技术领域
[0001] 本
发明涉及交直流电网故障检测领域，具体涉及一种交直流电网运行数据的属性标定方法及系统。
背景技术
[0002] 交直流电网故障的学习对正确评估交直流电网状态具有重要意义，交直流电网故障的学习包括对交直流电网运行参数性能监控。目前，交直流电网运行状态参数学习模式主要有：1)直流换相失败和直流闭
锁情况下交流侧机组功
角、
节点电压、系统
频率和联络线功率等状态量变化特征学习；2)交直流电网故障后系统功角、电压和频率等不同失稳模式下的特征学习。现有的学习方式中传统的傅里叶变换不能够提供频域瞬态信息，
小波变换只能够提供丰富的低频信息，导致难以给出
信号的时、频与幅度三维同步显示信息。隐
马尔科夫模型(Hidden Markov Models,HMMs)作为隐状态学习的经典模型，因存在状态持续时间分布是几何形式，导致与实际应用情况不相符；此外，隐马尔科夫模型还必须设置隐藏状态数量，不准确的数量将导致模型与实际数据的偏差。贝叶斯非参数方法(Bayesian Non-Parametric,BNP)用于解决这一问题，它可以在学习过程中推断出正确的状态数量。将BNP应用于HMM，可经由层次Dirichlet过程(Hierarchical Dirichlet Process,HDP)从后验分布中推断隐藏状态数量。HDP-HMM的一些扩展模型，如自适应HDP-HMM和在线HDP-HMM已被应用于处理相关实际问题。此外，传统的HDP-HMM没有考虑到每个状态的持续时间，将导致状态之间的快速切换。通过使用隐半马尔科夫模型(Hidden semi-Markov Model,HSMM)解决状态之间的快速切换的问题，它考虑到了状态的驻留时间，进入特定状态后，驻留时间结束时，马尔科夫链将转换到下一个状态。与传统的HMM不同，HSMM的每个状态对应一段观察值，然而在交流电网故障状态检测中，状态参量的故障信号的影响非常微弱，故障开始的时间点很难被检测。
[0003] 经过检索发现：文献《特高压交直流接入对江西电网
短路电流的影响研究》存在只是定性交直流分析，给出短路电流超标问题的措施和方法，没有对异常交直流状态进行建模与识别；文献《基于DAB直流
变压器的多电压等级交直流混合配电网故障特性分析》存在仅仅开展基于机理的交直流电网故障特性分析，没有对交直流状态参数进行瞬态分析；文献《交直流碰线故障对变压器差动保护影响的实证分析》存在交直流系统进行仿真，基于系统模型的仿真结果，难以验证真实数据的交直流故障。
[0004] 综上，现有的方法仍然没有解决在交流电网故障的学习中，有效标定交直流电网运行数据属性的问题。
发明内容
[0005] 为了解决
现有技术中所存在的上述不足，本发明提供了一种交直流电网运行数据的属性标定方法，包括：
[0006] 对交直流运行参数利用光滑伪仿射维格纳-维勒分布提取瞬时谱信息并组成复合特征；
[0007] 对所述复合特征进行树变换，生成非线性不相关的特征；
[0008] 通过预先构建的层次狄利克雷过程-剩余寿命的隐半马尔科夫模型对所述非线性不相关的特征进行学习，实现交直流电网运行数据对应运行状态的属性标定；
[0009] 其中，所述层次狄利克雷过程-剩余寿命的隐半马尔科夫模型基于在交直流电网工作状态的持续时间中增加了异常状态的
停留时间进行建模。
[0010] 优选的，所述对交直流运行参数利用光滑伪仿射维格纳-维勒分布提取瞬时谱信息并组成复合特征之前，还包括：
[0011] 对交直流运行参数通过小波包进行降噪处理；
[0012] 其中，所述交直流运行参数包括：直流换相失败和直流闭锁故障下交流侧机组功角、节点电压和系统频率。
[0013] 优选的，所述对交直流运行参数利用光滑伪仿射维格纳-维勒分布提取瞬时谱信息，包括：
[0014] 对交直流运行参数进行时频分布变换，获得维格纳分布函数；
[0015] 在维格纳分布函数中利用分析信号，获得维格纳-维勒分布函数；
[0016] 在所述维格纳-维勒分布函数中添加Kaiser窗函数，得到光滑伪维格纳-维勒分布；
[0017] 基于所述光滑伪维格纳-维勒分布的时频分布提取瞬时谱信息。
[0018] 优选的，所述对交直流运行参数按下式进行时频分布变换：
[0019]
[0020] 式中：s为交直流运行参数；s*(u)是s(u)的共轭复数； 是核函数；u为时间变量；θ为 函数的固定参数；τ为驻留时间；ω为频率；t为时间。
[0021] 优选的，所述光滑伪维格纳-维勒分布，如下式所示：
[0022]
[0023] 式中：W′(l,m)为光滑伪维格纳-维勒分布；Δω为频率微分；Δt为时间微分，j为时间步长；k为频率频长；l为频时频率的时间参数；m为频时频率的角频率参数；p-l为窗函数G的时间t；q-m为窗函数G的频率ω。
[0024] 优选的，所述Kaiser窗函数，如下式所示：
[0025]
[0026] 式中：G(t,w)为窗函数；τ为Kaiser窗的驻留时间；a为决定窗口形状的非负实数；I0为第一类的零阶修正Bessel函数；t为时间；ω为频率。
[0027] 优选的，所述对所述复合特征进行树变换，生成非线性不相关的特征，包括：
[0028] 在所述复合特征中计算每一个交直流运行参数特征的协方差矩阵与相似性度量；
[0029] 在所有交直流运行参数特征中寻找相似性度量最高的协方差矩阵；
[0030] 对找到的两维向量进行主成分分析变换，获得雅可比变换矩阵；
[0031] 基于所述雅可比变换矩阵获得每层具有
正交性的基向量，并生成非线性不相关的特征。
[0032] 优选的，所述层次狄利克雷过程-剩余寿命的隐半马尔科夫模型，如下式所示：
[0033]
[0034] 式中：f是交直流状态特征，g表示驻留时间分布,GEM表示折棍构造过程,γ表示Gam函数,d为GAMMA分布参数，β为棍构造过程，α为狄利克雷过程参数，iid为一至服从，πj为(i)模型比例，θ 为模型参数， 为驻留时间分布参数，H为狄利克雷分布，N为正态分布，zs为模型学习到交直流电特征的标签，ds为驻留时间分布，yt为服从分布 的观测序列，G为随机测度， 为集中在 的概率测度，πk为随机概率测度，zs为xs的指示因子，cjk为模型的属性，μk为正态分布的均值，K为数据成份的个数。
[0035] 基于同一发明构思，本发明还提供了一种交直流电网运行数据属性标定系统，包括：
[0036] 提取模
块，用于对交直流运行参数利用光滑伪仿射维格纳-维勒分布提取瞬时谱信息并组成复合特征；
[0037] 变换模块，用于对所述复合特征进行树变换，生成非线性不相关的特征；
[0038] 学习模块，用于通过预先构建的层次狄利克雷过程-剩余寿命的隐半马尔科夫模型对所述非线性不相关的特征进行学习，实现交直流电网运行数据对应运行状态的属性标定；
[0039] 其中，所述层次狄利克雷过程-剩余寿命的隐半马尔科夫模型基于对交直流电网工作状态的持续时间进行建模。
[0040] 优选的，所述变换模型，包括：
[0041] 计算单元，用于在所述复合特征中计算每一个交直流运行参数特征的协方差矩阵与相似性度量；
[0042] 寻找单元，用于在所有交直流运行参数特征中寻找相似性度量最高的协方差矩阵；
[0043] 变换单元，用于对找到的两维向量进行主成分分析变换，获得雅可比变换矩阵；
[0044] 生成单元，用于基于所述雅可比变换矩阵获得每层具有正交性的基向量，并生成非线性不相关的特征。
[0045] 优选的，所述层次狄利克雷过程-剩余寿命的隐半马尔科夫模型，如下式所示：
[0046]
[0047] 式中：f是交直流状态特征，g表示驻留时间分布,GEM表示折棍构造过程,γ表示Gam函数,c为属性标签，d为GAMMA分布参数，β为棍构造过程，α为狄利克雷过程参数，iid为一至服从，πj为模型比例，θ(i)为模型参数， 为驻留时间分布参数，H为狄利克雷分布，N为正态分布，zs为模型学习到交直流电特征的标签，ds为驻留时间分布，yt为服从分布的观测序列，G为随机测度， 为集中在 的概率测度，πk为随机概率测度，zs为xs的指示因子，cjk为模型的属性，μk为正态分布的均值，K为数据成份的个数。
[0048] 与现有技术相比，本发明的有益效果为：
[0049] 本发明提供的技术方案，对交直流运行参数利用光滑伪仿射维格纳-维勒分布提取瞬时谱信息并组成复合特征；对所述复合特征进行树变换，生成非线性不相关的特征；通过预先构建的层次狄利克雷过程-剩余寿命的隐半马尔科夫模型对所述非线性不相关的特征进行学习，实现交直流电网运行数据对应运行状态的属性标定；通过层次狄利克雷过程-剩余寿命的隐半马尔科夫模型的学习能够显著地探测到异常状态，解决了交直流电网安全保障一直难以解决的问题。
[0050] 本发明构建了剩余寿命的HSMM，可以表征交直流电网运行参数的异常状态的程度，不关心交直流电网异常状态的开始点，而关心交直流电网异常状态开始以后到极度故障的剩余时间。
[0051] 本发明采用层次狄利克雷过程-剩余寿命的隐半马尔科夫模型HDP-HSMM来探测交直流电网故障状态，它增加了异常状态的停留时间，使故障更容易被检测到。
附图说明
[0052] 图1交直流电网运行属性标定流程
[0053] 图2为交直流电网状态信息；
[0054] 图3为由SPAWVD得到的时频分布谱特征
能量；
[0055] 图4为SPAWVD得到的四个非线性不相关的特征分布；
[0056] 图5为HDP-HSMM的结构示意图。
具体实施方式
[0057] 为了更好地理解本发明，下面结合
说明书附图和实例对本发明的内容做进一步的说明。
[0058] 如图1所示，本发明提供的一种基于层次狄利克雷过程-隐半马尔科夫模型的交直流电网运行数据属性标定方法，包括以下步骤：
[0059] 步骤S1：对交直流运行参数利用光滑伪仿射维格纳-维勒分布提取瞬时谱信息并组成复合特征；
[0060] 步骤S2：对所述复合特征进行树变换，生成非线性不相关的特征；
[0061] 步骤S3：通过预先构建的层次狄利克雷过程-剩余寿命的隐半马尔科夫模型对所述非线性不相关的特征进行学习，实现交直流电网运行数据对应运行状态的属性标定；
[0062] 其中，所述层次狄利克雷过程-剩余寿命的隐半马尔科夫模型基于在交直流电网工作状态的持续时间中增加了异常状态的停留时间进行建模。
[0063] 进一步地，步骤S1中，由于交直流电网状态参数信号是一个混杂
电信号，在数据收集过程中很容易混入其他噪声，需先对状态参数信号进行去噪处理以减少对后续特征提取及识别过程的影响。如图2所示，本
申请选取db10的小波包变换对典型状态参数信号进行分解，然后由小波系数重构去噪后的典型状态参数信号。
[0064] 为了获取这些交直流电网运行参数信号的瞬时
频谱信息，提出了改进的基于Kaiser窗的维格纳-维勒分布(Wigner-Ville Distribution,WVD)。维格纳分布函数(Wigner Distribution Function，WDF)是分析非平稳信号的重要方法。可能由于交叉项干扰而使谱信息产生负值。采用加入滑动指数窗使维格纳-维勒分布的仿射光滑化可以有效抑制交叉项的干扰，这种改进方法称为光滑伪仿射维格纳-维勒分布(Smoothed Pseudo-affine WVD,SPAWVD)。
[0065] 信号s(u)的时频分布可表示为：
[0066]
[0067] 其中s*(u)是s(u)的共轭复数， 是核函数。
[0068] 根据选取核函数的不同可以产生不同的分布。当核函数 时，可以得到维格纳分布：
[0069]
[0071]
[0072] 其中Rt(τ)是时变自相关函数，由此,可以得到时变能量谱密度函数。
[0073] 对于一个连续的WDF：
[0074] w(t,ω)＝∫Rt(τ)e-jwτdτ (4)
[0075] 其中Rt(τ)可用对称形式表示为：
[0076]
[0077] 另外,离散时间的WDF可表示为：
[0078]
[0079] 当对信号s(t)进行
采样时,会导致WDF中信号的
混叠，避免混叠信号的有效方法是在计算WDF前利用分析信号，分析WDF也被称为维格纳-维勒分布，可表示为：
[0080]
[0081] 其中H{sr(n)}是Hilbert变换，由90度
相移的脉冲响应h(t)的卷积生成。
[0082] 为了避免干扰项影响产生的负值，在WVD中加入Kaiser窗函数G(t,w)：
[0083]
[0084] 其中τ是Kaiser窗的驻留时间，a是决定窗口形状的非负实数。I0是第一类的零阶修正Bessel函数。
[0085] 相应的，WVD可表示为：
[0086]
[0087] 选取适当的w和t，可以得到采样的Kaiser窗函数：
[0088]
[0089] 其中p和q的取值分别在±2j和±2k之间变化。由采样的WDF和Kaiser窗函数的卷积,可以得到光滑伪维格纳-维勒分布(Smoothed Pseudo Wigner-Ville Distribution,SPWVD)：
[0090]
[0091] 然后，仿射SPWVD可以表示为：
[0092]
[0093] 其中Ψ(t,m)是光滑函数。
[0094] 本发明中交直流电网运行参数s经过式(1)的时频分布变换，到经过式(12)获得电网参数s的时间-频率-幅度的三维图谱，进一步经过SPAWVD变换获得的谱密度ps(ω)。本发明中使用SPAWVD的瞬时频谱来代替FFT的频谱，因为FFT只能在给定时间段内提供平均频谱信息，而SPAWVD能即时提供交直流电网运行状态信号的时频幅度信息。
[0095] 为了评估SPAWVD时频分析的优势，本发明提供四种特征提取的方式，包括维格纳-维勒分布(Wigner-Ville Distribution,WVD)，伪维格纳-维勒分布(Pseudo Wigner-Ville Distribution,PWVD)，光滑伪维格纳-维勒分布(Smoothed Pseudo Wigner-Ville Distribution,SPWVD)和光滑伪仿射维格纳-维勒分布(Smoothed Pseudo-affine Wigner-Ville Distribution,SPAWVD)，通过上述四种提取方式分别对交直流电网运行参数进行处理，获得四种不同的时频分布。如图3提供的由SPAWVD得到的时频分布谱特征能量，显然，PWVD比WVD具有更强的局部时频特征提取能
力，SPAWVD比SPWVD具有显著的局部细节特征表示能力，即SPAWVD与SPWVD均给出了交直流电网状态参数信号的瞬时三维特征(时间，频域，幅度)，但SPAWVD相比SPWVD能提取出更为丰富的瞬时局部频谱信息。
[0096] 相对于现有技术本发明提出一种光滑伪仿射维格纳-维勒分布(Smoothed Pseudo-affine Wigner-Ville Distribution,SPAWVD)分布，对于交直流电网运行状态量分别处理，获取其瞬时频率、瞬时振幅、时频分布边际谱等特征。
[0097] 进一步，步骤2中，利用树变换Treelets对步骤1中基于SPAWD的时频谱特征进行如下操作：
[0098] 1)计算每一个交直流参数特征x的协方差矩阵与相似性度量；
[0099] 2)寻找相似性度量最高的协方差矩阵；
[0100] 3)对找到的两维向量进行主成分分析PCA变换，找到雅可比变换矩阵；
[0101] 4)雅可比变换后，获得每层具有正交性的基向量，x数据降为到k,保留原始信号能量大于90％。
[0102] 从图4可以看出，由SPAWVD学习到的时频谱特征，经过Treelet变换可以获得非线性不相关的特征，这些特征分布没有交集。
[0103] 本发明基于向量相似度量测度(最大相异系数、相对误差距离、广义Dice系数和广义Jaccard系数)的Treelet相似向量选择机制，提出一种适合多源混杂信号的向量相似度，建立一种最优树变换(Treelet Transform)。利用树变换对上述特征进行除关联操作，产生
特征向量线性无关，实现对具有相似特性的特征进行合并，从而完成交直流电网运行状态信号初步特征提取。
[0104] 进一步地，步骤3中HDP-HSMM模型的发射概率分布函数为Gaussian混合分布，参数采样为Dirichlet先验，状态驻留概率服从Possion分布。
[0105] 按照下列的构建过程，构建如图5所示的HDP-HSMM：
[0106] 1)为解决必须设置隐藏状态数量的问题，在HSMM中加入层次狄利克雷过程(Hierarchical Dirichlet Process,HDP)，作为无限
状态空间的先验。
[0107] 狄利克雷过程可由随机概率密度分布G0与正实数α0表示：
[0108] G～DP(α0,G0)
[0109] 本发明使用折棍(stick-breaking)过程来构造狄利克雷过程，
[0110]
[0111] 其中，G为随机测度， 为集中在 的概率测度，πk为随机概率测度。
[0112] 折棍过程可记作：
[0113] π～GEM(α0)
[0114] 2)同样由折棍过程构造狄利克雷混合过程：
[0115]
[0116] 其中zs为xs的指示因子。
[0117] 假定xij服从分布F(θij)，θji服从分布Gj，且取值为 的概率为πjk，层次狄利克雷过程可表示为：
[0118]
[0119] 3)HDP-HSMM的生成过程与HDP-HMM类似，可由下述公式表示：
[0120]
[0121] 其中f是交直流状态特征，g表示驻留时间分布,GEM表示折棍构造过程,γ表示Gam函数,zs为模型学习到交直流电特征的标签，ds为驻留时间分布，yt为服从分布 的观测序列，c为属性标签，d为GAMMA分布参数，β为棍构造过程，α为狄利克雷过程参数，iid为一至服从，πj为模型比例，θ(i)为模型参数， 为驻留时间分布参数，H为狄利克雷分布，N为正态分布，G为随机测度， 为集中在 的概率测度，πk为随机概率测度，zs为xs的指示因子，cjk为模型的属性，μk为正态分布的均值，K为数据成份的个数。
[0122] 本发明中标签的形式是1，2，3，分别对应着正常、微异常状态和故障状态，标签是属性的定量化表示。
[0123] 本发明构建了剩余寿命的HSMM，它可以表征交直流电网运行参数的异常状态的程度，不关心交直流电网异常状态的开始点，而关心交直流电网异常状态开始以后到极度故障的剩余时间(寿命)。因此能够显著地探测到异常状态，这正是交直流电网安全保障一直难以解决的问题，也是建模的出发点。
[0124] 关于应用该模型检测交直流电网故障状态，本发明采用HDP-HSMM来探测交直流电网故障状态，它增加了异常状态的停留时间，使故障更容易被检测到。
[0125] 本发明提出了基于先进信号征处理的交直流电网运行参数多模态特征提取方法和基于层次狄利克雷过程(Hierarchical Dirichlet Processes,HDP)-剩余寿命的隐半马尔科夫模型(Hidden semi-Markov Model with Remaining Useful Life,HSMM-RUL)的交直流电网特征属性识别研究。
[0126] 本发明提供了一种基于层次狄利克雷过程-隐半马尔科夫模型的交直流电网运行数据属性标定方法，解决了如下技术问题：
[0127] (1)采用db10的小波包变换对典型状态参数信号进行分解，然后由小波系数重构去噪后的典型状态参数信号，对去噪后的状态参数信号采用改进的基于Kaiser窗的维格纳-维勒分布(Wigner-Ville Distribution,WVD)提取，解决了特征数据过于简单，对噪声干扰难以避免的问题。
[0128] (2)提出了最优树变换(Treelet Transform)对上述特征进行除关联操作，产生特征向量线性无关，实现对具有相似特性的特征进行合并，从而完成交直流电网运行状态信号初步特征提取，保证原信号能量充足的情况下，将数据维度尽量降低。
[0129] (3)提供了严谨的分类
算法，使其适应新更强，不是完全依赖参数。并且分类算法应该可以处理非线性数据。
[0130] 本
实施例以采集到的3个交直流运行参数为例进行分析，交直流运行参数中包含若干个电网运行状态：状态1(正常)、状态2(微异常状态)和状态3(故障状态)。对每个运行参数，分别进行SPAWVD时频处理并提取瞬时谱信息，组合成为复合特征，经过Treelet变换后，形成四个非线性不相关的特征，通过HDP-HSMM的f进行潜变量zs学习，实现交直流运行状态属性标定。
[0131] 与其他隐状态学习模型如高斯混合模型GMM、HMM和HSMM进行比较，GMM对于交直流瞬态谱信息的处理能力最弱。显然，高斯模型很容易受到数据的
波动影响。HMM由于没有考虑到状态的驻留时间，导致状态间的快速切换，异常状态(微异常和故障状态)识别度低于HSMM。而HSMM的识别度一定程度上受到隐藏状态数量设置的影响，在异常状态识别中的
精度明显不如HDP-HSMM，这是由于HSMM的参数先验采用HDP方法设置，因而HDP-HSMM更能够精确识别细微的特征，这也验证了HDP-HSMM自动推断隐状态数量的优势。在实际数据集下，本申请提出的基于SPAWVD的特征提取与HDP-HSMM状态识别方法均有较高的分类精确度。另外隐半可尔可夫模型是
无监督学习模型，是实现数据标定工作的。深度收缩模型是
深度学习模型的一种，它既可以
无监督学习特征，也可以有监督进行识别。
[0132] 基于同一发明构思，本发明还提供了一种交直流电网运行数据属性标定系统，包括：
[0133] 提取模块，用于对交直流运行参数利用光滑伪仿射维格纳-维勒分布提取瞬时谱信息并组成复合特征；
[0134] 变换模块，用于对所述复合特征进行树变换，生成非线性不相关的特征；
[0135] 学习模块，用于通过预先构建的层次狄利克雷过程-剩余寿命的隐半马尔科夫模型对所述非线性不相关的特征进行学习，实现交直流电网运行数据对应运行状态的属性标定；
[0136] 其中，所述层次狄利克雷过程-剩余寿命的隐半马尔科夫模型基于对交直流电网工作状态的持续时间进行建模。
[0137] 本实施例中，所述变换模型，包括：
[0138] 计算单元，用于在所述复合特征中计算每一个交直流运行参数特征的协方差矩阵与相似性度量；
[0139] 寻找单元，用于在所有交直流运行参数特征中寻找相似性度量最高的协方差矩阵；
[0140] 变换单元，用于对找到的两维向量进行主成分分析变换，获得雅可比变换矩阵；
[0141] 生成单元，用于基于所述雅可比变换矩阵获得每层具有正交性的基向量，并生成非线性不相关的特征。
[0142] 本实施例中，所述层次狄利克雷过程-剩余寿命的隐半马尔科夫模型，如下式所示：
[0143]
[0144] 式中：f是交直流状态特征，g表示驻留时间分布,GEM表示折棍构造过程,γ表示Gam函数,zs为模型学习到交直流电特征的标签，ds为驻留时间分布，yt为服从分布的观测序列，G为随机测度， 为集中在 的概率测度，πk为随机概率测度，zs为xs的指示因子。
[0145] 本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或
计算机程序产品。因此，本申请可采用完全
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，本申请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。
[0146] 本申请是参照根据本申请实施例的方法、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。
[0147] 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。
[0148] 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。
[0149] 以上仅为本发明的实施例而已，并不用于限制本发明，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，均包含在申请待批的本发明的
权利要求范围之内。
