电力现货市场中持留行为的识别方法、装置及电子设备

技术领域

本申请涉及电力市场技术领域，尤其涉及一种电力现货市场中持留行为的识别方法、装置及电子设备。

背景技术

市场力操纵指发电商利用自身的市场力不正当地进行市场竞争，该行为严重地损害了电力市场的竞争效率以及其他市场成员的利益。

通常电力市场力操作主要指发电商的报价持留行为，其中，持留行为包括物理持留和经济持留，由于发电商经济持留的形式比物理持留的形式更为隐蔽，所以更加难以识别。

发明内容

本申请提供了一种电力现货市场中持留行为的识别方法、装置及电子设备。

根据本申请的第一方面，提供了一种电力现货市场中持留行为的识别方法，包括：

获取目标发电商的待识别数据；所述待识别数据包括识别时间和与所述识别时间对应的报价数据；

将所述待识别数据分别输入至预设的第一指数预测模型和第二指数预测模型，获得由所述第一指数预测模型输出的第一预测数据和由所述第二指数预测模型输出的第二预测数据；所述第一预测数据和所述第二预测数据为所述目标发电商的勒纳指数预测值、行为影响测试预测值和剩余供应率指数预测值中任意两个；

将所述第一预测数据和所述第二预测数据输入至投票融合模型进行投票融合，以识别所述目标发电商在所述识别时间下是否存在持留行为。

在本申请的一些实施例中，所述将所述第一预测数据和所述第二预测数据输入至投票融合模型进行投票融合，以识别所述目标发电商在所述识别时间下是否存在持留行为，包括：

通过所述投票融合模型，将所述第一预测数据和所述第二预测数据进行连接处理；

通过所述投票融合模型，基于所述连接处理后的数据进行投票分类，以识别所述目标发电商在所述识别时间下是否存在持留行为。

在本申请的一些实施例中，所述第一指数预测模型为勒纳指数预测模型，所述第二指数预测模型为剩余供应率指数预测模型；所述将所述待识别数据分别输入至预设的第一指数预测模型和第二指数预测模型，获得由所述第一指数预测模型输出的第一预测数据和由所述第二指数预测模型输出的第二预测数据，包括：

根据所述报价数据，获取与所述识别时间对应的市场出清价格和市场总负荷需求；

将所述识别时间和/或所述市场出清价格输入至所述勒纳指数预测模型，获得所述目标发电商的勒纳指数预测值；

将所述识别时间和/或所述市场总负荷需求输入至所述剩余供应率指数预测模型，获得所述目标发电商的剩余供应率指数预测值；

其中，所述将所述第一预测数据和所述第二预测数据输入至投票融合模型进行投票融合，以识别所述目标发电商在所述识别时间下是否存在持留行为，包括：

将所述勒纳指数预测值和所述剩余供应率指数预测值输入至所述投票融合模型进行投票融合，以识别所述目标发电商在所述识别时间下是否存在持留行为。

作为一种实施方式，所述勒纳指数预测模型和剩余供应率指数预测模型均包括输入层、卷积神经网络CNN层、长短期记忆人工神经网络LSTM层、注意力层和输出层；其中，所述将所述识别时间和/或所述市场出清价格输入至所述勒纳指数预测模型，获得所述目标发电商的勒纳指数预测值，包括：

将所述识别时间和/或所述市场出清价格输入至所述勒纳指数预测模型的输入层，获得对应的输入向量；

将所述输入向量输入至所述勒纳指数预测模型的CNN层，并通过所述勒纳指数预测模型的CNN层对所述输入向量进行特征提取，获得目标特征向量；

将所述目标特征向量输入至所述勒纳指数预测模型的LSTM层，获得所述目标特征向量对应的输出向量；

将所述输出向量输入至所述勒纳指数预测模型的注意力层，获得所述输出向量对应的注意力权重；

将所述输出向量以及对应的注意力权重输入至所述勒纳指数预测模型的输出层，获得所述目标发电商的勒纳指数预测值。

在本申请的另一些实施例中，所述第一指数预测模型为勒纳指数预测模型，所述第二指数预测模型为行为影响测试预测模型；所述将所述待识别数据分别输入至预设的第一指数预测模型和第二指数预测模型，获得由所述第一指数预测模型输出的第一预测数据和由所述第二指数预测模型输出的第二预测数据，包括：

根据所述报价数据，获取与所述识别时间对应的市场出清价格和所述目标发电商在所述识别时间对应的时间范围内的实际报价；

将所述识别时间和/或所述市场出清价格输入至所述勒纳指数预测模型，获得所述目标发电商的勒纳指数预测值；

将所述识别时间和/或所述实际报价输入至所述行为影响测试预测模型，获得所述目标发电商的行为影响测试预测值；

其中，所述将所述第一预测数据和所述第二预测数据输入至投票融合模型进行投票融合，以识别所述目标发电商在所述识别时间下是否存在持留行为，包括：

将所述勒纳指数预测值和所述行为影响测试预测值输入至所述投票融合模型进行投票融合，以识别所述目标发电商在所述识别时间下是否存在持留行为。

在本申请的又一些实施例中，所述第一指数预测模型为剩余供应率指数预测模型，所述第二指数预测模型为行为影响测试预测模型；所述将所述待识别数据分别输入至预设的第一指数预测模型和第二指数预测模型，获得由所述第一指数预测模型输出的第一预测数据和由所述第二指数预测模型输出的第二预测数据，包括：

根据所述报价数据，获取与所述识别时间对应的市场总负荷需求和所述目标发电商在所述识别时间对应的时间范围内的实际报价；

将所述识别时间和/或所述市场总负荷需求输入至所述剩余供应率指数预测模型，获得所述目标发电商的剩余供应率指数预测值；

将所述识别时间和/或所述实际报价输入至所述行为影响测试预测模型，获得所述目标发电商的行为影响测试预测值；

其中，所述将所述第一预测数据和所述第二预测数据输入至投票融合模型进行投票融合，以识别所述目标发电商在所述识别时间下是否存在持留行为，包括：

将所述剩余供应率指数预测值和所述行为影响测试预测值输入至所述投票融合模型进行投票融合，以识别所述目标发电商在所述识别时间下是否存在持留行为。

根据本申请的第二方面，提供了一种电力现货市场中持留行为的识别装置，包括：

第一获取模块，获取目标发电商的待识别数据；所述待识别数据包括识别时间和与所述识别时间对应的报价数据；

第二获取模块，用于将所述待识别数据分别输入至预设的第一指数预测模型和第二指数预测模型，获得由所述第一指数预测模型输出的第一预测数据和由所述第二指数预测模型输出的第二预测数据；所述第一预测数据和所述第二预测数据为所述目标发电商的勒纳指数预测值、行为影响测试预测值和剩余供应率指数预测值中任意两个；

识别模块，用于将所述第一预测数据和所述第二预测数据输入至投票融合模型进行投票融合，以识别所述目标发电商在所述识别时间下是否存在持留行为。

在本申请的一些实施例中，所述识别模块具体用于：

通过所述投票融合模型，将所述第一预测数据和所述第二预测数据进行连接处理；

通过所述投票融合模型，基于所述连接处理后的数据进行投票分类，以识别所述目标发电商在所述识别时间下是否存在持留行为。

在本申请的一些实施中，所述第一指数预测模型为勒纳指数预测模型，所述第二指数预测模型为剩余供应率指数预测模型；所述第二获取模块具体用于：

根据所述报价数据，获取与所述识别时间对应的市场出清价格和市场总负荷需求；

将所述识别时间和/或所述市场出清价格输入至所述勒纳指数预测模型，获得所述目标发电商的勒纳指数预测值；

将所述识别时间和/或所述市场总负荷需求输入至所述剩余供应率指数预测模型，获得所述目标发电商的剩余供应率指数预测值；

其中，所述识别模块具体用于：

将所述勒纳指数预测值和所述剩余供应率指数预测值输入至所述投票融合模型进行投票融合，以识别所述目标发电商在所述识别时间下是否存在持留行为。

进一步地，在本申请的实施例中，所述勒纳指数预测模型和剩余供应率指数预测模型均包括输入层、卷积神经网络CNN层、长短期记忆人工神经网络LSTM层、注意力层和输出层；其中，所述第二识别模块具体用于：

将所述识别时间和/或所述市场出清价格输入至所述勒纳指数预测模型的输入层，获得对应的输入向量；

将所述输入向量输入至所述勒纳指数预测模型的CNN层，并通过所述勒纳指数预测模型的CNN层对所述输入向量进行特征提取，获得目标特征向量；

将所述目标特征向量输入至所述勒纳指数预测模型的LSTM层，获得所述目标特征向量对应的输出向量；

将所述输出向量输入至所述勒纳指数预测模型的注意力层，获得所述输出向量对应的注意力权重；

将所述输出向量以及对应的注意力权重输入至所述勒纳指数预测模型的输出层，获得所述目标发电商的勒纳指数预测值。

在本申请的另一些实施例中，所述第一指数预测模型为勒纳指数预测模型，所述第二指数预测模型为行为影响测试预测模型；所述第二获取模块具体用于：

根据所述报价数据，获取与所述识别时间对应的市场出清价格和所述目标发电商在所述识别时间对应的时间范围内的实际报价；

将所述识别时间和/或所述市场出清价格输入至所述勒纳指数预测模型，获得所述目标发电商的勒纳指数预测值；

将所述识别时间和/或所述实际报价输入至所述行为影响测试预测模型，获得所述目标发电商的行为影响测试预测值；

其中，所述识别模块具体用于：

将所述勒纳指数预测值和所述行为影响测试预测值输入至所述投票融合模型进行投票融合，以识别所述目标发电商在所述识别时间下是否存在持留行为。

在本申请的又一些实施例中，所述第一指数预测模型为剩余供应率指数预测模型，所述第二指数预测模型为行为影响测试预测模型；所述第二获取模块具体用于：

根据所述报价数据，获取与所述识别时间对应的市场总负荷需求和所述目标发电商在所述识别时间对应的时间范围内的实际报价；

将所述识别时间和/或所述市场总负荷需求输入至所述剩余供应率指数预测模型，获得所述目标发电商的剩余供应率指数预测值；

将所述识别时间和/或所述实际报价输入至所述行为影响测试预测模型，获得所述目标发电商的行为影响测试预测值；

其中，所述识别模块具体用于：

将所述剩余供应率指数预测值和所述行为影响测试预测值输入至所述投票融合模型进行投票融合，以识别所述目标发电商在所述识别时间下是否存在持留行为。

根据本申请的第三方面，提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现上述第一方面所述的方法。

根据本申请的第四方面，提供了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上述第一方面所述的方法。

根据本申请的技术方案，通过将目标发电商的待识别数据分别输入至第一指数预测模型和第二指数预测模模型，得到目标发电商的勒纳指数预测值、行为影响测试预测值和剩余供应率指数预测值中任意两个预测数据，并将预测数据输入至投票融合模型进行投票融合，以识别目标发电商在识别时间下是否存在持留行为，从而可以准确地识别出电力现货市场中的持留行为，避免存在持留行为的发电商对市场造成的危害，进而保证电力市场的良性竞争和稳定运营。

本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。

附图说明

本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为本申请实施例提供的一种电力现货市场中持留行为的识别方法的流程图；

图2为本申请实施例中模型结构的示意图；

图3为本申请实施例提供的另一种电力现货市场中持留行为的识别方法的流程图；

图4为本申请实施例提供的又一种电力现货市场中持留行为的识别方法的流程图；

图5为本申请实施例提供的又一种电力现货市场中持留行为的识别方法的流程图；

图6为本申请实施例中勒纳指数预测子模型的训练过程的流程图；

图7为本申请实施例提供的一种电力现货市场中持留行为的识别装置的结构框图；

图8为本申请实施例提供的一种电子设备的结构框图。

具体实施方式

下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。

需要说明的是，通常电力市场力操作主要指发电商的持留行为，其中，持留行为包括物理持留和经济持留。物理持留是指发电商保留部分发电能力并不参与市场，从而造成供应短缺，提高市场价格，获得超额经济利益。比如发电商以发电机组故障停机为由或者以检修导致可用容量减少为由，来保留部分发电能力。通常发电商的物理持留行为较容易判断，只需将实际投标容量和发电机组的额定容量进行对比，或者根据机组是否按照检修计划进行检修进行判断。国内电力现货市场的试点建设地区已经采用全电量申报的竞价方式，在很大程度上解决了发电商物理持留的问题。

其中，经济持留是指发电商在报价的时候对部分发电容量报高价，故意使这部分容量不中标，减少实际的容量供应。由于经济持留体现在发电商的投标行为中，而不同的发电商竞价策略并不一致，无法定量进行分析。发电商经济持留的形式比物理持留的形式更为隐蔽，更加难以识别。在电力市场竞价中，大多数发电商的持留行为均属于经济持留。

从世界范围的电力市场化历史经验来看，发电商的报价持留行为会导致生产效率和配置效率低下，造成无谓的社会福利损失，降低市场竞争效率，甚至会危及电网的安全运营和可靠供电。所以如何准确地识别发电商的持留行为，成为亟待解决的问题。

为了解决上述问题，本申请提供了一种电力现货市场中持留行为的识别方法、装置及电子设备。

图1为本申请实施例提供的一种电力现货市场中持留行为的识别方法的流程图。需要说明的是，本申请实施例中的电力现货市场中持留行为的识别方法可用于本申请实施例中的电力现货市场中持留行为的识别装置，且本申请实施例中的电力现货市场中持留行为的识别装置可配置于电子设备中。如图1所示，该方法可以包括以下步骤：

步骤101，获取目标发电商的待识别数据；其中，待识别数据包括识别时间和与识别时间对应的报价数据。

在本申请的一些实施例中，目标发电商是指需要进行持留行为检测的发电商。识别时间可以是指识别目标发电商在该时间下是否存在持留行为。其中识别时间可以为某个时刻，也可以为一个时间范围，本申请对此不作限定。与识别时间对应的报价数据可以指识别时间下的市场出清价格、市场总负荷需求等。比如，若识别时间为某时刻，则与识别时间对应的报价数据为该时刻对应的报价数据；若识别时间为某时间范围，则与识别时间对应的报价数据为该时间范围内的报价数据。

作为一种示例，用户可以通过终端设备的交互界面选择需要进行持留行为识别的发电商和其对应的识别时间并提交，其中用户选择的发电商即目标发电商；根据用户提交的信息，对在电力交易系统中实时抓取的数据信息进行筛选，确定目标发电商的待识别数据。

作为另一种示例，用户可以通过终端设备中的信息录入系统录入目标发电商的识别数据，所以可以通过接收信息录入系统中提交的数据信息，来获取目标发电商的待识别数据。

作为又一种示例，用户通过终端设备的交互界面选择目标发电商和检测时间并提交；获取用户选择的目标发电商的标识信息，通过获取市场交易机构中对应数据的读取权限，并利用对应数据读取接口，根据目标发电商的标识信息，获取目标发电商的待识别数据。

步骤102，将待识别数据分别输入至预设的第一指数预测模型和第二指数预测模型，获得由第一指数预测模型输出的第一预测数据和由第二指数预测模型输出的第二预测数据；其中，第一预测数据和第二预测数据为目标发电商的勒纳指数预测值、行为影响测试预测值和剩余供应率指数预测值中任意两个。

需要说明的是，发电商的勒纳指数值是衡量发电商的垄断力水平的指标。剩余供应率指数值是基于市场总负荷需求，评价各发电商对市场需求的重要性的指标。行为影响测试值是用于判断各发电商是否存在利用市场力操作市场价格的行为。

其中，第一指数预测模型和第二指数预测模型已经学习得到基于识别时间和报价数据，预测目标发电商的勒纳指数值、行为影响测试值和剩余供应率指数值中任意两个指数值的能力。比如，若第一指数预测模型已学习得到基于识别时间和报价数据，预测目标发电商的勒纳指数值的能力，则第二指数预测模型可以是已学习得到基于识别时间和报价数据，预测目标发电商的行为影响测试值和剩余供应率指数值中任意一个指数值的能力；若第一指数预测模型已学习得到基于识别时间和报价数据，预测目标发电商的剩余供应率指数值的能力，则第二指数预测模型可以是已学习得到基于识别时间和报价数据，预测目标发电商的行为影响测试值和勒纳指数值中任意一个指数值的能力；若第一指数预测模型已学习得到基于识别时间和报价数据，预测目标发电商的行为影响测试值的能力，则第二指数预测模型可以是已学习得到基于识别时间和报价数据，预测目标发电商的剩余供应率指数值和勒纳指数值中任意一个指数值的能力。

在本申请的一些实施例中，如图2所示，第一指数预测模型、第二指数预测模型均可以为LCA(长短期记忆人工神经网络LSTM+卷积神经网络CNN+注意力机制Attention)模型。且第一指数预测模型和第二指数预测模型均可以是利用历史时间范围中各时段的目标发电商的报价数据及对应的指数值作为训练样本，对LCA模型训练之后得到的。

步骤103，将第一预测数据和第二预测数据输入至投票融合模型进行投票融合，以识别目标发电商在所述识别时间下是否存在持留行为。

在本申请实施例中，投票融合模型已经学习得到利用第一预测数据和第二预数据，预测目标发电商在识别时间下是否存在持留行为的能力。

作为一种实现方式，若第一指数预测模型已学习得到基于识别时间和报价数据，预测目标发电商的勒纳指数值的能力，第二指数预测模型已学习得到基于识别时间和报价数据，预测目标发电商的行为影响测试值的能力，则第一指数预测数据为勒纳指数预测值，第二指数预测数据为行为影响测试值；将第一预测数据和第二预测数据输入至投票融合模型进行投票融合的实现方式可以为：通过投票融合模型，将目标发电商的勒纳指数预测值和行为影响测试值进行连接处理；通过投票融合模型，基于连接处理后的数据进行投票分类，以识别所述目标发电商在所述识别时间下是否存在持留行为。比如，其中投票融合模型可以通过基于对应指数的阈值来进行对数据进行投票，并根据各参数的权重来计算最终的分类结果。

基于上述示例，投票融合模型的训练过程可以包括：获取一段时间内发电商在各时段的报价数据，并将各时段的数据进行分组；将每组数据分别利用第一指数预测模型和第二指数预测模型，得到对应的勒纳指数预测值和行为影响测试预测值；各组数据对应的勒纳指数预测值和行为影响测试预测值输入至投票融合模型，利用初始化的指数勒纳指数阈值和行为影响测试值阈值，得到各组数据对应的勒纳指数预测值和行为影响测试值对应的持留行为判断结果，通过不断地迭代，使连续两次迭代得出的单一发电商在一段时间内的持留行为占比不变，确定最终得到的阈值；投票融合模型利用各组的判断结果来训练模型参数权重，通过每次迭代后该时间范围内预测结果中单一发电商持留行为的占比对模型参数权重进行调整，直至持留行为的占比保持稳定，得到投票融合中各参数的权重，从而得到训练后的投票融合模型。

在本申请的一些实施例中，如图2所示，投票融合模型包括连接层、第一输出层、丢弃层和第二输出层，第一指数预测模型和第二指数预测模型的预测值通过投票融合模型中的连接层连接起来，投票融合模型的第一输出层、丢弃层和第二输出层，对输入的数据进行投票分类，以得到是否存在持留行为的分类结果。

根据本申请实施例的电力现货市场中持留行为的识别方法，通过将目标发电商的待识别数据分别输入至第一指数预测模型和第二指数预测模型，得到目标发电商的勒纳指数预测值、行为影响测试预测值和剩余供应率指数预测值中任意两个预测数据，并将预测数据输入至投票融合模型进行投票融合，以识别目标发电商在识别时间下是否存在持留行为，从而可以准确地识别出电力现货市场中的持留行为，避免存在持留行为的发电商对市场造成的危害，进而保证电力市场的良性竞争和稳定运营。

接下来，将以第一指数预测模型为勒纳指数预测模型，第二指数预测模型为剩余供应率指数预测模型为例，对电力现货市场中持留行为的识别方法进行介绍。

图3为本申请实施例提供的另一种电力现货市场中持留行为的识别方法的流程图。如图3所示，该方法可以包括：

步骤301，获取目标发电商的待识别数据；其中，待识别数据包括识别时间和与识别时间对应的报价数据。

步骤302，根据报价数据，获取与识别时间对应的市场出清价格和市场总负荷需求。

在本申请的一些实施例中，若识别时间为某时刻，则与识别时间对应的市场出清价格为该时刻对应的市场出清价格，与识别时间对应的市场总负荷需求为该时刻对应的市场总负荷需求。

在本申请的另一些实施例中，若识别时间为某时间范围，且勒纳指数预测模型和剩余供应率指数预测模型的输入均为数组的形式，则与识别时间对应的市场出清价格可以是由该时间范围内各时段对应的市场出清价格组成的数组；与识别时间对应的市场总负荷需求可以是由该时间范围内各时段对应的市场总负荷需求组成的数组。

在本申请的又一些实施例中，若识别时间为某时间范围，且勒纳指数预测子模型和剩余供应率指数预测子模型的输入均为数值的形式，则与识别时间对应的市场出清价格可以是该时间范围内各时段对应的市场出清价格的均值，与识别时间对应的市场总负荷需求可以是该时间范围内对应的市场总负荷需求的均值。

步骤303，将识别时间和/或市场出清价格输入至勒纳指数预测模型，获得目标发电商的勒纳指数预测值。

在本申请的一些实施例中，勒纳指数预测模型已学习得到基于识别时间和/市场出清价格预测目标发电商的勒纳指数值的能力。其训练过程可以包括：获取训练样本，该训练样本包括预设历史时间范围内目标发电商的在不同时段的勒纳指数值、各时段的市场出清价格及目标发电商在各时段的市场出清价格下的勒纳指数值；利用训练样本对模型进行训练，以使模型可以学习得到目标发电商的勒纳指数值与识别时间的关系以及与市场出清价格的关系。这样，将识别时间和报价数据中的市场出清价格输入至勒纳指数预测模型，可以得到对应的勒纳指数预测值。

由于勒纳指数预测模型已经学习得到勒纳指数值与监测时间的关系，同时也学习得到了勒纳指数值与市场出清价格的关系，所以勒纳指数预测模型既可以根据识别时间，得到对应的勒纳指数预测值，也可以根据市场出清价格得到对应的勒纳指数预测值，还可以根据识别时间和市场出清价格来得到对应的勒纳指数预测值。通常，同时将识别时间和市场出清价格输入至勒纳指数预测模型，获取的勒纳指数预测值更加准确。

在本申请的一些实施例中，勒纳指数预测模型可以为基于LCA模型训练得到的。勒纳指数预测模型可以包括输入层、卷积神经网络CNN层、长短期记忆人工神经网络LSTM层、注意力层和输出层。

作为一种实施方式，将识别时间和/或市场出清价格输入至勒纳指数预测模型，获得目标发电商的勒纳指数预测值的实现方式可以包括：将识别时间和/或市场出清价格输入至勒纳指数预测模型的输入层，获得对应的输入向量；将输入向量输入至勒纳指数预测模型的CNN层，并通过勒纳指数预测模型的CNN层对输入向量进行特征提取，获得目标特征向量；将目标特征向量输入至勒纳指数预测模型的LSTM层，获得目标特征向量对应的输出向量；将输出向量输入至勒纳指数预测模型的注意力层，获得输出向量对应的注意力权重；将输出向量以及对应的注意力权重输入至勒纳指数预测模型的输出层，获得目标发电商的勒纳指数预测值。

步骤304，将识别时间和/或市场总负荷需求输入至剩余供应率指数预测模型，获得目标发电商的剩余供应率指数预测值。

在本申请实施例中，剩余供应率指数预测模型已学习得到基于识别时间和/市场总负荷需求，预测目标发电商的剩余供应率指数值的能力。其训练过程可以包括：获取训练样本，该训练样本包括预设历史时间范围内目标发电商的在不同时段的剩余供应率指数、各时段的市场总负荷需求及目标发电商在各时段的市场总负荷需求下的剩余供应率指数值；利用训练样本对模型进行训练，以使模型可以学习得到目标发电商的剩余供应率指数值与识别时间的关系以及与市场总负荷需求的关系。

由于剩余供应率指数预测模型已学习得到了剩余供应率指数值与识别时间的关系，同时也学习得到了剩余供应率指数值与市场总负荷需求的关系，所以剩余供应率指数预测模型既可以根据识别时间，得到对应的剩余供应率指数预测值，也可以根据市场总负荷需求得到对应的剩余供应率指数预测值，还可以根据识别时间和市场总负荷需求来得到对应的剩余供应率指数预测值。通常，同时将识别时间和市场总负荷需求输入至剩余供应率指数预测模型，获取的剩余供应率指数预测值更加准确。

在本申请的一些实施例中，剩余供应率指数预测模型可以为基于LCA模型训练得到的。剩余供应率指数预测模型可以包括输入层、卷积神经网络CNN层、长短期记忆人工神经网络LSTM层、注意力层和输出层。

作为一种实施方式，将识别时间和/或市场总负荷需求输入至剩余供应率指数预测模型，获得目标发电商的剩余供应率指数预测值的实现方式可以包括：将识别时间和/或市场总负荷需求输入至剩余供应率指数预测值的输入层，获得对应的输入向量；将输入向量输入至剩余供应率指数预测值的CNN层，并通过剩余供应率指数预测值的CNN层对输入向量进行特征提取，获得目标特征向量；将目标特征向量输入至剩余供应率指数预测值的LSTM层，获得目标特征向量对应的输出向量；将输出向量输入至剩余供应率指数预测值的注意力层，获得输出向量对应的注意力权重；将输出向量以及对应的注意力权重输入至剩余供应率指数预测值的输出层，获得目标发电商的剩余供应率指数预测值。

步骤305，将勒纳指数预测值和剩余供应率指数预测值输入至投票融合模型进行投票融合，以识别目标发电商在识别时间下是否存在持留行为。

在本申请实施例中，可以通过投票融合模型，将目标发电商的勒纳指数预测值和剩余供应率指数预测值进行连接处理；再通过投票融合模型，基于连接处理后的数据进行投票分类，以识别目标发电商在识别时间下是否存在持留行为。

在本申请的一些实施例中，投票融合模型可以包括连接层、第一输出层、丢弃层和第二输出层，目标发电商的勒纳指数预测值和剩余供应率指数预测值通过投票融合模型中的连接层连接起来，投票融合模型的第一输出层、丢弃层和第二输出层，对输入的数据进行投票分类，以得到是否存在持留行为的分类结果。

根据本申请实施例的电力现货市场中持留行为的识别方法，通过将目标发电商的待识别数据分别输入至勒纳指数预测模型和剩余供应率指数预测模型，得到目标发电商的勒纳指数预测值和剩余供应率指数预测值，并通过投票融合模型对预测值进行投票融合，以识别目标发电商在识别时间下是否存在持留行为，从而可以准确地识别出电力现货市场中的持留行为，避免存在持留行为的发电商对市场造成的危害，进而保证电力市场的良性竞争和稳定运营。

接下来，将以第一指数预测模型为勒纳指数预测模型，第二指数预测模型为行为影响测试预测模型为例，对电力现货市场中持留行为的识别方法进行介绍。

图4为本申请实施例提供的又一种电力现货市场中持留行为的识别方法的流程图。如图4所示，该方法可以包括：

步骤401，获取目标发电商的待识别数据；其中，待识别数据包括识别时间和与识别时间对应的报价数据。

步骤402，根据报价数据，获取与识别时间对应的市场出清价格和目标发电商在识别时间对应的时间范围内的实际报价。

在本申请的一些实施例中，若识别时间为某时刻，则与识别时间对应的市场出清价格为该时刻对应的市场出清价格，目标发电商在识别时间对应的时间范围内的实际报价可以为目标发电商在检测时间对应的时间范围内各时段实际报价的均值，也可以为各时段实际报价组成的数组，也可以是与行为影响测试预测模型匹配的其他形式，比如若考虑10天内的趋势，且检测时间为2020年8月10日8：00：00，则目标发电商在识别时间对应的时间范围内的实际报价可以为目标发电商在2020年7月31日8：00：00至2020年8月10日8：00：00的时间范围内各时段的实际报价的均值。

在本申请的另一些实施例中，若识别时间为某时间范围，且勒纳指数预测模型和行为影响测试预测模型的输入均为数组的形式，则与检测时间对应的市场出清价格可以是由该时间范围内各时段对应的市场出清价格组成的数组；目标发电商在识别时间对应的时间范围内的实际报价可以为目标发电商在该时间范围内各时段实际报价组成的数组。

在本申请的又一些实施例中，若识别时间为某时间范围，且勒纳指数预测模型和行为影响测试预测模型的输入均为数值的形式，则与识别时间对应的市场出清价格可以是该时间范围内各时段对应的市场出清价格的均值，目标发电商在识别时间对应的时间范围内的实际报价可以为目标发电商在该时间范围内各时段实际报价的均值。

步骤403，将识别时间和/或市场出清价格输入至勒纳指数预测模型，获得目标发电商的勒纳指数预测值。

步骤404，将识别时间和/或实际报价输入至行为影响测试预测模型，获得目标发电商的行为影响测试预测值。

在本申请实施例中，行为影响测试预测模型已学习得到基于识别时间和/或实际报价，预测目标发电商的行为影响测试值的能力。其训练过程可以包括：获取训练样本，该训练样本包括预设历史时间范围内目标发电商的在不同时段的行为影响测试值、目标发电商在各时间范围内的实际报价及各时间范围内对应的行为影响测试值；利用训练样本对模型进行训练，以使模型可以学习得到目标发电商的行为影响测试值与识别时间的关系以及实际报价的关系。这样，可以将识别时间和报价数据中的目标发电商在对应时间范围内的实际报价输入至行为影响测试预测模型，得到目标发电商在识别时间下的行为影响测试值。

由于行为影响测试预测模型已学习得到了行为影响测试预测值与识别时间的关系，同时也学习得到了行为影响测试预测值与目标发电商的实际报价的关系，所以行为影响测试预测模型既可以根据监测时间，得到对应的行为影响测试预测值，也可以根据目标发电商的实际报价得到对应的行为影响测试预测值，还可以根据识别时间和目标发电商的实际报价来得到对应的行为影响测试预测值。通常，同时将设备时间和目标发电商的实际报价输入至行为影响测试预测模型，获取的行为影响测试预测值更加准确。

在本申请的一些实施例中，行为影响测试预测模型可以包括输入层、卷积神经网络CNN层、长短期记忆人工神经网络LSTM层、注意力层和输出层。则步骤304的实现方式可以包括：将识别时间和/或目标发电商的实际报价输入至行为影响测试预测模型的输入层，获得对应的输入向量；将输入向量输入至行为影响测试预测模型的CNN层，并通过行为影响测试预测模型的CNN层对输入向量进行特征提取，获得目标特征向量；将目标特征向量输入至行为影响测试预测模型的LSTM层，获得目标特征向量对应的输出向量；将输出向量输入至行为影响测试预测模型的注意力层，获得输出向量对应的注意力权重；将输出向量以及对应的注意力权重输入至行为影响测试预测模型的输出层，获得目标发电商的行为影响测试预测值。

步骤405，将勒纳指数预测值和行为影响测试预测值输入至投票融合模型进行投票融合，以识别目标发电商在识别时间下是否存在持留行为。

在本申请实施例中，可以通过投票融合模型，将目标发电商的勒纳指数预测值和行为影响测试预测值进行连接处理；再通过投票融合模型，基于连接处理后的数据进行投票分类，以识别目标发电商在识别时间下是否存在持留行为。

在本申请的一些实施例中，投票融合模型可以包括连接层、第一输出层、丢弃层和第二输出层，目标发电商的勒纳指数预测值和行为影响测试预测值通过投票融合模型中的连接层连接起来，投票融合模型的第一输出层、丢弃层和第二输出层，对输入的数据进行投票分类，以得到是否存在持留行为的分类结果。

接下来，将以第一指数预测模型为剩余供应率指数预测模型，第二指数预测模型为行为影响测试预测模型为例，对电力现货市场中持留行为的识别方法进行介绍。

图5为本申请实施例提供的又一种电力现货市场中持留行为的识别方法的流程图。如图5所示，该方法可以包括：

步骤501，获取目标发电商的待识别数据；其中，待识别数据包括识别时间和与识别时间对应的报价数据。

步骤502，根据报价数据，获取与识别时间对应的市场总负荷需求和目标发电商在识别时间对应的时间范围内的实际报价。

在本申请的一些实施例中，若识别时间为某时刻，则与识别时间对应的市场总负荷需求为该时刻对应的市场总负荷需求；目标发电商在识别时间对应的时间范围内的实际报价可以为目标发电商在识别时间对应的时间范围内各时段实际报价的均值，也可以为各时段实际报价组成的数组，也可以是与行为影响测试预测子模型匹配的其他形式，比如若考虑10天内的趋势，且识别时间为2020年8月10日8：00：00，则目标发电商在识别时间对应的时间范围内的实际报价可以为目标发电商在2020年7月31日8：00：00至2020年8月10日8：00：00的时间范围内各时段的实际报价的均值。

步骤503，将识别时间和/或市场总负荷需求输入至剩余供应率指数预测模型，获得目标发电商的剩余供应率指数预测值。

步骤504，将识别时间和/或实际报价输入至行为影响测试预测模型，获得目标发电商的行为影响测试预测值。

步骤505，将剩余供应率指数预测值和行为影响测试预测值输入至投票融合模型进行投票融合，以识别目标发电商在识别时间下是否存在持留行为。

在本申请实施例中，可以通过投票融合模型，将目标发电商的剩余供应率指数预测值和行为影响测试预测值进行连接处理；再通过投票融合模型，基于连接处理后的数据进行投票分类，以识别目标发电商在识别时间下是否存在持留行为。

在本申请的一些实施例中，投票融合模型可以包括连接层、第一输出层、丢弃层和第二输出层，目标发电商的剩余供应率指数预测值和行为影响测试预测值通过投票融合模型中的连接层连接起来，投票融合模型的第一输出层、丢弃层和第二输出层，对输入的数据进行投票分类，以得到是否存在持留行为的分类结果。

根据本申请实施例的电力现货市场中持留行为的识别方法，通过将目标发电商的待识别数据分别输入至剩余供应率指数预测模型和行为影响测试预测模型，得到目标发电商的剩余供应率指数预测值和行为影响测试值，并通过投票融合模型对预测值进行投票融合，以识别目标发电商在识别时间下是否存在持留行为，从而可以准确地识别出电力现货市场中的持留行为，避免存在持留行为的发电商对市场造成的危害，进而保证电力市场的良性竞争和稳定运营。

在本申请的实施例中，各指数预测模型的训练过程的流程相同，接下来将以勒纳指数预测模型为例对其训练过程进行详细介绍。

图6为本申请实施例中勒纳指数预测子模型的训练过程的流程图。如图6所示，勒纳指数预测子模型的训练过程可以包括以下步骤：

步骤601，将训练样本输入至勒纳指数预测模型的输入层，通过输入层将训练样本转化为输入向量。

步骤602，将输入向量输入至勒纳指数预测模型的CNN层，以实现对输入向量进行特征提取，筛选出目标特征向量。

为了可以准确筛选出目标特征向量，CNN层包括卷积层和丢弃dropout层，将输入向量输入到CNN层，并对输入向量进行特征提取，以筛选出目标特征向量的一种实施方式为：将输入向量输入到卷积层中，获取卷积层提取的输入向量的多个特征向量，并将输入向量的多个特征向量输入到dropout层，以从多个特征中筛选出目标特征向量。

在一些示例性的实施例中，在dropout层设置为0.2的情况下，可以临时随机删掉dropout层的网络中一半的隐藏神经元，且输入输出神经元保持不变。

可以理解的是，在得到更新对应的参数(w，b)后，为了避免所训练出的预测模型出现过拟合的问题，在一些实施例中，还可以不断重复这一过程：恢复被删掉的神经元，其中，此时被删除的神经元保持原样，而没有被删除的神经元已经有所更新，并从隐藏神经元中随机选择一个一半大小的子集临时删除掉，且备份被删除神经元的参数，对一小批训练样本，先前向传播然后反向传播损失并根据随机梯度下降法更新参数(w，b)，以解决不同的网络过拟合的问题。

其中，w为神经网络中的参数权重,b为神经网络中的偏置。

在另一些实施例中，在dropout层设置为0.2的情况下，若神经元个数为n,则可以有0.2n个神经元会被删除，其中，删除神经元的一种实施方式为，将神经元在网络中的激活函数值以概率p变为0。若此时输出向量长度为i，则目标特征向量为H

其中，Bernoulli函数生成了概率向量r，也就是随机生成一个0、1的向量。

步骤603，将目标特征向量输入至勒纳指数预测模型的LSTM层，以得到目标特征向量各自对应的输出向量。

在一些实施例中，将获取的目标特征向量输入到LSTM层，通过LSTM层和双向长短期记忆人工神经网络(Long Short-Term Memory，biLSTM)层结构，以学习勒纳指数值的特性，若输出向量的长度为j,则LSTM层的输出向量为H

H

其中，LSTM层需接入到dropout层以及最大池化maxpooling层，Max为最大池化层中最大值函数，br为池化层的偏置，L为该LSTM层的输出，W

步骤604，将目标特征向量对应的输出向量输入到勒纳指数预测模型的注意力层中，得到输出向量的对应的注意力权重。

在一些实施例中，将目标特征向量各自对应的输出向量输入到注意力层后，根据注意力层中的权重分配原则，对输出向量的注意力权重参数值进行分配，以得到输出向量的注意力权重。

步骤605，将输出向量及其各自对应的注意力权重输入至勒纳指数预测模型的输出层中，得到勒纳指数的预测值。

在一些实施例中，输出向量和其对应的注意力权重输入至输出层，输出层通过全连接层得到勒纳指数的预测值。

步骤606，根据预测值与训练样本之间的差异，对勒纳指数预测模型进行训练。

根据本申请实施例的电力现货市场中持留行为的检测方法，将训练样本输入至勒纳指数预测模型的输入层转化为输入向量，并通过将输入向量输入至CNN层以实现对输入向量进行特征提取，筛选出目标特征向量，并利用LSTM层得到目标特征向量各自对应的输出向量，通过注意力层，得到输出向量的注意力权重，再利用输出层得到勒纳指数的预测值，从而可以基于训练样本与预测值的差异对勒纳指数预测模型进行训练，使训练后的模型可以准确地预测目标发电商的勒纳指数值。

为了实现上述实施例，本申请提供了一种电力现货市场中持留行为的识别装置。

图7为本申请实施例提供的一种电力现货市场中持留行为的识别装置的结构框图。如图7所示，该装置包括：

第一获取模块701，获取目标发电商的待识别数据；待识别数据包括识别时间和与识别时间对应的报价数据；

第二获取模块702，用于将待识别数据分别输入至预设的第一指数预测模型和第二指数预测模型，获得由第一指数预测模型输出的第一预测数据和由第二指数预测模型输出的第二预测数据；第一预测数据和第二预测数据为目标发电商的勒纳指数预测值、行为影响测试预测值和剩余供应率指数预测值中任意两个；

识别模块703，用于将第一预测数据和第二预测数据输入至投票融合模型进行投票融合，以识别目标发电商在识别时间下是否存在持留行为。

在本申请的一些实施例中，识别模块703具体用于：

通过投票融合模型，将第一预测数据和第二预测数据进行连接处理；

通过投票融合模型，基于连接处理后的数据进行投票分类，以识别目标发电商在识别时间下是否存在持留行为。

在本申请的一些实施中，第一指数预测模型为勒纳指数预测模型，第二指数预测模型为剩余供应率指数预测模型；第二获取模块702具体用于：

根据报价数据，获取与识别时间对应的市场出清价格和市场总负荷需求；

将识别时间和/或市场出清价格输入至勒纳指数预测模型，获得目标发电商的勒纳指数预测值；

将识别时间和/或市场总负荷需求输入至剩余供应率指数预测模型，获得目标发电商的剩余供应率指数预测值；

其中，识别模块703具体用于：

将勒纳指数预测值和剩余供应率指数预测值输入至投票融合模型进行投票融合，以识别目标发电商在识别时间下是否存在持留行为。

进一步地，在本申请的实施例中，勒纳指数预测模型和剩余供应率指数预测模型均包括输入层、卷积神经网络CNN层、长短期记忆人工神经网络LSTM层、注意力层和输出层；其中，第二识别模块702具体用于：

将识别时间和/或市场出清价格输入至勒纳指数预测模型的输入层，获得对应的输入向量；

将输入向量输入至勒纳指数预测模型的CNN层，并通过勒纳指数预测模型的CNN层对输入向量进行特征提取，获得目标特征向量；

将目标特征向量输入至勒纳指数预测模型的LSTM层，获得目标特征向量对应的输出向量；

将输出向量输入至勒纳指数预测模型的注意力层，获得输出向量对应的注意力权重；

将输出向量以及对应的注意力权重输入至勒纳指数预测模型的输出层，获得目标发电商的勒纳指数预测值。

在本申请的另一些实施例中，第一指数预测模型为勒纳指数预测模型，第二指数预测模型为行为影响测试预测模型；第二获取模块702具体用于：

根据报价数据，获取与识别时间对应的市场出清价格和目标发电商在识别时间对应的时间范围内的实际报价；

将识别时间和/或市场出清价格输入至勒纳指数预测模型，获得目标发电商的勒纳指数预测值；

将识别时间和/或实际报价输入至行为影响测试预测模型，获得目标发电商的行为影响测试预测值；

其中，识别模块703具体用于：

将勒纳指数预测值和行为影响测试预测值输入至投票融合模型进行投票融合，以识别目标发电商在识别时间下是否存在持留行为。

在本申请的又一些实施例中，第一指数预测模型为剩余供应率指数预测模型，第二指数预测模型为行为影响测试预测模型；第二获取模块702具体用于：

根据报价数据，获取与识别时间对应的市场总负荷需求和目标发电商在识别时间对应的时间范围内的实际报价；

将识别时间和/或市场总负荷需求输入至剩余供应率指数预测模型，获得目标发电商的剩余供应率指数预测值；

将识别时间和/或实际报价输入至行为影响测试预测模型，获得目标发电商的行为影响测试预测值；

其中，识别模块703具体用于：

将剩余供应率指数预测值和行为影响测试预测值输入至投票融合模型进行投票融合，以识别目标发电商在识别时间下是否存在持留行为。

根据本申请实施例的电力现货市场中持留行为的识别装置，通过将目标发电商的待识别数据分别输入至第一指数预测模型和第二指数预测模模型，得到目标发电商的勒纳指数预测值、行为影响测试预测值和剩余供应率指数预测值中任意两个预测数据，并将预测数据输入至投票融合模型进行投票融合，以识别目标发电商在识别时间下是否存在持留行为，从而可以准确地识别出电力现货市场中的持留行为，避免存在持留行为的发电商对市场造成的危害，进而保证电力市场的良性竞争和稳定运营。

图8为根据本申请实施例的用于实现电力现货市场中持留行为的识别方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图8所示，该电子设备包括：存储器810、处理器820及存储在所述存储器上并可在处理器上运行的计算机程序830。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。

存储器810即为本申请所提供的非瞬时计算机可读存储介质。其中，存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的电力现货市场中持留行为的识别方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的电力现货市场中持留行为的识别方法。

存储器810作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的电力现货市场中持留行为的识别方法对应的程序指令/模块。处理器820通过运行存储在存储器810中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的电力现货市场中持留行为的识别方法。

存储器810可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据用以实现电力现货市场中持留行为的识别方法的电子设备的使用所创建的数据等。此外，存储器810可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器810可选包括相对于处理器820远程设置的存储器，这些远程存储器可以通过网络连接至用以实现电力现货市场中持留行为的识别方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

用以实现电力现货市场中持留行为的识别方法的电子设备还可以包括：输入装置840和输出装置850。处理器820、存储器810、输入装置840和输出装置850可以通过总线或者其他方式连接，图8中以通过总线连接为例。

输入装置840可接收输入的数字或字符信息，以及产生与用以实现电力现货市场中持留行为的识别方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置850可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。

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。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所述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所述程序，然后将其存储在计算机存储器中。

应当理解，本申请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。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。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。