一种基于PSORBFNN的单相逆变器阻抗辨识方法及系统 |
|||||||
| 申请号 | CN202311761027.8 | 申请日 | 2023-12-20 | 公开(公告)号 | CN117955154A | 公开(公告)日 | 2024-04-30 |
| 申请人 | 广西电网有限责任公司电力科学研究院; 湖南大学; | 发明人 | 金庆忍; 周柯; 卓浩泽; 荣飞; 彭也伦; 陈燕东; 田君杨; 王佳琳; 李菱; 马伏军; 伍文华; 谢志为; | ||||
| 摘要 | 本 发明 公开了一种基于PSORBFNN的单相逆变器阻抗辨识方法及系统，涉及 可再生 能源 发电技术领域，包括采集单相LCL并网逆变器结构和SOGI‑PLL结构参数，基于参数构建阻抗模型；基于RBFNN，构建阻抗识别 框架 ；基于阻抗识别框架，构建RBFNN 预测模型 ，进行阻抗模型中阻抗的辨别和预测。本发明所述方法通过采集单相LCL并网逆变器结构和SOGI‑PLL结构参数，基于参数构建阻抗模型，提高了建模的实用性和阻抗分析的灵活性；通过基于RBFNN，构建阻抗识别框架，利用神经网络的非线性能 力 ，使得对逆变器多工作点的阻抗辨识更加灵活和高效；通过基于阻抗识别框架，构建RBFNN预测模型，提高了模型的泛化能力和适应性，提高了阻抗分析的精准度。 | ||||||
| 权利要求 | 1.一种基于PSORBFNN的单相逆变器阻抗辨识方法，其特征在于，包括： |
||||||
| 说明书全文 | 一种基于PSORBFNN的单相逆变器阻抗辨识方法及系统技术领域背景技术[0002] 随着并网逆变器在电力系统中的广泛应用，逆变器之间、逆变器与电网之间的相互作用可能引发一系列的稳定性问题，阻抗分析法是分析逆变器和电网交互系统稳定性的有力方法，然而逆变器的理论阻抗建模需要提前知道其控制结构和参数，并且模型的推导过程相对比较复杂，难以应用于工程实践当中，新能源通常具有出力波动性的特点，也就意味着工作点是变化的，而在阻抗测量过程中，通常是针对某个特定的工作点进行测量，不适用于工作点经常变化的场景的分析，传统的阻抗分析方法往往依赖于详细的逆变器理论阻抗建模，这意味着在应用阻抗分析法之前，必须事先获得逆变器的控制结构和参数，这个过程相对复杂，不仅需要深入了解逆变器的内部工作原理，还需要进行复杂的数学推导，这限制了这种方法的实用性，特别是在工程实践中难以准确获取逆变器参数的情况下。 [0003] 现有的阻抗分析方法通常是针对特定工作点进行测量和分析的，然而，新能源系统通常表现出较大的出力波动性，导致逆变器的工作点不断变化，在这种情况下，基于特定工作点的阻抗测量难以全面反映逆变器在不同工作点下的动态特性，这种固定工作点的分析方法显然无法适应现代电力系统对灵活性和适应性的要求，现有技术在阻抗辨识方法中对误差分析和模型验证的研究相对较少，虽然一些方法使用神经网络等技术进行阻抗识别，但缺乏对模型的有效性和精度的充分验证，在实际应用中，一个可靠且准确的阻抗辨识模型对于确保系统的稳定性至关重要，但现有技术在这方面尚存在不足。 发明内容[0004] 鉴于上述存在的问题，提出了本发明。 [0005] 因此，本发明解决的技术问题是：现有的阻抗分析方法存在可靠性低， [0006] 灵活性低，准确度低，以及如何得到并网逆变器多工作点的阻抗的问题。 [0007] 为解决上述技术问题，本发明提供如下技术方案：一种基于PSORBFNN的单相逆变器阻抗辨识方法，包括采集单相LCL并网逆变器结构和SOGI‑PLL结构参数，基于参数构建阻抗模型；基于RBFNN，构建阻抗识别框架；基于阻抗识别框架，构建RBFNN预测模型，进行阻抗模型中阻抗的辨别和预测。 [0008] 作为本发明所述的基于PSORBFNN的单相逆变器阻抗辨识方法的一种优选方案，其中：所述采集单相LCL并网逆变器结构和SOGI‑PLL结构参数包括Vdc、uinv、ug以及us分别表示直流电压、逆变器输出电压、公共耦合点PCC电压和理想电网电压，ig和iC分别表示电网电流和电容电流，逆变器侧电感L1、电容C1和电网侧电感L2共同构成LCL滤波器，Im为电网电流ig的幅值参考，iref为参考电网电流，Gc(s),Gf(s),Gd(s)和GSOGI_PLL(s)分别表示电流控制器PI参数、PCC电压前馈、数字控制延迟和锁相环PLL的传递函数。 [0009] 作为本发明所述的基于PSORBFNN的单相逆变器阻抗辨识方法的一种优选方案，其中：所述构建阻抗模型包括对单相LCL并网逆变器进行阻抗测量时，在PCC点注入电压扰动，通过改变扰动电压的频率并记录PCC处的电压和电流，基于快速傅里叶分解提取注入频率处的电压和电流幅值和相角的信息，阻抗模型Zinv表示为： [0010] [0011] [0012] [0013] [0014] 其中，kAD为有源阻尼系数，kPWM为PWM增益， Gf(s)＝0.6，TPLL(s)为SRF‑PLL的传递函数，Gα(s)和Gβ(s)分别为ug、uα、uβ的传递函数，Pα(s)、Pβ(s)、Nα(s)和Nβ(s)分别为不同的传递函数。 [0015] [0017] [0018] [0019] 其中，uα和uβ为ug经过clark变换后的α、β轴电压，ke为SOGI锁的参数。 [0020] [0021] [0022] [0023] [0024] 其中，ω1＝2πf1，f1为基频频率。 [0025] 作为本发明所述的基于PSORBFNN的单相逆变器阻抗辨识方法的一种优选方案，其中：所述构建阻抗识别框架包括基于RBFNN，构建阻抗识别框架；RBFNN包括输入层、隐藏层和输出层，RBFNN为三层神经网络，从输入空间到隐藏空间的转换时为非线性的，从隐藏空间到输出空间的转换时为线性的；阻抗识别框架为多工作点阻抗模型框架，工作点参数包括Vd、Vq、Id、Iq，工作点参数作为输入，建立阻抗模型与工作点间的关联，频率fp作为输入，捕捉阻抗模型的频率相关特性，逆变器输出阻抗的实部和虚部被用作输出，通过调整逆变器的工作点和扰动频率进行重复测量和计算，阻抗测量时创建一个数据集，测得的数据集被分成训练数据集和验证数据集，训练数据集训练径向基函数神经网络RBFNN，验证数据集验证生成的RBFNN模型。 [0026] 作为本发明所述的基于PSORBFNN的单相逆变器阻抗辨识方法的一种优选方案，其中：所述构建RBFNN预测模型包括初始化RBFNN结构，计算隐藏层的数量以及每个隐藏层中神经元的数量，输入层包含五个神经元，输出层包含两个神经元，采用单隐藏层，隐藏层中神经元的数量基于迭代的试错过程进行计算，径向基神经网络的激活函数表示为： [0027] [0028] RBFNN的输出表示为： [0029] [0030] j＝1,2,……,J [0031] 其中，||xp‑xi||为欧式范数，ci为高斯函数的中心，σ为高斯函数的方差，wi为从隐藏层到输出层的连接权重，yj为与输入样本对应的网络中第j个输出节点的实际输出，xp＝T(x1,x2,x3,…xp) 为第p个输入样本，p＝1,2,3,…P，P为样本总数，i＝1,2,3…h，i为隐藏层节点数，在部署RBFNN前，对输入数据进行标准化和归一化预处理，隐藏层神经元的中心点通过聚类算法建立，基函数的中心点通过K均值聚类方法建立，随机选择h个训练样本作为聚类中心，基于最近邻原则将输入训练样本集进行分组，将xp分配到每个聚类集合θp(p＝1, 2,3,…,P)的过程基于xp和中心点ci间的欧氏距离，计算每个聚类集合θp中训练样本的平均值，获取新的聚类中心ci，当新的聚类中心不再变化时，ci为RBFNN基函数的最终中心，当新的聚类中心变化时，重复隐藏层神经元的中心点的计算过程，隐藏层的宽度通过最大距离进行计算，从隐藏层到输出层的权重通过线性回归或最小二乘法计算，表示为： [0032] [0033] i＝1,2,……,h；p＝1,2,……,P [0034] 其中，cmax是选取中心间的最大距离。 [0035] 作为本发明所述的基于PSORBFNN的单相逆变器阻抗辨识方法的一种优选方案，其中：所述构建RBFNN预测模型还包括通过测得的工作点和阻抗数据进行训练RBFNN模型，将训练数据分为两个不同的集合包括85％的数据训练RBFNN，剩余的15％在训练过程中进行性能测试。 [0036] 作为本发明所述的基于PSORBFNN的单相逆变器阻抗辨识方法的一种优选方案，其中：所述进行阻抗模型中阻抗的辨别和预测包括基于平均绝对误差和平均偏差误差，通过训练后的BP神经网络和RBF神经网络预测测试数据集的输出，通过分析预测值与实际值间的误差评估模型的性能。 [0037] 本发明的另外一个目的是提供一种基于PSORBFNN的单相逆变器阻抗辨识系统，其能通过采集单相LCL并网逆变器结构和SOGI‑PLL结构参数，基于参数构建阻抗模型，解决了目前的阻抗分析方法含有灵活性低的问题。 [0038] 作为本发明所述的基于PSORBFNN的单相逆变器阻抗辨识系统的一种优选方案，其中：包括参数处理模块，框架构建模块，辨别预测模块；所述参数处理模块用于采集单相LCL并网逆变器结构和SOGI‑PLL结构参数，基于参数构建阻抗模型；所述框架构建模块用于基于RBFNN，构建阻抗识别框架，通过验证数据集验证生成的RBFNN模型；所述辨别预测模块用于基于阻抗识别框架，构建RBFNN预测模型，进行阻抗模型中阻抗的辨别和预测。 [0040] 一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现基于PSORBFNN的单相逆变器阻抗辨识方法的步骤。 [0041] 本发明的有益效果：本发明提供的基于PSORBFNN的单相逆变器阻抗辨识方法通过采集单相LCL并网逆变器结构和SOGI‑PLL结构参数，基于参数构建阻抗模型，绕过传统复杂的理论阻抗建模过程，直接从实际参数出发，提高了建模的实用性和阻抗分析的灵活性；通过基于RBFNN，构建阻抗识别框架，利用神经网络的非线性能力，使得对逆变器多工作点的阻抗辨识更加灵活和高效；通过基于阻抗识别框架，构建RBFNN预测模型，引入神经网络进行预测，提高了模型的泛化能力和适应性，提高了阻抗分析的精准度，本发明在灵活性、效率以及可靠性方面都取得更加良好的效果。附图说明 [0042] 为了更清楚地说明本发明实施例的技术方案，下面将对实施例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的前提下，还可以根据这些附图获得其它的附图。 [0043] 图1为本发明第一个实施例提供的一种基于PSORBFNN的单相逆变器阻抗辨识方法的整体流程图。 [0044] 图2为本发明第二个实施例提供的一种基于PSORBFNN的单相逆变器阻抗辨识方法的单相并网逆变器结构图。 [0045] 图3为本发明第二个实施例提供的一种基于PSORBFNN的单相逆变器阻抗辨识方法的SOGI‑PLL结构框图。 [0046] 图4为本发明第二个实施例提供的一种基于PSORBFNN的单相逆变器阻抗辨识方法的RBFNN的结构框图。 [0047] 图5为本发明第二个实施例提供的一种基于PSORBFNN的单相逆变器阻抗辨识方法的BPNN的预测结果图。 [0048] 图6为本发明第二个实施例提供的一种基于PSORBFNN的单相逆变器阻抗辨识方法的BPNN的预测结果图。 [0049] 图7为本发明第二个实施例提供的一种基于PSORBFNN的单相逆变器阻抗辨识方法的RBFNN的预测结果图。 [0050] 图8为本发明第二个实施例提供的一种基于PSORBFNN的单相逆变器阻抗辨识方法的RBFNN的预测结果图。 [0051] 图9为本发明第二个实施例提供的一种基于PSORBFNN的单相逆变器阻抗辨识方法的PSORBFNN的预测结果图。 [0052] 图10为本发明第二个实施例提供的一种基于PSORBFNN的单相逆变器阻抗辨识方法的PSORBFNN的预测结果图。 [0053] 图11为本发明第三个实施例提供的一种基于PSORBFNN的单相逆变器阻抗辨识系统的整体流程图。 具体实施方式[0054] 为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。 [0055] 实施例1 [0056] 参照图1，为本发明的一个实施例，提供了一种基于PSORBFNN的单相逆变器阻抗辨识方法，包括： [0057] S1：采集单相LCL并网逆变器结构和SOGI‑PLL结构参数，基于参数构建阻抗模型。 [0058] 更进一步的，采集单相LCL并网逆变器结构和SOGI‑PLL结构参数包括Vdc、uinv、ug以及us分别表示直流电压、逆变器输出电压、公共耦合点PCC电压和理想电网电压，ig和iC分别表示电网电流和电容电流，逆变器侧电感L1、电容C1和电网侧电感L2共同构成LCL滤波器，Im为电网电流ig的幅值参考，iref为参考电网电流，Gc(s),Gf(s),Gd(s)和GSOGI_PLL(s)分别表示电流控制器PI参数、PCC电压前馈、数字控制延迟和锁相环PLL的传递函数。 [0059] 应说明的是，构建阻抗模型包括对单相LCL并网逆变器进行阻抗测量时，在PCC点注入电压扰动，通过改变扰动电压的频率并记录PCC处的电压和电流，基于快速傅里叶分解提取注入频率处的电压和电流幅值和相角的信息，阻抗模型Zinv表示为： [0060] [0061] [0062] [0063] [0064] 其中，kAD为有源阻尼系数，kPWM为PWM增益， Gf(s)＝0.6，TPLL(s)为SRF‑PLL的传递函数，Gα(s)和Gβ(s)分别为ug、uα、uβ的传递函数，Pα(s)、Pβ(s)、Nα(s)和Nβ(s)分别为不同的传递函数。 [0065] [0066] 其中，kp_pll和ki_pll为锁相环的比例系数和积分系数，Ug为电网电压。 [0067] [0068] [0069] 其中，uα和uβ为ug经过clark变换后的α、β轴电压，ke为SOGI锁的参数。 [0070] [0071] [0072] [0073] [0074] 其中，ω1＝2πf1，f1为基频频率。 [0075] 还应说明的是，通过对单相LCL并网逆变器结构和SOGI‑PLL结构参数的采集，能够深入了解逆变器的构造和工作原理，逆变器的LCL滤波器由逆变器侧电感、电容和电网侧电感构成，这些参数的准确获取为进一步的分析和优化奠定了基础，SOGI‑PLL结构参数的采集则有助于了解锁相环的设计特点，提高系统对电网同步的精度，在对逆变器进行阻抗测量时，通过在公共耦合点PCC处注入电压扰动，记录电压和电流响应，可以得到逆变器对电网扰动的响应信息，通过快速傅里叶分解，提取出注入频率处的电压和电流的幅值和相角信息，从而构建阻抗模型，这一模型反映了逆变器在不同频率下的响应特性，为系统的稳定性分析提供了有力的工具，将结构参数采集与阻抗模型构建相结合，为单相LCL并网逆变器的优化提供了一种全面而深入的方法，通过深入理解逆变器的结构特点和对系统阻抗的建模分析，可以为工程师和设计人员提供更精确的信息，指导系统的调试和优化，提高系统的稳定性和性能。 [0076] S2：基于RBFNN，构建阻抗识别框架。 [0077] 更进一步的，构建阻抗识别框架包括基于RBFNN，构建阻抗识别框架；RBFNN包括输入层、隐藏层和输出层，RBFNN为三层神经网络，从输入空间到隐藏空间的转换时为非线性的，从隐藏空间到输出空间的转换时为线性的。 [0078] 应说明的是，阻抗识别框架为多工作点阻抗模型框架，工作点参数包括Vd、Vq、Id、Iq，工作点参数作为输入，建立阻抗模型与工作点间的关联，频率fp作为输入，捕捉阻抗模型的频率相关特性，逆变器输出阻抗的实部和虚部被用作输出，通过调整逆变器的工作点和扰动频率进行重复测量和计算，阻抗测量时创建一个数据集，测得的数据集被分成训练数据集和验证数据集，训练数据集训练径向基函数神经网络RBFNN，验证数据集验证生成的RBFNN模型。 [0079] 还应说明的是，RBFNN的输入层接收工作点参数和频率作为输入，隐藏层通过径向基函数进行非线性转换，输出层实现线性转换，这种结构使得神经网络能够学习复杂的阻抗模型，通过神经网络的学习和训练，可以得到高度精准的阻抗模型，准确描述系统在不同工作点和频率下的阻抗特性，通过对阻抗的深入理解，可以优化电路和系统设计，提高性能和效率，该框架还可用于自适应控制系统，根据实时阻抗信息调整系统参数，实现更稳定和可靠的运行。 [0080] S3：基于阻抗识别框架，构建RBFNN预测模型，进行阻抗模型中阻抗的辨别和预测。 [0081] 更进一步的，构建RBFNN预测模型包括初始化RBFNN结构，计算隐藏层的数量以及每个隐藏层中神经元的数量，输入层包含五个神经元，输出层包含两个神经元，采用单隐藏层，隐藏层中神经元的数量基于迭代的试错过程进行计算，径向基神经网络的激活函数表示为： [0082] [0083] RBFNN的输出表示为： [0084] [0085] j＝1,2,……,J [0086] 其中，||xp‑xi||为欧式范数，ci为高斯函数的中心，σ为高斯函数的方差，wi为从隐藏层到输出层的连接权重，yj为与输入样本对应的网络中第j个输出节点的实际输出，xp＝T(x1,x2,x3,…xp) 为第p个输入样本，p＝1,2,3,…P，P为样本总数，i＝1,2,3…h，i为隐藏层节点数，在部署RBFNN前，对输入数据进行标准化和归一化预处理，隐藏层神经元的中心点通过聚类算法建立，基函数的中心点通过K均值聚类方法建立，随机选择h个训练样本作为聚类中心，基于最近邻原则将输入训练样本集进行分组，将xp分配到每个聚类集合θp(p＝1, 2,3,…,P)的过程基于xp和中心点ci间的欧氏距离，计算每个聚类集合θp中训练样本的平均值，获取新的聚类中心ci，当新的聚类中心不再变化时，ci为RBFNN基函数的最终中心，当新的聚类中心变化时，重复隐藏层神经元的中心点的计算过程，隐藏层的宽度通过最大距离进行计算，从隐藏层到输出层的权重通过线性回归或最小二乘法计算，表示为： [0087] [0088] i＝1,2,……,h；p＝1,2,……,P [0089] 其中，cmax是选取中心间的最大距离。 [0090] 应说明的是，构建RBFNN预测模型还包括通过测得的工作点和阻抗数据进行训练RBFNN模型，将训练数据分为两个不同的集合包括85％的数据训练RBFNN，剩余的15％在训练过程中进行性能测试，进行阻抗模型中阻抗的辨别和预测包括基于平均绝对误差和平均偏差误差，通过训练后的BP神经网络和RBF神经网络预测测试数据集的输出，通过分析预测值与实际值间的误差评估模型的性能。 [0091] 还应说明的是，通过结合RBFNN和BP神经网络，模型能够更准确地预测阻抗数据，有助于理解系统在不同工作点下的行为，通过使用15％的数据进行性能测试，确保模型具有良好的泛化能力，可以处理未见过的数据并保持预测的准确性，通过使用平均绝对误差和平均偏差误差，可以全面评估模型的性能，为进一步优化提供指导。 [0092] 实施例2 [0093] 参照图2‑图10，为本发明的一个实施例，提供了一种基于PSORBFNN的单相逆变器阻抗辨识方法，为了验证本发明的有益效果，通过经济效益计算和仿真实验进行科学论证。 [0094] 首先，在Simulink中建立了一个单相并网逆变器的仿真模型，如图2所示，SOGI‑PLL的结构在图3中示出，图4为RBFNN的结构框图，其中逆变器的参数详见表1，为了简化测量过程，仅调整d轴电压和电流的幅值来获得多个工作点的阻抗样本。 [0095] 表1逆变器参数表 [0096] [0097] [0098] 在本发明中，数据集被分为两部分，即训练数据集和验证数据集，在训练数据集中，扰动频率从2Hz增加到9982Hz，间隔为20Hz，而从20A增加到50A，间隔为5A，在验证数据集中，扰动频率是一个在2Hz到9982Hz范围内随机生成的整数，类似地，在20A到50A范围内随机选择，然后计算单相逆变器理论阻抗的实部和虚部为了比较RBFNN和BPNN的性能，对上述的训练数据集进行了两次独立的训练，然后，利用训练好的BP神经网络和RBF神经网络来预测测试数据集的输出，最后，通过分析预测值与实际值之间的误差，来评估模型的性能，结果如图5‑图6、图7‑图8所示， [0099] 根据图5‑图6、图7‑图8和表2中呈现的结果，明显可见在输出1方面，BPNN相对于RBFNN表现出较好的预测性能，然而，对于输出2，RBFNN表现出较强的预测能力，总体而言，可以得出结论，BPNN在预测准确性方面优于RBFNN，为了提高RBFNN的预测性能，本发明引入了粒子群优化算法即PSO来优化模型，以找到建立RBFNN网络的最佳方法，在本发明中，PSO的种群大小设置为200，最大迭代次数设置为20，学习因子1设置为1.5，而学习因子2也设置为1.5，惯性权重配置为0.8，在训练数据集上训练后，经过改良优化的PSO‑RBFNN用于预测，结果如图7‑图8所示。 [0100] 表2BPNN和RBFNN相应的预测误差表 [0101] BPNN RBFNNR(输出1) 0.92525 0.47021 R(输出2) 0.99685 0.99619 MAE(输出1) 0.3116 1.629 MAE(输出2) 0.49035 0.80418 MBE(输出1) ‑0.12419 0.17289 MBE(输出2) ‑0.12334 ‑0.036736 [0102] 图9‑图10和表3清楚地展示了经过PSO优化的RBFNN表现出较好的拟合性能，实际值与预测值之间的误差得到进一步减小。 [0103] 表3RBFNN和PSORBFNN相应的预测误差表 [0104] RBFNN PSO‑RBFNNR(输出1) 0.47021 0.99183 R(输出2) 0.99619 0.99267 MAE(输出1) 1.629 0.18352 MAE(输出2) 0.80418 0.48148 MBE(输出1) 0.17289 ‑0.011263 MBE(输出2) ‑0.0367 0.12685 [0105] 故，我方发明具有创造性。 [0106] 实施例3 [0107] 参照图11，为本发明的一个实施例，提供了一种基于PSORBFNN的单相逆变器阻抗辨识系统，包括参数处理模块，框架构建模块，辨别预测模块。 [0108] 其中参数处理模块用于采集单相LCL并网逆变器结构和SOGI‑PLL结构参数，基于参数构建阻抗模型；框架构建模块用于基于RBFNN，构建阻抗识别框架，通过验证数据集验证生成的RBFNN模型；辨别预测模块用于基于阻抗识别框架，构建RBFNN预测模型，进行阻抗模型中阻抗的辨别和预测。 [0109] 功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read‑Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。 [0110] 在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。 [0111] 计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)、便携式计算机盘盒(磁装置)、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编辑只读存储器(EPROM或闪速存储器)、光纤装置以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。 [0112] 应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。 [0113] 应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。 |
||||||
QQ群二维码
意见反馈
意见反馈