一种复杂地形的混合风功率预测方法及装置 专利技术说明

计算;推算;计数设备的制造及其应用技术1.本发明涉及风电功率预测技术领域，具体涉及一种复杂地形的混合风功率预测方法及装置。背景技术：2.风能作为一种新兴的清洁能源，已成为全球能源发展的重要组成部分。准确的风电预测对于风能的开发利用和电力系统的安全稳定运行具有重要意义。由于风能的波动性和随机性，提高风能预测的准确性已成为风能开发利用的关键，也是各国风能开发研究的重点。按照预测方法可将风功率预测分为物理模型、统计模型、机器学习模型预测，其中机器学习模型以良好的预测精度与可学习性成为了目前较为热门的预测方法，然而目前机器学习模型方法使用的气象信息存在尺度大、时空分辨率较低的问题。3.现有专利cn113344252a公开了一种基于虚拟气象技术的风功率预测方法，该方法通过机器学习算法将收集的数据输入至模型进行训练，下载全球粗分辨率气象预报数据，利用wrf气象模型得到n台风机未来预报风速，在目标区域运行模型预测得到风场中未来预报虚拟风速，最后，结合风机实际功率曲线计算得到风场未来预报的平均功率，基于平均功率与风机数乘积，得到风场未来预报总功率。4.现有专利cn110674965a公开了一种利用动态特征提取算法来挖掘历史的功率时间序列和公开的数值天气预报(nwp)数据的智能混合模型方法，在可用的原始数据基础上采用最小冗余最大相关(mrmr)的动态滤波方法来自动选择不同预测步长的输入变量，对于具备最优特征的输入数据，通过适应神经模糊推理系统(anfis)和元启发式优化算法对输入信息进行训练学习，获得更为精确的预测结果。5.上述两个专利均是采用机器学习智能算法对风功率进行预测，其使用的气象信息同样存在着尺度大、时空分辨率较低的问题，且忽略了地形等物理效应带来的影响。技术实现要素：6.基于上述问题，本发明提出了一种复杂地形的混合风功率预测方法及装置，能够解决气象信息尺度较大的问题，提升空间分辨率与预测精度。7.根据本发明的一方面，提出一种复杂地形的混合风功率预测方法，该方法包括：8.获取风机的历史风电数据和基于cfd建模仿真的预测数据，并作为待输入数据集。9.对所述待输入数据集进行预处理。10.将预处理后的待输入数据集按照预设比例划分为训练集、验证集和测试集。11.利用所述训练集和所述验证集对混合风功率预测模型进行训练。12.利用所述测试集对训练后的混合风功率预测模型进行评估，并确定最终混合风功率预测模型。13.利用所述最终混合风功率预测模型对所述风机的风功率进行预测。14.可选的，该方法还包括：15.获取风电场的风机参数、各个风机的风速-推力系数曲线数据和风电场所在区域的地形数据。16.根据所述风机参数、所述风速-推力系数曲线数据和所述风电场所在区域的地形数据建立风电场cfd仿真模型。17.获取风电场的短期气象预报的中尺度气象数据。18.根据所述中尺度气象数据，利用所述风电场cfd仿真模型得到预测数据。19.可选的，所述历史风电数据包括历史实测风速、历史实测风向、有功功率时间序列，所述预测数据包括预测风速和预测风向。20.可选的，对所述待输入数据集进行预处理，包括：21.剔除所述待输入数据集中的异常值。22.补齐所述待输入数据集中的缺失数据。23.可选的，剔除所述待输入数据集中的异常值，包括：24.采用隔离森林算法检测出所述异常值。25.剔除所述异常值。26.可选的，采用隔离森林算法检测出所述异常值，包括：基于公式一检测所述异常值，公式一：其中，n为外部节点的数量，h(x)为数据x的路径长度，e(h(x))表示一个孤立树的集合中h(x)的平均值，c(n)表示在一个二叉查找树中不成功搜索的平均路径长度。27.可选的，补齐所述待输入数据集中的缺失数据，包括：采用样条插值法补齐所述缺失数据。28.可选的，利用所述训练集和所述验证集对混合风功率预测模型进行训练，包括：29.所述混合风功率预测模型中神经网络的每个节点的值由其上层节点确定，公式二：其中，f(x)为待确定节点的值，xj为上一层的第j个节点，wj为第j个节点对应的权重，b表示偏置项，函数采用sigmoid函数作为激活函数：30.可选的，利用所述测试集对训练后的混合风功率预测模型进行评估，并确定最终混合风功率预测模型，包括：31.采用平均绝对误差、均方误差、均方根误差和拟合优度对混合风功率预测模型进行评估。32.利用公式三计算平均绝对误差，公式三：其中，yi表示实际值，yi′表示预测值。33.利用公式四计算均方误差，公式四：其中，yi表示实际值，yi′表示预测值。34.利用公式五计算均方根误差，公式五：其中，yi表示实际值，yi′表示预测值。35.利用公式六计算拟合优度，公式六：其中，yi表示实际值，yi′表示预测值，表示均值。36.选择参数最优的混合风功率预测模型作为最终混合风功率预测模型。37.可选的，该方法还包括：38.在利用所述最终混合风功率预测模型对所述风机的风功率进行预测之后，累加风电场中所有风机的风功率预测结果得到所述风电场的风功率预测结果。39.根据本发明的另一方面，提出一种复杂地形的混合风功率预测装置，包括：40.获取模块，用于获取风机的历史风电数据和基于cfd建模仿真的预测数据，并作为待输入数据集。41.预处理模块，用于对所述待输入数据集进行预处理。42.划分模块，用于将预处理后的待输入数据集按照预设比例划分为训练集、验证集和测试集。43.训练模块，用于利用所述训练集和所述验证集对混合风功率预测模型进行训练。44.评估模块，用于利用所述测试集对训练后的混合风功率预测模型进行评估，并确定最终混合风功率预测模型。45.预测模块，用于利用所述最终混合风功率预测模型对所述风机的风功率进行预测。46.可选的，该装置还包括建立模块，所述建立模块用于：47.获取风电场的风机参数、各个风机的风速-推力系数曲线数据和风电场所在区域的地形数据。48.根据所述风机参数、所述风速-推力系数曲线数据和所述风电场所在区域的地形数据建立风电场cfd仿真模型。49.获取风电场的短期气象预报的中尺度气象数据。50.根据所述中尺度气象数据，利用所述风电场cfd仿真模型得到预测数据。51.可选的，所述历史风电数据包括历史实测风速、历史实测风向、有功功率时间序列，所述预测数据包括预测风速和预测风向。52.可选的，所述预处理模块，用于：53.剔除所述待输入数据集中的异常值。54.补齐所述待输入数据集中的缺失数据。55.可选的，所述预处理模块，用于：56.采用隔离森林算法检测出所述异常值。57.剔除所述异常值。58.可选的，所述预处理模块，用于：基于公式一检测所述异常值，公式一：其中，n为外部节点的数量，h(x)为数据x的路径长度，e(h(x))表示一个孤立树的集合中h(x)的平均值，c(n)表示在一个二叉查找树中不成功搜索的平均路径长度。59.可选的，所述预处理模块，用于：60.采用样条插值法补齐所述缺失数据。61.可选的，所述训练模块，用于：62.所述混合风功率预测模型中神经网络的每个节点的值由其上层节点确定，公式二：其中，f(x)为待确定节点的值，xj为上一层的第j个节点，wj为第j个节点对应的权重，b表示偏置项，函数采用sigmoid函数作为激活函数：63.可选的，所述评估模块，用于：64.采用平均绝对误差、均方误差、均方根误差和拟合优度对混合风功率预测模型进行评估。65.利用公式三计算平均绝对误差，公式三：其中，yi表示实际值，y′i表示预测值。66.利用公式四计算均方误差，公式四：其中，yi表示实际值，y′i表示预测值。67.利用公式五计算均方根误差，公式五：其中，yi表示实际值，y′i表示预测值。68.利用公式六计算拟合优度，公式六：其中，yi表示实际值，y′i表示预测值，表示均值。69.选择参数最优的混合风功率预测模型作为最终混合风功率预测模型。70.可选的，该装置还包括计算模块，所述计算模块用于：71.在利用所述最终混合风功率预测模型对所述风机的风功率进行预测之后，累加风电场中所有风机的风功率预测结果得到所述风电场的风功率预测结果。72.基于上述技术方案，一种复杂地形的混合风功率预测方法及装置至少实现如下有益效果：73.1、本发明将cfd仿真模型与机器学习算法结合，由cfd仿真模型获得复杂地形下任意时刻任意地点的风速、风向、温度等气象数据，并结合该处实际风电场的历史风电数据、实测气象数据进行预处理后，共同作为机器学习模型的输入，该方法及装置充分考虑了地形等物理因素的影响，通过输入更真实的数据对模型训练，可达到更好的训练效果，对复杂地形下风功率的预测结果更加精准。74.2、本发明中借助短期气象预报提供的中尺度气象数据，利用cfd仿真获取各风机处风速和风向的短期预测值，并替代中尺度气象预测数据作为模型的输入对模型训练，解决气象信息尺度较大的问题，提升空间分辨率与预测精度。75.3、本发明中采用神经网络模型进行训练，选用平均绝对误差、均方误差、均方根误差和拟合优度多个评估指标更全面地评估模型预测效果，依据多个评估结果可更直观、科学地选定模型参数建立最终的风功率预测模型，增强预测模型的可靠性与稳定性。76.4、本发明中针对输入数据集的多输入特征和庞大数据量的特点，采用隔离森林算法检测异常值并剔除，通过该算法极大地提升数据预处理效率及处理效果，为模型训练奠定了基础。附图说明77.构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：78.图1为本发明一个实施例的一种复杂地形的机器学习模型预测的整体示意图；79.图2为本发明一个实施例的一种复杂地形的混合风功率预测方法流程图；80.图3为本发明另一个实施例的一种复杂地形的混合风功率预测方法流程图；81.图4为本发明又一个实施例的一种复杂地形的混合风功率预测方法流程图；82.图5为本发明一个实施例的一种复杂地形的混合风功率预测装置示意图；83.图6为本发明另一个实施例的一种复杂地形的混合风功率预测装置示意图；84.图7为本发明又一个实施例的一种复杂地形的混合风功率预测装置示意图。具体实施方式85.需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合，下面将参考附图并结合实施例来详细说明。86.为解决现有技术中使用的气象信息尺度大、时空分辨率较低的问题，本发明提出一种复杂地形的混合风功率预测方法及装置，该方法及装置的主要技术为基于cfd(computational fluid dynamics，计算流体力学)的仿真与机器学习。如图1所示，输入部分：可结合复杂地形下该处实际风电场的历史风电数据和cfd仿真预测数据；数据预处理部分：对数据进行异常值剔除、if异常值监测、缺失序列补齐等预处理后，形成机器学习模型的数据集；机器学习模型预测部分：采用机器学习模型进行训练及评估，最终建立一个复杂地形下混合风功率预测模型。该模型使用cfd仿真所得数据作为部分输入值，从物理上增强了机器学习模型，具有空间分辨率高、预测精度高、具有学习能力的优点。87.根据本发明的一方面，提出一种复杂地形的混合风功率预测方法。88.图2中示出了本发明一个实施例的一种复杂地形的混合风功率预测方法流程图，如图2所示，该方法具体包括：89.s1，获取风机的历史风电数据和基于cfd建模仿真的预测数据，并作为待输入数据集。90.在本实施例中，所述风机的历史风电数据包括以1h作为时间分辨率的历史实测风速、风向、有功功率时间序列。91.基于cfd建模仿真获取的预测数据包括基于cfd建模仿真的1h后风机处风速、风向的短期预测值。92.基于已获取的单风机的历史实测风速、风向、有功功率时间序列、基于cfd建模仿真的1h后风机处风速、风向的短期预测值五项数据作为待输入数据集，进行数据预处理。93.s2，对所述待输入数据集进行预处理。94.本实施例中，对数据集的预处理包括：异常值处理以及补齐缺失数据两部分，具体说明如下：95.s201，剔除所述待输入数据集中的异常值。96.在剔除异常值之前，首先要检测出所述数据集中的异常值，由于所述输入数据集具有高采样率，通常具有多个输入特征和庞大数据量，基于上述特点，本发明中采用能够高效处理大尺寸数据集的if(isolation forest，隔离森林)算法检测异常值。97.所述隔离森林算法是一种基于二叉树结构的异常值检测方法，该算法的原理是明确地隔离异常，由于正常和异常数据的出现频率和值通常有明显差异，因此离群值通常远离这些正常数据点。98.具体的，本实施例中使用异常评分s评估对数据点x的观测，基于公式一对该数据集进行异常值检测，公式一：99.对于正常点，异常评分s设置为1，对于异常点，异常评分s设置为-1。其中，n为外部节点的数量，h(x)为数据x的路径长度，e(h(x))表示一个孤立树的集合中h(x)的平均值，c(n)表示在一个二叉查找树中不成功搜索的平均路径长度。100.基于上述异常数据检测方法，通过考察不同污染率的变化情况，选定最佳污染率确定为当前数据集的最佳参数，然后从使用的数据集中删除所述异常值，剔除后的风速-功率点图应大致形成s形。101.s202，补齐所述待输入数据集中的缺失数据。102.经过上述步骤s201剔除异常值后，会导致原风电数据序列有部分数据缺失，需要补齐缺失数据。本实施例中采用样条插值法补齐所述缺失数据，保证风电时间序列的连续性。103.具体的，首先将重新采样的时间序列数据中缺失的点替换为名为“非数字(nan)”，然后使用线性插值方法对“nan”位置填充。104.s3，将预处理后的待输入数据集按照预设比例划分为训练集、验证集和测试集。105.经过上述步骤完成数据预处理后，可得到较为标准的数据集，本实施例中按照7:2:1的比例将数据集依次划分训练集、验证集和测试集。106.s4，利用所述训练集和所述验证集对混合风功率预测模型进行训练。107.本发明中选用神经网络模型搭建所述混合风功率预测模型，所述神经网络模型包括一个输入层、隐藏层和一个输出层，每层的节点连接不同的权重，每个节点的值由其上层节点确定，具体依据公式二计算，公式二：[0108][0109]其中，f(x)为待确定节点的值，xj为上一层的第j个节点，wj为第j个节点对应的权重，b表示偏置项，函数表示激活函数，采用sigmoid函数作为激活函数：[0110]确定好神经网络模型后，将上述步骤s3划分的训练集导入神经网络模型进行模型训练，待模型训练完成后，使用划分的验证集对模型参数进行调整。[0111]s5，利用所述测试集对训练后的混合风功率预测模型进行评估，并确定最终混合风功率预测模型。[0112]本实施例中采用平均绝对误差、均方误差、均方根误差和拟合优度对混合风功率预测模型进行评估。[0113]具体的，本实施例中各评估指标的计算方式如下：[0114]利用公式三计算平均绝对误差，公式三：其中，yi表示实际值，y′i表示预测值；[0115]利用公式四计算均方误差，公式四：其中，yi表示实际值，y′i表示预测值；[0116]利用公式五计算均方根误差，公式五：其中，yi表示实际值，y′i表示预测值；[0117]利用公式六计算拟合优度，公式六：其中，yi表示实际值，y′i表示预测值，表示均值，拟合优度越高，模型预测更准确。[0118]基于上述各评估指标的计算结果，选择评估结果较好，即参数最优的混合风功率预测模型作为最终混合风功率预测模型。[0119]具体的，本实施例中通过多次划分数据集得到多个不同训练集，利用多个不同训练集训练得到多个模型，通过多个不同的验证集对多个模型进行参数调整，并利用上述评估方式对各个模型进行评估，选择评估结果最好，即参数最优的模型作为该风机的风功率预测模型。[0120]s6，利用所述最终混合风功率预测模型对所述风机的风功率进行预测。[0121]基于上述步骤s5得到的最优混合风功率预测模型对所述风机的风功率进行预测。[0122]图3中示出了本发明的另一个实施例的一种复杂地形的混合风功率预测方法流程图，如图3所示，该方法还包括：[0123]s7，累加风电场中所有风机的风功率预测结果得到所述风电场的风功率预测结果。[0124]在利用所述最终混合风功率预测模型对所述风机的风功率进行预测之后，累加风电场中所有风机的风功率预测结果得到所述风电场的风功率预测结果。[0125]在本发明的又一个实施例中，如图4所示，一种复杂地形的混合风功率预测方法还包括：[0126]s8，获取风电场的风机参数、各个风机的风速-推力系数曲线数据和风电场所在区域的地形数据。[0127]考虑到实际风电场的风机位置布置、地形、地貌粗糙度、尾流效应等物理效应的影响，本发明中通过获取风电场的风机参数、各个风机的风速-推力系数曲线数据以及风电场所在区域的地形数据用于建立仿真模型，其中，所述风电场所在区域的地形数据可从gis地理信息系统中获取。[0128]s9，根据所述风机参数、所述风速-推力系数曲线数据和所述风电场所在区域的地形数据建立风电场cfd仿真模型。[0129]基于上述步骤中获取的风电场的风机参数、各个风机的风速-推力系数曲线数据和风电场所在区域的地形数据建立风电场cfd仿真模型。[0130]s10，获取风电场的短期气象预报的中尺度气象数据。[0131]具体的，本实施例中选用1h后的气象预报作为短期气象预报，获取中尺度气象数据。[0132]s11，根据所述中尺度气象数据，利用所述风电场cfd仿真模型得到预测数据。[0133]基于已建立的风电场cfd仿真模型，借助1h后短期气象预报提供的中尺度气象数据，进行cfd仿真获取各个风机处风速、风向的短期预测值。[0134]经过上述步骤s8至s11，可得到基于cfd建模仿真的预测数据，在此基础上继续执行图2所示的步骤s1至s6，得到最优的混合风功率预测模型对所述风机的风功率进行预测。本实施例中详细介绍了利用cfd仿真模型获取风机预测数据的步骤，通过风机预测数据替代中尺度气象预测数据作为模型的输入对模型训练，可解决气象信息尺度较大的问题，提升空间分辨率与预测精度。[0135]根据本发明的另一方面，提出一种复杂地形的混合风功率预测装置。[0136]如图5中示出了本发明一个实施例的一种复杂地形的混合风功率预测装置的示意图，如图5所示，该装置包括：获取模块51、预处理模块52、划分模块53、训练模块54、评估模块55、预测模块56。[0137]获取模块51，用于获取风机的历史风电数据和基于cfd建模仿真的预测数据，并作为待输入数据集。[0138]具体的，所述历史风电数据包括历史实测风速、历史实测风向、有功功率时间序列，所述预测数据包括预测风速和预测风向。[0139]预处理模块52，用于对所述待输入数据集进行预处理。[0140]所述预处理模块52，具体用于：[0141]其一：剔除所述待输入数据集中的异常值。[0142]剔除所述待输入数据集中的异常值具体包括：采用隔离森林算法检测出所述异常值和剔除所述异常值。[0143]具体的，依据公式一检测所述异常值，公式一：其中，n为外部节点的数量，h(x)为数据x的路径长度，e(h(x))表示一个孤立树的集合中h(x)的平均值，c(n)表示在一个二叉查找树中不成功搜索的平均路径长度。[0144]其二：补齐所述待输入数据集中的缺失数据。[0145]所述预处理模块52，具体用于：采用样条插值法补齐所述缺失数据。[0146]划分模块53，用于将预处理后的待输入数据集按照预设比例划分为训练集、验证集和测试集。[0147]训练模块54，用于利用所述训练集和所述验证集对混合风功率预测模型进行训练。[0148]所述训练模块54，具体用于：[0149]所述混合风功率预测模型中神经网络的每个节点的值由其上层节点确定，公式二：其中，f(x)为待确定节点的值，xj为上一层的第j个节点，wj为第j个节点对应的权重，b表示偏置项，函数采用sigmoid函数作为激活函数：[0150]评估模块55，用于利用所述测试集对训练后的混合风功率预测模型进行评估，并确定最终混合风功率预测模型。[0151]所述评估模块55，具体用于：[0152]采用平均绝对误差、均方误差、均方根误差和拟合优度对混合风功率预测模型进行评估。[0153]利用公式三计算平均绝对误差，公式三：其中，yi表示实际值，y′i表示预测值。[0154]利用公式四计算均方误差，公式四：其中，yi表示实际值，y′i表示预测值。[0155]利用公式五计算均方根误差，公式五：其中，yi表示实际值，y′i表示预测值。[0156]利用公式六计算拟合优度，公式六：其中，yi表示实际值，y′i表示预测值，表示均值。[0157]选择参数最优的混合风功率预测模型作为最终混合风功率预测模型。[0158]预测模块56，用于利用所述最终混合风功率预测模型对所述风机的风功率进行预测。[0159]在本发明的另一个实施例中，如图6所示，该装置还包括建立模块57，所述建立模块57用于：[0160]获取风电场的风机参数、各个风机的风速-推力系数曲线数据和风电场所在区域的地形数据。[0161]根据所述风机参数、所述风速-推力系数曲线数据和所述风电场所在区域的地形数据建立风电场cfd仿真模型。[0162]获取风电场的短期气象预报的中尺度气象数据。[0163]根据所述中尺度气象数据，利用所述风电场cfd仿真模型得到预测数据。[0164]如图7所示，在本发明的又一个实施例中，该装置还包括计算模块58，所述计算模块58用于：[0165]在利用所述最终混合风功率预测模型对所述风机的风功率进行预测之后，累加风电场中所有风机的风功率预测结果得到所述风电场的风功率预测结果。[0166]应当理解的是，一种复杂地形的混合风功率预测装置与其对应的一种复杂地形的混合风功率预测方法的实施例描述一致，故本实施例不再赘述。[0167]总之，从以上的描述中可以看出，一种复杂地形的混合风功率预测方法及装置上述的实施例可实现如下技术效果：[0168]1、本发明将cfd仿真模型与机器学习算法结合，由cfd仿真模型获得复杂地形下任意时刻任意地点的风速、风向、温度等气象数据，并结合该处实际风电场的历史风电数据、实测气象数据进行预处理后，共同作为机器学习模型的输入，该方法及装置充分考虑了地形等物理因素的影响，通过输入更真实的数据对模型训练，可达到更好的训练效果，对复杂地形下风功率的预测结果更加精准。[0169]2、本发明中借助短期气象预报提供的中尺度气象数据，利用cfd仿真获取各风机处风速和风向的短期预测值，并替代中尺度气象预测数据作为模型的输入对模型训练，解决气象信息尺度较大的问题，提升空间分辨率与预测精度。[0170]3、本发明中采用神经网络模型进行训练，选用平均绝对误差、均方误差、均方根误差和拟合优度多个评估指标更全面地评估模型预测效果，依据多个评估结果可更直观、科学地选定模型参数建立最终的风功率预测模型，增强预测模型的可靠性与稳定性。[0171]4、本发明中针对输入数据集的多输入特征和庞大数据量的特点，采用隔离森林算法检测异常值并剔除，通过该算法极大地提升数据预处理效率及处理效果，为模型训练奠定了基础。[0172]以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。[0173]需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。[0174]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。[0175]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。[0176]需要说明的是，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发明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。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!