CN111795484B - 一种智慧空调控制方法和系统 - Google Patents
一种智慧空调控制方法和系统 Download PDFInfo
- Publication number
- CN111795484B CN111795484B CN202010725871.5A CN202010725871A CN111795484B CN 111795484 B CN111795484 B CN 111795484B CN 202010725871 A CN202010725871 A CN 202010725871A CN 111795484 B CN111795484 B CN 111795484B
- Authority
- CN
- China
- Prior art keywords
- current
- environment data
- humidity
- temperature
- outdoor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
- F24F11/63—Electronic processing
- F24F11/64—Electronic processing using pre-stored data
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/50—Control or safety arrangements characterised by user interfaces or communication
- F24F11/56—Remote control
- F24F11/58—Remote control using Internet communication
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/50—Control or safety arrangements characterised by user interfaces or communication
- F24F11/61—Control or safety arrangements characterised by user interfaces or communication using timers
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Air Conditioning Control Device (AREA)
Abstract
一种智慧空调控制方法和系统,所述方法包括:根据当前室外环境数据和当前时间信息,计算得到当前体感温湿度;读取数据库中的历史室外环境数据;根据当前及历史室外环境数据预测下一时序的室外温湿度;根据当前室内环境数据、当前体感温湿度和下一时序的室外温湿度,通过当前控制算法模型计算得到控制指令;控制向空调系统发送该控制指令,使空调系统根据该控制指令调整温度设置;获取空调系统调整温度设置后的能耗值和舒适度,根据所述能耗值和舒适度更新所述控制算法模型。本发明的方法将多维度的环境数据纳入决策依据,提前感知环境变化,自适应地进行算法模型的更新,使得空调系统既能节能高效地运行,又能满足用户对舒适度的要求。
Description
技术领域
本发明涉及智慧节能技术领域,具体涉及一种智慧空调控制方法和系统。
背景技术
建筑能耗占中国全社会总能耗30%以上,其中最主要的是采暖和制冷能耗,这部分能耗占建筑能耗的20%以上,且这一比例仍在持续增加。因此,空调设备智能高效的运行对于推进全社会的节能减排工作具有重要现实意义。此外,目前多数民用建筑的供暖和制冷系统都是采用基于规则设定温度的控制策略,不能适应和满足室内居民的热舒适度需求,也无法自适应地感知室外环境变化对室内环境的影响。在工业革命从工业4.0迈向工业5.0的过程中,空调控制策略正从当前基于规则的控制转变为基于大数据驱动的人工智能控制。在此背景下,空调设备的控制算法也由单一目标的控制算法拓展到多目标融合的控制算法。因此,优化的空调控制策略需要将热舒适度作为指标之一,同时纳入更加丰富的数据维度,对室外环境的动态变化进行建模。
公开号为CN207922451U的中国专利公开了一种智慧节能机柜空调,并具体公开了如下内容:一种智慧节能机柜空调,包括安装在户外柜外侧壁上的蒸发制冷设备、安装于远离户外柜的冷凝放热设备,蒸发制冷设备包括空调外壳,空调外壳的一侧为安装侧,空调外壳安装侧壁的左侧开设有空调回风口,空调外壳安装侧壁的右侧开设有空调送风口,空调送风口和空调回风口伸入到户外柜内,空调外壳内靠近空调回风口的处设有蒸发室,蒸发室内安装有蒸发器、回风电动风阀,空调外壳内靠近空调送风口处安装有离心风机及空调阀,冷凝放热设备通过空调阀与蒸发制冷设备相连接,蒸发室与离心风机之间空调外壳底面上安装有新风进风电动风阀,空调回风口下方空调外壳底面上安装有新风排风电动风阀及控制器,控制器的输出端分别与新风进风电动风阀、新风排风电动风阀、回风电动风阀及离心风机的驱动装置相连。
不过,在上述方案中,设备的调整和控制都需要人工进行。随着物联网技术与空调等现代化设备的结合,空调自主控制越来越成为当今空调技术的发展趋势。在现有技术中,空调控制的主流方法为人为设定规则对空调进行调整,要实现自适应自学习的空调智慧控制主要技术难点在于室内外环境与控制序列交互的人工智能算法的构建,以及室外环境预测的准确性的提高。
公开号为CN205991590U的中国专利公开了一种智慧空调控制系统,并具体公开了如下内容:一种智慧空调控制系统,包括系统服务器、主局域网、网络通信模块、控制总线、环境温度感应模块、空调控制器和空调模块;其中:所述系统服务器与所述主局域网连接;所述主局域网与所述网络通信模块信号连接;所述网络通信模块与所述控制总线连接;所述环境温度感应模块通过所述控制总线与所述网络通信模块连接;所述空调控制器与所述空调模块连接,所述空调控制器控制所述空调模块的调节;所述空调控制器与所述环境温度感应模块分别与可编辑逻辑控制器连接;所述空调控制器与所述控制总线连接。该实用新型提供的智慧空调控制系统,对空调进行智能控制与管理,可以在空调系统上进行扩展,实现不需要人工介入的智慧化的控制功能,其本身具有完整的控制功能,能提供空调系统运行的各种状态数据,也能接受外部的控制。
不过,在上述方案中,对数据的应用仍然是基于简单的逻辑关系,所实现的空调控制策略也比较简单。在当前数据传输效率大幅提升,数据计算能力也不断呈指数型增长的背景下,需要结合人工智能技术对数据进行深度挖掘和建模,从而对空调控制算法进行动态优化,避免简单控制策略的滞后性,以动态补充环境与控制策略之间的隐含关系,自适应地优化空调能耗和室内居民的舒适度。
发明内容
针对现有技术中仅采用简单控制规则,无法根据环境自适应地优化空调能耗和室内居民舒适度等不足,本申请提供一种智慧空调控制方法和系统,以解决该问题。
根据第一方面,本发明提供一种智慧空调控制方法,用于控制空调系统,包括:
获取当前室内环境数据和当前室外环境数据;
获取当前时间信息;
根据所述当前室外环境数据和所述当前时间信息,计算得到当前体感温湿度;
读取数据库中的历史室外环境数据,将所述当前室外环境数据保存到所述数据库中;
根据所述当前室外环境数据预测下一时序的室外温湿度;
根据所述当前室内环境数据、所述当前体感温湿度和所述下一时序的室外温湿度,通过当前控制算法模型计算得到控制指令;
控制向所述空调系统发送所述控制指令,以使所述空调系统根据所述控制指令调整温度设置;
获取所述空调系统调整温度设置后的能耗值和舒适度,根据所述能耗值和舒适度更新所述控制算法模型。
一种实施例中,所述室内环境数据包括室内温度和室内湿度,所述室外环境数据包括室外温度、室外湿度和室外光照辐射强度。
一种实施例中,所述根据所述当前室外环境数据和所述当前时间信息,计算得到当前体感温湿度包括:
将所述当前室外环境数据和所述当前时间信息输入一极限梯度提升树模型中,以计算得到所述当前体感温湿度。
一种实施例中,所述根据所述当前及历史室外环境数据预测下一时序的室外温湿度包括:
将所述当前及历史室外环境数据输入一长短期记忆时间序列模型中,以计算得到所述下一时序的室外温湿度;
其中所述当前及历史室外环境数据能够用于加入所述长短期记忆时间序列模型的训练集中,以供所述长短期记忆时间序列模型定期进行训练并更新参数。
一种实施例中,所述控制算法模型为深度Q网络模型。
一种实施例中,所述获取所述空调系统调整温度设置后的能耗值和舒适度,根据所述能耗值和舒适度更新所述控制算法模型包括:
将当前状态s,所述控制指令a,所述能耗值和舒适度归一化加和后得到的反馈值r,以及执行所述控制指令a后进入的下一状态s’作为一个元组(s,a,r,s’)保存到所述深度Q网络模型的经验池中,其中,所述当前状态s包括所述当前室内环境数据、所述当前体感温湿度和所述下一时序的室外温湿度;
从所述深度Q网络模型的经验池中随机读取若干元组(st,at,rt,st’),根据以下损失函数,通过反向梯度传播算法更新所述深度Q网络模型的参数:
L=[rt+γmaxQ(s′t,a′t)-Q(st,at)]2
其中,rt为t时刻的反馈值,γ为预设的损失率,st为t时刻的状态,at为t时刻输出的控制指令,Q(st,at)为所述深度Q网络模型在状态st下,输出控制指令at的主网络奖励值,s’t为执行控制指令at后进入的下一状态,a’t为状态s’t下可输出的控制指令,maxQ(s’t,a’t)为所述深度Q网络模型执行控制指令at后进入状态s’t,输出控制指令a’t可得到的副网络的最大奖励值。
根据第二方面,本发明提供一种智慧空调控制系统,用于控制空调系统,包括:
传感器网络,用于采集当前室内环境数据和当前室外环境数据;
时间信息获取模块,用于获取当前时间信息;
第一计算模块,用于接收所述当前室外环境数据和所述当前时间信息,根据所述当前室外环境数据和所述当前时间信息计算得到当前体感温湿度;
数据存取模块,读取数据库中的历史室外环境数据,将所述当前室外环境数据保存到所述数据库中;
第二计算模块,用于接收所述当前室外环境数据,并根据所述当前及历史室外环境数据预测下一时序的室外温湿度;
控制算法模型,用于接收所述当前室内环境数据、所述当前体感温湿度和所述下一时序的室外温湿度,并根据所述当前室内环境数据、所述当前体感温湿度和所述下一时序的室外温湿度计算得到控制指令;
指令发送模块,用于接收所述控制指令,向所述空调系统发送所述控制指令,使所述空调系统调整温度设置;
更新模块,用于获取所述空调系统调整温度设置后的能耗值和舒适度,根据所述能耗值和舒适度更新所述控制算法模型。
一种实施例中,所述室内环境数据包括室内温度和室内湿度,所述室外环境数据包括室外温度、室外湿度和室外光照辐射强度。
一种实施例中,所述控制算法模型为深度Q网络模型;
所述更新模块通过以下方式更新所述深度Q网络模型的参数:
将当前状态s,所述控制指令a,所述能耗值和舒适度归一化加和后得到的反馈值r,以及执行所述控制指令a后进入的下一状态s’作为一个元组(s,a,r,s’)保存到所述深度Q网络模型的经验池中,其中,所述当前状态s包括所述当前室内环境数据、所述当前体感温湿度和所述下一时序的室外温湿度;
从所述深度Q网络模型的经验池中随机读取若干元组(st,at,rt,st’),根据以下损失函数,通过反向梯度传播算法更新所述深度Q网络模型的参数:
L=[rt+γmaxQ(s′t,a′t)-Q(st,at)]2
其中,rt为t时刻的反馈值,γ为预设的损失率,st为t时刻的状态,at为t时刻输出的控制指令,Q(st,at)为所述深度Q网络模型在状态st下,输出控制指令at的主网络奖励值,s’t为执行控制指令at后进入的下一状态,a’t为状态s’t下可输出的控制指令,maxQ(s’t,a’t)为所述深度Q网络模型执行控制指令at后进入状态s’t,输出控制指令a’t可得到的副网络的最大奖励值。
根据第三方面,本发明提供一种计算机可读存储介质,包括程序,所述程序能够被处理器执行以实现上述的智慧空调控制方法。
依据上述实施例的智慧空调控制方法、系统和计算机可读存储介质,将多维度的环境数据纳入决策依据,并对室外环境数据的变化进行预测,为控制算法模型提供动态适应环境变化的提前量,综合考虑空调系统能耗值和用户舒适度,自适应地进行算法模型的更新,使得空调系统既能节能高效地运行,又能满足用户对舒适度的要求。
附图说明
图1为本发明实施例提供的智慧空调控制方法的流程图;
图2为本发明实施例提供的智慧空调控制系统结构图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中,很多细节描述是为了使得本申请能被更好的理解。然而,本领域技术人员可以毫不费力的认识到,其中部分特征在不同情况下是可以省略的,或者可以由其他元件、材料、方法所替代。在某些情况下,本申请相关的一些操作并没有在说明书中显示或者描述,这是为了避免本申请的核心部分被过多的描述所淹没,而对于本领域技术人员而言,详细描述这些相关操作并不是必要的,他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。
另外,说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时,方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此,说明书和附图中的各种顺序只是为了清楚描述某一个实施例,并不意味着是必须的顺序,除非另有说明其中某个顺序是必须遵循的。
本文中为部件所编序号本身,例如“第一”、“第二”等,仅用于区分所描述的对象,不具有任何顺序或技术含义。而本申请所说“连接”、“联接”,如无特别说明,均包括直接和间接连接(联接)。
请参考图1,图1为本发明实施例智慧空调控制方法的流程图,如图1所示,本方法包括如下步骤:
步骤101:获取当前室内环境数据和当前室外环境数据。
本实施例中,可通过在建筑的内外环境中布置传感器来实时采集室内外环境数据,通过以太网技术组建传感器网络,与处理器进行通信,将所采集的实时室内外环境数据传输给处理器分析处理。在一种实施例中,所采集的室外环境数据包括室外温度、室外湿度和室外光照辐射强度,室内环境数据包括室内温度和室内湿度,从而提供多维度的环境数据,充分考虑影响空调系统能耗和用户舒适度的各种因素,以利于计算出更好的控制策略。
一种实施例中,还对所采集的环境数据进行数据清洗和特征工程,以减少噪声数据的干扰。
步骤102:获取当前时间信息。其中,所获取的时间信息具体包括当前的年、月、日、小时和分钟。
步骤103:根据当前室外环境数据和当前时间信息,计算得到当前体感温湿度。
除了室外环境的影响,不同的季节和时间段人体感知的温湿度也是不同的,比如7月份的天气一般很热,下午的天气一般比晚上热等等。此外,由于建筑隔热、保温、透光等对热传导和热辐射的影响,人体感知的温湿度也往往与测量得到的温湿度不符。因此,本实施例综合考虑时间信息和室外环境数据,通过机器学习算法——极限梯度提升树模型(eXtreme Gradient Boosting,XGBoost)——来模拟建筑对于体感温湿度的影响,对体感温湿度进行计算。XGBoost模型由于对损失函数进行二阶求导,所以加快了训练的收敛速度。将上述当前室外环境数据和当前时间信息输入一训练好的极限梯度提升树模型(eXtreme Gradient Boosting,XGBoost)中,计算得到当前体感温湿度。
步骤104:读取数据库中的历史室外环境数据,将所述当前室外环境数据保存到所述数据库中。
步骤105:根据当前及历史室外环境数据预测下一时序的室外温湿度。
可以理解,如果能够提前获知室外环境的变化,那么空调系统就可以提前做出适应性调整,从而尽快使室内有一个舒适的环境。比如今天上午天气很热,那么下午很有可能更热,那么就需要提前让空调系统增加输出冷量,以确保下午室内的温度适宜,避免温度调节滞后于环境变化。因此,本实施例对室外温湿度进行预测,以使空调系统能够及时根据室外温湿度的变化做出适应性调整。
室外温湿度的预测可以使用人工智能算法,本实施例使用其中的长短期记忆时间序列模型(Long Short-Term Memory,LSTM)作为预测模型。LSTM是一种特殊的循环神经网络算法,其解决了长序列训练过程中的梯度消失和梯度爆炸问题,且相对于普通的循环神经网络算法,LSTM由于加入了隐藏神经元结构,所以可以长时间记忆时间序列,适合于长序列的趋势预测。
LSTM的输入时间序列为X{x1,x2,…,xt},对于第t个计算单元其输入为xt。每个计算单元包括输入门it,遗忘门ft,输出门ot,候选记忆单元和记忆单元ct,通过不同门可控制数据的记忆和遗忘。计算单元的计算过程如下:
it=σ(Wixt+Uiht-1)
ft=σ(Wfxt+Ufht-1)
ot=σ(Woxt+Uoht-1)
最后,计算隐藏层输出:
其中,W是各门和单元的权重矩阵,U是各门和单元的状态转移权重矩阵,σ是Sigmoid函数,tanh是双曲正切函数,表示点乘。三类门共同控制信息进入和离开记忆单元,输入门控制进入记忆单元的新信息;遗忘门控制记忆单元中保存多少信息;输出门控制输出多少信息。LSTM的门结构使得时间序列上的信息形成一个平衡的长短期依赖。
本实施例中,LSTM的输入时间序列包含12个时间点,相邻两个时间点的时间间隔为15分钟。将当前及历史室外环境数据输入LSTM模型中,计算得到最后一个计算单元的隐藏层输出,即为下一时序(即15分钟后)的室外温湿度。其中当前室外环境数据能够用于加入LSTM的训练集中,以供LSTM定期进行训练并更新参数。
步骤106:根据当前室内环境数据、当前体感温湿度和下一时序的室外温湿度,通过当前控制算法模型计算得到控制指令。
本实施例中使用的控制算法模型为深度Q网络模型。深度Q网络模型结合了深度学习和强化学习的优点,在对环境的探索中不断学习更优的动作策略,通过构建深度神经网络来使得智能体可以感知更复杂的环境状态以及建立更复杂的策略,提高强化学习算法的性能和泛化能力。对于输入的状态参数s,深度Q网络模型计算出该状态下执行每个动作a的奖励值Q(s,a),选择奖励值Q(s,a)最大的动作a作为输出。
本实施例中,将当前室内环境数据、当前体感温湿度和下一时序的室外温湿度作为深度Q网络模型的状态参数s,将空调系统控制指令作为深度Q网络模型的动作a,经过深度Q网络模型的计算后,选择奖励值Q(s,a)最大的控制指令作为输出。
需要注意的是,在深度Q网络模型的初始学习阶段,由于经验不足,模型计算得到的奖励值会出现不准确的情况,如果每次都按照模型计算的奖励值来选择控制指令,容易导致不良效果,因此本实施例采用了epsilon-greedy方法来解决这一问题。具体的,在选择控制指令的时候,模型并不是每次都选择奖励值最大的控制指令,而是以1-epsilon的概率选择奖励值最大的控制指令,以epsilon的概率选择其他控制指令以进行探索,这个概率在模型学习的过程中逐步减小。
步骤107:控制向空调系统发送控制指令,以使空调系统根据该控制指令调整温度设置。
步骤108:获取空调系统调整温度设置后的能耗值和舒适度,根据该能耗值和舒适度更新控制算法模型。
由于对于人体来说25度是一个较为适宜的温度,因此本实施例中将室内温度与25度的差值作为舒适度的评价基础。舒适度的取值也因地域而异,在南方,由于低温天气较少,可定义在室内温度t低于25摄氏度时,舒适度为0,高于25摄氏度时,舒适度为25–t;而在北方则可将舒适度定义为-|25-t|。最后,将空调系统能耗值与舒适度归一化加和的结果作为深度Q网络模型的反馈值r。
由于深度Q网络模型执行的动作必然会对下一状态产生影响,因此其获得的经验序列是存在很高相关性的,若直接用此序列对深度Q网络模型进行训练更新,容易导致振荡或发散。深度Q网络模型采用两种措施来解决这一问题:一是目标网络冻结,深度Q网络模型由两个网络构成——主网络和副网络,主网络用于与环境进行交互并输出动作,副网络不与环境进行交互,仅用于更新主网络的参数,副网络的参数在一段时间内是固定不变的,以此来稳定学习目标;二是经验回放,构建一个经验池来保存智能体最近的经历,从经验池中随机读取样本进行训练。
具体的,在本实施例中,每次执行控制指令后,将当前状态s,控制指令a,能耗值和舒适度归一化加和后得到的反馈值r,以及执行控制指令a后进入的下一状态s’作为一个元组(s,a,r,s’)保存到深度Q网络模型的经验池中,其中,当前状态s包括当前室内环境数据、当前体感温湿度和下一时序的室外温湿度。然后从深度Q网络模型的经验池中随机读取若干元组(st,at,rt,st’),根据以下损失函数,通过反向梯度传播算法更新深度Q网络模型的参数:
L=[rt+γmaxQ(s′t,a′t)-Q(st,at)]2
其中,rt为t时刻的反馈值,γ为预设的损失率,st为t时刻的状态,at为t时刻输出的控制指令,Q(st,at)为深度Q网络模型在状态st下,输出控制指令at的主网络奖励值,s’t为执行控制指令at后进入的下一状态,a’t为状态s’t下可输出的控制指令,maxQ(s’t,a’t)为深度Q网络模型执行控制指令at后进入状态s’t,输出控制指令a’t可得到的副网络的最大奖励值。
其中,Q(st,at)和Q(s’t,a’t)分别由深度Q网络模型中的两个网络计算得到:将st输入主网络中,得到Q(st,at);将s’t输入副网络中,得到Q(s’t,a’t)。更新参数的时候,仅更新主网络的参数,副网络的参数在一段时间内固定不变,当需要更新时则直接复制主网络的参数。这样一来,就打破了网络更新前后参数的相关性。
本发明实施例提供的智慧空调控制方法可应用于集中式空调系统、半集中式空调系统和全分散式空调系统。本方法采用人工智能算法,避免了简单控制规则的滞后性,同时纳入更加丰富的环境数据信息,并对室外环境数据的变化进行预测,提前感知环境变化,为算法模型提供动态适应环境变化的提前量,以空调系统能耗值和用户舒适度为指标,自适应地进行算法模型的更新优化,使得空调系统既能节能高效地运行,又能满足用户对舒适度的要求。
本发明还提供一种智慧空调控制系统,请参考图2,图2为本发明实施例提供的智慧空调控制系统的结构图。如图2所示,本实施例提供的智慧空调控制系统可以包括:传感器网络10,时间信息获取模块20,第一计算模块30,第二计算模块40,控制算法模型50,指令发送模块60和更新模块70。下面具体说明。
传感器网络10用于采集当前室内环境数据和当前室外环境数据。在一种实施例中,所采集的室外环境数据包括室外温度、室外湿度和室外光照辐射强度,室内环境数据包括室内温度和室内湿度,从而提供多维度的环境数据,充分考虑影响空调系统能耗和用户舒适度的各种因素,以利于计算出更好的控制策略。
时间信息获取模块20用于获取当前时间信息,其中,所获取的时间信息具体包括当前的年、月、日、小时和分钟。
第一计算模块30用于接收当前室外环境数据和当前时间信息,根据当前室外环境数据和当前时间信息计算得到当前体感温湿度。
除了室外环境的影响,不同的季节和时间段人体感知的温湿度也是不同的,比如7月份的天气一般很热,下午的天气一般比晚上热等等。此外,由于建筑隔热、保温、透光等对热传导和热辐射的影响,人体感知的温湿度也往往与测量得到的温湿度不符。因此,本实施例第一计算模块30综合考虑时间信息和室外环境数据,通过机器学习算法——极限梯度提升树模型(eXtreme Gradient Boosting,XGBoost)——来模拟建筑对于体感温湿度的影响,对体感温湿度进行计算。XGBoost模型由于对损失函数进行二阶求导,所以加快了训练的收敛速度。将上述当前室外环境数据和当前时间信息输入一训练好的极限梯度提升树模型(eXtreme Gradient Boosting,XGBoost)中,计算得到当前体感温湿度。
数据存取模块40用于读取数据库中的历史室外环境数据,将所述当前室外环境数据保存到所述数据库中。
第二计算模块50用于接收当前室外环境数据,并根据当前及历史室外环境数据预测下一时序的室外温湿度。可以理解,如果能够提前获知室外环境的变化,那么空调系统就可以提前做出适应性调整,从而尽快使室内有一个舒适的环境。比如今天上午天气很热,那么下午很有可能更热,那么就需要提前让空调系统增加输出冷量,以确保下午室内的温度适宜,避免温度调节滞后于环境变化。因此,本实施例第二计算模块50对室外温湿度进行预测,以使空调系统能够及时根据室外温湿度的变化做出适应性调整。
室外温湿度的预测可以使用人工智能算法,本实施例使用其中的长短期记忆时间序列模型(Long Short-Term Memory,LSTM)作为预测模型。LSTM是一种特殊的循环神经网络算法,其解决了长序列训练过程中的梯度消失和梯度爆炸问题,且相对于普通的循环神经网络算法,LSTM由于加入了隐藏神经元结构,所以可以长时间记忆时间序列,适合于长序列的趋势预测。
LSTM的输入时间序列为X{x1,x2,…,xt},对于第t个计算单元其输入为xt。每个计算单元包括输入门it,遗忘门ft,输出门ot,候选记忆单元和记忆单元ct,通过不同门可控制数据的记忆和遗忘。计算单元的计算过程如下:
it=σ(Wixt+Uiht-1)
ft=σ(Wfxt+Ufht-1)
ot=σ(Woxt+Uoht-1)
最后,计算隐藏层输出:
其中,W是各门和单元的权重矩阵,U是各门和单元的状态转移权重矩阵,σ是Sigmoid函数,tanh是双曲正切函数,表示点乘。三类门共同控制信息进入和离开记忆单元,输入门控制进入记忆单元的新信息;遗忘门控制记忆单元中保存多少信息;输出门控制输出多少信息。LSTM的门结构使得时间序列上的信息形成一个平衡的长短期依赖。
本实施例中,LSTM的输入时间序列包含12个时间点,相邻两个时间点的时间间隔为15分钟。将当前及历史室外环境数据输入LSTM模型中,计算得到最后一个计算单元的隐藏层输出,即为下一时序(即15分钟后)的室外温湿度。其中当前室外环境数据能够用于加入LSTM的训练集中,以供LSTM定期进行训练并更新参数。
控制算法模型60用于接收当前室内环境数据、当前体感温湿度和下一时序的室外温湿度,并根据当前室内环境数据、当前体感温湿度和下一时序的室外温湿度计算得到控制指令。本实施例中,控制算法模型60为深度Q网络模型。深度Q网络模型结合了深度学习和强化学习的优点,在对环境的探索中不断学习更优的动作策略,通过构建深度神经网络来使得智能体可以感知更复杂的环境状态以及建立更复杂的策略,提高强化学习算法的性能和泛化能力。对于输入的状态参数s,深度Q网络模型计算出该状态下执行每个动作a的奖励值Q(s,a),选择奖励值Q(s,a)最大的动作a作为输出。
本实施例中,将当前室内环境数据、当前体感温湿度和下一时序的室外温湿度作为深度Q网络模型的状态参数s,将空调系统控制指令作为深度Q网络模型的动作a,经过深度Q网络模型的计算后,选择奖励值Q(s,a)最大的控制指令作为输出。
需要注意的是,在深度Q网络模型的初始学习阶段,由于经验不足,模型计算得到的奖励值会出现不准确的情况,如果每次都按照模型计算的奖励值来选择控制指令,容易导致不良效果,因此本实施例采用了epsilon-greedy方法来解决这一问题。具体的,在选择控制指令的时候,模型并不是每次都选择奖励值最大的控制指令,而是以1-epsilon的概率选择奖励值最大的控制指令,以epsilon的概率选择其他控制指令以进行探索,这个概率在模型学习的过程中逐步减小。
指令发送模块70用于接收控制算法模型发送的控制指令,向空调系统发送该控制指令,使空调系统调整温度设置。具体的,指令发送模块70在接收到控制指令后,可通过发送红外信号的方式向空调系统发送该控制指令。
更新模块80用于获取空调系统调整温度设置后的能耗值和舒适度,根据该能耗值和舒适度更新控制算法模型。
由于对于人体来说25度是一个较为适宜的温度,因此本实施例中将室内温度与25度的差值作为舒适度的评价基础。舒适度的取值也因地域而异,在南方,由于低温天气较少,可定义在室内温度t低于25摄氏度时,舒适度为0,高于25摄氏度时,舒适度为25–t;而在北方则可将舒适度定义为-|25-t|。最后,将空调系统能耗值与舒适度归一化加和的结果作为深度Q网络模型的反馈值r。
由于深度Q网络模型执行的动作必然会对下一状态产生影响,因此其获得的经验序列是存在很高相关性的,若直接用此序列对深度Q网络模型进行训练更新,容易导致振荡或发散。深度Q网络模型采用两种措施来解决这一问题:一是副网络冻结,深度Q网络模型由两个网络构成——主网络和副网络,主网络用于与环境进行交互并输出动作,副网络不与环境进行交互,仅用于更新主网络的参数,副网络的参数在一段时间内是固定不变的,以此来稳定学习目标;二是经验回放,构建一个经验池来保存智能体最近的经历,从经验池中随机读取样本进行训练。
具体的,在本实施例中,每次执行控制指令后,将当前状态s,控制指令a,能耗值和舒适度归一化加和后得到的反馈值r,以及执行控制指令a后进入的下一状态s’作为一个元组(s,a,r,s’)保存到深度Q网络模型的经验池中,其中,当前状态s包括当前室内环境数据、当前体感温湿度和下一时序的室外温湿度。然后从深度Q网络模型的经验池中随机读取若干元组(st,at,rt,st’),根据以下损失函数,通过反向梯度传播算法更新深度Q网络模型的参数:
L=[rt+γmaxQ(s′t,a′t)-Q(st,at)]2
其中,rt为t时刻能耗值和舒适度归一化加和后得到的反馈值,γ为预设的损失率,st为t时刻的状态,at为t时刻输出的控制指令,Q(st,at)为深度Q网络模型在状态st下,输出控制指令at的主网络奖励值,s’t为执行控制指令at后进入的下一状态,a’t为状态s’t下可输出的控制指令,maxQ(s’t,a’t)为深度Q网络模型执行控制指令at后进入状态s’t,输出控制指令a’t可得到的副网络的最大奖励值。
其中,Q(st,at)和Q(s’t,a’t)分别由深度Q网络模型中的两个网络计算得到:将st输入主网络中,得到Q(st,at);将s’t输入副网络中,得到Q(s’t,a’t)。更新参数的时候,仅更新主网络的参数,副网络的参数在一段时间内固定不变,当需要更新时则直接复制主网络的参数。这样一来,就打破了网络更新前后参数的相关性。
本发明实施例提供的智慧空调控制系统可应用于集中式空调系统、半集中式空调系统和全分散式空调系统。本系统采用人工智能算法,避免了简单控制规则的滞后性,同时纳入更加丰富的环境数据信息,并对室外环境数据的变化进行预测,提前感知环境变化,为算法模型提供动态适应环境变化的提前量,以空调系统能耗值和用户舒适度为指标,自适应地进行算法模型的更新优化,使得空调系统既能节能高效地运行,又能满足用户对舒适度的要求。
本发明还提供一种计算机可读存储介质,包括程序,该程序能够被处理器执行以实现上述实施例所述的智慧空调控制方法。
本文参照了各种示范实施例进行说明。然而,本领域的技术人员将认识到,在不脱离本文范围的情况下,可以对示范性实施例做出改变和修正。例如,各种操作步骤以及用于执行操作步骤的组件,可以根据特定的应用或考虑与系统的操作相关联的任何数量的成本函数以不同的方式实现(例如一个或多个步骤可以被删除、修改或结合到其他步骤中)。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。另外,如本领域技术人员所理解的,本文的原理可以反映在计算机可读存储介质上的计算机程序产品中,该可读存储介质预装有计算机可读程序代码。任何有形的、非暂时性的计算机可读存储介质皆可被使用,包括磁存储设备(硬盘、软盘等)、光学存储设备(CD至ROM、DVD、Blu Ray盘等)、闪存和/或诸如此类。这些计算机程序指令可被加载到通用计算机、专用计算机或其他可编程数据处理设备上以形成机器,使得这些在计算机上或其他可编程数据处理装置上执行的指令可以生成实现指定的功能的装置。这些计算机程序指令也可以存储在计算机可读存储器中,该计算机可读存储器可以指示计算机或其他可编程数据处理设备以特定的方式运行,这样存储在计算机可读存储器中的指令就可以形成一件制造品,包括实现指定功能的实现装置。计算机程序指令也可以加载到计算机或其他可编程数据处理设备上,从而在计算机或其他可编程设备上执行一系列操作步骤以产生一个计算机实现的进程,使得在计算机或其他可编程设备上执行的指令可以提供用于实现指定功能的步骤。
虽然在各种实施例中已经示出了本文的原理,但是许多特别适用于特定环境和操作要求的结构、布置、比例、元件、材料和部件的修改可以在不脱离本披露的原则和范围内使用。以上修改和其他改变或修正将被包含在本文的范围之内。
前述具体说明已参照各种实施例进行了描述。然而,本领域技术人员将认识到,可以在不脱离本披露的范围的情况下进行各种修正和改变。因此,对于本披露的考虑将是说明性的而非限制性的意义上的,并且所有这些修改都将被包含在其范围内。同样,有关于各种实施例的优点、其他优点和问题的解决方案已如上所述。然而,益处、优点、问题的解决方案以及任何能产生这些的要素,或使其变得更明确的解决方案都不应被解释为关键的、必需的或必要的。本文中所用的术语“包括”和其任何其他变体,皆属于非排他性包含,这样包括要素列表的过程、方法、文章或设备不仅包括这些要素,还包括未明确列出的或不属于该过程、方法、系统、文章或设备的其他要素。此外,本文中所使用的术语“耦合”和其任何其他变体都是指物理连接、电连接、磁连接、光连接、通信连接、功能连接和/或任何其他连接。
具有本领域技术的人将认识到,在不脱离本发明的基本原理的情况下,可以对上述实施例的细节进行许多改变。因此,本发明的范围应仅由权利要求确定。
Claims (7)
1.一种智慧空调控制方法,用于控制空调系统,其特征在于,包括:
获取当前室内环境数据和当前室外环境数据;
获取当前时间信息;
根据所述当前室外环境数据和所述当前时间信息,计算得到当前体感温湿度;
读取数据库中的历史室外环境数据,将所述当前室外环境数据保存到所述数据库中;
根据所述当前及历史室外环境数据预测下一时序的室外温湿度;
根据所述当前室内环境数据、所述当前体感温湿度和所述下一时序的室外温湿度,通过当前控制算法模型计算得到控制指令;
控制向所述空调系统发送所述控制指令,以使所述空调系统根据所述控制指令调整温度设置;
获取所述空调系统调整温度设置后的能耗值和舒适度,根据所述能耗值和舒适度更新所述控制算法模型;
其中所述控制算法模型为深度Q网络模型,所述获取所述空调系统调整温度设置后的能耗值和舒适度,根据所述能耗值和舒适度更新所述控制算法模型包括:
将当前状态s,所述控制指令a,所述能耗值和舒适度归一化加和后得到的反馈值r,以及执行所述控制指令a后进入的下一状态s’作为一个元组(s,a,r,s’)保存到所述深度Q网络模型的经验池中,其中,所述当前状态s包括所述当前室内环境数据、所述当前体感温湿度和所述下一时序的室外温湿度;从所述深度Q网络模型的经验池中随机读取若干元组(st,at,rt,st’),根据以下损失函数,通过反向梯度传播算法更新所述深度Q网络模型的参数:
L=[rt+γmaxQ(s′t,a′t)-Q(st,at)]2
其中,rt为t时刻的反馈值,γ为预设的损失率,st为t时刻的状态,at为t时刻输出的控制指令,Q(st,at)为所述深度Q网络模型在状态st下,输出控制指令at的主网络奖励值,s’t为执行控制指令at后进入的下一状态,a’t为状态s’t下可输出的控制指令,maxQ(s’t,a’t)为所述深度Q网络模型执行控制指令at后进入状态s’t,输出控制指令a’t可得到的副网络的最大奖励值。
2.如权利要求1所述的方法,其特征在于,所述室内环境数据包括室内温度和室内湿度,所述室外环境数据包括室外温度、室外湿度和室外光照辐射强度。
3.如权利要求1所述的方法,其特征在于,所述根据所述当前室外环境数据和所述当前时间信息,计算得到当前体感温湿度包括:
将所述当前室外环境数据和所述当前时间信息输入一极限梯度提升树模型中,以计算得到所述当前体感温湿度。
4.如权利要求1所述的方法,其特征在于,所述根据所述当前及历史室外环境数据预测下一时序的室外温湿度包括:
将所述当前及历史室外环境数据输入一长短期记忆时间序列模型中,以计算得到所述下一时序的室外温湿度;
其中所述当前室外环境数据能够用于加入所述长短期记忆时间序列模型的训练集中,以供所述长短期记忆时间序列模型定期进行训练并更新参数。
5.一种智慧空调控制系统,用于控制空调系统,其特征在于,包括:
传感器网络,用于采集当前室内环境数据和当前室外环境数据;
时间信息获取模块,用于获取当前时间信息;
第一计算模块,用于接收所述当前室外环境数据和所述当前时间信息,根据所述当前室外环境数据和所述当前时间信息计算得到当前体感温湿度;
数据存取模块,用于读取数据库中的历史室外环境数据,将所述当前室外环境数据保存到所述数据库中;
第二计算模块,用于接收所述当前及历史室外环境数据,并根据所述当前及历史室外环境数据预测下一时序的室外温湿度;
控制算法模型,用于接收所述当前室内环境数据、所述当前体感温湿度和所述下一时序的室外温湿度,并根据所述当前室内环境数据、所述当前体感温湿度和所述下一时序的室外温湿度计算得到控制指令;
指令发送模块,用于接收所述控制指令,向所述空调系统发送所述控制指令,使所述空调系统调整温度设置;
更新模块,用于获取所述空调系统调整温度设置后的能耗值和舒适度,根据所述能耗值和舒适度更新所述控制算法模型;
其中所述控制算法模型为深度Q网络模型,所述更新模块通过以下方式更新所述深度Q网络模型的参数:
将当前状态s,所述控制指令a,所述能耗值和舒适度归一化加和后得到的反馈值r,以及执行所述控制指令a后进入的下一状态s’作为一个元组(s,a,r,s’)保存到所述深度Q网络模型的经验池中,其中,所述当前状态s包括所述当前室内环境数据、所述当前体感温湿度和所述下一时序的室外温湿度;
从所述深度Q网络模型的经验池中随机读取若干元组(st,at,rt,st’),根据以下损失函数,通过反向梯度传播算法更新所述深度Q网络模型的参数:
L=[rt+γmaxQ(s′t,a′t)-Q(st,at)]2
其中,rt为t时刻的反馈值,γ为预设的损失率,st为t时刻的状态,at为t时刻输出的控制指令,Q(st,at)为所述深度Q网络模型在状态st下,输出控制指令at的主网络奖励值,s’t为执行控制指令at后进入的下一状态,a’t为状态s’t下可输出的控制指令,maxQ(s’t,a’t)为所述深度Q网络模型执行控制指令at后进入状态s’t,输出控制指令a’t可得到的副网络的最大奖励值。
6.如权利要求5所述的智慧空调控制系统,其特征在于:所述室内环境数据包括室内温度和室内湿度,所述室外环境数据包括室外温度、室外湿度和室外光照辐射强度。
7.一种计算机可读存储介质,其特征在于,包括程序,所述程序能够被处理器执行以实现如权利要求1至4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010725871.5A CN111795484B (zh) | 2020-07-24 | 2020-07-24 | 一种智慧空调控制方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010725871.5A CN111795484B (zh) | 2020-07-24 | 2020-07-24 | 一种智慧空调控制方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111795484A CN111795484A (zh) | 2020-10-20 |
CN111795484B true CN111795484B (zh) | 2021-11-23 |
Family
ID=72827830
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010725871.5A Active CN111795484B (zh) | 2020-07-24 | 2020-07-24 | 一种智慧空调控制方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111795484B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112484259B (zh) * | 2020-12-04 | 2021-11-16 | 珠海格力电器股份有限公司 | 湿度控制方法、装置、电子设备及存储介质 |
CN112648720A (zh) * | 2020-12-18 | 2021-04-13 | 烟台宁馨环保科技有限公司 | 基于大数据的室内环境监调方法及装置 |
CN113048626A (zh) * | 2021-01-27 | 2021-06-29 | 哈尔滨工业大学(深圳) | 建筑能耗优化方法及设备、可读存储介质 |
CN112923523B (zh) * | 2021-02-03 | 2022-05-17 | 深圳市美兆环境股份有限公司 | 一种基于物联网数据链的智能型新风系统调控方法 |
CN112966431B (zh) * | 2021-02-04 | 2023-04-28 | 西安交通大学 | 一种数据中心能耗联合优化方法、系统、介质及设备 |
CN114963458B (zh) * | 2021-02-23 | 2023-09-05 | 海信集团控股股份有限公司 | 一种热舒适参数预测方法及其设备 |
CN112923525A (zh) * | 2021-02-26 | 2021-06-08 | 深圳市励科机电科技工程有限公司 | 机器学习型舒适节能空调智能控制方法 |
CN113485498B (zh) * | 2021-07-19 | 2022-10-18 | 北京工业大学 | 一种基于深度学习的室内环境舒适度调节方法及系统 |
CN114017904B (zh) * | 2021-11-04 | 2023-01-20 | 广东电网有限责任公司 | 一种建筑物hvac系统的运行控制方法及装置 |
CN114967797A (zh) * | 2022-04-27 | 2022-08-30 | 青岛海尔空调器有限总公司 | 孕婴护理空调及其控制方法 |
CN114967804A (zh) * | 2022-07-11 | 2022-08-30 | 国网江苏省电力有限公司泰州供电分公司 | 配电房温度和湿度调控方法 |
CN115451534B (zh) * | 2022-09-02 | 2024-05-24 | 东联信息技术有限公司 | 基于强化学习分场景的机房空调节能方法 |
CN115930376A (zh) * | 2022-10-08 | 2023-04-07 | 佳都科技集团股份有限公司 | 一种空调控制算法评估方法、装置、设备及存储介质 |
CN116659066B (zh) * | 2023-06-25 | 2024-02-23 | 深圳市力高机电设备工程有限公司 | 中央空调节能运行控制系统及控制方法 |
CN117387172B (zh) * | 2023-12-11 | 2024-05-17 | 江苏中江数字建设技术有限公司 | 基于精准推荐设备控制参数的末端空调节能方法和系统 |
CN117450635B (zh) * | 2023-12-21 | 2024-03-19 | 深圳市祥帆电子科技有限公司 | 一种基于大数据分析的新风系统控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0835706A (ja) * | 1994-07-21 | 1996-02-06 | Hitachi Plant Eng & Constr Co Ltd | 空調熱負荷予測システム |
CN105387565A (zh) * | 2015-11-24 | 2016-03-09 | 深圳市酷开网络科技有限公司 | 调节温度的方法和装置 |
CN105900035A (zh) * | 2013-07-29 | 2016-08-24 | 安比实验室有限公司 | 气候控制器 |
CN109899937A (zh) * | 2019-03-12 | 2019-06-18 | 王馨仪 | 基于lstm模型的舒适度和节能预测的空调调节系统及方法 |
CN111351180A (zh) * | 2020-03-06 | 2020-06-30 | 上海外高桥万国数据科技发展有限公司 | 一种运用人工智能实现数据中心节能温控的系统及方法 |
-
2020
- 2020-07-24 CN CN202010725871.5A patent/CN111795484B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0835706A (ja) * | 1994-07-21 | 1996-02-06 | Hitachi Plant Eng & Constr Co Ltd | 空調熱負荷予測システム |
CN105900035A (zh) * | 2013-07-29 | 2016-08-24 | 安比实验室有限公司 | 气候控制器 |
CN105387565A (zh) * | 2015-11-24 | 2016-03-09 | 深圳市酷开网络科技有限公司 | 调节温度的方法和装置 |
CN109899937A (zh) * | 2019-03-12 | 2019-06-18 | 王馨仪 | 基于lstm模型的舒适度和节能预测的空调调节系统及方法 |
CN111351180A (zh) * | 2020-03-06 | 2020-06-30 | 上海外高桥万国数据科技发展有限公司 | 一种运用人工智能实现数据中心节能温控的系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111795484A (zh) | 2020-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111795484B (zh) | 一种智慧空调控制方法和系统 | |
KR102212663B1 (ko) | 목표 온도를 기반으로 하는 빌딩의 열·공조 시스템에 대한 공급 전력 제어 방법 및 장치 | |
Mason et al. | A review of reinforcement learning for autonomous building energy management | |
Ding et al. | OCTOPUS: Deep reinforcement learning for holistic smart building control | |
CN111144793B (zh) | 基于多智能体深度强化学习的商业建筑hvac控制方法 | |
Yuan et al. | Study on the application of reinforcement learning in the operation optimization of HVAC system | |
Jin et al. | A data-driven model predictive control for lighting system based on historical occupancy in an office building: Methodology development | |
CN113283156B (zh) | 一种基于深度强化学习的地铁站空调系统节能控制方法 | |
CN113325762B (zh) | 一种智能建筑个性化用能控制方法、系统、装置和设备 | |
Homod et al. | Dynamics analysis of a novel hybrid deep clustering for unsupervised learning by reinforcement of multi-agent to energy saving in intelligent buildings | |
Javed et al. | Comparison of the robustness of RNN, MPC and ANN controller for residential heating system | |
CN111649457B (zh) | 一种动态预测性机器学习型空调节能控制方法 | |
CN113531784A (zh) | Hvac控制细化粒度占用模式估计 | |
Lissa et al. | Transfer learning applied to reinforcement learning-based hvac control | |
CN115907191B (zh) | 一种自适应建筑光伏表皮模型预测控制方法 | |
Dawood et al. | Trade-off decisions in a novel deep reinforcement learning for energy savings in HVAC systems | |
Homod et al. | Deep clustering of cooperative multi-agent reinforcement learning to optimize multi chiller HVAC systems for smart buildings energy management | |
CN116989442A (zh) | 一种中央空调负荷预测方法及系统 | |
Sha et al. | A control strategy of heating system based on adaptive model predictive control | |
CN116485044B (zh) | 一种电网交互型高效商业建筑智能运行优化方法 | |
CN116415713A (zh) | 一种基于e+和人工智能的建筑能耗预测方法 | |
Burger et al. | ARX model of a residential heating system with backpropagation parameter estimation algorithm | |
WO2022102157A1 (en) | System and method for thermal control based on invertible causation relationship | |
Zhang | A Reinforcement Learning Approach for Whole Building Energy Model Assisted HVAC Supervisory Control | |
Hiyama et al. | Operation strategy for engineered natural ventilation using machine learning under sparse data conditions |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |