一种GIS耐压试验局部放电的定位方法及系统
技术领域
本公开涉及相关技术领域,具体的说,是涉及一种GIS耐压试验局部放电的定位方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,并不必然构成在先技术。
封闭式组合电器是一种新型的绝缘电气设备,由于其结构紧凑,体积较小,基本不受外界影响等优点,已经广泛用于国内外电力系统当中。GIS全称气体绝缘组合电器设备(Gas Insulated Switchgear),主要把母线、断路器、CT、PT、隔离开关、避雷器都组合在一起。就是我们经常可以看到的开关站,也叫高压配电装置。GIS投运前的耐压试验是减少投运后设备故障率的有效方法,在耐压试验中,通过判断是否检测到异常的局部放电(Partial Discharge,PD)信号,能够知道该设备是不是符合投运要求,是否需要返厂检修处理,这样极大的提高了电网运行安全性。其中发生放电后的缺陷定位是非常重要一个步骤,通过对局部放电点的定位,可以进一步确定放电位置,快速完成检修,降低因定位不准反复试验而带来的工期延误及经济损失,提高变电站验收投运效率。
在现有方案中,采用如峰值信号比较法、信号二分法、时间差计算法来解决局部放电定位问题。这些方法都有各自的弊端,峰值信号比较法通过测试信号最大幅值来定位,由于信号传播路径的复杂性,幅值大小定位只能判断区域位置。信号二分法的效果取决于信号到达时间的差异性,以局部放电点为中心,从两边不断向中心压缩定位区域,但其耗费时间过长,所需检测信号的次数过多。时间差计算法是目前研究比较多的一种方法,对信号时延计算的准确性直接决定定位精度,但还没有很好的时延计算方法。另有研究是考虑将上面方法结合运用,相当于将定位过程分成粗略定位和精确定位,如利用峰值信号比较法、信号二分法等来粗略判断局部放电位置,但判断方法比较繁琐,粗略与精准的划分难以明确标准,上述谈到的问题仍然存在,定位精度还是不够。
发明内容
本公开为了解决上述问题,提出了一种GIS耐压试验局部放电的定位方法及系统,能实现快速准确的定位,采用卷积神经网络对采集的局部放电信号进行缺陷类型识别,根据典型放电缺陷与所处位置区域的一般规律,能够排除封闭式组合电器部分间隔区域,将定位区间缩小到一个较小的区域内,在这个较小的区域内进行进一步的定位分析,准确找到局部放电的位置。本公开结合GIS缺陷类型识别和局部放电定位,能够有效缩小定位判断区域,降低定位对象复杂度,更精确的找到GIS耐压试验中发现的放电源的位置。
为了实现上述目的,本公开采用如下技术方案:
一个或多个实施例提供了一种GIS耐压试验局部放电的定位方法,包括如下步骤:
采集待测GIS设备的局部放电信号;
将采集的局部放电信号经数据预处理后输入训练好的卷积神经网络模型,识别获得局部放电信号对应的放电缺陷类型;
根据放电缺陷类型与区域位置之间关系确定GIS设备发生局部放电的定位区域;
在确定的定位区域内,采用扩展时差法和基于分布式传感器信息融合的方法确定局部放电的精确位置。
进一步的,训练卷积神经网络模型的方法,具体为:
步骤21、采集GIS对应各种放电缺陷类型的GIS局部放电信号;
步骤22、根据采集的局部放电信号和对应的放电缺陷类型,构建GIS局部放电信号图谱数据训练集;
步骤23、构建卷积神经网络结构模型,针对待测对象GIS的放电缺陷类型设计相应的卷积神经网络结构,计算卷积神经网络初始化参数;
步骤24、使用训练集训练卷积神经网络,将GIS局部放电信号图谱数据训练集输入到卷积神经网络进行训练,修正卷积神经网络的各类参数。
进一步的,所述卷积神经网络结构模型包括依次连接的输入层、卷积层、池化层、全连接层以及输出层,卷积层和池化层交叉连接;所述卷积层采用ReLU激活函数生成包含有效特征的特征图。
进一步的,池化层采用最大值池化进行特征的二次提取。
进一步的,所述步骤24中将GIS局部放电信号图谱数据训练集输入到卷积神经网络进行训练,修正卷积神经网络的各类参数,具体步骤如下:
训练集的样本图像经数据处理后输入至卷积神经网络,经过中间各层变换、映射,直到输出层,得到实际输出向量,获得前向输出结果;
将前向输出结果与预输出结果比较,以卷积神经网络模型的整体样本误差代价E最小为目标,采用链式求导法则调整卷积神经网络的各类参数。
进一步的,采用扩展时差法和基于分布式传感器信息融合的方法确定局部放电的精确位置,具体为:
步骤41、在确定的定位区域内设置多个特高频局放传感器;
步骤42、采集特高频局放传感器接收到局部放电信号的实际时间;
步骤43、确定最早接收到局部放电信号的特高频局放传感器Sm,采用扩展时差法计算确定局部放电可能发生的多个局部放电源位置即为确定初始局部放电位置;
步骤44、根据GIS固有拓扑结构和采集的实际时间,计算局部放电发生时间t0;
步骤45、根据计算的局部放电发生时间t0,分别计算步骤43确定的每个局部放电源位置发生局部放电时,每个特高频局放传感器接收到局部放电信号的时间计算值;
步骤46、比较步骤42中的实际时间与步骤45时间计算值的相似度,相似度最大对应的局部放电源位置为局部放电的精确位置。
进一步的,比较步骤42中的实际时间构成的数据集与步骤44时间计算值构成的数据集的相似度,具体方法为实际时间构成的数据集与时间计算值构成的数据集的欧式距离,局部放电的精确位置为欧式距离最小对应的局放源位置。
一种GIS耐压试验局部放电的定位系统,包括:
局部放电信号采集模块:用于采集待测GIS设备的局部放电信号;
放电缺陷类型识别模块:将采集的局部放电信号输入训练好的卷积神经网络模型,识别获得局部放电信号对应的放电缺陷类型;
定位区域确定模块:根据放电缺陷类型与区域位置之间关系确定GIS设备发生局部放电的定位区域;
精确位置定位模块:在确定的定位区域内,采用扩展时差法和基于分布式传感器信息融合的方法确定局部放电的精确位置。
一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成上述方法的步骤。
一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成上述方法的步骤。
与现有技术相比,本公开的有益效果为:
(1)一种实现GIS耐压试验局部放电快速准确定位的方法,采用卷积神经网络对采集的局部放电信号进行缺陷类型识别,根据典型放电缺陷与所处位置区域的一般规律,能够排除封闭式组合电器部分间隔区域,将定位区间缩小到一个较小的区域内,在这个较小的区域内进行进一步的定位分析,准确找到局部放电的位置。本公开结合GIS缺陷类型识别和局部放电定位,能够有效缩小定位判断区域,降低定位对象复杂度,更精确的找到GIS耐压试验中发现的放电源的位置。
(2)本公开将识别和定位进行结合,且识别作为定位工作的预筛选,能够排除GIS中不存在放电的部分区域。目前在缩减定位范围的研究中,有根据设备保护动作情况缩小定位范围的方法,也有根据各个断路器电流分布大小缩小范围的方法,但这些预筛选都是在带电运行的前提下进行,而GIS耐压试验显然不满足持续带电的要求,本公开提出的依据放电缺陷类别映射定位区域可行性较高,普适较广,能够适应多种设备的局部放电的定位检测。
(3)本公开的卷积神经网络的卷积层采用ReLU激活函数,使得网络可以自行引入稀疏性,实现了无监督学习的预训练;池化层采用最大值池化对图像纹理提取的效果更好,适应于GIS放电波形稀疏性较高的特点。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的限定。
图1是根据一个或多个实施方式的方法的流程图;
图2是本公开实施例1的卷积神经网络原理结构图;
图3是本公开实施例1检测节点布置的示意图。
具体实施方式:
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将结合附图对实施例进行详细描述。
实施例1
在一个或多个实施方式中公开的技术方案中,如图1所示,一种GIS耐压试验局部放电的定位方法,包括如下步骤:
步骤1:采集待测GIS设备的局部放电信号;
步骤2:将采集的局部放电信号经数据预处理后输入训练好的卷积神经网络模型,识别获得局部放电信号对应的放电缺陷类型;
步骤3:根据放电缺陷类型与区域位置之间关系确定GIS设备发生局部放电的定位区域;
步骤4:在确定的定位区域内,采用GIS扩展时差法和基于分布式传感器信息融合的方法确定局部放电的精确位置。
本实施例可以采用卷积神经网络识别放电缺陷类型,卷积神经网络的卷积结构能优化深层网络的参数结构,方便将人工神经网络技术和深度学习方法相结合,实现子深度学习的多层过滤器网络结构以及过滤器和分类器结合的全局训练算法,能够直接有效、快速、准确的得出识别结果,避免将检测的非结构化数据转化成结构化数据,可保证识别的高效性和鲁棒性。
步骤2中训练卷积神经网络模型的方法,具体为:
步骤21、采集GIS对应各种放电缺陷类型的GIS局部放电信号;
步骤22、根据采集的局部放电信号和对应的放电缺陷类型,构建GIS局部放电信号图谱数据训练集;
步骤23、构建卷积神经网络结构模型,针对待测对象GIS的放电缺陷类型设计相应的卷积神经网络结构,计算网络初始化参数;
步骤24、使用训练集训练卷积神经网络,将GIS局部放电信号图谱数据训练集输入到卷积神经网络进行训练,修正卷积神经网络的各类参数。
构建GIS局部放电信号图谱数据集需要大量的样本,对于电力信号,难以收集大批量的数据,在数据集的构建上,考虑通过GIS现场检测、数字模拟仿真试验,搜集获取典型的GIS绝缘缺陷类型的波形图谱样本,将样本整理成卷积神经网络可接受的训练集的形式。
本实施例的卷积神经网络的原理结构图如图2所示,主要包含输入层,卷积层,池化层,全连接层以及输出层,输入是数据预处理后的GIS放电信号图谱数据,保存数据形式为二维矩阵,卷积层和池化层交叉连接。
在卷积层中实现卷积步骤包括:(1)使用卷积滤波器对输入图像数据进行卷积的计算获得卷积值;(2)将卷积值通过激活函数生成了输入数据的多张特征图。本部分主要包含卷积计算和ReLU激活函数,运用于卷积层中,卷积层主要是将输入的图像与其卷积滤波器进行卷积,每一个局部滤波器都会重复的作用于整个感受域中,对输入数据进行卷积操作,实现权值共享,减少网络参数。最后卷积值通过激活函数生成输入数据的多张特征图,特征图中包含了图像数据有效的特征,使用卷积滤波器对输入图像数据进行卷积的计算公式可以为:
其中,表示第l层的第j个特征图,M是输入特征图的集合,*表示卷积运算,是第l层的卷积核矩阵,是卷积核的特征偏置,f(*)为激活函数,激活函数实际上是一个非线性的激励函数。
本实施例采用ReLU激活函数,ReLU的使用,使得网络可以自行引入稀疏性,相当于无监督学习的预训练,简单来说,ReLU激活函数的使用缩小了无监督学习和有监督学习之间的代沟,大大缩短学习周期,提高训练速度。
所述激活函数表达式可以为:
f(x)=max(0,x) (2)
卷积操作是滤波器权值ω,ω∈RN和累加表达xi:i+N-1之间的乘法操作,xi:i+N-1指与滤波器连接的N个序列点的累加表达。对与输入长度为D的原始图像数据,经滤波器卷积操作后,得到的一张特征图表达为:
其中,特征维度为D-N+1,j代表第j个滤波器。
池化层完成池化步骤,对输入的卷积层获得的特征图进行局部平均和二次提取。可以采用最大值池化进行特征的二次提取。应用于池化层中,池化层对图像特征进行子抽样,可以减少数据处理量,对上一层的特征图输入进行局部平均和二次提取,为了降低特征图的分辨率,这个操作能够在减少数据量的同时最大程度的保留有用关键信息,消除偏移和图像扭曲,减少计算时间、降低网络输出对于位移和变形的敏感程度。二次提取包含最大值池化和平均值池化,最大值池化对图像纹理提取的效果更好,针对GIS放电波形稀疏性较高的特点本实施例选择最大值池化方式,第l层池化层的第j个特征图可以由下式得到:
down()为下采样函数,是特征图的唯一乘性偏置,是卷积特征图的唯一加性偏置。
网络的全连接层是整合前面传过来的分散特征,最后使用分类器进行识别分类,针对多分类问题,可以选择Softmax分类器,可以由逻辑回归从二分类推广至多分类得到,对于给定的输入x,我们需要计算它属于每一个类别j的概率值p(y=j丨x),所以在Softmax回归中,假设函数hθ(x)将会输出一个k维的向量来表示输入属于每一个类别的概率。
输出层输出的是一个实数向量,其节点数与所分类数量一致,本实施例中的输出节点数为局部放电缺陷类别的数量,每个节点的输出值表示该样本属于对应类别的概率,最后输出层的结果则是每一类的识别概率,通过大小关系能够判断出识别结果,从而可以输出识别结果。
所述步骤24中将GIS局部放电信号图谱数据训练集输入到卷积神经网络进行训练,修正卷积神经网络的各类参数,具体步骤如下:
步骤241、训练集的样本图像经数据处理后输入至卷积神经网络,经过中间各层变换、映射,直到输出层,得到实际输出向量,获得前向输出结果;
步骤242、将前向输出结果与预输出结果比较,以卷积神经网络模型的整体样本误差代价E最小为目标,采用链式求导法则调整卷积神经网络的各类参数。
预输出结果即为训练集样本数据中包含的放电缺陷类型。
训练的过程如图1和2所示,第1阶段是前向传播阶段,主要用于特征信息的传递,训练集的样本图像直接输入网络,经过中间各层变换、映射,直到输出层,得到实际输出向量;第2阶段是误差反向传播阶段,在进行误差传递的同时使用优化算法校正误差信号,微调网络模型,对整个卷积网络模型的权值参数进行调优,使得误差代价最小。
第2阶段具体的权值参数调优,通过下面具体的示例进行说明:
假定要把样本分为C个类别,为第n个训练样本的理想类别标签向量所对应的第k维数值,为第n个样本经前向传播过程得到的输出向量的第k维数值,则卷积神经网络模型的整体样本误差代价E即为目标函数可以由下式求得:
为了使E最小化,使用训练集样本对卷积神经网络进行迭代,直到E或迭代次数达到目标值停止。
迭代训练过程中,使用反向传播算法更新卷积神经网络各层神经元的权值参数,由t次到t+1次,权值ω由下式计算:
ω(t+1)=ω(t)+ηδ(t)x(t) (7)
其中,η为学习速率,x(t)是神经元的输入,δ(t)是神经元的误差项。
在训练卷积神经网络参数的过程中,反向传播算法最为关键,其核心是链式求导法则,由下式可求:
其中,其中α是学习率,α表明每次更新参数时调整的幅度大小,和是目标函数分别对于参数向量W,b的偏导数。
由于前向输出结果和真实值之间有一定的误差,计算输出值和真实值之间的误差,将该误差向输入层反向传播,根据误差来自动调整参数向量的值,不断重复这个过程,直到收敛或者达到训练步数。
下面对反向传播算法做具体介绍:
设有m个训练样本的集合{(x(1),y(1)),(x(2),y(2))…(x(m),y(m))},卷积神经网络需要学习的参数为权值向量w和偏置项b,对于单独的一个训练样本(x,y),损失函数的定义如下:
其中y为真实结果,hw,b(x)为网络的预测输出,对于包含m个样本的训练数据,定义整体损失函数为:
我们需要通过优化参数W,b来最小化损失函数J(W,b),首先,我们需要初始化参数向量W,b,一般初始化为接近0的随机值,然后对目标函数使用比如梯度下降的优化方法来优化参数。通常来说,神经网络的损失函数J(W,b)是个非凸函数,往往会收敛于局部最小值,但在实际应用中,梯度下降法仍然能得到较好的结果。
在梯度下降算法中,我们可以按公式(8)对参数进行更新,公式可以如下:
其中α是学习率,α表明每次更新参数时调整的幅度大小,和是目标函数分别对于参数向量W,b的偏导数。计算的主要目标就是得到偏导数的值,由此可得到的参数更新值。然而网络包含多个隐层,有些隐层和输出层并不直接相连,所以需要用到链式求导法则。
步骤3中放电缺陷类型与区域位置之间关系,可以通过已有数据找到缺陷类型和对应GIS放电区域的映射关系,建立缺陷类型与对应GIS设备放电区域的联系。
气泡缺陷:主要包括绝缘子内部气泡缺陷和绝缘子与高压导体交界面的气隙缺陷,气泡缺陷通常很小,常常是一些在制造过程中形成但又很难检测到的缺陷,主要是绝缘子在制造过程中,工艺控制不良,导致内部残留有气泡等,气泡放电机理比较复杂,这是因为在一个气泡中就有可能存在着多种类型的放电,总结该缺陷的故障实例,可以发现气泡缺陷主要集中在盆式绝缘子区域,其它区域如主母线气室,断路器气室等就会被排除。气泡缺陷所对应的GIS放电的定位区域可以设定为除主母线气室,断路器气室的其他区域。
悬浮电位缺陷:主要是GIS内部采用了大量的屏蔽电极,屏蔽电极的主要作用是改善GIS内部的电场分布,使之更加均匀,但随着开关动作等引起的振动作用,连接部位可能出现松动,则会形成这种缺陷,这种缺陷下的放电比较明显,总结该缺陷的故障实例,可以发现悬浮电位缺陷一般不会出现在含隔离开关间隔中,而会发生在断路器气室的屏蔽松动,PT/CT气室绝缘支撑松动或偏移,母线气室绝缘支撑松动或偏移。悬浮电位缺陷对应的GIS放电的定位区域可以设定为包含断路器气室、PT/CT气室和母线气室的区域。
其他GIS典型局部放电缺陷和放电区域的对应规律的建立同气泡缺陷和悬浮电位缺陷,此处不再赘述。因此GIS局部放电缺陷类型识别的准确性影响着定位的准确性,将卷积神经网络用于放电类型识别能够保证这种高精度的识别率,卷积神经网络的输出表现的是缺陷类型的识别概率,将待测GIS设备的局部放电图谱输入卷积神经网络,经识别后获得放电缺陷类型,通过已建立的缺陷类型和对应GIS放电区域的映射关系,即可得到相应缺陷类型映射位置区域,将局部放电位置的查找缩小到一个较小的范围内即定位区域内,在定位区域内进一步定位查找准确位置。
GIS的局部放电类型识别是一种预定位,也就是定位工作前的预处理,预筛选,通过这种方式能够有效的排除部分区域,不至于展开全局定位工作,这样也能够在一定程度上减少定位所需传感器数目,节省人力,物力。
步骤4、在确定的定位区域内,采用扩展时差法和基于分布式传感器信息融合的方法确定局部放电的精确位置。
采用扩展时差法和基于分布式传感器信息融合的方法,具体为:
步骤41、在确定的定位区域内设置多个特高频局放传感器;
步骤42、采集特高频局放传感器接收到局部放电信号的实际时间;
步骤43、确定最早接收到局部放电信号的特高频局放传感器Sm,采用扩展时差法计算确定局部放电可能发生的多个局部放电源位置即为确定初始局部放电位置;
步骤44、根据GIS固有拓扑结构和采集的实际时间,计算局部放电发生时间t0;
步骤45、根据计算的局部放电发生时间t0,分别计算步骤43确定的每个可能的局部放电源发生局部放电时,每个特高频局放传感器接收到局部放电信号的时间计算值;
步骤46、比较步骤42中的实际时间与步骤45时间计算值的相似度,相似度最大对应的局部放电源位置为局部放电的精确位置。
具体示例如图3所示,所述步骤4中的扩展时差法是假设在GIS系统中布置N个特高频局放传感器,这N个特高频局放传感器位于GIS系统节点S=[S1,S2,S3…SN]处,局部放电发生后,各特高频局放传感器检测到的电磁波传播时间是T=[T1,T2,T3…TN]T,定义电磁波到达时刻矩阵T中的最小值为Tmin,结合特高频局放传感器布置方案矩阵得到对应的节点Sm和时间矩阵标号b,显然Tmin=Tb,将Sm所有的相邻GIS节点用Sv=[Sv1,Sv2,Sv3…Svw]描述,w表示相邻节点数目,Svr为相邻GIS节点矩阵Sv中任一节点。
在GIS设备中,如图3所示,假设区段i-j发生局部放电,Sm与Sn处的特高频局放传感器组成时差定位组合,两者之间的等效最短路径必定经过Sm相邻的一个区段,假设为区段L与对应的节点Svr,对于Sm相邻GIS节点矩阵SV,可以构成w组时差定位组合。推广至GIS特高频局放传感器布置矩阵S,则可以得到N-1组时差定位组合。由所选时差定位组合可以计算得到w(N-1)个局部放电源位置,由此完成求解所述步骤43中的初始局部放电位置,但这种分析中存在错误解,还需进一步完成局部放电源精确筛选定位。
所述步骤4中的基于分布式传感器信息融合的方法是建立在已求得的w(N-1)个局部放电源位置的基础上,结合GIS固有拓扑结构,可以求出局部放电的发生时间t0。根据计算的局部放电发生时间t0,分别计算步骤43确定的每个可能的局部放电源发生局部放电时,每个特高频局放传感器接收到局部放电信号的时间计算值,通过比较电磁波从计算出的w(N-1)个局部放电源位置到各传感器的时间计算值与局部放电后传感器获取电磁波实际到达时间的相似程度筛选近似解,实现分布式传感器计算出的局部放电位置的融合,最终完成局部放电的精确定位。
所述步骤44中局部放电发生时间t0计算式:
其中,Lmf为电磁波从上述局部放电位置传播到节点Sm(对应Tmin)对应高频传感器的距离。利用t0计算出局部放电信号传递到各传感器的距离矩阵:
其中,
结合GIS系统拓扑结构,得到多组局放源位置信息:
S=[S1,S2…SK]T (13)
根据计算的局部放电发生时间t0,分别计算公式13中确定的每个可能的局部放电源位置发生局部放电时,每个特高频局放传感器接收到局部放电信号的时间计算值;
比较步骤42中的实际时间与步骤44时间计算值的相似度,相似度最大对应的局部放电源位置为局部放电的精确位置。相似度可以通过计算数据集合的欧式距离判断,计算实际时间构成的数据集与时间计算值构成的数据集的欧式距离,欧式距离越小,对应的相似度越高,局部放电的精确位置为欧式距离最小对应的局部放电源位置。
Minkowsky距离(明氏距离)是象征距离的通用形式,Euclidean距离(欧式距离)是Minkowsky距离的特殊形式:
Euclidean的长度数值与两组数据的相似程度呈反比的关系,即最小的Euclidean长度代表最高的相似度。
对于任意传输时间矩阵Dij,可构建对应Euclidean距离矩阵E:
局部放电的精确位置为欧式距离最小值即矩阵E中的最小值对应的局部放电源位置。
实施例2
本实施例提供一种GIS耐压试验局部放电的定位系统,包括:
局部放电信号采集模块:用于采集待测GIS设备的局部放电信号;
放电缺陷类型识别模块:将采集的局部放电信号输入训练好的卷积神经网络模型,识别获得局部放电信号对应的放电缺陷类型;
定位区域确定模块:根据放电缺陷类型与区域位置之间关系确定GIS设备发生局部放电的定位区域;
精确位置定位模块:在确定的定位区域内,采用扩展时差法和基于分布式传感器信息融合的方法确定局部放电的精确位置。
实施例3
本实施例还提供了一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成第一个实施例中方法的步骤。
实施例4
本实施例还提供了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成第一个实施例中方法的步骤。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。