本發(fā)明涉及高壓電力設(shè)備局部放電故障識別領(lǐng)域，具體而言，涉及一種電力設(shè)備局部放電故障的識別方法、裝置及系統(tǒng)。

背景技術(shù)：

局部放電是絕緣介質(zhì)中由于局部缺陷而造成的非貫穿性放電現(xiàn)象，高壓電力設(shè)備在制造和運(yùn)行過程中產(chǎn)生的局部缺陷(如氣泡、裂縫、懸浮金屬顆粒和電極毛刺等)會(huì)導(dǎo)致電力設(shè)備在一定運(yùn)行狀態(tài)下發(fā)生局部放電故障。局部放電是變壓器、GIS、電纜等電力設(shè)備長期運(yùn)行中絕緣裂化的一個(gè)重要征兆。如果設(shè)備局部放電故障一直未被發(fā)現(xiàn)和處理最終可能導(dǎo)致電力設(shè)備發(fā)生災(zāi)難性的故障。局部放電檢測能有效的反映變壓器內(nèi)部的絕緣故障，并可以根據(jù)放電統(tǒng)計(jì)譜圖判別放電種類，對突發(fā)性故障的早期發(fā)現(xiàn)十分有效。

要準(zhǔn)確掌握高壓電力設(shè)備的缺陷情況，及時(shí)安排檢修維護(hù)，最有效的方法是對獲得的局部放電信號進(jìn)行放電故障模式識別，大量的研究表明，不同的放電模式對絕緣的危害程度不同。因此，高壓電力設(shè)備的局部放電檢測及其放電故障模式識別對電力設(shè)備的安全可靠運(yùn)行掌握其絕緣狀況及指導(dǎo)檢修工作有著十分重要的意義。

現(xiàn)階段故障模式識別仍然處于單機(jī)識別階段，局部放電數(shù)據(jù)采集設(shè)備采集放電信號，在本地上位機(jī)運(yùn)行診斷程序，識別故障類別；但隨著電網(wǎng)的信息化和智能化，單機(jī)運(yùn)行的診斷程序無法滿足多采集點(diǎn)大量數(shù)據(jù)的放電故障模式識別工作，更無法滿足全國更多采集點(diǎn)的海量數(shù)據(jù)的及時(shí)分析和診斷。

針對現(xiàn)有技術(shù)中的電力設(shè)備局部放電故障的識別方案為單機(jī)識別，無法滿足大量數(shù)據(jù)的局部放電故障的識別的問題，目前尚未提出有效的解決方案。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明實(shí)施例提供了一種電力設(shè)備局部放電故障的識別方法、裝置及系統(tǒng)，以至少解決現(xiàn)有技術(shù)中的電力設(shè)備局部放電故障的識別方案為單機(jī)識別，無法滿足大量數(shù)據(jù)的局部放電故障的識別的技術(shù)問題。

根據(jù)本發(fā)明實(shí)施例的一個(gè)方面，提供了一種電力設(shè)備局部放電故障的識別方法，包括：獲取電力設(shè)備的放電信號；將電力設(shè)備的放電信號輸入至并行識別模型中，得到多個(gè)并行識別結(jié)果，其中，并行識別模型部署在多個(gè)子節(jié)點(diǎn)上；對多個(gè)并行識別結(jié)果進(jìn)行匯總，得到故障識別結(jié)果。

進(jìn)一步地，在將電力設(shè)備的放電信號輸入至并行識別模型中，得到多個(gè)并行識別結(jié)果之前，上述方法還包括：基于預(yù)設(shè)分類算法，在多個(gè)子節(jié)點(diǎn)上建立預(yù)設(shè)網(wǎng)絡(luò)模型；獲取電力設(shè)備的放電測試信號，生成訓(xùn)練樣本；基于訓(xùn)練樣本對預(yù)設(shè)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，生成并行識別模型。

進(jìn)一步地，基于預(yù)設(shè)分類算法，在多個(gè)子節(jié)點(diǎn)上建立預(yù)設(shè)網(wǎng)絡(luò)模型包括：獲取樣本特征量；基于預(yù)設(shè)分類算法和樣本特征量，建立預(yù)設(shè)網(wǎng)絡(luò)模型，其中，預(yù)設(shè)網(wǎng)絡(luò)模型包括：多個(gè)層級，每個(gè)層級包括：多個(gè)處理單元；對每個(gè)層級包含的多個(gè)處理單元進(jìn)行劃分，得到多組子處理單元，其中，多組子處理單元之間通過權(quán)值連接；將多組子處理單元分配至多個(gè)子節(jié)點(diǎn)，得到預(yù)設(shè)網(wǎng)絡(luò)模型。

進(jìn)一步地，基于預(yù)設(shè)分類算法，在多個(gè)子節(jié)點(diǎn)上建立預(yù)設(shè)網(wǎng)絡(luò)模型包括：獲取樣本特征量；基于預(yù)設(shè)分類算法和樣本特征量，在每個(gè)子節(jié)點(diǎn)上建立一個(gè)預(yù)設(shè)網(wǎng)絡(luò)模型。

進(jìn)一步地，基于訓(xùn)練樣本對預(yù)設(shè)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，生成并行識別模型包括：對訓(xùn)練樣本進(jìn)行劃分，得到多組子訓(xùn)練樣本；根據(jù)每組子訓(xùn)練樣本對每個(gè)子節(jié)點(diǎn)上建立的預(yù)設(shè)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，生成并行識別模型。

進(jìn)一步地，獲取樣本特征量包括：獲取每種故障類型的放電信號統(tǒng)計(jì)特征；根據(jù)每種故障類型的放電信號特征，生成樣本特征量。

根據(jù)本發(fā)明實(shí)施例的另一方面，還提供了一種電力設(shè)備局部放電故障的識別裝置，包括：第一獲取單元，用于獲取電力設(shè)備的放電信號；處理單元，用于將電力設(shè)備的放電信號輸入至并行識別模型中，得到多個(gè)并行識別結(jié)果，其中，并行識別模型部署在多個(gè)子節(jié)點(diǎn)上；匯總單元，用于對多個(gè)并行識別結(jié)果進(jìn)行匯總，得到故障識別結(jié)果。

進(jìn)一步地，上述裝置還包括：建立單元，用于基于預(yù)設(shè)分類算法，在多個(gè)子節(jié)點(diǎn)上建立預(yù)設(shè)網(wǎng)絡(luò)模型；第二獲取單元，用于獲取電力設(shè)備的放電測試信號，生成訓(xùn)練樣本；訓(xùn)練單元，用于基于訓(xùn)練樣本對預(yù)設(shè)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，生成并行識別模型。

進(jìn)一步地，建立單元包括：獲取模塊，用于獲取樣本特征量；第一建立模塊，用于基于預(yù)設(shè)分類算法和樣本特征量，建立預(yù)設(shè)網(wǎng)絡(luò)模型，其中，預(yù)設(shè)網(wǎng)絡(luò)模型包括：多個(gè)層級，每個(gè)層級包括：多個(gè)處理單元；第一劃分模塊，用于對每個(gè)層級包含的多個(gè)處理單元進(jìn)行劃分，得到多組子處理單元，其中，多組子處理單元之間通過權(quán)值連接；分配模塊，用于將多組子處理單元分配至多個(gè)子節(jié)點(diǎn)，得到預(yù)設(shè)網(wǎng)絡(luò)模型。

進(jìn)一步地，建立單元包括：獲取模塊，用于獲取樣本特征量；第二建立模塊，用于基于預(yù)設(shè)分類算法和樣本特征量，在每個(gè)子節(jié)點(diǎn)上建立一個(gè)預(yù)設(shè)網(wǎng)絡(luò)模型。

進(jìn)一步地，訓(xùn)練單元包括：第二劃分模塊，用于對訓(xùn)練樣本進(jìn)行劃分，得到多組子訓(xùn)練樣本；訓(xùn)練模塊，用于根據(jù)每組子訓(xùn)練樣本對每個(gè)子節(jié)點(diǎn)上建立的預(yù)設(shè)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，生成并行識別模型。

進(jìn)一步地，獲取模塊包括：獲取子模塊，用于獲取每種故障類型的放電信號統(tǒng)計(jì)特征；生成子模塊，用于根據(jù)每種故障類型的放電信號特征，生成樣本特征量。

根據(jù)本發(fā)明實(shí)施例的另一方面，還提供了一種電力設(shè)備局部放電故障的識別系統(tǒng)，包括：主節(jié)點(diǎn)，用于獲取電力設(shè)備的放電信號；多個(gè)子節(jié)點(diǎn)，與主節(jié)點(diǎn)連接，多個(gè)子節(jié)點(diǎn)上部署有并行識別模型，用于將電力設(shè)備的放電信號輸入至并行識別模型中，得到多個(gè)并行識別結(jié)果；主節(jié)點(diǎn)還用于對多個(gè)并行識別結(jié)果進(jìn)行匯總，得到故障識別結(jié)果。

在本發(fā)明實(shí)施例中，獲取電力設(shè)備的放電信號，將電力設(shè)備的放電信號輸入至并行識別模型中，得到多個(gè)并行識別結(jié)果，對多個(gè)并行識別結(jié)果進(jìn)行匯總，得到故障識別結(jié)果。容易注意到的是，由于并行識別模型部署在多個(gè)子節(jié)點(diǎn)上，多個(gè)子節(jié)點(diǎn)可以并行對放電信號進(jìn)行識別處理，得到多個(gè)并行識別結(jié)果，并通過對多個(gè)并行識別結(jié)果進(jìn)行匯總，從而得到最終的故障識別結(jié)果，相比于現(xiàn)有技術(shù)中的單機(jī)識別，多機(jī)并行處理可以滿足大量放電信號的及時(shí)分析和診斷，解決了現(xiàn)有技術(shù)中的電力設(shè)備局部放電故障的識別方案為單機(jī)識別，無法滿足大量數(shù)據(jù)的局部放電故障的識別的技術(shù)問題。因此，通過本發(fā)明上述實(shí)施例確定的技術(shù)方案，可以達(dá)到提高識別能力和識別速度，提升電網(wǎng)智能化的技術(shù)效果。

附圖說明

此處所說明的附圖用來提供對本發(fā)明的進(jìn)一步理解，構(gòu)成本申請的一部分，本發(fā)明的示意性實(shí)施例及其說明用于解釋本發(fā)明，并不構(gòu)成對本發(fā)明的不當(dāng)限定。在附圖中：

圖1是根據(jù)本發(fā)明實(shí)施例的一種電力設(shè)備局部放電故障的識別方法的流程圖；

圖2是根據(jù)本發(fā)明實(shí)施例的一種可選的結(jié)構(gòu)并行的并行識別模型的示意圖；

圖3是根據(jù)本發(fā)明實(shí)施例的一種可選的數(shù)據(jù)并行的并行識別模型的示意圖；

圖4是根據(jù)本發(fā)明實(shí)施例的一種可選的電力設(shè)備局部放電故障的識別方法的流程圖；

圖5是根據(jù)本發(fā)明實(shí)施例的一種電力設(shè)備局部放電故障的識別裝置的示意圖；以及

圖6是根據(jù)本發(fā)明實(shí)施例的一種電力設(shè)備局部放電故障的識別系統(tǒng)的示意圖。

具體實(shí)施方式

為了使本技術(shù)領(lǐng)域的人員更好地理解本發(fā)明方案，下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分的實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都應(yīng)當(dāng)屬于本發(fā)明保護(hù)的范圍。

需要說明的是，本發(fā)明的說明書和權(quán)利要求書及上述附圖中的術(shù)語“第一”、“第二”等是用于區(qū)別類似的對象，而不必用于描述特定的順序或先后次序。應(yīng)該理解這樣使用的數(shù)據(jù)在適當(dāng)情況下可以互換，以便這里描述的本發(fā)明的實(shí)施例能夠以除了在這里圖示或描述的那些以外的順序?qū)嵤?。此外，術(shù)語“包括”和“具有”以及他們的任何變形，意圖在于覆蓋不排他的包含，例如，包含了一系列步驟或單元的過程、方法、系統(tǒng)、產(chǎn)品或設(shè)備不必限于清楚地列出的那些步驟或單元，而是可包括沒有清楚地列出的或?qū)τ谶@些過程、方法、產(chǎn)品或設(shè)備固有的其它步驟或單元。

實(shí)施例1

根據(jù)本發(fā)明實(shí)施例，提供了一種電力設(shè)備局部放電故障的識別方法的實(shí)施例，需要說明的是，在附圖的流程圖示出的步驟可以在諸如一組計(jì)算機(jī)可執(zhí)行指令的計(jì)算機(jī)系統(tǒng)中執(zhí)行，并且，雖然在流程圖中示出了邏輯順序，但是在某些情況下，可以以不同于此處的順序執(zhí)行所示出或描述的步驟。

圖1是根據(jù)本發(fā)明實(shí)施例的一種電力設(shè)備局部放電故障的識別方法的流程圖，如圖1所示，該方法包括如下步驟：

步驟S102，獲取電力設(shè)備的放電信號。

具體地，上述的放電信號可以是電力設(shè)備由于發(fā)生局部放電故障，實(shí)際檢測到的放電信號。

步驟S104，將電力設(shè)備的放電信號輸入至并行識別模型中，得到多個(gè)并行識別結(jié)果，其中，并行識別模型部署在多個(gè)子節(jié)點(diǎn)上。

具體地，在一個(gè)服務(wù)器集群中，可以指定一個(gè)服務(wù)器作為主節(jié)點(diǎn)，剩下的多個(gè)服務(wù)器作為子節(jié)點(diǎn)，子節(jié)點(diǎn)聽從主節(jié)點(diǎn)的任務(wù)分配和調(diào)度。例如，以4臺(tái)服務(wù)器為例進(jìn)行說明，4臺(tái)服務(wù)器組成的服務(wù)器集群中有一個(gè)主節(jié)點(diǎn)和三個(gè)子節(jié)點(diǎn)。上述的并行識別模型用于并行對放電信號的故障類型進(jìn)行識別。

步驟S106，對多個(gè)并行識別結(jié)果進(jìn)行匯總，得到故障識別結(jié)果。

具體地，上述的故障識別結(jié)果可以是電力設(shè)備對應(yīng)的故障類型。

在一種可選的方案中，主節(jié)點(diǎn)可以獲取到實(shí)際檢測到的放電信號，并對獲取到的放電信號分配給多個(gè)子節(jié)點(diǎn)，每個(gè)子節(jié)點(diǎn)通過部署在該子節(jié)點(diǎn)上的并行識別波形，對主節(jié)點(diǎn)分配的放電信號進(jìn)行識別，得到并行識別結(jié)果，多個(gè)子節(jié)點(diǎn)將各自得到的并行識別結(jié)果反饋至主節(jié)點(diǎn)，有主節(jié)點(diǎn)進(jìn)行匯總，得到故障識別結(jié)果，即確定實(shí)際檢測到的放電信號對應(yīng)的故障類型。

例如，以4臺(tái)服務(wù)器組成的服務(wù)器集群為例對上述實(shí)施例進(jìn)行詳細(xì)說明，服務(wù)器集群包括服務(wù)器1、服務(wù)器2、服務(wù)器3和服務(wù)器4，將服務(wù)器1作為主節(jié)點(diǎn)，服務(wù)器2、服務(wù)器3和服務(wù)器4作為子節(jié)點(diǎn)，并在服務(wù)器2、服務(wù)器3和服務(wù)器4上預(yù)先部署并行識別模型，服務(wù)器1在接收到電力設(shè)備的放電信號之后，可以建立任務(wù)分配給服務(wù)器2、服務(wù)器3和服務(wù)器4，服務(wù)器2、服務(wù)器3和服務(wù)器4將接收到的放電信號輸入至并行識別模型，由三個(gè)服務(wù)器并行識別，得到三個(gè)并行識別結(jié)果，服務(wù)器1將三個(gè)服務(wù)器反饋的三個(gè)并行識別結(jié)果進(jìn)行匯總分析，得到放電信號對應(yīng)的故障類型。

根據(jù)本發(fā)明上述實(shí)施例，獲取電力設(shè)備的放電信號，將電力設(shè)備的放電信號輸入至并行識別模型中，得到多個(gè)并行識別結(jié)果，對多個(gè)并行識別結(jié)果進(jìn)行匯總，得到故障識別結(jié)果。容易注意到的是，由于并行識別模型部署在多個(gè)子節(jié)點(diǎn)上，多個(gè)子節(jié)點(diǎn)可以并行對放電信號進(jìn)行識別處理，得到多個(gè)并行識別結(jié)果，并通過對多個(gè)并行識別結(jié)果進(jìn)行匯總，從而得到最終的故障識別結(jié)果，相比于現(xiàn)有技術(shù)中的單機(jī)識別，多機(jī)并行處理可以滿足大量放電信號的及時(shí)分析和診斷，解決了現(xiàn)有技術(shù)中的電力設(shè)備局部放電故障的識別方案為單機(jī)識別，無法滿足大量數(shù)據(jù)的局部放電故障的識別的技術(shù)問題。因此，通過本發(fā)明上述實(shí)施例確定的技術(shù)方案，可以達(dá)到提高識別能力和識別速度，提升電網(wǎng)智能化的技術(shù)效果。

可選地，在本發(fā)明上述實(shí)施例中，在步驟S104，將電力設(shè)備的放電信號輸入至并行識別模型中，得到多個(gè)并行識別結(jié)果之前，該方法還包括：

步驟S108，基于預(yù)設(shè)分類算法，在多個(gè)子節(jié)點(diǎn)上建立預(yù)設(shè)網(wǎng)絡(luò)模型。

具體地，上述的預(yù)設(shè)分類算法可以是人工神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等，本發(fā)明對此不做限定，在本發(fā)明實(shí)施例中，以人工神經(jīng)網(wǎng)絡(luò)為例進(jìn)行說明。

步驟S110，獲取電力設(shè)備的放電測試信號，生成訓(xùn)練樣本。

具體地，上述的放電測試信號可以是實(shí)驗(yàn)室中對電力設(shè)備設(shè)置不同放電故障，從而檢測到的放電信號，每個(gè)信號對應(yīng)有一個(gè)已知的故障類型。

步驟S112，基于訓(xùn)練樣本對預(yù)設(shè)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，生成并行識別模型。

在一種可選的方案中，以人工神經(jīng)網(wǎng)絡(luò)為例對本發(fā)明上述實(shí)施例進(jìn)行詳細(xì)說明，可以預(yù)先設(shè)置電力設(shè)備的每一種放電缺陷，并采集每一種放電缺陷對應(yīng)的放電信號，將對應(yīng)的故障類型進(jìn)行標(biāo)記，作為訓(xùn)練樣本，可以使用人工神經(jīng)網(wǎng)絡(luò)算法作為分類器，在多個(gè)子節(jié)點(diǎn)上建立區(qū)分每一類放電故障的人工神經(jīng)網(wǎng)絡(luò)模型，輸入訓(xùn)練樣本對人工神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，從而得到并行識別模型。

需要說明的是，在多個(gè)子節(jié)點(diǎn)上建立并行識別模型的常用方法包括結(jié)構(gòu)并行和數(shù)據(jù)并行，本發(fā)明實(shí)施例分別對上述兩種方案進(jìn)行詳細(xì)說明。

可選地，在本發(fā)明上述實(shí)施例中，步驟S108，基于預(yù)設(shè)分類算法，在多個(gè)子節(jié)點(diǎn)上建立預(yù)設(shè)網(wǎng)絡(luò)模型包括：

步驟S1081，獲取樣本特征量。

具體地，上述的樣本特征量可以是能夠反映每一類放電故障的特征量。

步驟S1082，基于預(yù)設(shè)分類算法和樣本特征量，建立預(yù)設(shè)網(wǎng)絡(luò)模型，其中，預(yù)設(shè)網(wǎng)絡(luò)模型包括：多個(gè)層級，每個(gè)層級包括：多個(gè)處理單元。

具體地，以人工神經(jīng)網(wǎng)絡(luò)為例，人工神經(jīng)網(wǎng)絡(luò)模型可以包括三個(gè)層級，輸入層、隱含層、輸出層，每個(gè)層級有可以包括多個(gè)神經(jīng)元。

步驟S1083，對每個(gè)層級包含的多個(gè)處理單元進(jìn)行劃分，得到多組子處理單元，其中，多組子處理單元之間通過權(quán)值連接。

步驟S1084，將多組子處理單元分配至多個(gè)子節(jié)點(diǎn)，得到預(yù)設(shè)網(wǎng)絡(luò)模型。

在一種可選的方案中，以人工神經(jīng)網(wǎng)絡(luò)為例，可以設(shè)定獲取到的樣本特征量作為人工神經(jīng)網(wǎng)絡(luò)的輸入，放電故障類型作為人工神經(jīng)網(wǎng)絡(luò)的輸出，得到人工神經(jīng)網(wǎng)絡(luò)模型，可以橫向分割人工神經(jīng)網(wǎng)絡(luò)處理單元，將人工神經(jīng)網(wǎng)絡(luò)中每一層級的神經(jīng)元按照子節(jié)點(diǎn)的個(gè)數(shù)進(jìn)行均等劃分，并將各層每組神經(jīng)元分配到對應(yīng)的子節(jié)點(diǎn)中，保證每個(gè)子節(jié)點(diǎn)都包含有輸入層、隱含層和輸出層，每個(gè)子節(jié)點(diǎn)中的神經(jīng)元通過權(quán)值相互連接。

圖2是根據(jù)本發(fā)明實(shí)施例的一種可選的結(jié)構(gòu)并行的并行識別模型的示意圖，下面結(jié)合圖2，仍以4臺(tái)服務(wù)器組成的服務(wù)器集群為例對上述實(shí)施例進(jìn)行詳細(xì)說明，如圖2所示，可以基于樣本特征量建立人工神經(jīng)網(wǎng)絡(luò)，人工神經(jīng)網(wǎng)絡(luò)可以包括輸入層、隱含層和輸出層，每一層上包括3個(gè)神經(jīng)元，可以將每一層上的3個(gè)神經(jīng)元?jiǎng)澐譃?組，每組神經(jīng)元分配到一個(gè)服務(wù)器中，即服務(wù)器2、服務(wù)器3和服務(wù)器4上分配的神經(jīng)元數(shù)量均為1。

可選地，在本發(fā)明上述實(shí)施例中，步驟S108，基于預(yù)設(shè)分類算法，在多個(gè)子節(jié)點(diǎn)上建立預(yù)設(shè)網(wǎng)絡(luò)模型包括：

步驟S1085，獲取樣本特征量。

步驟S1086，基于預(yù)設(shè)分類算法和樣本特征量，在每個(gè)子節(jié)點(diǎn)上建立一個(gè)預(yù)設(shè)網(wǎng)絡(luò)模型。

在一種可選的方案中，以人工神經(jīng)網(wǎng)絡(luò)為例，可以設(shè)定獲取到的樣本特征量作為人工神經(jīng)網(wǎng)絡(luò)的輸入，放電故障類型作為人工神經(jīng)網(wǎng)絡(luò)的輸出，在每一個(gè)子節(jié)點(diǎn)上建立一個(gè)人工神經(jīng)網(wǎng)絡(luò)模型，每個(gè)子節(jié)點(diǎn)上的人工神經(jīng)網(wǎng)絡(luò)模型均相同，即每個(gè)子節(jié)點(diǎn)上都含有完整的人工神經(jīng)網(wǎng)絡(luò)，但是每個(gè)子節(jié)點(diǎn)上的人工神經(jīng)網(wǎng)絡(luò)模型互相不關(guān)聯(lián)。

圖3是根據(jù)本發(fā)明實(shí)施例的一種可選的數(shù)據(jù)并行的并行識別模型的示意圖，下面結(jié)合圖3，仍以4臺(tái)服務(wù)器組成的服務(wù)器集群為例對上述實(shí)施例進(jìn)行詳細(xì)說明，如圖3所示，可以基于樣本特征量在服務(wù)器2、服務(wù)器3和服務(wù)器4上各建立一個(gè)人工神經(jīng)網(wǎng)絡(luò)，每個(gè)人工神經(jīng)網(wǎng)絡(luò)均可以包括輸入層、隱含層和輸出層，每一層上包括3個(gè)神經(jīng)元。

可選地，在本發(fā)明上述實(shí)施例中，步驟S112，基于訓(xùn)練樣本對預(yù)設(shè)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，生成并行識別模型包括：

步驟S1122，對訓(xùn)練樣本進(jìn)行劃分，得到多組子訓(xùn)練樣本。

步驟S1124，根據(jù)每組子訓(xùn)練樣本對每個(gè)子節(jié)點(diǎn)上建立的預(yù)設(shè)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，生成并行識別模型。

在一種可選的方案中，以人工神經(jīng)網(wǎng)絡(luò)為例，對于數(shù)據(jù)并行的并行識別模型，在每個(gè)子節(jié)點(diǎn)上建立了一個(gè)人工神經(jīng)網(wǎng)絡(luò)，多個(gè)人工神經(jīng)網(wǎng)絡(luò)構(gòu)成了并行識別模型，在對多個(gè)人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練的過程中，需要對訓(xùn)練樣本進(jìn)行分割，將訓(xùn)練樣本平均分配到各個(gè)子節(jié)點(diǎn)上，每個(gè)子節(jié)點(diǎn)根據(jù)接收到的部分訓(xùn)練樣本對人工神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，從而得到最終的并行識別模型。

可選地，在本發(fā)明上述實(shí)施例中，步驟S1081或步驟S1085，獲取樣本特征量包括：

步驟S10852，獲取每種故障類型的放電信號統(tǒng)計(jì)特征。

具體地，上述的故障類型主要可以包括如下5種：尖刺、沿面、氣隙、顆粒、懸浮。

步驟S10854，根據(jù)每種故障類型的放電信號特征，生成樣本特征量。

在一種可選的方案中，可以預(yù)先設(shè)置電力設(shè)備的每一種放電缺陷，并采集每一種放電缺陷對應(yīng)的放電信號，提取放電信號的統(tǒng)計(jì)特征，得到每種故障類型的放電信號統(tǒng)計(jì)特征，對比每種故障類型的放電信號統(tǒng)計(jì)特征的PRPD(局部放電相位分布，Phase Resolved Partial Discharge的簡寫)和PRPS(脈沖序列相位分布，Phase Resolved Pluse Sequence的簡寫)譜圖，得到能夠反映每一類故障類型的特征量，生成樣本特征量。

圖4是根據(jù)本發(fā)明實(shí)施例的一種可選的電力設(shè)備局部放電故障的識別方法的流程圖，下面結(jié)合圖4對本發(fā)明一種優(yōu)選的實(shí)施例進(jìn)行詳細(xì)說明，如圖4所示，該方法可以包括如下步驟：

步驟S41，采集每一類缺陷對應(yīng)放電的放電信號。

可選地，可以單獨(dú)設(shè)置每一類缺陷，采集測量每一類缺陷對應(yīng)放電的放電信號統(tǒng)計(jì)特征，將采集的文件對應(yīng)的放電類型做好標(biāo)記供訓(xùn)練使用；同時(shí)當(dāng)使用專家系統(tǒng)作為診斷方法時(shí)，可作為專家系統(tǒng)診斷的故障庫。

步驟S42，確定能反映每一類放電的樣本特征量。

可選地，可以對比每類放電的放電信號統(tǒng)計(jì)特征PRPD和PRPS譜圖，確定能反映每一類放電的樣本特征量。

步驟S43，基于分類算法建立預(yù)設(shè)網(wǎng)絡(luò)模型。

可選地，可以基于分類算法建立區(qū)分每一類放電的預(yù)設(shè)網(wǎng)絡(luò)模型，常用的方法為結(jié)構(gòu)并行和數(shù)據(jù)并行；常用的分類算法有人工神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等。

步驟S44，輸入訓(xùn)練樣本訓(xùn)練預(yù)設(shè)網(wǎng)絡(luò)模型，得到并行化識別模型。

步驟S45，輸入放電信號，進(jìn)行并行識別。

可選地，可以將實(shí)際數(shù)據(jù)輸入并行診斷模型，通過主節(jié)點(diǎn)分配負(fù)載，模型內(nèi)數(shù)據(jù)分布在各個(gè)子節(jié)點(diǎn)運(yùn)算。

步驟S46，輸出故障識別結(jié)果。

可選地，主節(jié)點(diǎn)可以匯總、處理子節(jié)點(diǎn)運(yùn)算結(jié)果，輸出故障類型。

通過上述步驟S41至步驟S46，提供了一種并行化的高壓電氣設(shè)備局部放電故障診斷方法，解決現(xiàn)階段局部放電故障診斷中診斷能力有限的問題，為提高診斷效率和實(shí)現(xiàn)電網(wǎng)的智能化提供了有利的保障。并且，電網(wǎng)狀態(tài)評價(jià)中心可根據(jù)設(shè)備運(yùn)行狀態(tài)及時(shí)安排檢修，并協(xié)調(diào)調(diào)度人員安排潮流轉(zhuǎn)移，必要時(shí)提前通知停電，避免因?yàn)樵O(shè)備故障導(dǎo)致的意外停電，提高供電的可靠性。

實(shí)施例2

根據(jù)本發(fā)明實(shí)施例，提供了一種電力設(shè)備局部放電故障的識別裝置的實(shí)施例。

圖5是根據(jù)本發(fā)明實(shí)施例的一種電力設(shè)備局部放電故障的識別裝置的示意圖，如圖5所示，該裝置包括：

第一獲取單元51，用于獲取電力設(shè)備的放電信號。

具體地，上述的放電信號可以是電力設(shè)備由于發(fā)生局部放電故障，實(shí)際檢測到的放電信號。

處理單元53，用于將電力設(shè)備的放電信號輸入至并行識別模型中，得到多個(gè)并行識別結(jié)果，其中，并行識別模型部署在多個(gè)子節(jié)點(diǎn)上。

具體地，在一個(gè)服務(wù)器集群中，可以指定一個(gè)服務(wù)器作為主節(jié)點(diǎn)，剩下的多個(gè)服務(wù)器作為子節(jié)點(diǎn)，子節(jié)點(diǎn)聽從主節(jié)點(diǎn)的任務(wù)分配和調(diào)度。例如，以4臺(tái)服務(wù)器為例進(jìn)行說明，4臺(tái)服務(wù)器組成的服務(wù)器集群中有一個(gè)主節(jié)點(diǎn)和三個(gè)子節(jié)點(diǎn)。上述的并行識別模型用于并行對放電信號的故障類型進(jìn)行識別。

匯總單元55，用于對多個(gè)并行識別結(jié)果進(jìn)行匯總，得到故障識別結(jié)果。

具體地，上述的故障識別結(jié)果可以是電力設(shè)備對應(yīng)的故障類型。

在一種可選的方案中，主節(jié)點(diǎn)可以獲取到實(shí)際檢測到的放電信號，并對獲取到的放電信號分配給多個(gè)子節(jié)點(diǎn)，每個(gè)子節(jié)點(diǎn)通過部署在該子節(jié)點(diǎn)上的并行識別波形，對主節(jié)點(diǎn)分配的放電信號進(jìn)行識別，得到并行識別結(jié)果，多個(gè)子節(jié)點(diǎn)將各自得到的并行識別結(jié)果反饋至主節(jié)點(diǎn)，有主節(jié)點(diǎn)進(jìn)行匯總，得到故障識別結(jié)果，即確定實(shí)際檢測到的放電信號對應(yīng)的故障類型。

例如，以4臺(tái)服務(wù)器組成的服務(wù)器集群為例對上述實(shí)施例進(jìn)行詳細(xì)說明，服務(wù)器集群包括服務(wù)器1、服務(wù)器2、服務(wù)器3和服務(wù)器4，將服務(wù)器1作為主節(jié)點(diǎn)，服務(wù)器2、服務(wù)器3和服務(wù)器4作為子節(jié)點(diǎn)，并在服務(wù)器2、服務(wù)器3和服務(wù)器4上預(yù)先部署并行識別模型，服務(wù)器1在接收到電力設(shè)備的放電信號之后，可以建立任務(wù)分配給服務(wù)器2、服務(wù)器3和服務(wù)器4，服務(wù)器2、服務(wù)器3和服務(wù)器4將接收到的放電信號輸入至并行識別模型，由三個(gè)服務(wù)器并行識別，得到三個(gè)并行識別結(jié)果，服務(wù)器1將三個(gè)服務(wù)器反饋的三個(gè)并行識別結(jié)果進(jìn)行匯總分析，得到放電信號對應(yīng)的故障類型。

根據(jù)本發(fā)明上述實(shí)施例，獲取電力設(shè)備的放電信號，將電力設(shè)備的放電信號輸入至并行識別模型中，得到多個(gè)并行識別結(jié)果，對多個(gè)并行識別結(jié)果進(jìn)行匯總，得到故障識別結(jié)果。容易注意到的是，由于并行識別模型部署在多個(gè)子節(jié)點(diǎn)上，多個(gè)子節(jié)點(diǎn)可以并行對放電信號進(jìn)行識別處理，得到多個(gè)并行識別結(jié)果，并通過對多個(gè)并行識別結(jié)果進(jìn)行匯總，從而得到最終的故障識別結(jié)果，相比于現(xiàn)有技術(shù)中的單機(jī)識別，多機(jī)并行處理可以滿足大量放電信號的及時(shí)分析和診斷，解決了現(xiàn)有技術(shù)中的電力設(shè)備局部放電故障的識別方案為單機(jī)識別，無法滿足大量數(shù)據(jù)的局部放電故障的識別的技術(shù)問題。因此，通過本發(fā)明上述實(shí)施例確定的技術(shù)方案，可以達(dá)到提高識別能力和識別速度，提升電網(wǎng)智能化的技術(shù)效果。

可選地，在本發(fā)明上述實(shí)施例中，該裝置還包括：

建立單元，用于基于預(yù)設(shè)分類算法，在多個(gè)子節(jié)點(diǎn)上建立預(yù)設(shè)網(wǎng)絡(luò)模型。

具體地，上述的預(yù)設(shè)分類算法可以是人工神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等，本發(fā)明對此不做限定，在本發(fā)明實(shí)施例中，以人工神經(jīng)網(wǎng)絡(luò)為例進(jìn)行說明。

第二獲取單元，用于獲取電力設(shè)備的放電測試信號，生成訓(xùn)練樣本。

具體地，上述的放電測試信號可以是實(shí)驗(yàn)室中對電力設(shè)備設(shè)置不同放電故障，從而檢測到的放電信號，每個(gè)信號對應(yīng)有一個(gè)已知的故障類型。

訓(xùn)練單元，用于基于訓(xùn)練樣本對預(yù)設(shè)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，生成并行識別模型。

在一種可選的方案中，以人工神經(jīng)網(wǎng)絡(luò)為例對本發(fā)明上述實(shí)施例進(jìn)行詳細(xì)說明，可以預(yù)先設(shè)置電力設(shè)備的每一種放電缺陷，并采集每一種放電缺陷對應(yīng)的放電信號，將對應(yīng)的故障類型進(jìn)行標(biāo)記，作為訓(xùn)練樣本，可以使用人工神經(jīng)網(wǎng)絡(luò)算法作為分類器，在多個(gè)子節(jié)點(diǎn)上建立區(qū)分每一類放電故障的人工神經(jīng)網(wǎng)絡(luò)模型，輸入訓(xùn)練樣本對人工神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，從而得到并行識別模型。

需要說明的是，在多個(gè)子節(jié)點(diǎn)上建立并行識別模型的常用方法包括結(jié)構(gòu)并行和數(shù)據(jù)并行，本發(fā)明實(shí)施例分別對上述兩種方案進(jìn)行詳細(xì)說明。

可選地，在本發(fā)明上述實(shí)施例中，建立單元包括：

獲取模塊，用于獲取樣本特征量。

具體地，上述的樣本特征量可以是能夠反映每一類放電故障的特征量。

第一建立模塊，用于基于預(yù)設(shè)分類算法和樣本特征量，建立預(yù)設(shè)網(wǎng)絡(luò)模型，其中，預(yù)設(shè)網(wǎng)絡(luò)模型包括：多個(gè)層級，每個(gè)層級包括：多個(gè)處理單元。

具體地，以人工神經(jīng)網(wǎng)絡(luò)為例，人工神經(jīng)網(wǎng)絡(luò)模型可以包括三個(gè)層級，輸入層、隱含層、輸出層，每個(gè)層級有可以包括多個(gè)神經(jīng)元。

第一劃分模塊，用于對每個(gè)層級包含的多個(gè)處理單元進(jìn)行劃分，得到多組子處理單元，其中，多組子處理單元之間通過權(quán)值連接。

分配模塊，用于將多組子處理單元分配至多個(gè)子節(jié)點(diǎn)，得到預(yù)設(shè)網(wǎng)絡(luò)模型。

在一種可選的方案中，以人工神經(jīng)網(wǎng)絡(luò)為例，可以設(shè)定獲取到的樣本特征量作為人工神經(jīng)網(wǎng)絡(luò)的輸入，放電故障類型作為人工神經(jīng)網(wǎng)絡(luò)的輸出，得到人工神經(jīng)網(wǎng)絡(luò)模型，可以橫向分割人工神經(jīng)網(wǎng)絡(luò)處理單元，將人工神經(jīng)網(wǎng)絡(luò)中每一層級的神經(jīng)元按照子節(jié)點(diǎn)的個(gè)數(shù)進(jìn)行均等劃分，并將各層每組神經(jīng)元分配到對應(yīng)的子節(jié)點(diǎn)中，保證每個(gè)子節(jié)點(diǎn)都包含有輸入層、隱含層和輸出層，每個(gè)子節(jié)點(diǎn)中的神經(jīng)元通過權(quán)值相互連接。

下面結(jié)合圖2，仍以4臺(tái)服務(wù)器組成的服務(wù)器集群為例對上述實(shí)施例進(jìn)行詳細(xì)說明，如圖2所示，可以基于樣本特征量建立人工神經(jīng)網(wǎng)絡(luò)，人工神經(jīng)網(wǎng)絡(luò)可以包括輸入層、隱含層和輸出層，每一層上包括3個(gè)神經(jīng)元，可以將每一層上的3個(gè)神經(jīng)元?jiǎng)澐譃?組，每組神經(jīng)元分配到一個(gè)服務(wù)器中，即服務(wù)器2、服務(wù)器3和服務(wù)器4上分配的神經(jīng)元數(shù)量均為1。

可選地，在本發(fā)明上述實(shí)施例中，建立單元包括：

獲取模塊，用于獲取樣本特征量。

第二建立模塊，用于基于預(yù)設(shè)分類算法和樣本特征量，在每個(gè)子節(jié)點(diǎn)上建立一個(gè)預(yù)設(shè)網(wǎng)絡(luò)模型。

在一種可選的方案中，以人工神經(jīng)網(wǎng)絡(luò)為例，可以設(shè)定獲取到的樣本特征量作為人工神經(jīng)網(wǎng)絡(luò)的輸入，放電故障類型作為人工神經(jīng)網(wǎng)絡(luò)的輸出，在每一個(gè)子節(jié)點(diǎn)上建立一個(gè)人工神經(jīng)網(wǎng)絡(luò)模型，每個(gè)子節(jié)點(diǎn)上的人工神經(jīng)網(wǎng)絡(luò)模型均相同，即每個(gè)子節(jié)點(diǎn)上都含有完整的人工神經(jīng)網(wǎng)絡(luò)，但是每個(gè)子節(jié)點(diǎn)上的人工神經(jīng)網(wǎng)絡(luò)模型互相不關(guān)聯(lián)。

下面結(jié)合圖3，仍以4臺(tái)服務(wù)器組成的服務(wù)器集群為例對上述實(shí)施例進(jìn)行詳細(xì)說明，如圖3所示，可以基于樣本特征量在服務(wù)器2、服務(wù)器3和服務(wù)器4上各建立一個(gè)人工神經(jīng)網(wǎng)絡(luò)，每個(gè)人工神經(jīng)網(wǎng)絡(luò)均可以包括輸入層、隱含層和輸出層，每一層上包括3個(gè)神經(jīng)元。

可選地，在本發(fā)明上述實(shí)施例中，訓(xùn)練單元包括：

第二劃分模塊，用于對訓(xùn)練樣本進(jìn)行劃分，得到多組子訓(xùn)練樣本。

訓(xùn)練模塊，用于根據(jù)每組子訓(xùn)練樣本對每個(gè)子節(jié)點(diǎn)上建立的預(yù)設(shè)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，生成并行識別模型。

在一種可選的方案中，以人工神經(jīng)網(wǎng)絡(luò)為例，對于數(shù)據(jù)并行的并行識別模型，在每個(gè)子節(jié)點(diǎn)上建立了一個(gè)人工神經(jīng)網(wǎng)絡(luò)，多個(gè)人工神經(jīng)網(wǎng)絡(luò)構(gòu)成了并行識別模型，在對多個(gè)人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練的過程中，需要對訓(xùn)練樣本進(jìn)行分割，將訓(xùn)練樣本平均分配到各個(gè)子節(jié)點(diǎn)上，每個(gè)子節(jié)點(diǎn)根據(jù)接收到的部分訓(xùn)練樣本對人工神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，從而得到最終的并行識別模型。

可選地，在本發(fā)明上述實(shí)施例中，獲取模塊包括：

獲取子模塊，用于獲取每種故障類型的放電信號統(tǒng)計(jì)特征。

具體地，上述的故障類型主要可以包括如下5種：尖刺、沿面、氣隙、顆粒、懸浮。

生成子模塊，用于根據(jù)每種故障類型的放電信號特征，生成樣本特征量。

在一種可選的方案中，可以預(yù)先設(shè)置電力設(shè)備的每一種放電缺陷，并采集每一種放電缺陷對應(yīng)的放電信號，提取放電信號的統(tǒng)計(jì)特征，得到每種故障類型的放電信號統(tǒng)計(jì)特征，對比每種故障類型的放電信號統(tǒng)計(jì)特征的PRPD(局部放電相位分布，Phase Resolved Partial Discharge的簡寫)和PRPS(脈沖序列相位分布，Phase Resolved Pluse Sequence的簡寫)譜圖，得到能夠反映每一類故障類型的特征量，生成樣本特征量。

實(shí)施例3

根據(jù)本發(fā)明實(shí)施例，提供了一種電力設(shè)備局部放電故障的識別系統(tǒng)的實(shí)施例。

圖6是根據(jù)本發(fā)明實(shí)施例的一種電力設(shè)備局部放電故障的識別系統(tǒng)的示意圖，如圖6所示，該系統(tǒng)包括：

主節(jié)點(diǎn)61，用于獲取電力設(shè)備的放電信號。

具體地，上述的放電信號可以是電力設(shè)備由于發(fā)生局部放電故障，實(shí)際檢測到的放電信號。

多個(gè)子節(jié)點(diǎn)63，與主節(jié)點(diǎn)連接，多個(gè)子節(jié)點(diǎn)上部署有并行識別模型，用于將電力設(shè)備的放電信號輸入至并行識別模型中，得到多個(gè)并行識別結(jié)果。

具體地，在一個(gè)服務(wù)器集群中，可以指定一個(gè)服務(wù)器作為主節(jié)點(diǎn)，剩下的多個(gè)服務(wù)器作為子節(jié)點(diǎn)，子節(jié)點(diǎn)聽從主節(jié)點(diǎn)的任務(wù)分配和調(diào)度。例如，以4臺(tái)服務(wù)器為例進(jìn)行說明，4臺(tái)服務(wù)器組成的服務(wù)器集群中有一個(gè)主節(jié)點(diǎn)和三個(gè)子節(jié)點(diǎn)。上述的并行識別模型用于并行對放電信號的故障類型進(jìn)行識別。

主節(jié)點(diǎn)還用于對多個(gè)并行識別結(jié)果進(jìn)行匯總，得到故障識別結(jié)果。

具體地，上述的故障識別結(jié)果可以是電力設(shè)備對應(yīng)的故障類型。

在一種可選的方案中，主節(jié)點(diǎn)可以獲取到實(shí)際檢測到的放電信號，并對獲取到的放電信號分配給多個(gè)子節(jié)點(diǎn)，每個(gè)子節(jié)點(diǎn)通過部署在該子節(jié)點(diǎn)上的并行識別波形，對主節(jié)點(diǎn)分配的放電信號進(jìn)行識別，得到并行識別結(jié)果，多個(gè)子節(jié)點(diǎn)將各自得到的并行識別結(jié)果反饋至主節(jié)點(diǎn)，有主節(jié)點(diǎn)進(jìn)行匯總，得到故障識別結(jié)果，即確定實(shí)際檢測到的放電信號對應(yīng)的故障類型。

例如，以4臺(tái)服務(wù)器組成的服務(wù)器集群為例對上述實(shí)施例進(jìn)行詳細(xì)說明，服務(wù)器集群包括服務(wù)器1、服務(wù)器2、服務(wù)器3和服務(wù)器4，將服務(wù)器1作為主節(jié)點(diǎn)，服務(wù)器2、服務(wù)器3和服務(wù)器4作為子節(jié)點(diǎn)，并在服務(wù)器2、服務(wù)器3和服務(wù)器4上預(yù)先部署并行識別模型，服務(wù)器1在接收到電力設(shè)備的放電信號之后，可以建立任務(wù)分配給服務(wù)器2、服務(wù)器3和服務(wù)器4，服務(wù)器2、服務(wù)器3和服務(wù)器4將接收到的放電信號輸入至并行識別模型，由三個(gè)服務(wù)器并行識別，得到三個(gè)并行識別結(jié)果，服務(wù)器1將三個(gè)服務(wù)器反饋的三個(gè)并行識別結(jié)果進(jìn)行匯總分析，得到放電信號對應(yīng)的故障類型。

根據(jù)本發(fā)明上述實(shí)施例，獲取電力設(shè)備的放電信號，將電力設(shè)備的放電信號輸入至并行識別模型中，得到多個(gè)并行識別結(jié)果，對多個(gè)并行識別結(jié)果進(jìn)行匯總，得到故障識別結(jié)果。容易注意到的是，由于并行識別模型部署在多個(gè)子節(jié)點(diǎn)上，多個(gè)子節(jié)點(diǎn)可以并行對放電信號進(jìn)行識別處理，得到多個(gè)并行識別結(jié)果，并通過對多個(gè)并行識別結(jié)果進(jìn)行匯總，從而得到最終的故障識別結(jié)果，相比于現(xiàn)有技術(shù)中的單機(jī)識別，多機(jī)并行處理可以滿足大量放電信號的及時(shí)分析和診斷，解決了現(xiàn)有技術(shù)中的電力設(shè)備局部放電故障的識別方案為單機(jī)識別，無法滿足大量數(shù)據(jù)的局部放電故障的識別的技術(shù)問題。因此，通過本發(fā)明上述實(shí)施例確定的技術(shù)方案，可以達(dá)到提高識別能力和識別速度，提升電網(wǎng)智能化的技術(shù)效果。

上述本發(fā)明實(shí)施例序號僅僅為了描述，不代表實(shí)施例的優(yōu)劣。

在本發(fā)明的上述實(shí)施例中，對各個(gè)實(shí)施例的描述都各有側(cè)重，某個(gè)實(shí)施例中沒有詳述的部分，可以參見其他實(shí)施例的相關(guān)描述。

在本申請所提供的幾個(gè)實(shí)施例中，應(yīng)該理解到，所揭露的技術(shù)內(nèi)容，可通過其它的方式實(shí)現(xiàn)。其中，以上所描述的裝置實(shí)施例僅僅是示意性的，例如所述單元的劃分，可以為一種邏輯功能劃分，實(shí)際實(shí)現(xiàn)時(shí)可以有另外的劃分方式，例如多個(gè)單元或組件可以結(jié)合或者可以集成到另一個(gè)系統(tǒng)，或一些特征可以忽略，或不執(zhí)行。另一點(diǎn)，所顯示或討論的相互之間的耦合或直接耦合或通信連接可以是通過一些接口，單元或模塊的間接耦合或通信連接，可以是電性或其它的形式。

所述作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位于一個(gè)地方，或者也可以分布到多個(gè)單元上?？梢愿鶕?jù)實(shí)際的需要選擇其中的部分或者全部單元來實(shí)現(xiàn)本實(shí)施例方案的目的。

另外，在本發(fā)明各個(gè)實(shí)施例中的各功能單元可以集成在一個(gè)處理單元中，也可以是各個(gè)單元單獨(dú)物理存在，也可以兩個(gè)或兩個(gè)以上單元集成在一個(gè)單元中。上述集成的單元既可以采用硬件的形式實(shí)現(xiàn)，也可以采用軟件功能單元的形式實(shí)現(xiàn)。

所述集成的單元如果以軟件功能單元的形式實(shí)現(xiàn)并作為獨(dú)立的產(chǎn)品銷售或使用時(shí)，可以存儲(chǔ)在一個(gè)計(jì)算機(jī)可讀取存儲(chǔ)介質(zhì)中?；谶@樣的理解，本發(fā)明的技術(shù)方案本質(zhì)上或者說對現(xiàn)有技術(shù)做出貢獻(xiàn)的部分或者該技術(shù)方案的全部或部分可以以軟件產(chǎn)品的形式體現(xiàn)出來，該計(jì)算機(jī)軟件產(chǎn)品存儲(chǔ)在一個(gè)存儲(chǔ)介質(zhì)中，包括若干指令用以使得一臺(tái)計(jì)算機(jī)設(shè)備(可為個(gè)人計(jì)算機(jī)、節(jié)點(diǎn)或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行本發(fā)明各個(gè)實(shí)施例所述方法的全部或部分步驟。而前述的存儲(chǔ)介質(zhì)包括：U盤、只讀存儲(chǔ)器(ROM，Read-Only Memory)、隨機(jī)存取存儲(chǔ)器(RAM，Random Access Memory)、移動(dòng)硬盤、磁碟或者光盤等各種可以存儲(chǔ)程序代碼的介質(zhì)。

以上所述僅是本發(fā)明的優(yōu)選實(shí)施方式，應(yīng)當(dāng)指出，對于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明原理的前提下，還可以做出若干改進(jìn)和潤飾，這些改進(jìn)和潤飾也應(yīng)視為本發(fā)明的保護(hù)范圍。