具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本申请的保护范围。
如图1所示,本发明第一方面,涉及一种电力调频交易辅助决策方法,包括步骤1至步骤5。
步骤1,对待预测的机组规格参数数据、供电煤耗的历史影响因子、历史环境数据以及系统调频相关数据进行采集,并对所述数据进行预处理。
本发明一实施例中,可以采用国电广东某热电厂中装机容量为 350MW的1号机组为例作为数据采集对象。通过对该机组中数据的采集实现未来某一个运行时段的电价申报决策。采集的数据具体包括:
1、机组规格参数:热电机组在额定功率与纯凝工况下的供电煤耗、额定负荷、设计真空度、设计排烟温度;以及机组负荷、设计真空度、设计排烟温度各自对供电煤耗变化率的影响;历史综合标煤单价。
本发明实施例中,通过对1号机组进行采集,获得的机组额定功率下的设计纯凝工况供电煤耗为307g/kW·h。其次,当机组运行负荷处于额定负荷的75%以上时,机组负荷每下降1%,将造成供电煤耗的变化为0.177g/kW·h。同样地,当机组运行负荷处于额定负荷的60%至70%之间时,供电煤耗变化率为0.532g/kW·h;当机组运行负荷处于额定负荷的60%以下时,供电煤耗变化率为1.044g/kW·h。
另外,实施例中热电机组的设计真空度为94.24,设计真空度对供电煤耗变化率的影响为0.18g/kW·h。该热电机组的设计排烟温度为119.3℃,设计排烟温度对供电煤耗变化率的影响为0.18g/kW·h。
由于本发明实施例中,希望对当年9月份的标煤单价进行预测,因此采集了此前,即8月份时期的入炉综合标煤单价为577.55元/吨。
2、供电煤耗的历史影响因子:设计真空度、设计排烟温度、其他因素分别对12个历史月份中供电煤耗的影响因子。
本发明中,可以将上述影响因子以参数形式分别记录为:Vacuum[j],Exhaust[j]以及Other[j]。其中,参数j代表月份。本发明实施例中,采集了希望预测的当月之前的前12个月的相关数据,并记录如下,下列数据的单位均为g/kW·h。
Vacuum[j]=[-2.27,-2.46,-1.03,2.75,6.26,7.48,7.3,8.89,4.94,1.99,-0.12,-2.20],
Exhaust[j]=[2.13,2.75,2.40,2.57,3.05,2.91,2.86,2.82,2.62,2.70,1.96,2.46],
Other[j]=[0.40,0.40,0.40,0.40,0.40,0.40,0.40,0.40,0.40,0.40,0.40,0.40]。
3、历史环境数据:温度、湿度、降水量、体感温度以及环境数据采样时间。
本发明中,可以分别将上述内容记录如下:
采样时间Time[i]=[00:00,01:00,02:00,03:00,04:00,05:00,…,24:00,…],
温度Temp[i]=[26℃,26℃,26℃,25℃,25℃,25℃,…,26℃,…],
湿度Hum[i]=[94%,94%,94%,95%,95%,95%,…,91%,…],
降水量Precip[i]=[1.7mm,1.3mm,0.8mm,0.6mm,0.2mm,…,-,…],
体感温度BodyTemp[i]=[29℃,29℃,29℃,29℃,29℃,28℃,…,30℃,…]。
其中,i为间隔为1的序号,代表数据个数;采集的间隔时间为1小时,采集的历史数据的历史时段为历史三个月内每天24小时。
4、系统调频相关数据:系统调频需求、排序价格、出清价格、历史综合调频性能、调频里程以及调频里程补偿。
具体来说,可以以1小时为间隔采集历史三个月内每天24小时的相关数据。其中,历史综合调频性能数据可以包括运行数据和归一化数据两项。表1为本发明中系统调频相关数据。如表1所示,可以根据系统中各个机组的运行状态获取调频相关的历史数据。
表1系统调频相关历史数据
在从SIS系统和燃料管理系统中采集了上述数据之后还需要对上述数据进行预处理。可以采用现有技术中常用的数据清洗的方法对上述数据进行预处理。预处理的方式主要包括缺失值补齐和文本数据转换两种方法。缺失值补齐可以对采集到的数据进行检查,当发现某一时段中出现了采集结果为空的数据,例如,在非中标时段,系统中的历史综合调频性能、调频里程、调频里程补偿等数据均无法采集,此时可以通过缺失值补齐的方式,将这些缺失值补齐为0。
文本数据转换可以将文本格式的采集值转换为数据格式。例如,从SIS系统中采集到的数据通常为文本数据,需要转换为数据格式才能参与计算。如将历史环境数据中的采样时间01:00转换为1,将温度数据25℃转换为25等等。
步骤2,对预处理后的数据进行计算,得到所述机组在不同负荷的纯凝工况下的供电煤耗,并基于所述供电煤耗获得所述机组在不同负荷下的调频成本。
具体来说,可以基于步骤1中采集的机组规格参数数据计算出机组处于不同负荷情况下的纯凝工况的供电煤耗基准值。所述基准值的计算公式为:
根据步骤1中所得的数据,可知当机组负荷处于不同的额定负荷的比例范围内时,供电煤耗的变化率是不同的,因此可以根据不同阶段得出上述公式。
另外,对步骤1中采集得到的供电煤耗的历史影响因子进行汇总,获得各个历史月份中所有因素对供电煤耗的总影响值。具体来说,总影响值的计算公式为:
为历史时段,根据实际需要,这里可以以月份为最小单位确定一个影响因子的取值。
本发明实施例中,基于上述公式计算得到了12个月中的供电煤耗总影响值为TotalImpact[j]=[0.26,0.69,1.77,5.72,9.71,10.79,10.61,12.11,7.96,5.09,2.24,0.66]。
将各个月份的总影响值作为修正参数,对供电煤耗的基准值进行修正,得到各个月份的不同负荷下的纯凝工况的供电煤耗值,其计算公式为:
进一步地,可以根据各个月份的热电机组在不同负荷下的纯凝工况的供电煤耗值获取到热电机组的边际成本。
火电机组自动发电控制(AGC,Automatic Generation Control)调频是在机组一定出力基础上通过升降负荷从而响应调频指令,因此调频成本按照边际成本计算最为合适,在不同的出力水平下每小时生产电能量的总燃料成本是发电成本,在当前出力水平下,再增加1MW单位出力的燃料成本、水费成本即为边际成本。
其中由于火电机组的用水量与机组的调频量密切相关,因此水费成本的计算公式可以等效为水费成本=燃料成本×1%。
其中燃料成本的计算方法:根据虚拟仿真技术的模拟研究结果,对典型燃煤电厂而言,由于参与调频市场,机组为响应自动发电控制调频指令频繁的数值变化和调节方向逆转,可能导致单位热量率增加多达1~2%,使总燃料成本增加0.2%~0.5%。因此,机组燃料成本=煤耗值×煤价×(1+0.5%),成本增加比例取最大值。
从而调频成本等于边际成本,并且有,调频成本的计算公式为:
其中,调频成本的单位为元/kW·h。
另外该调频成本预测模型输出结果的单位需要换算为元/MW·min,即调频成本=边际成本×1000/60,单位为元/MW·min。原因是包含调频指令下发、调频容量申报、调节速率计算、响应时间计算等在内都是按照分钟级,因此本模块的成本预测模型同样按照分钟级计算。
优选地,采集机组每小时的机组运行负荷计划值及所在历史时段的影响因子,并基于机组运行负荷计划值计算每一小时的调频成本;
热电机组的调频成本为燃料成本与水费成本之和;火储联合电厂的调频成本为热电机组的调频成本与储能设备均摊成本之和;
其中,热电机组的调频成本为:
根据上述公式可以预测获得9月份的调频成本。表2为本发明中9月份某一天的调频成本数据。如表2所示,可以根据步骤2中的内容对调频成本进行计算。由于供电机组每小时的负荷均不同,因此表2中的供电煤耗基准值也有所不同。
表2预测24小时内各负荷状态下的调频成本
若是火储联合调频电厂,还需要考虑储能设备的均摊成本,可以采用等额支付折算法与年限平均折算法相结合的方法进行计算:
其中,
为储能设备均摊成本,单位为元/MW·min,C
all为储能设备投资总成本,
i为资金年利率,
T为储能设备寿命。进而火储联合调频电厂的调频成本=机组边际成本+储能设备均摊成本。
步骤3,以历史的出清电价作为目标项,选取步骤1中采集的数据,例如以机组规格参数数据、历史环境数据、系统调频相关数据,作为特征项进行EMD分解并生成IMF分量,采用神经网络算法对所述IMF分量进行训练,以获得待预测时段的预测出清电价。
优选地,步骤3中还包括:步骤3.1,从步骤1采集的数据中选择特征数据,以历史出清电价作为目标项,计算每一特征数据与目标项之间的相关系数,并基于相关系数筛选所述有效特征项;步骤3.2,基于EMD方法对历史出清电价进行分解,并获得IMF分量和余项分量;步骤3.3,对每一IMF分量进行希尔伯特变换,以获得每一IMF分量的瞬时频率;步骤3.4,以所述有效特征项作为输入,所述IMF分量作为输出目标,采用集成学习算法模型对瞬时频率小于设定阈值的每一IMF分量进行训练,采用神经网络算法模型对瞬时频率大于设定阈值的每一IMF分量、余项分量进行训练,并将特征值分别输入至训练后的IMF分量模型、余项分量模型中,以获得各个模型的输出;步骤3.5,累加各个模型的输出以获得预测时段的出清电价。
本发明一实施例中,可以从调频交易系统中获取出清电价、系统调频需求、分区调频需求、本厂限制容量以及每条数据对应的时段数据共五项数据。同时,获取历史环境数据中的温度、湿度、降水量和体感温度四项数据。将上述数据中的出清电价作为目标项,其余八项作为特征项,进行相关性指标的计算。经过计算后,获得的相关系数如果大于0.2,则将这一特征项标记为特征值,用于后续建模。本发明实施例中,最终选取了四组数据作为特征值,其分别为采样时段、系统调频需求、温度、湿度。
随后,利用EMD(经验模态分解算法,Empirical Mode Decomposition)算法对目标项的出清电价数据进行分解。图2为本发明一种电力调频交易辅助决策方法中历史出清电价数据的EMD分解后各IMF分量的示意图。如图2所示,本发明实施例中,经过分解,获得了7个IMF分量和一个余项分量。对分解后得到的每一IMF分量进行希尔伯特变换,得到每一时域分量的频域变化特性。从而获得每一IMF分量的瞬时频率。
图3为本发明一种电力调频交易辅助决策方法中历史出清电价数据的各IMF分量的瞬时频率示意图。如图3所示,每一IMF分量都具有与其他分量不同的频域特性,其中,部分分量具有特定的频段。对每一分量的瞬时频率平均值进行判断,当该值大于0.05时,则将其确定为高频分量,小于或等于0.05时,则将其确定为低频分量。如图3所示,可以将IMF1、IMF2、IMF3确定为高频分量,同时,IMF4、IMF5、IMF6、IMF7以及余项分量RESn为低频分量。
由于使用单一的预测方法对各IMF分量进行计算往往不能获得很好的效果,因此,可以采用多种不同的预测方法。本发明中,对高频分量采用集成学习算法模型进行训练,同时低频分量可以采用神经网络算法模型进行训练。训练完成后,将待预测时间中的各个时段数据、系统调频需求数据、温度数据以及湿度数据,最后获得各个分量在模型中的输出结果并汇总。本发明中,可以对某一天24小时时段的出清电价进行预测,最后获得的预测结果为[13.14,13.43,11.10,11.57,
11.41,11.47,10.96,16.04,18.89,15.44,15.87,10.79,13.81,12.08,12.65,14.11,13.71,13.33,12.67,11.39,11.09,11.53,10.00,12.07]。
步骤4,采用最小二乘法基于步骤1中采集的数据构建综合调频性能预测函数、调频里程预测函数,并基于函数求解出待预测时段的综合调频性能、调频里程。
优选地,步骤4中还包括:
步骤4.1,从步骤1采集的数据中提取系统调频需求、机组负荷,并对此两项数据进行归一化处理;步骤4.2,对归一化处理后的两项数据进行最小二乘法拟合,以生成综合调频性能预测函数;步骤4.3,将待预测时段的系统调频需求、机组负荷代入综合调频性能预测函数以获得待预测时段的综合调频性能;步骤4.4,剔除综合调频性能输出为0所对应的系统调频需求和机组负荷数据,对归一化后的系统调频需求与所述步骤4.2中生成的综合调频性能预测函数进行拟合以获得调频里程预测函数;步骤4.5,将待预测时段的系统调频需求、机组负荷代入调频里程预测函数以获得待预测时段的调频里程。
具体来说,归一化处理的计算公式为:
其中,XQ为步骤1中所采集的系统调频需求,
FH为步骤1中所采集的机组负荷,
gyh为归一化数据,
对上述两项数据进行归一化处理,可以使两项数据处于同一数量级,从而能够消除两项数据质检由于量纲差距较大导致的方差较大的问题,从而使得在进行最小二乘法拟合运算时,提高迭代求解的收敛速度和迭代求解的计算精度,以使得最小二乘法拟合模型更加准确。
在完成归一化处理后,采用最小二乘法进行拟合。本发明一实施例中,拟合获得的综合调频性能预测函数为:
将待预测时段的系统调频需求、机组负荷数据代入上述公式。本发明一实施例中,待预测时段为一天24小时,系统调频需求数据为XQ=[763,730,698,672,652,
641,651,692,835,913,763,730,952,946,837,880,934,937,943,910,873,878,855,828],机组负荷数据为FH=[348.402,346.841,320.259,269.472,218.904,217.477,219.897,
319.474,344.757,350.710,351.590,348.791,350.440,350.281,352.723,348.874,351.507,348.372,347.095,348.236,347.784,348.084,347.447,345.711]。代入公式后,获得的综合调频性能的输出为K=[-1.01,-1.25,0.08,0.61,1.55,1.56,1.49,0.08,0.06,0.80,
1.34,1.32,1.32,-0.23,0.36,1.04,1.20,1.21,0.84,0.41,0.43,0.15,-0.20,-0.61]。
具体来说,预测值 K出现负值的情况是合理的。按照电网发布的规则计算公式在某些机组运行工况下确实有可能出现负值,观察调频交易系统上发布的机组调频性能的历史数据也存在负值的情况,因此此处不对K的范围作限制处理。
本发明中,在获得了综合调频性能的数据后,还需要基于综合调频性能计算得到调频里程。
由于在非中标时段综合调频性能值为0,这是由系统不中标造成的,并非是系统调频性能判断的依据,因此在进行综合调频性能拟合时,将剔除综合调频性能输出为0所对应的系统调频需求和机组负荷数据。
同样,采用最小二乘法将综合调频性能预测函数与系统调频需求进行拟合,以生成调频里程预测函数。本发明中,获得调频里程预测函数为:
根据上述公式,可以将系统调频需求数据为XQ=[763,730,698,672,652,
641,651,692,835,913,763,730,952,946,837,880,934,937,943,910,873,878,855,828],机组负荷数据为FH=[348.402,346.841,320.259,269.472,218.904,217.477,219.897,
319.474,344.757,350.710,351.590,348.791,350.440,350.281,352.723,348.874,351.507,348.372,347.095,348.236,347.784,348.084,347.447,345.711]代入公式,从而得到待预测时段的调频里程。本发明中,D=[78.6,49.38,79.56,131.54,91.38,127.06,
83.34,67.32,84.2,94.5,83.76,68.7,73.72,110.84,86.12,123.8,81.16,75.84,104.9,90,81.52,120.16,118.02,75.08]。
由于在求解调频里程预测函数之前,对非中标时段综合调频性能值为0的数据进行了相应的剔除,因此,这里获得的调频里程预测数据是在假设待预测时段中24小时内的数据全部中标的情况下获得的。
步骤5,以运行日前一周的出清价格计算预测偏差,并计算出运行日当天的申报价格、中标结果预测、调频里程补偿以形成申报决策。
优选地,步骤5还包括:步骤5.1,以运行日前一周作为预测时段,获取待预测时段的预测出清电价,采集运行日前一周实际的出清价格,以计算待预测时段的预测出清电价与出清价格之间的偏差值;步骤5.2,以运行日作为待预测时段,获取待预测时段的预测出清电价,并基于步骤5.1中获取的偏差值生成运行日的排序初始价格;步骤5.3,以交易系统发布的历史综合调频性能归一化值作为权重,对排序初始价格进行加权以获得申报初始价格;步骤5.4,预设政策报价范围,并基于范围修改申报初始价格为申报价格;步骤5.5,基于运行日的出清电价预测值、运行日的调频里程、运行日的综合调频性能预测值、计算出运行日的调频里程补偿。
具体来说,根据本发明步骤3中获得的预测出清电价的训练模型,首先计算出运行日前一周时间内各个时段的预测出清电价,将其记录为
。同时,获取这一周时间内系统中实际的出清价格
,这是基于步骤1中数据采集的过程获得的。由此,获得偏差值的计算公式为
本发明实施例中,可以由此获得偏差值为[0.54,-2.01,-0.40,0.43,-0.50,-0.36,
-0.67,-3.12,-0.51,-0.34,-0.15,0.31,-3.14,-0.11,0.20,0.24,-0.28,-2.02,-1.51,-0.07,-0.87,-0.90,0.55,0.30]。
然后,通过同样的训练模型,训练得到运行日当天各个时段的预测出清电价。将偏差值与运行日的预测出清电价相加,从而得到排序初始价格。本发明实施例中,有
,由此得到排序初始价格为[13.68,11.42,
10.7,12,10.91,11.11,10.26,12.92,18.38,15.1,15.72,11.1,10.67,11.97,12.85,14.35,13.43,11.31,11.16,11.32,10.22,10.63,10.55,12.37]。
已知在申报日当天,即运行日的前一天,交易系统发布的机组的历史综合调频性能归一化值为0.6。则以该指标为权重,得到申报初始价格
,本发明实施例中,申报初始价格为[8.2,6.9,6.4,7.2,6.5,6.7,6.2,7.8,11.0,9.1,9.4,6.7,6.4,7.2,
7.7,8.6,8.1,6.8,6.7,6.8,6.1,6.4,6.3,7.4]。值得说明的是,若此时综合调频性能指标小于市场准入门槛,则当前机组不参与市场申报,只有当综合调频性能指标大于市场准入门槛时,才可参与市场申报。本发明一实施例中,市场准入门槛可以为0.5。另外,经过计算获得的申报初始价格数据还可以根据市场申报要求,进行四舍五入,保留到小数点后一位。
根据市场中的政策报价上限和政策报价下限对申报初始价格数据进行约束,从而得到申报价格的计算公式为
,其中
为根据运行日的相关预测数据预测得到的运行日的调频成本,
为政策报价下限。如果申报初始价格大于政策报价上限,则申报价格取政策报价上限;如果申报初始价格小于报价下限约束,即运行日的调频成本与政策报价下限之间的最大值,则申报价格取报价下限约束。
根据这个步骤中的约束,还可以进一步获得与当前申报相应的中标结果预测。当申报初始价格超过政策报价上限和下限时,即使机组按照政策报价上限或下限值参与市场申报也不会中标。这是由于机组本身的调频性能的原因导致的。因为本申请的申报价格初始值是由出清价格纠偏得来(见步骤5中“偏差值与运行日的预测出清电价相加,从而得到排序初始价格”),出清价格本身就代表了市场申报价格排序后的最大可中标边际值。因此本系统按照该原则来估算次日中标时段,并计算调频里程补偿。
本发明中,预测出的调频里程补偿的计算公式为
m为自2020年起的自然年数。
例如,2020年时m取1。
本发明一实施例中,经过上述预测步骤,得到了申报决策的报表表3如下:
表3电力调频交易辅助决策方法中的申报决策报表
表3中的各项价格以及调频里程补偿均以“元”为单位,而中标结果预测中的“-”代表预测不中标,“√”代表预测中标。
本发明实施例中,根据表3中给出的数据可知,在运行日中共有20个以小时为单位的时段可能中标,预测每日收益为17435.38元。其中,机组只有在中标时段响应AGC(Automatic Generation Control,自动发电控制)指令后的综合调频性能大于0.5才能获得里程补偿。
另外,在本发明中,应用于决策系统的各模块中其涉及的各拟合函数和预测模型均可根据用户需求进行模型的自动更新,以应对电力市场不断深化引起的市场变化,保证辅助决策的持续有效性。
优选地,方法还包括:生成更新标志,以指示方法中的训练模型和拟合函数进行更新;训练模型和拟合函数更新后,获得更新后的预测和申报决策。
具体来说,方法可以首先查询更新标志,判断是否需要更新。如果更新标志为不需要更新,则直接调用训练好的模型和拟合函数,得到预测结果输出至申报决策模块。若更新标志为手动更新信号,则立即采集最新的历史数据并调用预处理流程,启动模型训练或函数拟合,更新模型或函数。同时自动更新时长累计值复位清零。
若更新标志为自动更新信号,读取自动更新时长累计值:值为0时,立即采集最新的历史数据并调用上述预处理流程,启动模型训练或函数拟合,更新模型或函数,且自动更新时长累计值加1。值不为0时,判断值是否达到自动更新周期设计值,未达到则不更新,且自动更新时长累计值加1;值不为0时,判断值已经达到自动更新周期设计值,则立即采集最新的历史数据并调用上述预处理流程,启动模型或函数更新,且自动更新时长累计值赋值为1。更新之后,调用训练好的预测模型或拟合函数,输入变量,得到预测值输出至申报决策模块。
图4为本发明一种电力调频交易辅助决策系统的功能结构示意图;图5为本发明一种电力调频交易辅助决策系统的网络架构示意图。如图4和图5所示,本发明第二方面,涉及一种用于实现本发明第一方面中所述一种电力调频交易辅助决策方法的一种电力调频交易辅助决策系统。
系统包括辅助决策服务器、气象网站接口、调频交易中心接口、电厂侧接口;其中,辅助决策服务器,用于对采集到的各类数据执行训练,并生成调频交易辅助决策;气象网站接口,用于采集历史环境数据并发送给辅助决策服务器;调频交易中心接口,用于采集系统调频相关数据并发送给辅助决策服务器;电厂侧接口,与电厂的SIS系统和电厂的燃料管理系统相连接,用于采集待预测的机组规格参数数据和供电煤耗的历史影响因子,并发送给辅助决策服务器。
优选地,系统还包括区域侧接口,分别与电厂侧接口和辅助决策服务器连接,用于接收来自一个或多个电厂侧接口传输的来自电厂的SIS系统和电厂的燃料管理系统采集的待预测的机组规格参数数据和供电煤耗的历史影响因子,并将数据发送至辅助决策服务器。
具体来说,如图5所示,决策系统可以通过部署接口机的方式实现。接口机可以采用现有技术中的常用终端设备,由处理器、存储器、芯片组、端口构成。
决策系统通过气象网站和调频交易中心提供的应用程序接口(API,ApplicationProgram Interface)采集气象和交易数据。
另外,决策系统通过接口及与厂侧数据相连接。例如,有些电厂的调频市场交易是在厂内由厂内的营销部门负责,针对这种情况决策系统采集SIS系统和燃料管理系统数据时,可以在厂侧部署一台接口机,接口机支持不同统的系协议及对外接口,包括OPC、SQL等,具体部署时采用的接口与SIS系统和燃料管理系统所属厂家有关。或者,另一类企业在某个地区拥有多家电厂,这些电厂的调频市场交易由同一家独立的电力公司进行区域管理,那么除了在各电厂部署接口机之外,还需要在电力公司区域侧部署一台接口机,厂侧接口机与区域侧接口机之间通过专线连接,数据通信采用内部UDP通信方式实现。
本发明的有益效果在于,与现有技术相比,本发明中一种电力调频交易辅助决策方法及系统,能够对电厂的运行机组数据、影响因素以及交易市场情况进行综合分析,获得申报决策数据。其预测结果准确,预测速度快,能够响应市场变化。
本发明的有益效果还包括:
1、能够在给出主体申报决策的同时还给出调频成本、出清价格、中标情况、综合调频性能、调频里程、调频收益的预测结果,供申报人员参考。
2、调频成本能够考虑到机组热效率损失及配套设备投资成本,出清价格则考虑了气象条件、系统调频需求的影响,并基于以上因素提升了预测精度,进而提升了申报决策的实用性,辅助电厂在调频市场中获得更高的竞争力和利润。
3、决策系统的模型和函数的自动更新对于电力市场发展中的必经的市场主体多元化、范围扩大化、政策迭代更新仍然具有时效性和适用性。
4、本发明提出的系统部署方案,不仅可应用于单一电厂,也适用于企业区域电力公司对多个电厂的市场交易管控。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述,但是本领域技术人员应该理解,以上实施示例仅为本发明的优选实施方案,详尽的说明只是为了帮助读者更好地理解本发明精神,而并非对本发明保护范围的限制,相反,任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。