本發(fā)明涉及一種電動(dòng)汽車規(guī)?；潆娦枨箢A(yù)測(cè)方法，屬于電動(dòng)汽車充電需求預(yù)測(cè)領(lǐng)域，直接應(yīng)用于電動(dòng)汽車充電對(duì)電網(wǎng)的影響分析或充電站的選址定容工作。
背景技術(shù)：
：電動(dòng)汽車在節(jié)能減排、保護(hù)環(huán)境和應(yīng)對(duì)能源危機(jī)等方面有著傳統(tǒng)汽車無法比擬的優(yōu)勢(shì)，國家已將電動(dòng)汽車產(chǎn)業(yè)作為戰(zhàn)略新興產(chǎn)業(yè)來培養(yǎng)和支持，隨著環(huán)境問題的日益突出和汽車技術(shù)的快速發(fā)展，電動(dòng)汽車的規(guī)模將呈爆發(fā)式地增長(zhǎng)。電動(dòng)汽車的充電需求為電力系統(tǒng)帶來了一種新型的負(fù)荷類型，由于其與用戶的生活習(xí)慣、出行規(guī)律等密切相關(guān)，充電具有一定的隨機(jī)性和分散性，并且還存在移動(dòng)特性，與以往的用電設(shè)備大不相同。在電動(dòng)汽車大規(guī)模應(yīng)用后，其充電需求的預(yù)測(cè)面臨著兩個(gè)方面的難題：一個(gè)是變量過多、維數(shù)過高，難以得到準(zhǔn)確的解析表達(dá)式；另一個(gè)是可應(yīng)用模型與現(xiàn)實(shí)差距較大，準(zhǔn)確性較低。技術(shù)實(shí)現(xiàn)要素：本發(fā)明的目的是提供一種基于蒙特卡洛模擬法的電動(dòng)汽車規(guī)模化充電需求預(yù)測(cè)方法，針對(duì)目前電動(dòng)汽車充電需求預(yù)測(cè)模型準(zhǔn)確度不高、與現(xiàn)實(shí)差距較大的問題，本提案利用蒙特卡洛模擬法來對(duì)用戶的隨機(jī)充電行為進(jìn)行模擬，可以有效的減小模型—現(xiàn)實(shí)差，提高預(yù)測(cè)的精度。為實(shí)現(xiàn)上述目的，本發(fā)明采用下述技術(shù)方案：一種基于蒙特卡洛模擬法的電動(dòng)汽車規(guī)?；潆娦枨箢A(yù)測(cè)方法，包括以下步驟：1)建立電動(dòng)汽車慢充需求預(yù)測(cè)模型，獲得單臺(tái)電動(dòng)汽車在一天內(nèi)的慢充電負(fù)荷曲線，包括以下步驟：11)設(shè)置試驗(yàn)次數(shù)Nm，按照概率密度函數(shù)隨機(jī)生成用戶充電開始時(shí)刻樣本數(shù)組Tsc和電動(dòng)汽車的持續(xù)充電時(shí)間樣本數(shù)組Tc，容量為N；12)構(gòu)建容量為24×N的狀態(tài)記錄數(shù)組T；13)判斷任意采樣時(shí)間采樣點(diǎn)tk時(shí)刻電動(dòng)汽車i的充電狀態(tài)，若處于充電狀態(tài)，則記tk(i)＝1，否則為0；14)統(tǒng)計(jì)樣本中tk(i)＝1的個(gè)數(shù)n；15)計(jì)算慢充電功率期望值16)判斷i是否等于Nm，如果i＝Nm，則取Nm次試驗(yàn)的平均值，如果i≠Nm，則i＝i+1，轉(zhuǎn)入步驟13)；2)建立電動(dòng)汽車快沖需求預(yù)測(cè)模型，獲得單臺(tái)電動(dòng)汽車在一天內(nèi)的快充電負(fù)荷曲線，包括以下步驟：21)設(shè)置試驗(yàn)次數(shù)Nm，按照概率密度函數(shù)隨機(jī)生成用戶出行開始時(shí)刻樣本數(shù)組Ts、用戶行程結(jié)束返回駐地時(shí)刻樣本數(shù)組Tf和行駛里程樣本數(shù)組LEV，容量為N；22)構(gòu)建容量為24×N的充電狀態(tài)記錄數(shù)組T和荷電狀態(tài)記錄數(shù)組SOC；23)判斷任意采樣時(shí)間采樣點(diǎn)tk時(shí)刻電動(dòng)汽車j的充電狀態(tài)，若處于充電狀態(tài)，則記tk(j)＝1，否則為0；24)統(tǒng)計(jì)樣本中tk(j)＝1的個(gè)數(shù)n；25)計(jì)算快充電功率期望值26)判斷j是否等于Nm，如果j＝Nm，則取Nm次試驗(yàn)的平均值，如果i≠Nm，則i＝i+1，轉(zhuǎn)入步驟23)；3)若規(guī)劃區(qū)域在規(guī)劃年的汽車保有量為NTotal，電動(dòng)汽車數(shù)量在汽車總量中的占比為α，蒙特卡洛模擬次數(shù)為Nm，則該區(qū)域內(nèi)電動(dòng)汽車在tk時(shí)刻的充電需求E(tksum)可表示為：E(tksum)=Σi=1Nm(E(tkm)i+E(tkk)i)Nm·NTotal·α]]>式中，E(tkm)i和E(tkk)i分別表示單臺(tái)電動(dòng)汽車在tk時(shí)刻第i次模擬的慢速充電和快速充電的功率期望值，tk可取一天中的任意時(shí)刻，即tk∈[0,24]，由此即可得到規(guī)劃區(qū)域內(nèi)規(guī)?；妱?dòng)汽車的充電需求特性曲線。進(jìn)一步地，步驟11)具體包括以下步驟：a)利用計(jì)算機(jī)極大似然估計(jì)法對(duì)該地區(qū)私人電動(dòng)車輛最后一次返回停住地的時(shí)刻概率分布柱狀圖進(jìn)行曲線擬合，得到用戶充電開始時(shí)刻Tsc的概率密度函數(shù)：fTSC(x)=1σs2πexp[-(x-μs)22σs2](μs-12)<x≤241σs2πexp[-(x+24-μs)22σs2]0<x≤(μs-12)]]>式中，μs＝17.6,σs＝3.4；b)電動(dòng)汽車的百公里耗電量W是恒定的，且電動(dòng)汽車的充電功率Pcm也是一個(gè)定值，考慮充電機(jī)的充電效率kx，則電動(dòng)汽車的持續(xù)充電時(shí)間Tc可由下式計(jì)算得出：TC=LEV×W100×Pcm×kx.]]>進(jìn)一步地，步驟13)具體包括以下步驟：第i輛電動(dòng)汽車在tk時(shí)刻處于充電狀態(tài)，則記為tk(i)＝1，否則記為tk(i)＝0；電動(dòng)汽車i在tk時(shí)刻是否處于充電狀態(tài)的判斷依據(jù)可由下式來表示：進(jìn)一步地，步驟21)具體包括以下步驟：a)用戶行程結(jié)束返回駐地時(shí)刻樣本數(shù)組Tf可以參照用戶充電開始時(shí)刻Tsc，利用計(jì)算機(jī)極大似然估計(jì)法對(duì)用戶行程結(jié)束返回駐地時(shí)刻的分布柱狀圖進(jìn)行曲線擬合，得到用戶行程結(jié)束返回駐地時(shí)刻Tf的概率密度函數(shù)：fTf(x)=1σs2πexp[-(x-μs)22σs2](μs-12)<x≤241σs2πexp[-(x+24-μs)22σs2]0<x≤(μs-12)]]>式中，μs＝17.6,σs＝3.4；b)利用計(jì)算機(jī)極大似然估計(jì)法對(duì)用戶出行開始時(shí)刻Ts的分布柱狀圖進(jìn)行曲線擬合，得到用戶行程結(jié)束返回駐地時(shí)刻Ts的概率密度函數(shù)：fTs(x)=a1e-(x-b1c1)2+a2e-(x-b2c2)2]]>其中，a1＝0.389,b1＝7.046,c1＝1.086,a2＝0.016,b2＝10.610,c2＝9.667；c)利用計(jì)算機(jī)曲線擬合工具對(duì)電動(dòng)汽車用戶的日行駛里程LEV的柱狀圖進(jìn)行擬合，得到日行駛里程LEV的概率密度函數(shù)可表示為：fLEV(x)=aL·ebLx+cL·edLx(x≥0)]]>式中，aL＝-39.48,bL＝-976.06,cL＝42.81,dL＝-0.8912。進(jìn)一步地，步驟23)具體包括以下步驟：第j輛電動(dòng)汽車在tk時(shí)刻處于充電狀態(tài)，則記為tk(j)＝1，否則記為tk(j)＝1，電動(dòng)汽車j在tk時(shí)刻是否處于充電狀態(tài)的判斷依據(jù)可由下式來表示：本發(fā)明的有益效果是，本提案基于大量用戶的出行規(guī)律(包括出行時(shí)間、行駛里程、返回時(shí)間等)，通過計(jì)算機(jī)仿真擬合得到電動(dòng)汽車用戶的隨機(jī)充電概率模型，有效地反映了用戶的隨機(jī)充電行為，比一般的解析表達(dá)式模型更具有現(xiàn)實(shí)意義。另外，由于充分利用了蒙特卡洛法的現(xiàn)實(shí)模擬特性和計(jì)算機(jī)強(qiáng)大的計(jì)算功能，通過大量模擬試驗(yàn)逐步還原了用戶的現(xiàn)實(shí)充電需求，有效地減小了模型—現(xiàn)實(shí)差，提高了預(yù)測(cè)的精度，可以更為準(zhǔn)確地預(yù)測(cè)規(guī)劃區(qū)域內(nèi)規(guī)?；妱?dòng)汽車的充電需求，為充電設(shè)施的規(guī)劃和電網(wǎng)適應(yīng)性的調(diào)整提供了依據(jù)。附圖說明圖1是蒙特卡洛法的模擬過程示意圖；圖2是電動(dòng)汽車車用電池的充電特性示意圖；圖3是私人出行車輛最后一次返回停駐地時(shí)刻概率分布圖；圖4是電動(dòng)汽車日行駛里程分布規(guī)律圖；圖5是電動(dòng)汽車持續(xù)充電時(shí)間分布規(guī)律圖；圖6是電動(dòng)汽車慢充功率期望預(yù)測(cè)流程圖；圖7是用戶出行開始時(shí)刻分布規(guī)律圖；圖8是電動(dòng)汽車快速充電期望預(yù)測(cè)流程圖。具體實(shí)施方式1、蒙特卡洛法的模擬過程蒙特卡洛模擬法所具有的統(tǒng)計(jì)功能，能夠自動(dòng)對(duì)評(píng)估中已知概率分布的每個(gè)變量的數(shù)值進(jìn)行選擇和組合。這樣的優(yōu)點(diǎn)是無需進(jìn)行過多的簡(jiǎn)化和運(yùn)算就能得到一個(gè)準(zhǔn)確且可靠的近似結(jié)果。利用蒙特卡洛模擬法可解決技術(shù)和工程中包含的隨機(jī)性問題，如圖1所示，具體的建模和求解過程主要分為以下四個(gè)部分：(1)針對(duì)需要分析的問題建立一個(gè)相對(duì)準(zhǔn)確的概率模型或隨機(jī)模型，模型中隨機(jī)變量的某些特征即為問題的解，如概率、方差等。所構(gòu)建的系統(tǒng)的變量或參數(shù)應(yīng)對(duì)應(yīng)模型中相關(guān)的特征量。(2)按照模型中各隨機(jī)變量的概率分布規(guī)律，利用計(jì)算機(jī)產(chǎn)生相應(yīng)的隨機(jī)數(shù)，并保證模擬所需足夠數(shù)量的隨機(jī)數(shù)組。(3)按照隨機(jī)變量的分布規(guī)律，采用一種合理的抽樣方法對(duì)每一個(gè)隨機(jī)變量進(jìn)行抽樣操作。(4)反復(fù)重復(fù)以上的步驟，進(jìn)行多次模擬試驗(yàn)，求出所需解決問題的隨機(jī)解；根據(jù)系統(tǒng)的精度要求，分析所得到的大量的仿真結(jié)果最終得到所需解決問題的概率解。2、電動(dòng)汽車慢充需求預(yù)測(cè)模型(1)充電功率電動(dòng)汽車車用電池目前主要有鉛酸電池、鎳氫電池和鋰離子電池三種類型。無論哪種電池目前采用的充電方式主要是恒流—恒壓兩階段的充電方式。開始充電時(shí)，先以恒定的電流將電池充電至一個(gè)電壓閥值，然后在這個(gè)電壓閥值的狀態(tài)下進(jìn)行恒壓充電直至電池充滿。在恒流充電階段，電池的端電壓不斷地升高，充電功率也逐漸升高。在恒壓充電階段，充電電流隨著電池的荷電比例逐漸減小，充電功率逐漸下降。電動(dòng)汽車車用電池的充電特性圖2所示。動(dòng)力電池隨著使用時(shí)間的增長(zhǎng)其內(nèi)阻也將逐漸增大，內(nèi)阻較大的電池在恒流充電階段所儲(chǔ)存的電能較少，時(shí)間也比較短，電能的補(bǔ)充主要來自于恒壓充電階段，在這一階段充電功率的變化不是很明顯。因此，本提案將電動(dòng)汽車車用電池的充電過程近似為恒功率充電。(2)用戶行為電動(dòng)汽車的充電特性主要是受充電功率、充電開始時(shí)間和充電持續(xù)時(shí)間的影響。電動(dòng)汽車在常規(guī)充電方式下，其充電功率較小，充電時(shí)間較長(zhǎng)，因此充電頻率不會(huì)很高，可以假設(shè)私人電動(dòng)汽車在常規(guī)充電方式下一天內(nèi)只充一次電。而且在白天電動(dòng)汽車常常用于出行，常規(guī)充電的時(shí)間又比較長(zhǎng)，因此可以假設(shè)電動(dòng)汽車用戶在一天內(nèi)最后一次返回停駐地即開始充電。根據(jù)相關(guān)調(diào)研結(jié)果可知私人出行車輛最后一次返回停駐地的時(shí)刻概率分布可如圖3所示。利用計(jì)算機(jī)極大似然的估計(jì)方法對(duì)圖3的柱狀圖進(jìn)行擬合，從而可得到用戶充電開始時(shí)刻TSC的概率密度函數(shù)：fTSC(x)=1σs2πexp[-(x-μs)22σs2](μs-12)<x≤241σs2πexp[-(x+24-μs)22σs2]0<x≤(μs-12)---(1)]]>式中，μs＝17.6,σs＝3.4。電動(dòng)汽車的充電持續(xù)時(shí)間與電動(dòng)汽車電池的荷電狀態(tài)有直接的關(guān)系。按照上述的假設(shè)，用戶最后一次返回停駐地即開始充電，并且采用恒功率的充電方式，則電動(dòng)汽車的持續(xù)充電時(shí)間與電動(dòng)汽車的日行駛里程唯一相關(guān)。根據(jù)相關(guān)調(diào)研結(jié)果可知電動(dòng)汽車日行駛里程分布規(guī)律如圖4所示。若電動(dòng)汽車的百公里耗電量W是恒定的，且電動(dòng)汽車的充電功率Pcm也是一個(gè)定值，考慮充電機(jī)的充電效率kx，則電動(dòng)汽車的持續(xù)充電時(shí)間可由下式計(jì)算得出：TC=LEV×W100×Pcm×kx---(2)]]>若電動(dòng)汽車每百公里的耗電量為W＝15kWh，以功率Pcm進(jìn)行充電，且充電效率為0.9，則電動(dòng)汽車的持續(xù)充電時(shí)間分布規(guī)律如圖5所示。利用計(jì)算機(jī)曲線擬合工具對(duì)圖5的柱狀圖進(jìn)行擬合，得到電動(dòng)汽車持續(xù)充電時(shí)間TC的概率密度函數(shù)可以表示為：fTC(x)=a·ebx+c·edx,(x≥0)---(3)]]>式中，a＝-0.8225,b＝-976.06,c＝0.8919,d＝-0.8912。(3)預(yù)測(cè)過程上述分析了電動(dòng)汽車用戶的開始充電時(shí)刻TSC和充電持續(xù)時(shí)間TC的概率分布特性，利用蒙特卡洛模擬法即可得到一天內(nèi)一輛電動(dòng)汽車的充電期望值。第i輛電動(dòng)汽車在tk時(shí)刻處于充電狀態(tài)，則記為tk(i)＝1，否則記為tk(i)＝0；電動(dòng)汽車i在tk時(shí)刻是否處于充電狀態(tài)的判斷依據(jù)可由下式來表示：蒙特卡洛法的實(shí)質(zhì)是通過大量的模擬來預(yù)測(cè)一天內(nèi)各個(gè)時(shí)間點(diǎn)電動(dòng)汽車的充電需求期望，從而得到電動(dòng)汽車的充電負(fù)荷曲線。由于蒙特卡洛模擬法具有一定的隨機(jī)性，因此需要進(jìn)行重復(fù)多次試驗(yàn)然后求平均值來確保預(yù)測(cè)的準(zhǔn)確性。具體的預(yù)測(cè)過程如圖6所示，可以分為以下幾個(gè)部分：1)以概率密度函數(shù)和為樣本，構(gòu)建兩個(gè)容量為N的數(shù)組TSC和TC，分別表示電動(dòng)汽車的開始充電時(shí)間和充電持續(xù)時(shí)間，并且使得數(shù)組中的N個(gè)數(shù)隨機(jī)排列。2)構(gòu)建一個(gè)容量為24×N的二維數(shù)組T，記錄一天內(nèi)24小時(shí)電動(dòng)汽車的充電狀態(tài)。根據(jù)公式(4)判斷在tk時(shí)刻電動(dòng)汽車j的充電狀態(tài)，若處于充電狀態(tài)，則記tk(j)＝1。3)統(tǒng)計(jì)樣本中tk(j)＝1的個(gè)數(shù)n，n/N即為電動(dòng)汽車充電的概率，則電動(dòng)汽車在tk時(shí)刻的充電功率期望值為：E(tkm)=nN×Pcm---(5)]]>4)按3)中所示方法計(jì)算一天內(nèi)24個(gè)時(shí)刻的電動(dòng)汽車充電功率的期望值，從而得到單臺(tái)電動(dòng)汽車在一天內(nèi)的充電負(fù)荷曲線。3、電動(dòng)汽車快充需求預(yù)測(cè)模型(1)快充條件與慢充方式不同，電動(dòng)汽車的快速充電往往出現(xiàn)在電動(dòng)汽車在行駛過程中電池中的電量不能滿足行駛需求的情況。在路程中，當(dāng)電池中的電量達(dá)到警戒值或電池中的剩余電量不足以滿足用戶后續(xù)行駛里程時(shí)，用戶會(huì)進(jìn)行快速充電。因此，在tk時(shí)刻，電動(dòng)汽車j需要充電的條件是：式中，表示在tk時(shí)刻電動(dòng)汽車的荷電狀態(tài)，α表示電動(dòng)汽車電池的警戒值，表示電動(dòng)汽車在狀態(tài)下還能完成的行駛里程，L(tk,tf)表示從tk時(shí)刻到行程結(jié)束返回駐地時(shí)刻Tf需要行駛的路程。若假設(shè)用戶出行開始時(shí)刻為Ts，出行開始時(shí)電動(dòng)汽車電池的初始荷電狀態(tài)為SOC0，日行駛里程為L(zhǎng)EV，電動(dòng)汽車電池在滿電量情況下的最大行駛里程為L(zhǎng)max，在行駛過程中始終保持勻速行駛，則可表示為：SOCtk=SOC0-SOC(Ts,tk)---(7)]]>SOC(Ts,tk)=tk-TsTf-Ts·LEVLmax---(8)]]>式中，表示從出行開始時(shí)刻Ts到tk時(shí)刻電動(dòng)汽車所消耗的電量比例。另外，和L(tk,tf)可分別表示為：L(SOCtk)=Lmax·SOCtk---(9)]]>L(tk,Tf)=Tf-tkTf-Ts·LEV---(10)]]>用戶行程結(jié)束返回駐地時(shí)刻Tf的概率分布可由前面的圖3得到，日行駛里程LEV的具體分布規(guī)律如圖4所示，利用計(jì)算機(jī)曲線擬合工具對(duì)圖4的柱狀圖進(jìn)行擬合，得到電動(dòng)汽車用戶日行駛里程LEV的概率密度函數(shù)可表示為：fLEV(x)=aL·ebLx+cL·edLx(x≥0)---(11)]]>式中，aL＝-39.48,bL＝-976.06,cL＝42.81,dL＝-0.8912。用戶出行開始時(shí)刻Ts具體分布規(guī)律如圖7所示。利用計(jì)算機(jī)曲線擬合工具對(duì)圖7的柱狀圖進(jìn)行擬合，得到電動(dòng)汽車用戶出行開始時(shí)刻Ts的概率密度函數(shù)可表示為：fTs(x)=a1e-(x-b1c1)2+a2e-(x-b2c2)2---(12)]]>其中，a1＝0.389,b1＝7.046,c1＝1.086,a2＝0.016,b2＝10.610,c2＝9.667。(2)預(yù)測(cè)過程上述內(nèi)容分析了電動(dòng)汽車進(jìn)行快速充電的條件，同慢充情況類似，利用蒙特卡洛模擬法對(duì)電動(dòng)汽車的快速充電進(jìn)行預(yù)測(cè)，具體的預(yù)測(cè)過程如圖8所示。1)以前面描述的概率分布規(guī)律為樣本，構(gòu)建三個(gè)容量為N的數(shù)組Ts、Tf和LEV，分別表示電動(dòng)汽車的出行開始時(shí)刻、行程結(jié)束返回駐地時(shí)刻和日行駛里程，并且使得數(shù)組中的N個(gè)數(shù)隨機(jī)排列。2)構(gòu)建兩個(gè)容量為24×N的二維數(shù)組T和SOC，T用來記錄一天內(nèi)24小時(shí)電動(dòng)汽車的充電狀態(tài)，SOC用來記錄N個(gè)電動(dòng)汽車在一天內(nèi)24小時(shí)的荷電狀態(tài)。根據(jù)公式(6)判斷在tk時(shí)刻電動(dòng)汽車j的充電狀態(tài)，若處于充電狀態(tài)，則記tk(j)＝1。3)統(tǒng)計(jì)樣本中tk(j)＝1的個(gè)數(shù)n，n/N即為電動(dòng)汽車充電的概率，則電動(dòng)汽車在tk時(shí)刻的充電功率期望值為：E(tkk)=nN×Pck---(13)]]>4)按3)中所示方法計(jì)算一天內(nèi)24個(gè)時(shí)刻的電動(dòng)汽車充電功率的期望值，從而得到單臺(tái)電動(dòng)汽車在一天內(nèi)的快速充電負(fù)荷曲線。4、規(guī)?；妱?dòng)汽車的充電需求預(yù)測(cè)單臺(tái)電動(dòng)汽車的充電曲線只是反映電動(dòng)汽車在各個(gè)時(shí)間點(diǎn)充電需求的期望值。但是，在一個(gè)區(qū)域內(nèi)，大規(guī)模的電動(dòng)汽車都按同一個(gè)分布規(guī)律來進(jìn)行充電的話，則規(guī)?；碾妱?dòng)汽車的充電功率期望值即可反映該區(qū)域內(nèi)電動(dòng)汽車的充電需求的大小。由于蒙特卡洛模擬法具有一定的隨機(jī)性，因此需要進(jìn)行重復(fù)多次試驗(yàn)然后求平均值來確保預(yù)測(cè)的準(zhǔn)確性。若規(guī)劃區(qū)域在規(guī)劃年的汽車保有量為NTotal，電動(dòng)汽車數(shù)量在汽車總量中的占比為α，蒙特卡洛模擬次數(shù)為Nm，則該區(qū)域內(nèi)電動(dòng)汽車在tk時(shí)刻的充電需求E(tksum)可表示為：E(tksum)=Σi=1Nm(E(tkm)i+E(tkk)i)Nm·NTotal·α---(14)]]>式中，E(tkm)i和E(tkk)i分別表示單臺(tái)電動(dòng)汽車在tk時(shí)刻第i次模擬的慢速充電和快速充電的功率期望值，tk可取一天中的任意時(shí)刻，即tk∈[0,24)，由此即可得到規(guī)劃區(qū)域內(nèi)規(guī)?；妱?dòng)汽車的充電需求特性曲線。上述雖然結(jié)合附圖對(duì)本發(fā)明的具體實(shí)施方式進(jìn)行了描述，但并非對(duì)本發(fā)明保護(hù)范圍的限制，所屬領(lǐng)域技術(shù)人員應(yīng)該明白，在本發(fā)明的技術(shù)方案的基礎(chǔ)上，本領(lǐng)域技術(shù)人員不需要付出創(chuàng)造性勞動(dòng)即可做出的各種修改或變形仍在本發(fā)明的保護(hù)范圍以內(nèi)。當(dāng)前第1頁1 2 3