具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
除非另有说明,本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的,不是旨在限制本申请的范围。
在本申请实施例记载中,需要说明的是,除非另有说明和限定,术语“连接”应做广义理解,例如,可以是电连接,也可以是两个元件内部的连通,可以是直接相连,也可以通过中间媒介间接相连,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
需要说明的是,本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换,以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
在本发明的一个实施例中,图1为本发明实施例中提供的一种充电桩的充电管理方法的流程图。图2为本发明实施例中提供的一种充电桩的充电管理方法的系统架构的示意图。如图1和图2所示,根据本发明实施例的充电桩的充电管理方法100,包括:110,获取预定时间段的充电电流信号以及所述预定时间段内多个预定时间点的环境温度值;120,对所述充电电流信号和所述多个预定时间点的环境温度值进行特征提取与跨模态融合以得到优化后融合环境温度信息的电流时序特征矩阵;以及,130,基于所述优化后融合环境温度信息的电流时序特征矩阵,确定最大充电电流值的调整策略。
其中,110步骤中,获取预定时间段的充电电流信号和环境温度值是关键步骤,因为充电电流信号和环境温度值是充电管理的基础。其中,预定时间段的充电电流信号可以帮助确定充电桩的负载情况,以便更好地管理充电过程;多个预定时间点的环境温度值可以帮助预测充电桩的温度变化,从而更好地控制充电过程。
在120步骤中,特征提取和跨模态融合是关键步骤。特征提取可以帮助提取充电电流信号和环境温度值中的有用信息,以便更好地分析和理解充电过程;跨模态融合可以将来自不同模态的信息进行融合,以便更好地理解充电过程的复杂性。
在130步骤中,基于优化后融合环境温度信息的电流时序特征矩阵确定最大充电电流值的调整策略是关键步骤。这可以帮助确定最佳的充电策略,以便更好地控制充电过程,提高充电效率和安全性。
具体地,在步骤110中,获取预定时间段的充电电流信号以及所述预定时间段内多个预定时间点的环境温度值。本申请的技术构思为采用深度学习和人工智能技术,并基于环境温度来修正最大充电电流。也就是,通过对预定时间段的充电电流信号和环境温度值的获取以及对充电电流信号和环境温度值的处理和融合,可以实现对最大充电电流的有效控制和修正,提高充电桩的安全性能。
具体地,在本申请的技术方案中,首先获取预定时间段的充电电流信号以及所述预定时间段内多个预定时间点的环境温度值。应当可以理解,环境温度过高或过低,会导致电池充电效率降低,充电电流异常,甚至可能引发起火等安全隐患。因此,在本申请的技术方案中,充电电流信号和多个预定时间点的环境温度值是后续处理的重要数据基础。
在本申请的一个具体实施例中,可以通过充电桩内置的传感器或外部传感器来获取充电电流信号,其中,传感器可以实时监测充电电流的变化,并将数据传输到充电桩的控制系统中。具体地,可以在预定时间段内设置多个时间点,每个时间点获取一次环境温度值。还可以通过充电桩内置的温度传感器或外部传感器来获取环境温度值。其中,温度传感器或外部传感器可以实时监测环境温度的变化,并将数据传输到充电桩的控制系统中。
应可以理解,充电电流信号与环境温度值之间的关系是复杂的,例如,电池的性能受温度的影响较大,温度过高或过低都可能导致电池性能下降。在充电过程中,电池的内阻会随着温度的变化而变化,从而影响充电电流的大小和稳定性。而且,充电桩在工作时会产生一定的热量,如果环境温度过高,会影响充电桩的散热效果,从而影响充电电流的稳定性和安全性。进一步地,电池的寿命也受温度的影响,如果充电时环境温度过高,会加速电池的老化,从而降低电池的寿命。
因此,需要考虑环境温度对充电电流的影响,采取相应的措施来控制充电电流的大小和稳定性,以保证充电效率和安全性。例如,在高温环境下,可以降低充电电流以减少电池的负荷,同时加强散热措施以保证充电桩的安全性。具体地,在步骤120中,对所述充电电流信号和所述多个预定时间点的环境温度值进行特征提取与跨模态融合以得到优化后融合环境温度信息的电流时序特征矩阵。其中,图3为本发明实施例中提供的一种充电桩的充电管理方法中步骤120的子步骤的流程图,如图3所示,对所述充电电流信号和所述多个预定时间点的环境温度值进行特征提取与跨模态融合以得到优化后融合环境温度信息的电流时序特征矩阵,包括:121,对所述充电电流信号进行数据预处理以得到充电电流时序矩阵;122,对所述多个预定时间点的环境温度值进行数据预处理以得到环境温度时序输入向量;123,对所述充电电流时序矩阵和所述环境温度时序输入向量进行联合编码以得到融合环境温度信息的电流时序特征矩阵;以及,124,对所述融合环境温度信息的电流时序特征矩阵进行特征分布优化以得到所述优化后融合环境温度信息的电流时序特征矩阵。
这样,第一方面,提高了充电桩的充电效率和充电质量,通过融合环境温度信息,可以更加准确地预测充电过程中的电流变化,从而优化充电策略,提高充电效率和充电质量。第二方面,提高了充电桩的安全性,充电过程中,环境温度的变化会影响充电电流的稳定性,通过融合环境温度信息,可以更好地控制充电电流的稳定性,提高充电桩的安全性。第三方面,提高了充电桩的可靠性,通过融合环境温度信息,可以更好地预测充电过程中的电流变化,从而避免因为电流变化导致的充电桩故障,提高充电桩的可靠性。第四方面,优化了充电桩的使用成本,通过融合环境温度信息,可以更好地控制充电电流的稳定性,从而减少充电过程中的电能浪费,降低充电桩的使用成本。
首先,在步骤121中,对所述充电电流信号进行数据预处理以得到充电电流时序矩阵。其包括:使用格拉姆角和场变换对所述充电电流信号进行处理以得到所述充电电流时序矩阵。
考虑到在电动车充电过程中,充电电流会随时间变化而变化。为了更好地理解电流的变化情况,在本申请的技术方案中,使用格拉姆角和场变换对所述充电电流信号进行处理以得到充电电流时序矩阵。应可以理解,由于格拉姆角场 ( Gramian angular field,GAF) 基于Gram原理,它可将经典笛卡尔坐标系下的时间序列迁移到极坐标系上进行表示。GAF可很好地保留充电电流信号的依赖性和相关性,具有和所述充电电流信号相似的时序特质。GAF 按照编码所用三角函数的不同可以得到格拉姆角和场( Gramian angular sumfield,GASF )和格拉姆角差场 ( Gramianangular difference field,GADF),GADF 转换之后不可逆,因此,在本申请的技术方案中,选择可进行逆转换的 GASF 转换方式来进行所述充电电流信号的编码。也就是,使用格拉姆角和场变换对所述充电电流信号进行域变化以得到充电电流时序矩阵。这样,所述充电电流信号经过GASF 转换后变成了矩阵,便于联合后续的模型进行建模分析。
在本申请的一个具体示例中,所述充电电流信号到 GASF 矩阵的编码步骤如下所示:对于一个有C维度的时间序列= { Q1,Q2,…, QC },其中每个维度都包含 n 个采样点Qi = { qi1,qi2,…,qin } ,首先对每个维度的数据进行归一化操作。之后,将数据中的所有值整合到[-1,1]内,整合之后就用三角函数值Cos值代替归一化后的数值,用极坐标来代替笛卡尔坐标,从而保留序列的绝对时间关系。
其中,格拉姆角和场变换是一种高效的数据处理方法,可以快速地将原始数据转化为矩阵形式,从而提高了数据处理的效率。格拉姆角和场变换可以将原始数据转化为矩阵形式,并且保留了原始数据的重要特征,从而提高了数据处理的准确性。而且,将原始数据转化为矩阵形式之后,可以方便地将数据进行可视化,从而更加直观地观察数据的变化趋势和特征。进一步地,将原始数据转化为矩阵形式之后,可以方便地进行后续的数据分析和处理,例如特征提取、分类和聚类等。
在本申请的另一个实施例中,使用格拉姆角和场变换对充电电流信号进行处理以得到充电电流时序矩阵,包括:1.采集充电电流信号数据并进行预处理,例如去除噪声、滤波等。2.将预处理后的充电电流信号数据进行分段,得到若干个长度为N的子段。3.对于每个子段,计算其对应的格拉姆矩阵。格拉姆矩阵是由子段内各个时刻的充电电流值两两相乘再求和得到的矩阵。4.对所有子段的格拉姆矩阵进行平均,得到平均格拉姆矩阵。5.对平均格拉姆矩阵进行场变换,得到场变换后的矩阵。场变换是一种线性变换,可以将原始数据从时间域转换到频域。6.对场变换后的矩阵进行奇异值分解(SVD),得到左奇异向量矩阵、奇异值矩阵和右奇异向量矩阵。7.取右奇异向量矩阵的前K列,得到一个K维的特征向量矩阵。8.将每个子段的充电电流信号数据与特征向量矩阵相乘,得到每个子段的充电电流时序矩阵。每个时序矩阵的行数为子段长度N,列数为特征向量矩阵的列数K。
通过上述步骤,可以将原始的充电电流信号数据转换成一组充电电流时序矩阵,每个时序矩阵反映了充电电流信号在不同时间段的变化情况,便于后续的分析和处理。
然后,在步骤122中,对所述多个预定时间点的环境温度值进行数据预处理以得到环境温度时序输入向量。其包括: 将所述多个预定时间点的环境温度值按照时间维度排列为所述环境温度时序输入向量。
考虑到所述多个预定时间点的环境温度值为离散分布,无法直接被后续的模型所识别和分析。在本申请的技术方案中,将所述多个预定时间点的环境温度值按照时间维度排列为环境温度时序输入向量。也就是,将所述多个预定时间点的环境温度值的时序离散分布构造为结构化的所述环境温度时序输入向量。
其中,预处理方式包括但不限于:平滑处理,对环境温度值进行平滑处理,例如使用移动平均法或指数平滑法,以减少噪声和异常值的影响。平滑后的环境温度值可以用于构建环境温度时序输入向量。标准化处理,环境温度值进行标准化处理,例如使用z-score标准化方法,将环境温度值转换为标准正态分布的形式。标准化后的环境温度值可以用于构建环境温度时序输入向量,并且可以消除不同时间点环境温度值的量纲差异。
时间序列分析,对环境温度值进行时间序列分析,例如分析环境温度值的趋势、季节性和周期性等特征。根据分析结果,可以构建不同的环境温度时序输入向量,例如包含趋势项、季节性项和周期性项的向量。这种方法可以更好地反映环境温度的变化规律,提高预测精度。
在本申请一具体实施例中,将多个预定时间点的环境温度值按照时间维度排列为环境温度时序输入向量,即将多个时间点的环境温度值按照时间顺序排列成一个向量。在这个向量中,每个元素对应一个时间点的环境温度值,时间维度是向量的一个维度,表示时间的变化。
例如,假设有3个预定时间点,分别为t1、t2和t3,对应的环境温度值分别为T1、T2和T3,则将它们按照时间维度排列成一个3维向量:[T1, T2, T3]。其中,第一个元素T1对应时间点t1,第二个元素T2对应时间点t2,第三个元素T3对应时间点t3。
环境温度时序输入向量的时间维度可以是任意长度,取决于预测的时间范围和时间粒度。如果需要预测未来一小时的环境温度变化,可以将时间维度设置为60,表示60分钟内的环境温度变化情况。
接着,在步骤123中,对所述充电电流时序矩阵和所述环境温度时序输入向量进行联合编码以得到融合环境温度信息的电流时序特征矩阵。其包括:将所述充电电流时序矩阵和所述温度时序输入向量通过包含电流时序特征提取器和温度时序特征提取器的跨模态联合编码器以得到所述融合环境温度信息的电流时序特征矩阵。
由于充电电流时序矩阵和温度时序输入向量都包含了关于电动车充电过程中的重要信息,在本申请的技术方案中,期待利用神经网络构建跨模态联合编码器,以对充电电流和环境温度这两类数据进行特征提取和跨模态融合。也就是,将所述充电电流时序矩阵和所述温度时序输入向量通过包含电流时序特征提取器和温度时序特征提取器的跨模态联合编码器以得到融合环境温度信息的电流时序特征矩阵。
其中,跨模态联合编码器是一种深度神经网络模型,包含了电流时序特征提取器和温度时序特征提取器两个特征提取器和一个融合层。其中,电流时序特征提取器用于提取电流时序矩阵的特征,温度时序特征提取器用于提取温度时序输入向量的特征,电流时序特征提取器和温度时序特征提取器可以是相同的或不同的。
在特征提取器的输出之后,跨模态联合编码器的融合层将它们融合在一起,生成融合了环境温度信息的电流时序特征矩阵。融合层的具体实现方式可以是简单的拼接、加权平均或者更加复杂的方式,例如注意力机制等。在本申请的一个具体示例中,提取所述融合环境温度信息的电流时序特征矩阵的编码过程,包括:先将所述充电电流时序矩阵通过所述电流时序特征提取器以得到充电电流时序特征向量;同时,将所述温度时序输入向量通过所述温度时序特征提取器以得到温度时序特征向量;然后,融合所述充电电流时序特征向量和所述温度时序特征向量以得到所述融合环境温度信息的电流时序特征矩阵。也就是,利用电流时序特征提取器来提取充电电流时序矩阵中关于充电电流的局部空间关联模式特征分布,并利用温度时序特征提取器来提取温度时序输入向量中所蕴含的关于环境温度的时序变化特征信息。再综合利用两者的信息,可以使得所述融合环境温度信息的电流时序特征矩阵能准确反映电动车充电过程中电流变化的规律的同时又包含有关于环境温度的动态变化信息,以丰富其特征信息。
应可以理解,通过融合环境温度信息,可以更好地捕捉环境温度对充电电流的影响,从而提高充电电流预测的准确性。由于充电电流时序矩阵和温度时序输入向量是不同的数据类型,二者之间存在一定的差异。通过跨模态联合编码器将它们融合在一起,可以减少模型的过拟合风险。而且,融合了环境温度信息的电流时序特征矩阵可以更好地反映真实世界中的充电情况,因此可以提高模型的泛化能力。最后,在步骤124中,对所述融合环境温度信息的电流时序特征矩阵进行特征分布优化以得到所述优化后融合环境温度信息的电流时序特征矩阵。在本申请的技术方案中,对将所述充电电流时序矩阵和所述温度时序输入向量通过包含电流时序特征提取器和温度时序特征提取器的跨模态联合编码器得到融合环境温度信息的电流时序特征矩阵时,是对所述充电电流时序矩阵通过基于二维卷积的电流时序特征提取器提取到的充电电流时序特征向量与所述温度时序输入向量通过基于一维卷积的温度时序特征提取器提取到的温度时序特征向量进行逐位置关联以得到所述融合环境温度信息的电流时序特征矩阵。
因此,所述融合环境温度信息的电流时序特征矩阵的每个局部可以看作为所述温度时序特征向量的相应局部时序分布与所述充电电流时序特征向量的相应局部时序分布之间的关联特征分布,也就是,所述融合环境温度信息的电流时序特征矩阵是各个局部特征分布的特征分布子集合的整体特征分布集合。
并且,由于所述温度时序特征向量的各个特征值之间本身遵循环境温度值在时序下的局部关联特征分布,而所述充电电流时序特征向量的各个特征值之间也遵循所述充电电流时序矩阵的空间关联特征分布,因此所述融合环境温度信息的电流时序特征矩阵的各个局部之间除了具有相互关联的邻域分布关系外,还具有对应于所述环境温度值在时序下的局部关联特征分布信息和所述充电电流时序矩阵的空间关联特征分布信息的多源信息关联关系。
因此,为了提升所述融合环境温度信息的电流时序特征矩阵对于各个局部特征分布的整体跨模态分布融合表达效果,本申请对所述融合环境温度信息的电流时序特征矩阵的每个位置的特征值进行空间多源融合验前信息分布优化,以获得优化后的特征值,具体表示为:包括:以如下优化公式对所述融合环境温度信息的电流时序特征矩阵进行特征分布优化以得到所述优化后融合环境温度信息的电流时序特征矩阵;
其中,所述优化公式为:
其中,和/>为邻域设置超参数,且当/>或者/>小于等于零或者大于所述融合环境温度信息的电流时序特征矩阵的宽度或者高度时,特征值/>可以设置为零或者一,/>为所述融合环境温度信息的电流时序特征矩阵的每个位置的特征值,/>为所述优化后融合环境温度信息的电流时序特征矩阵的每个位置的特征值,/>表示以2为底的对数函数。
这里,所述空间多源融合验前信息分布优化可以基于特征空间分布融合的稳健性类极大似然估计,来将所述融合环境温度信息的电流时序特征矩阵作为由多个相互关联的邻域部分对应的特征局部集合组成的特征全局集合,实现特征局部集合各自的多源验前信息到特征全局集合的有效折合,并通过多源情况下的验前信息分布构建,来获得能够用于评估特征矩阵的内部空间关联与空间信息融合变动关系之间的标准期望的优化范式,以提升所述融合环境温度信息的电流时序特征矩阵基于多源信息空间分布关联融合的表达效果,也就提升了所述融合环境温度信息的电流时序特征矩阵对于充电电流时序特征向量和所述温度时序特征向量的整体跨模态分布融合表达效果,从而提升了所述融合环境温度信息的电流时序特征矩阵通过解码器得到的解码值的准确性。
空间多源融合信息分布优化是一种常见的数据处理技术,可以用于优化跨模态联合编码器生成的特征矩阵的分布,从而提高特征矩阵的质量和可用性。在充电管理方法中,可以使用空间多源融合信息分布优化技术来优化融合环境温度信息的电流时序特征矩阵的分布,得到优化后的融合环境温度信息的电流时序特征矩阵。
具体地,在本申请的另一个实施例中,首先,将特征矩阵中的每个特征标准化为均值为0、标准差为1的高斯分布。然后,使用线性或非线性变换将特征矩阵中的特征映射到一个新的空间中。接着,选择最具代表性的特征,以减少特征矩阵的维度。然后,将多个特征矩阵融合在一起,生成一个更加全面和准确的特征矩阵。最后,使用概率分布优化技术来优化特征矩阵的分布,从而提高其质量和可用性。
通过空间多源融合信息分布优化技术,可以得到优化后的融合环境温度信息的电流时序特征矩阵,可以更好地反映真实世界中的充电情况,从而提高充电管理系统的准确性、稳定性和泛化性。
具体地,在步骤130中,基于所述优化后融合环境温度信息的电流时序特征矩阵,确定最大充电电流值的调整策略。其包括:将所述融合环境温度信息的电流时序特征矩阵通过解码器进行解码回归以得到解码值,所述解码值用于表示最大充电电流值;以及,基于所述解码值,确定最大充电电流值的调整策略。
进而,将所述融合环境温度信息的电流时序特征矩阵通过解码器进行解码回归以得到解码值,所述解码值用于表示最大充电电流值。其中,所述解码器可以根据输入的特征矩阵生成相应的输出值。具体而言,解码器的作用是根据所述融合环境温度信息的电流时序特征矩阵,生成推荐适宜的最大充电电流值,从而实现对最大充电电流值的修正。在本申请的一个具体示例中,所述解码器可以使用全连接层来构建,所述解码器的全连接层能够充分利用所述融合环境温度信息的电流时序特征矩阵中各个位置的信息。通过这样的方式来提高充电桩的安全性能。
解码器的类型可以根据具体情况而定,通常情况下,可以使用神经网络模型中的全连接层或者卷积神经网络中的反卷积层进行解码。在充电管理方法中,可以使用全连接层作为解码器,将融合了环境温度信息的电流时序特征矩阵通过全连接层进行解码回归,得到解码值,该解码值用于表示最大充电电流值。基于该解码值,可以确定最大充电电流值的调整策略,例如,当解码值大于某个阈值时,可以将最大充电电流值适当调高,以提高充电效率;反之,当解码值小于某个阈值时,可以将最大充电电流值适当调低,以避免充电过程中产生过多的热量。
将融合环境温度信息的电流时序特征矩阵通过解码器进行解码回归以得到解码值,可以用于表示最大充电电流值,从而实现对充电电流的控制和调节。同时,基于解码值确定最大充电电流值的调整策略,可以根据环境温度的变化来动态地调整充电电流,从而提高充电效率和安全性。
具体的,融合环境温度信息的电流时序特征矩阵可以反映出环境温度对充电电流的影响,而解码值则可以反映出该影响的具体程度。通过对解码值的分析和处理,可以确定最大充电电流值的调整策略,例如,当环境温度较高时,可以将最大充电电流值适当降低,以避免充电桩过热;反之,当环境温度较低时,可以将最大充电电流值适当提高,以提高充电效率。
因此,将融合环境温度信息的电流时序特征矩阵通过解码器进行解码回归以得到解码值,以及基于解码值确定最大充电电流值的调整策略,可以有效地提高充电效率和安全性。
综上,基于本发明实施例的充电桩的充电管理方法100被阐明,其采用深度学习和人工智能技术,通过对预定时间段的充电电流信号和环境温度值的获取以及对充电电流信号和环境温度值的处理和融合,可以实现对最大充电电流的有效控制和修正,提高充电桩的安全性能。
图4为本发明实施例中提供的一种充电桩的充电管理系统的框图。如图4所示,所述充电桩的充电管理系统,包括:数据获取模块210,用于获取预定时间段的充电电流信号以及所述预定时间段内多个预定时间点的环境温度值;优化模块220,用于对所述充电电流信号和所述多个预定时间点的环境温度值进行特征提取与跨模态融合以得到优化后融合环境温度信息的电流时序特征矩阵;以及,调整策略确定模块230,用于基于所述优化后融合环境温度信息的电流时序特征矩阵,确定最大充电电流值的调整策略。
具体地,所述充电桩的充电管理系统中,所述优化模块,包括:电流信号预处理单元,用于对所述充电电流信号进行数据预处理以得到充电电流时序矩阵;环境温度预处理单元,对所述多个预定时间点的环境温度值进行数据预处理以得到环境温度时序输入向量;联合编码单元,用于对所述充电电流时序矩阵和所述环境温度时序输入向量进行联合编码以得到融合环境温度信息的电流时序特征矩阵;以及,特征分布优化单元,用于对所述融合环境温度信息的电流时序特征矩阵进行特征分布优化以得到所述优化后融合环境温度信息的电流时序特征矩阵。
本领域技术人员可以理解,上述充电桩的充电管理系统中的各个步骤的具体操作已经在上面参考图1到图3的充电桩的充电管理方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本发明实施例的充电桩的充电管理系统200可以实现在各种终端设备中,例如用于充电桩的充电管理的服务器等。在一个示例中,根据本发明实施例的充电桩的充电管理系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该充电桩的充电管理系统200可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该充电桩的充电管理系统200同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该充电桩的充电管理系统200与该终端设备也可以是分立的设备,并且该充电桩的充电管理系统200可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
图5为本发明实施例中提供的一种充电桩的充电管理方法的应用场景图。如图5所示,在该应用场景中,首先,获取预定时间段的充电电流信号(例如,如图5中所示意的C1)以及所述预定时间段内多个预定时间点的环境温度值(例如,如图5中所示意的C2);然后,将获取的充电电流信号和环境温度值输入至部署有充电桩的充电管理算法的服务器(例如,如图5中所示意的S)中,其中所述服务器能够基于充电桩的充电管理算法对所述充电电流信号和所述环境温度值进行处理,以确定最大充电电流值的调整策略。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。