本發(fā)明涉及預測學技術領域，更具體的說，是涉及一種風電場風速的多步預測方法及系統(tǒng)。

背景技術：

在現(xiàn)有技術中，預測學現(xiàn)已廣泛應用于國民經(jīng)濟各部門以及社會、科技、軍事、政治等領域，成為管理決策不可缺少的重要組成部分。同樣對于風電機組而言，由于風能具有間歇性、不可控性和波動性等特點，極大影響了電力系統(tǒng)的發(fā)電質(zhì)量、安全性和穩(wěn)定性，因而對風速進行準確的預測是實現(xiàn)電網(wǎng)合理調(diào)度運行的有效手段，提供風速預測的精度具有很重要的現(xiàn)實意義。

目前，風電場風速預測主要包括：迭代預測模型和單純基于歷史數(shù)據(jù)的預測模型以及將“多輸出模型”與“單純基于歷史數(shù)據(jù)的預測模型”結(jié)合起來的預測模型來對進行風速進行直接的多步預測。對于迭代式預測模型，該模型在一些預測中取得了不錯的效果，該模型通過將預測值不斷地加入到預測模型中來擴充預測模型的樣本，從而達到迭代的效果，但每一步產(chǎn)生的誤差會向后傳遞，造成誤差的累積，預測步數(shù)越多，累積的誤差越大；單純基于歷史數(shù)據(jù)的預測模型，該方法通過模型用同一組歷史數(shù)據(jù)對接下來的幾個風速點進行預測，在預測過程中沒有引入估計值，即沒有累積誤差，但這種預測方法沒有考慮到時間序列內(nèi)在的相關性或者說內(nèi)部的混沌特性，若產(chǎn)生線性或者輕微非線性的模型會對時間序列的混沌性造成破壞；另外就是將以上兩種方法組合到一起的預測模型，同基于歷史數(shù)據(jù)的預測模型一樣，運用不同模型對每一步進行預測，而且每一步預測中都加入前幾步的預測值，這種方法同樣無法避免誤差累積對結(jié)果的影響。

因此，提供一種可以解決上述幾種風電場風速預測方法帶來的問題，是本領域技術人員亟待解決的技術問題。

技術實現(xiàn)要素：

有鑒于此，本發(fā)明提供了一種風電場風速的多步預測方法及系統(tǒng)，以解決現(xiàn)有技術中采用迭代預測模型和將“多輸出模型”與“單純基于歷史數(shù)據(jù)的預測模型”結(jié)合起來的預測模型的方法進行風電場風速的預測產(chǎn)生的迭代誤差的問題。

為實現(xiàn)上述目的，本發(fā)明提供如下技術方案：

一種風電場風速的多步預測方法，該方法基于并行相關向量機，該方法包括：

構建預測模型，得到目標值與特征向量之間的關系；

根據(jù)CAO計算方法確定所述目標值的嵌入維數(shù)m；

將每組的所述訓練樣本的最后m個樣本作為特征向量輸入所述預測模型中進行相關向量機的計算，得到每組所述訓練樣本的特征向量對應的預測值；

將所述每組所述訓練樣本的特征向量對應的預測值進行排序得到多步預測結(jié)果。

其中，所述構建預測模型包括：

對訓練樣本構造樣本特征，所述訓練樣本為原始風速時間序列；

對所述訓練樣本的各個樣本特征向量與目標值的對應關系進行整合，得到所述訓練樣本的特征，即得到目標值與特征向量之間的關系。

其中，所述對訓練樣本構造樣本特征，所述訓練樣本為原始風速時間序列包括：

將原始風速時間序列按照預設時間間隔進行分組，得到所述預設時間間隔個分組序列；

采用相空間重構理論分別對所述預設時間間隔個分組序列進行分析，得到所述分組序列與目標值之間的關系。

其中，所述將每組的所述訓練樣本的特征輸入所述預測模型中進行相關向量機的計算，得到每組的所述訓練樣本的特征對應的預測值包括：

分別對每組時間序列進行樣本訓練，建立相關向量機預測模型；

將每組的所述訓練樣本的最后m個樣本作為特征向量輸入所述預測模型中計算得到每組的所述訓練樣本的特征向量對應的預測值。

一種風電場風速的多步預測系統(tǒng)，該系統(tǒng)基于并行相關向量機，該系統(tǒng)包括：

模型構建單元，用于構建預測模型，得到目標值與特征向量之間的關系；

第一計算單元，用于根據(jù)CAO計算方法確定所述目標值的嵌入維數(shù)m；

第二計算單元，用于將每組的所述訓練樣本的最后m個樣本作為特征向量輸入所述預測模型中進行相關向量機的計算，得到每組所述訓練樣本的特征向量對應的預測值；

排序單元，用于將所述每組所述訓練樣本的特征向量對應的預測值進行排序得到多步預測結(jié)果。

其中，所述模型構建單元包括：

構造單元，用于對訓練樣本構造樣本特征，所述訓練樣本為原始風速時間序列；

整合單元，用于對所述訓練樣本的各個樣本特征向量與目標值的對應關系進行整合，得到所述訓練樣本的特征，即得到目標值與特征向量之間的關系。

其中，所述構造單元包括：

分組單元，用于將原始風速時間序列按照預設時間間隔進行分組，得到所述預設時間間隔個分組序列；

分析單元，用于采用相空間重構理論分別對所述預設時間間隔個分組序列進行分析，得到所述分組序列與目標值之間的關系。

其中，所述第二計算單元包括：

樣本訓練單元，用于分別對每組時間序列進行樣本訓練，建立相關向量機預測模型；

計算子單元，用于將每組的所述訓練樣本的最后m個樣本作為特征向量輸入所述預測模型中計算得到每組的所述訓練樣本的特征向量對應的預測值。

經(jīng)由上述的技術方案可知，與現(xiàn)有技術相比，本發(fā)明公開了一種風電場風速的多步預測方法及系統(tǒng)，本方法及系統(tǒng)基于并行相關向量機，具體該方法包括：構建預測模型，得到目標值與特征向量之間的關系；根據(jù)CAO計算方法確定所述目標值的嵌入維數(shù)m；將每組的訓練樣本的最后m個樣本作為特征向量輸入預測模型中進行相關向量機的計算，得到每組訓練樣本的特征向量對應的預測值；將每組訓練樣本的特征向量對應的預測值進行排序得到多步預測結(jié)果。本發(fā)明通過對原始風速時間序列分為多個組，再通過相空間重構得到的時間延遲對風速序列進行重構，對每組風速序列進行相關向量機預測，且每組風速序列邏輯上為并列關系，相互之間不會發(fā)生影響，避免了現(xiàn)有技術中迭代法產(chǎn)生的迭代誤差，保證了預測精度的同時大大提高了預測步長。

附圖說明

為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術中的技術方案，下面將對實施例或現(xiàn)有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的實施例，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)提供的附圖獲得其他的附圖。

圖1為本發(fā)明實施例提供的一種風電場風速的多步預測方法流程示意圖；

圖2為本發(fā)明實施例中時間序列并行多步預測結(jié)果示意圖；

圖3為本發(fā)明實施例提供的一種風電場風速的多步預測系統(tǒng)結(jié)構示意圖。

具體實施方式

下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例。基于本發(fā)明中的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

本文提出的“基于并行相關向量機(P-RVM)的多步預測方法”提到的相關概念解釋如下。

“并行”是指通過向空間重構將風速時間序列分為τ組，組與組之間是并列并且同時進行的預測，即所謂的“并行”；

“相關向量機”是指相關向量機(RVM)是通過核函數(shù)映射把數(shù)據(jù)由低維向高維空間的轉(zhuǎn)化，相關向量機的訓練是基于貝葉斯理論，在先驗分布的條件下，利用自動相關決策理論(Automatic Relevance Determination，ARD)來消除無關聯(lián)的點，從而獲得稀疏化的分類模型。

核函數(shù)：RVM是一種基于核的算法。核函數(shù)的定義為設X是Rn中的一個子集，如果存在著從X到某個Hilbert空間H的映射：使得其中(·)表示內(nèi)積，稱定義在X×X上的函數(shù)K(x,x^/)是核函數(shù)。

核函數(shù)的作用就是把來自低維空間里的兩個向量進行某種變換，從而能夠計算出他們在高維空間里的向量內(nèi)積值。

多步預測：進行一次預測可以產(chǎn)生在時間序列上順序排列的多個預測值的預測過程稱為多步預測，而單步預測則一次只產(chǎn)生一個預測值。由于多步預測的方法較多，產(chǎn)生的效果一樣，但過程不一樣。比如迭代預測是每迭代一次產(chǎn)生一次預測值，需要多次迭代才可以產(chǎn)生多步預測的效果；多輸出模型，由于模型的特點，可一次輸出多個預測值；而本文所提出的方法是通過τ個并行的風速序列，每組建立RVM模型，每組產(chǎn)生一個預測值從而產(chǎn)生步長為τ的多步預測效果，因此多步預測并不是只通過一步預測就可以產(chǎn)生多個預測值，這還與采取的預測方法有關。

時間延遲：在本專利中利用時間延遲作為風速時間序列所分的并行組數(shù)的度量。

嵌入維數(shù)：在本專利中利用嵌入維數(shù)作為樣本特征的度量，用來構造樣本條件特征值，并使其與目標值對應。

采用Cao方法來對嵌入維數(shù)m進行計算，并將m作為特征維數(shù)，得到樣本特征。以時間序列x_i(i＝1，2，…，τ)為例，構造樣本條件特征值，并與目標值對應：

Cao方法是學者Liangyue Cao提出的主要用來求取時間序列嵌入維數(shù)的方法，還可以用于時間序列混沌特性的分析。Cao方法可以依照一下步驟實現(xiàn)。

在m維空間中，每一個相點矢量為X(i)＝{x(i)，x(i+τ)，.…x(i+(m-1)τ)}，都有一個某距離內(nèi)最臨近點X^NN(i)，其距離為R_m(i)，則R²_m(i)＝||X(i)-X^NN(i)||²。

當向空間的維數(shù)增加到m+1維時，這兩個相點的距離就會發(fā)生變化，兩者距離變成為R_m+1(i)，由m增加1而引起的兩臨近點間距離變化是[R²_m+1(i)-R²_m(i)]^1/2＝|x(i+τm)-x^NN(i+τm)|可見，如果兩臨近點的距離不隨m增大而增大，即R_m(i)＝R_m+1(i)，則鄰近點是真實的；如果R_m+1(i)比R_m(i)大很多，可以認為這是由于高維混沌吸引子中兩個不相鄰的點投影到低維軌道上時變成相鄰的兩個點造成的，因此這樣的鄰點是虛設的。定義其中X_m(i)和X_m^NN(i)為m維空間的第i個向量和它的最鄰近點，X_m+1(i)和X_d+1^NN(i)為m+1維空間的第i個向量和它的最鄰近點。

定義E₁(m)＝E(m+1)/E(m),如果時間序列是確定的，則嵌入維數(shù)是存在的，即E₁(m)將在m大于某一特定值m₀時不再變化。若時間序列是隨機信號，則E₁(m)應逐漸增加，但在實際應用中不容易判斷有現(xiàn)場序列E₁(m)究竟是在緩慢變化還是已經(jīng)穩(wěn)定，因此補充一個判斷準則：

$E^{*}\left(m\right)=\frac{1}{N-m\mathrm{\τ}}\underset{i=1}{\overset{N-m\mathrm{\τ}}{\Σ}}|x(i+\mathrm{\τ}m)-x^{NN}(i+\mathrm{\τ}m)|$

E₂(m)＝E*(m+1)/E*(m)

對于隨機序列，數(shù)據(jù)之間沒有相關性，即不具備可與測性，E₂(m)始終為1；對于確定序列，數(shù)據(jù)之間的相關關系是依賴于嵌入維數(shù)m值變化的，總存在一些m值使得E₂(m)不等于1。

請參閱附圖1，圖1為本發(fā)明實施例提供的一種風電場風速的多步預測方法流程示意圖。如圖1所示，本發(fā)明公開了一種風電場風速的多步預測方法，該方法基于并行相關向量機，該方法包括如下具體流程：

S101、構建預測模型，得到目標值與特征向量之間的關系。

在本實施例中，構建預測模型的具體步驟如下：

對訓練樣本構造樣本特征，訓練樣本為原始風速時間序列。

需要說明的是，該步驟可以具體為：

將原始風速時間序列按照預設時間間隔進行分組，得到預設時間間隔個分組序列；

采用相空間重構理論分別對預設時間間隔個分組序列進行分析，得到分組序列與目標值之間的關系。

對訓練樣本的各個樣本特征與目標值的對應關系進行整合，得到訓練樣本的特征，即得到預測值與其樣本特征之間的關系。

具體說明的是：

基于并行相關向量機的多步預測模型建立：

對于時間序列X＝{X1,X2,…,Xn}，Xi分別為第i個時刻對應的風速值，基于并行RVM多步預測的模型建立具體步驟如下：

首先，確定時間延遲τ。從風場風速數(shù)據(jù)中選取合適數(shù)目的一組風速數(shù)據(jù)并分析其混沌特性，通過互信息法計算時間延遲τ。

其次，利用τ將數(shù)據(jù)分組。以τ作為時間間隔將時間樣本進行分組，最終將樣本分為τ組。如下所示。

x1＝{x11,x12,…}＝{X1,X1+τ,…}；

x2＝{x21,x22,…}＝{X2,X2+τ,…}；

…

xτ＝{xτ1,xτ2,…}＝{Xτ,Xτ+τ,…}；

然后，分別針對τ組數(shù)據(jù)建立τ個RVM預測模型。

利用相空間重構理論對分別對τ組訓練樣本進行分析，得到訓練樣本的特征，從而得到目標值與特征向量之間的關系。

步驟S102、根據(jù)CAO計算方法確定目標值的嵌入維數(shù)m。

根據(jù)CAO方法計算求得嵌入維數(shù)m，即：

(x_i1,x_i2，…，x_im)→(x_i(m+1))

(x_i2,x_i3，…，x_i(m+1))→(x_i(m+2))

…

(x_ij，x_i(j+1)，…，x_i(j+m-1))→(x_i(j+m))

…

其中，左側(cè)為樣本條件特征向量，右側(cè)為對應目標值。即得到第i個時間序列的訓練樣本，根據(jù)確定的風速數(shù)據(jù)進行模型的訓練，將左側(cè)樣本條件特征向量輸入到訓練模型中即可得到右側(cè)對應目標值。根據(jù)這個進行RVM進行預測模型的建立。

基于訓練樣本x_i，利用RVM方法建立預測模型。具體步驟如下：

建立預測模型，分別對每組時間序列進行樣本訓練，建立RVM預測模型。

首先，設定目標值t_i與條件特征值{x_i}_i＝1^N、權重系數(shù)w_i存在的函數(shù)關系

t_i＝y(tǒng)(x_i,w)+ε_i

$y(x_i,w)={\Σ}_{i=1}^N{w}_{i}k(x,x^{/})+w_0$

式中，x_i與t_i分別是上述的樣本條件特征值與其對應的目標值、w_i為權重系數(shù)、目標函數(shù)帶有噪聲且滿足ε_i～N(0,σ²)，w_i為權重系數(shù)，k(x，x^/)為核函數(shù)，N為樣本數(shù)量。

其次，將條件特征值{x_i}_i＝1^N與目標值t_i代入到核函數(shù)矩陣：

由上述公式t_i＝y(tǒng)(x_i,w)+ε_i可知，求得t_i服從t_i～(y(x_i,w),σ²)的分布。對于相互獨立的目標值t＝[t₁,t₂,…,t_n]^T、w_i與σ²已知的條件下，訓練集的似然估計如下：

$p\left(t\right|w,{\mathrm{\σ}}^2)={\left(2{\mathrm{\π\σ}}^2\right)}^{-N/2}\exp (-\frac{\left|\right|t-\mathrm{\Φ}w|{|}^2}{2{\mathrm{\σ}}^2})$

式中，t＝(t₁,t₂,…,t_N)’，w＝(w₁,w₂,…w_N)’，Φ是由特征向量代入到核函數(shù)中的N×(N+1)維矩陣：

再次，引入超參數(shù)向量，將求解權重w_i的問題轉(zhuǎn)化為對超參數(shù)向量的求解：

采用稀疏貝葉斯原理對w賦予零均值高斯先驗分布得：

$p\left(w\right|\mathrm{\α})=\underset{i=0}{\overset{N}{\Π}}N\left(w_i\right|0,{\mathrm{\α}}_i^{-1})$

式中，α＝[α₁,α_2,…,α_n]^T是N+1維超參數(shù)向量，每一個權重對應一個獨立的超參數(shù)分量，因此將求解權重w_i的問題轉(zhuǎn)化為對α_i的求解，并且保證了RVM的稀疏性。

然后，求解超參數(shù)α和方差σ²：

在定義了先驗概率分布及似然分布以后，根據(jù)貝葉斯原理，就以求得所有未知參數(shù)的后驗概率分布為：

$p\left(w\right|t,\mathrm{\α},{\mathrm{\σ}}^2)={\left(2\mathrm{\π}\right)}^{-\frac{(N+1)}{2}}{|\Σ|}^{-\frac{1}{2}}\{-\frac{1}{2}{(w-\mathrm{\μ})}^T{\Σ}^{-1}(w-\mathrm{\μ})\}$

式中，Σ＝(σ^-2Φ^TΦ+A)^-1，μ＝σ^-2ΣΦ^Tl，A＝diag(α₁,α₂,…,α_N)。使用最大似然法可得超參數(shù)α和方差σ²。

最后，得到目標值t_i與條件特征值{x_i}_i＝1^N、權重系數(shù)w_i的預測模型

t_i＝y(tǒng)(x_i,w)+ε_i

S103、將每組的訓練樣本的最后m個樣本作為特征向量輸入預測模型中進行相關向量機的計算，得到每組訓練樣本的特征向量對應的預測值。

在本實施例中，該步驟可以具體為：

分別對每組時間序列進行樣本訓練，建立相關向量機預測模型；

將每組的訓練樣本的最后m個樣本作為特征向量輸入預測模型中計算得到每組訓練樣本的特征向量對應的預測值，即：具體的，其實模型建立的過程是將每組時間序列得到的樣本條件特征向量與目標值之間的對應關系輸入到RVM中，讓其進行訓練，構建預測模型；預測的過程是通過將每組序列的最后m個風速數(shù)據(jù)作為特征向量輸入到經(jīng)過訓練后的RVM，得到第m+1個風速值，這個風速值就是預測值。

S104、將每組訓練樣本的特征向量對應的預測值進行排序得到多步預測結(jié)果。

通過上述具體的建立模型的方法，通過對訓練樣本(x_i)構造樣本特征，再對訓練樣本(x_i)各個樣本特征向量與目標值的對應關系進行整合，得到訓練樣本(x_i)的特征，即為，得到預測值與其樣本特征之間的關系。

分別將每組訓練樣本最后m個風速數(shù)據(jù)作為特征向量輸入到RVM預測模型中，從而每組分別得到各自的預測值，即可以確定第m+1的風速值，實現(xiàn)對風速的準確預測。

利用每個時間序列整合的樣本特征，得到每個時間序列的預測值y_i，對τ組的預測值進行有序的排列最終形成多步預測的預測結(jié)果，如附圖2中所示(y₁、y₂、…y_τ即為多步預測結(jié)果)。

本發(fā)明中，在并行的多個RVM中，每個RVM模型都相當于一步預測，即通過重構的歷史數(shù)據(jù)對下一個時間點的風速值進行預測，從而避免了迭代法中預測值的加入導致的迭代誤差；另外，本方法充分考慮到風速序列的混沌性，通過計算時間序列時間延遲τ(即為預測步長)，利用該參數(shù)對原始時間序列模型進行重構，從而形成τ個并行的風速時間序列，從而避免了直接法對時間序列混沌特性的破壞；最后，嵌入維數(shù)確定了特征向量，將嵌入維數(shù)作為特征維數(shù)，得到樣本特征，同樣避免了對混沌特性的破壞。因此，與傳統(tǒng)的多步預測模型相比，本發(fā)明提出的基于并行相關向量機的多步預測方法預測精度更高。

在上述公開的方法的基礎上，本發(fā)明還公開了一種系統(tǒng)。

請參閱附圖3，圖3為本發(fā)明實施例提供的一種風電場風速的多步預測系統(tǒng)結(jié)構示意圖。如圖3所示，本發(fā)明實施例公開了一種風電場風速的多步預測系統(tǒng)，該系統(tǒng)基于并行相關向量機，該系統(tǒng)具體結(jié)構包括：

模型構建單元301，用于構建預測模型，得到目標值與特征向量之間的關系；

第一計算單元302，用于根據(jù)CAO計算方法確定所述目標值的嵌入維數(shù)m；

第二計算單元303，用于將每組的訓練樣本的最后m個樣本作為特征向量輸入預測模型中進行相關向量機的計算，得到每組訓練樣本的特征向量對應的預測值；

排序單元304，用于將每組訓練樣本的特征向量對應的預測值進行排序得到多步預測結(jié)果。

優(yōu)選的，所述模型構建單元301包括：

構造單元，用于對訓練樣本構造樣本特征，訓練樣本為原始風速時間序列；

整合單元，用于對訓練樣本的各個樣本特征向量與目標值的對應關系進行整合，得到訓練樣本的特征，即得到目標值與特征向量之間的關系。

優(yōu)選的，所述構造單元包括：

分組單元，用于將原始風速時間序列按照預設時間間隔進行分組，得到預設時間間隔個分組序列；

分析單元，用于采用相空間重構理論分別對預設時間間隔個分組序列進行分析，得到分組序列對應的特征向量與目標值之間的關系。

優(yōu)選的，所述第二計算單元303包括：

樣本訓練單元，用于分別對每組時間序列進行樣本訓練，建立相關向量機預測模型；

計算子單元，用于將每組的訓練樣本的最后m個樣本作為特征向量輸入預測模型中計算得到每組的訓練樣本的特征向量對應的預測值。

本發(fā)明中，在并行的多個RVM中，每個RVM模型都相當于一步預測，即通過重構的歷史數(shù)據(jù)對下一個時間點的風速值進行預測，從而避免了迭代法中預測值的加入導致的迭代誤差；另外，本方法充分考慮到風速序列的混沌性，通過計算時間序列時間延遲τ(即為預測步長)，利用該參數(shù)對原始時間序列模型進行重構，從而形成τ個并行的風速時間序列，從而避免了直接法(直接預測策略是指通過歷史觀測數(shù)據(jù)獨立的進行每一步預測，每一步之間沒有影響)對時間序列混沌特性的破壞；最后，嵌入維數(shù)確定了特征向量，將嵌入維數(shù)作為特征維數(shù)，得到樣本特征，同樣避免了對混沌特性的破壞。因此，與傳統(tǒng)的多步預測模型相比，本發(fā)明提出的基于并行相關向量機的多步預測方法預測精度更高。

綜上所述，本發(fā)明公開了一種風電場風速的多步預測方法及系統(tǒng)，本方法基于并行相關向量機，該方法包括：構建預測模型，得到目標值與特征向量之間的關系；根據(jù)CAO計算方法確定所述目標值的嵌入維數(shù)m；將每組的訓練樣本的最后m個樣本作為特征向量輸入預測模型中進行相關向量機的計算，得到每組訓練樣本的特征向量對應的預測值；將每組訓練樣本的特征向量對應的預測值進行排序得到多步預測結(jié)果。本發(fā)明通過對原始風速時間序列分為多個組，再通過相空間重構得到的時間延遲對風速序列進行重構，對每組風速序列進行相關向量機預測，且每組風速序列邏輯上為并列關系，相互間不會發(fā)生影響，避免了現(xiàn)有技術中迭代法產(chǎn)生的迭代誤差，保證預測精度的同時大大提高了預測步長。

需要說明的是，本說明書中的各個實施例均采用遞進的方式描述，每個實施例重點說明的都是與其他實施例的不同之處，各個實施例之間相同相似的部分互相參見即可。

以上結(jié)合附圖對本發(fā)明所提出的方法進行了示例性描述，以上實施例的說明只是用于幫助理解本發(fā)明的核心思想。對于本領域的一般技術人員，依據(jù)本發(fā)明的思想，在具體實施方式及應用范圍上均會有改變之處。綜上所述，本說明書內(nèi)容不應理解為對本發(fā)明的限制。

對所公開的實施例的上述說明，使本領域?qū)I(yè)技術人員能夠?qū)崿F(xiàn)或使用本發(fā)明。對這些實施例的多種修改對本領域的專業(yè)技術人員來說將是顯而易見的，本文中所定義的一般原理可以在不脫離本發(fā)明的精神或范圍的情況下，在其它實施例中實現(xiàn)。因此，本發(fā)明將不會被限制于本文所示的這些實施例，而是要符合與本文所公開的原理和新穎特點相一致的最寬的范圍。