w_k＝a_mn

3)对任意w_k＝a_ij，w_k-1＝a_i′j′，满足0≤i-i′，0≤j-j′≤1。

DTW算法实质上可以归纳为运用一种动态规划的思想寻找出一条从A(1,1)到A(m,n)的最短路径D，其状态转移方程为：

根据上述动态时间规整(DTW)，对样本用户进行细粒度划分，设定划分的子类数目为k，即设定簇的数目为k，划分过程为：

首先，从m个样本用户中随机选择k个用户对象作为初始中心点，并根据用户的用热信息数据集计算每个对象到中心点的DTW距离；

其次，将样本用户中剩余的m-k个用户中的每个用户对象指派给DTW距离最近的初始中心点所代表的簇；

然后，分别计算每个簇中，每个用户对象到该簇中其他用户对象的DTW距离平方和，选择使距离平方和最小的用户对象为该簇新的中心点。

最后，重复以上步骤，直至所有簇的中心点不再发生变化，此时即把m个样本分为k簇，即样本用户被划分为k个子类。

至此完成样本用户的细粒度划分后，进行历史相似日的选取。

利用趋势相似性算法选取与待预测日相似性最高的历史相似日，具体包括：

在样本用户集中，获取待预测日和历史相似日每天对应时刻的气象情况采样点；分别构建待预测日和历史相似日的采样点曲线；在只允许垂直方向平移的情况下，利用趋势相似性算法计算两条曲线的最大重合程度。

设待测日每天对应时刻的采样点集为X＝(x₁，x₂，...，x_t)，历史相似日每天对应时刻的采样点集为Y＝(y₁，y₂，...，y_t)，则两者的采样点趋势相似性数值的计算公式为：R_XY代表趋势相似性数值，E(XY)代表XY的期望，E(X)代表X的期望，E(Y)代表Y的期望，D(X)代表X的方差，D(Y)代表Y的方差。

根据上述划分的子类用户和选取的历史相似日，构建极限学习机神经网络，进行模型训练和数据预测。

将每个子类中的用户在历史相似日各个时间段内的用热均值作为训练模型的输入向量，对各个子类分别建立热预测模型，模型的输出即为对应子类中用户的预测值，即待预测日每个用户可能的用热需求值。

本实施例中选取的预测模型为极限学习机神经网络模型，构建的极限学习机神经网络(ELM)分为输入层、隐含层和输出层三层。在该极限学习机神经网络模型中，输入层和隐含层间的连接权值及隐含层神经元的阈值是随机产生的，并在整个模型训练过程中不需要对其进行调整，只需要根据经验设置隐含层神经元的个数，便可以获取唯一的最优解。

本发明的热负荷预测方法的误差衡量指标选取的是均方误差RMSE，根据预测值和真实值分析计算得到的RMSE值最小时，训练的极限学习机神经网络(ELM)模型作为最好的神经网络模型。利用本发明方法训练的模型进行预测的结果不仅能反应对应子类群体的情况，还能反应个体的情况。

基于与本发明方法实施例相同的构思，请参考图4，本发明提供了一种基于动态时间规整的热负荷预测装置，包括：

样本处理模块201，用于采集样本用户的历史用热信息，利用基于动态时间规整的K-中心点聚类算法对样本用户进行细粒度划分，将样本用户划分为多个子类；

选取模块202，用于利用趋势相似性算法选取与待预测日相似性最高的历史相似日；

模型预测模块203，用于将每个子类中的用户在历史相似日各个时间段内的用热均值作为训练模型的输入向量，对各个子类分别建立热预测模型，模型的输出即为对应子类中用户的预测值。

在一个优选地实施例中，在硬件层面，本发明还提供一种电子设备，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-AccessMemory，RAM)，也可能还包括非易失性存储器(non-volatilememory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。

处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(IndustryStandardArchitecture，工业标准体系结构)总线、PCI(Peripheral ComponentInterconnect，外设部件互连标准)总线或EISA(Extended IndustryStandardArchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。

存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。

在一种可能实现的方式中，处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，也可从其它设备上获取相应的计算机程序，以在逻辑层面上形成基于动态时间规整的热负荷预测装置。处理器，执行存储器所存放的程序，以通过执行的程序实现本发明任一实施例中提供的基于动态时间规整的热负荷预测方法。

本发明实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的电子设备执行时，能够使该电子设备执行本发明任一实施例中提供的基于动态时间规整的热负荷预测方法。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元或模块分别描述。当然，在实施本发明时可以把各单元或模块的功能在同一个或多个软件和/或硬件中实现。

还需要说明的是，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、商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、商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、商品或者设备中还存在另外的相同要素。

本发明中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (10)

1.一种基于动态时间规整的热负荷预测方法，其特征在于，包括以下步骤：

(1)采集样本用户的历史用热信息，利用基于动态时间规整的K-中心点聚类算法对样本用户进行细粒度划分，将样本用户划分为多个子类；

(2)利用趋势相似性算法选取与待预测日相似性最高的历史相似日；

(3)将每个子类中的用户在历史相似日各个时间段内的用热均值作为训练模型的输入向量，对各个子类分别建立热预测模型，模型的输出即为对应子类中用户的预测值。

2.根据权利要求1所述的基于动态时间规整的热负荷预测方法，其特征在于，步骤(1)中所述样本用户的历史用热信息包括同一区域内选取的样本用户在过去一个时间周期内的用热行为数据。

3.根据权利要求1所述的基于动态时间规整的热负荷预测方法，其特征在于，步骤(1)中所述同一个子类中的用户个体之间具有相似的用热行为，不同子类用户总体之间的用热行为具有显著差异，并且同一个子类中至少包含一个用户，一个用户仅能被划分到一个子类中。

4.根据权利要求3所述的基于动态时间规整的热负荷预测方法，其特征在于，步骤(1)所述利用基于动态时间规整的K-中心点聚类算法对样本用户进行细粒度划分，具体包括：

(11)从样本用户中随机选择k个用户对象作为初始中心点并根据用户的用热信息计算每个对象到中心点的动态时间规整距离；

(12)将样本用户中剩余的每个用户对象指派给动态时间规整距离最近的初始中心点所代表的簇；

(13)分别计算每个簇中每个用户对象到该簇中其他用户对象的动态时间规整距离平方和，选择使距离平方和最小的用户对象作为该簇新的中心点；

(14)根据所述新的中心点，样本用户的用热信息被分为k簇，即样本用户被分为k个子类。

5.根据权利要求1所述的基于动态时间规整的热负荷预测方法，其特征在于，步骤(2)所述利用趋势相似性算法选取与待预测日相似性最高的历史相似日，具体包括：

(21)根据气象情况获取待预测日和历史相似日每天对应时刻的采样点；

(22)分别构建待预测日和历史相似日的采样点曲线；

(23)在只允许垂直方向平移的情况下，计算两条曲线的最大重合程度，

计算公式为X和Y为每天对应时刻的采样点，X＝(x₁，x₂，...，x_t)，Y＝(y₁，y₂，...，y_t)，R_XY代表趋势相似性数值，E(XY)代表XY的期望，E(X)代表X的期望，E(Y)代表Y的期望，D(X)代表X的方差，D(Y)代表Y的方差；

(24)采集相似性最高的至少一天历史相似日的用户用热信息作为训练数据。

6.根据权利要求1所述的基于动态时间规整的热负荷预测方法，其特征在于，步骤(3)所述对各个子类分别建立热预测模型包括构建极限学习机神经网络，所述极限学习机神经网络分包括输入层、隐含层和输出层三层，所述输入层和隐含层间的连接权值及隐含层神经元的阈值是随机产生的，且在训练过程中不需要进行调整。

7.根据权利要求6所述的基于动态时间规整的热负荷预测方法，其特征在于，所述极限学习机神经网络预测模型的误差衡量指标为均方误差指标，当均方误差值最小时，极限学习机神经网络预测模型训练完成。

8.一种基于动态时间规整的热负荷预测装置，其特征在于，包括：

样本处理模块，用于采集样本用户的历史用热信息，利用基于动态时间规整的K-中心点聚类算法对样本用户进行细粒度划分，将样本用户划分为多个子类；

选取模块，用于利用趋势相似性算法选取与待预测日相似性最高的历史相似日；

模型预测模块，用于将每个子类中的用户在历史相似日各个时间段内的用热均值作为训练模型的输入向量，对各个子类分别建立热预测模型，模型的输出即为对应子类中用户的预测值。

9.一种可读介质，包括执行指令，当电子设备的处理器执行所述执行指令时，所述电子设备执行如权利要求1至7中任一所述的方法。

10.一种电子设备，包括：处理器、存储器和总线；所述存储器用于存储执行指令，所述处理器与所述存储器通过所述总线连接，当所述电子设备运行时，所述处理器执行所述存储器存储的所述执行指令，以使所述处理器执行如权利要求1至7中任一所述的方法。