CN111928429A - 数据中心制冷系统的节能控制方法与装置 - Google Patents

Abstract

本发明实施例提供一种数据中心制冷系统的节能控制方法与装置，该方法包括：获取当前时段的环境参数，环境参数包括：室外温度、室外湿度、太阳辐射强度、室内温度、室内湿度和数据中心的服务器能耗；根据当前时段的环境参数预测下一时段的环境参数；根据当前时段的环境参数和预测的下一时段的环境参数确定数据中心制冷系统的设定温度，并控制数据中心制冷系统以设定温度进行工作。本发明实施例的方法，通过综合室内外环境参数，智能预测室内外环境参数，对数据中心制冷系统进行协同调度，降低了数据中心制冷系统的能耗，节约了能源。

Description

数据中心制冷系统的节能控制方法与装置

技术领域

本发明实施例涉及节能技术领域，具体涉及一种数据中心制冷系统的节能控制方法与装置。

背景技术

数据中心是全球协作的特定设备网络，用来在因特网络基础设施上传递、加速、展示、计算和存储数据信息。数据中心集成了大量服务器，发热密度高，常年需要进行制冷。据统计数据中心制冷系统的能耗约占数据中心总能耗的三分之一，因此对于数据中心制冷系统进行节能控制具有重要意义。

数据中心制冷系统通常由多个制冷设备如多个末端空调设备组成，规模大，组成复杂，若由人工进行控制，不仅维护负责，而且会造成大量的能源浪费。

发明内容

本发明实施例提供一种数据中心制冷系统的节能控制方法与装置，用以解决现有数据中心制冷系统能耗高的问题。

第一方面，本发明实施例提供一种数据中心制冷系统的节能控制方法，包括：

获取当前时段的环境参数，环境参数包括：室外温度、室外湿度、太阳辐射强度、室内温度、室内湿度和数据中心的服务器能耗；

根据当前时段的环境参数预测下一时段的环境参数；

根据当前时段的环境参数和预测的下一时段的环境参数确定数据中心制冷系统的设定温度，并控制数据中心制冷系统以设定温度进行工作。

一种实施例中，根据当前时段的环境参数预测下一时段的环境参数包括：

将当前时段的环境参数以及当前时段之前预设时段内的环境参数输入预先训练好的环境参数预测模型，得到下一时段的环境参数，环境参数预测模型采用长短时记忆LSTM神经网络，使用历史时段的环境参数训练而成。

一种实施例中，根据当前时段的环境参数和预测的下一时段的环境参数确定数据中心制冷系统的设定温度包括：

将当前时段的环境参数和预测的下一时段的环境参数输入预先训练好的温度控制模型，得到数据中心制冷系统的设定温度，温度控制模型采用DQN网络和Dyna-Q网络，使用历史时段的环境参数和设定温度，以能耗和热舒适度为优化目标训练而成。

一种实施例中，获取当前时段的环境参数之前，所述方法还包括：

根据空间位置信息和/或设备分布信息将数据中心划分为预设数量的区域，则室内温度包括室内各区域的温度，室内湿度包括室内各区域的湿度，数据中心的服务器能耗包括数据中心各区域的能耗；

根据当前时段的环境参数和预测的下一时段的环境参数确定数据中心制冷系统的设定温度，包括：

根据当前时段的环境参数和预测的下一时段的环境参数确定数据中心各区域的制冷系统的设定温度。

一种实施例中，根据当前时段的环境参数和预测的下一时段的环境参数确定数据中心制冷系统的设定温度包括：

根据当前时段的环境参数和预测的下一时段的环境参数，确定数据中心制冷系统中制冷设备的运行台数以及各制冷设备的设定温度。

第二方面，本发明实施例提供一种数据中心制冷系统的节能控制装置，包括：

采集模块，用于获取当前时段的环境参数，环境参数包括：室外温度、室外湿度、太阳辐射强度、室内温度、室内湿度和数据中心的服务器能耗；

预测模块，用于根据当前时段的环境参数预测下一时段的环境参数；

控制模块，用于根据当前时段的环境参数和预测的下一时段的环境参数确定数据中心制冷系统的设定温度，并控制数据中心制冷系统以设定温度进行工作。

一种实施例中，预测模块用于将当前时段的环境参数以及当前时段之前预设时段内的环境参数输入预先训练好的环境参数预测模型，得到下一时段的环境参数，环境参数预测模型采用长短时记忆LSTM神经网络，使用历史时段的环境参数训练而成。

一种实施例中，控制模块用于将当前时段的环境参数和预测的下一时段的环境参数输入预先训练好的温度控制模型，得到数据中心制冷系统的设定温度，温度控制模型采用DQN网络和Dyna-Q网络，使用历史时段的环境参数和设定温度，以能耗和热舒适度为优化目标训练而成。

第三方面，本发明实施例提供一种数据中心制冷系统的节能控制设备，包括：至少两个温度传感器、至少两个湿度传感器、至少一个太阳辐射强度传感器、至少一个处理器和存储器；

温度传感器、湿度传感器和太阳辐射强度传感器分别与处理器通信连接；

存储器存储计算机执行指令；

至少一个处理器执行存储器存储的计算机执行指令，使得至少一个处理器执行如第一方面任一项所述的数据中心制冷系统的节能控制方法。

第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，计算机执行指令被处理器执行时用于实现如第一方面任一项所述的数据中心制冷系统的节能控制方法。

本发明实施例提供的数据中心制冷系统的节能控制方法与装置，通过获取当前时段的环境参数，环境参数包括：室外温度、室外湿度、太阳辐射强度、室内温度、室内湿度和数据中心的服务器能耗；根据当前时段的环境参数预测下一时段的环境参数；根据当前时段的环境参数和预测的下一时段的环境参数确定数据中心制冷系统的设定温度，并控制数据中心制冷系统以设定温度进行工作，实现了对数据中心制冷系统的协同调度，降低了数据中心制冷系统的能耗，节约了能源。

附图说明

图1为本发明提供的数据中心制冷系统的节能控制方法一实施例的流程图；

图2为本发明提供的环境参数预测模型的训练方法一实施例的流程图；

图3为本发明一实施例提供的节能效果示意图；

图4为本发明提供的数据中心制冷系统的节能控制装置一实施例的结构示意图；

图5为本发明提供的数据中心制冷系统的节能控制设备一实施例的结构示意图。

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)。

图1为本发明提供的数据中心制冷系统的节能控制方法一实施例的流程图。如图1所示，本实施例提供的方法可以包括：

S101、获取当前时段的环境参数，环境参数包括：室外温度、室外湿度、太阳辐射强度、室内温度、室内湿度和数据中心的服务器能耗。

本实施例中可以通过部署在数据中心内部和外部的传感器获取环境参数。具体的，可以在数据中心外部部署温度传感器、湿度传感器和太阳辐射强度传感器分别采集室外温度、室外湿度和太阳辐射强度；可以在数据中心内部部署温度传感器和湿度传感器来采集室内温度和室内湿度。数据中心的服务器能耗越高，则释放的热量越高，所需的制冷量也越高。充分利用外部自然环境可以有效降低制冷系统的能耗。举例来说，当室外温度远低于室内温度时，可以关闭制冷系统的压缩机以降低能耗，仅通过通风即可实现降温。

本实施例中对于环境参数进行实时高频采集，将采集到的环境参数存入环境参数数据库。而为了避免频繁调控导致的温度波动和能耗增加，本实施例以预设时长的时段为单位进行调控。时段的具体时长可以根据实际需要进行设置，例如可以设为15分钟、30分钟和1小时等。

S102、根据当前时段的环境参数预测下一时段的环境参数。

环境参数具有一定的时序依赖性，因此本实施例中可以根据当前时段的环境参数预测下一时段的环境参数，以便根据环境参数的变化趋势实现超前调控，降低制冷系统的能耗。

一种可选的实施方式中，可以将当前时段的环境参数以及当前时段之前预设时段内的环境参数输入预先训练好的环境参数预测模型，得到下一时段的环境参数，环境参数预测模型采用长短时记忆(Long Short-Term Memory，简称：LSTM)神经网络，使用历史时段的环境参数训练而成。

请参考图2，环境参数预测模型可以采用如下方法进行训练：

S201、批量导入历史数据。从环境参数数据库中批量导入历史时段的环境参数。

S202、对导入的历史数据进行预处理操作。包括对导入的历史数据进行数据清洗、数据归一化、异常数据的删除、缺失数据的填充和时序化排序等操作。

S203、将预处理后的历史数据划分为训练集和测试集。例如可以基于二八原则，将80％的数据作为训练数据，将其余20％的数据作为测试数据。

S204、基于LSTM神经网络构建环境参数预测模型，初始化模型参数并设置训练参数，训练参数可以包括：训练时间、循环次数、收敛条件、学习率和损失函数等。

S205、在训练集上进行训练，在测试集上进行测试。使用训练集中的训练数据对模型进行训练，使用测试集中的测试数据计算模型性能。

S206、判断是否满足终止条件。若满足，则执行步骤S207；反之，则执行步骤S205，继续进行模型训练。终止条件可以包括：训练时间达到预设训练时间；循环次数达到预设循环次数；损失函数的值小于预设阈值；预测准确性高于预设准确性阈值。满足上述任一条件即可终止模型训练。

S207、保存模型信息。将训练得到的环境参数预测模型的模型信息进行存储，用于根据当前时段的环境参数预测下一时段的环境参数。

S103、根据当前时段的环境参数和预测的下一时段的环境参数确定数据中心制冷系统的设定温度，并控制数据中心制冷系统以设定温度进行工作。

本实施例中在对制冷系统进行协同控制时，不仅考虑了当前时段的环境参数，而且综合了下一时段的环境参数，以便进行超前控制，实现能耗与热舒适度的双优化。举例来说：若预测出下一时段数据中心的服务器能耗将升高，这意味着数据中心将释放更多的热量，则可以降低制冷系统的设定温度，减少数据中心的温度波动；若预测出下一时段的室外温度将大幅下降，则可以提高制冷系统的设定温度，以降低能耗。可以理解的是，本实施例中对于数据中心制冷系统的控制，包括对室外冷凝器的控制。

在一种可选的实施方式中，还可以将当前时段的环境参数和预测的下一时段的环境参数输入预先训练好的温度控制模型，得到数据中心制冷系统的设定温度，温度控制模型采用DQN网络和Dyna-Q网络，使用历史时段的环境参数和设定温度，以能耗和热舒适度为优化目标训练而成。

本实施例中在获取下一时段的环境参数之后，将当前时段的环境参数和下一时段的环境参数作为温度控制模型的输入特征，输入温度控制模型，以便获取作为输出特征的数据中心制冷系统的设定温度。本实施例中的温度控制模型采用了双Q神经网络的深度学习模型，将优化目标设为制冷系统的能耗和热舒适度的多目标优化，自适应地学习制冷系统的优化控制策略。

为了对本实施例提供的节能控制方法的效果进行验证，构建了实验组和对照组，用于进行对比实验，其中实验组采用本实施例提供的方法进行控制，对照组采用人为设定温度的方式进行控制。为了使实验结果具有可比较性，实验组与对照组除控制方法外其他完全相同。从能耗和热舒适度两个目标维度对优化效果进行分析。请参考图3，图3从能耗的维度对优化效果进行了分析，其中实线代表对照组，虚线代表实验组，横轴为日期值，纵轴为累积的电量消耗值。如图3所示，在实验期间即8月9日至8月21日期间，实验组在能耗方面明显优于对照组，实验组累积能耗为105KWh，对照组累积能耗为118KWh，累积能耗优化为11.02％。同时通过实验期间的室内温度偏离值对热舒适度进行度量，在实验期间，实验组的温度偏离值为0.72℃，而对照组的温度偏离值为0.81℃，温度偏离值优化了11.11％。综上所述，本实施例提供的方法在保证热舒适度的同时，显著提升了能效。节能效果明显，适合在数据中心推广应用。

本实施例提供的数据中心制冷系统的节能控制方法，通过获取当前时段的环境参数，根据当前时段的环境参数预测下一时段的环境参数，然后根据当前时段的环境参数和预测的下一时段的环境参数确定数据中心制冷系统的设定温度，并控制数据中心制冷系统以设定温度进行工作，实现了对数据中心制冷系统的协同调度，在保证热舒适度的同时，降低了数据中心制冷系统的能耗，节约了能源。

对于大型数据中心，可能会存在各区域温度不均的情况，为了实现精准控制，本实施例提供的方法采用了分区的方式进行控制。具体的，在获取当前时段的环境参数之前，可以根据空间位置信息和/或设备分布信息将数据中心划分为预设数量的区域，则室内温度包括室内各区域的温度，室内湿度包括室内各区域的湿度，数据中心的服务器能耗包括数据中心各区域的能耗；根据当前时段的环境参数和预测的下一时段的环境参数确定数据中心制冷系统的设定温度，包括：根据当前时段的环境参数和预测的下一时段的环境参数确定数据中心各区域的制冷系统的设定温度。

例如可以将数据中心划分为预设数量的预设大小的区域，在各个区域部署传感器采集各个区域的环境参数，然后以区域为单位进行节能控制，以实现精准控制，进一步降低数据中心制冷系统的能耗。

数据中心制冷系统通常由多个制冷设备如多个末端空调设备组成，对于制冷系统的控制不仅可以通过设定温度进行控制，还可以通过运行台数进行控制。在一种可选的实施方式中，根据当前时段的环境参数和预测的下一时段的环境参数确定数据中心制冷系统的设定温度可以包括：根据当前时段的环境参数和预测的下一时段的环境参数，确定数据中心制冷系统中制冷设备的运行台数以及各制冷设备的设定温度。

图4为本发明提供的数据中心制冷系统的节能控制装置一实施例的结构示意图。如图4所示，本实施例提供的数据中心制冷系统的节能控制装置40可以包括：采集模块401、预测模块402和控制模块403。

采集模块401，用于获取当前时段的环境参数，环境参数包括：室外温度、室外湿度、太阳辐射强度、室内温度、室内湿度和数据中心的服务器能耗；

预测模块402，用于根据当前时段的环境参数预测下一时段的环境参数；

控制模块403，用于根据当前时段的环境参数和预测的下一时段的环境参数确定数据中心制冷系统的设定温度，并控制数据中心制冷系统以设定温度进行工作。

本实施例提供的数据中心制冷系统的节能控制装置可用于执行图1对应的方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。

一种实施例中，预测模块402具体用于将当前时段的环境参数以及当前时段之前预设时段内的环境参数输入预先训练好的环境参数预测模型，得到下一时段的环境参数，环境参数预测模型采用长短时记忆LSTM神经网络，使用历史时段的环境参数训练而成。

一种实施例中，控制模块403具体用于将当前时段的环境参数和预测的下一时段的环境参数输入预先训练好的温度控制模型，得到数据中心制冷系统的设定温度，温度控制模型采用DQN网络和Dyna-Q网络，使用历史时段的环境参数和设定温度，以能耗和热舒适度为优化目标训练而成。

本发明实施例还提供一种数据中心制冷系统的节能控制设备，请参见图5所示，本发明实施例仅以图5为例进行说明，并不表示本发明仅限于此。图5为本发明提供的数据中心制冷系统的节能控制设备一实施例的结构示意图。如图5所示，本实施例提供的数据中心制冷系统的节能控制设备50可以包括：存储器501、处理器502、传感器503和总线504。其中，总线504用于实现各元件之间的连接；传感器503可以包括温度传感器、湿度传感器和太阳辐射传感器。而为了采集室内外温度和湿度，需要至少两个温度传感器和至少两个湿度传感器；为了采集室外太阳辐射强度，需要至少一个太阳辐射强度传感器。需要说明的是，传感器503与处理器502通信连接，既可以采用有线方式进行连接，也可以采用无线如蓝牙、WIFI等方式连接，以便将采集到的数据传输给处理器502。

存储器501中存储有计算机程序，计算机程序被处理器502执行时可以实现上述任一方法实施例提供的数据中心制冷系统的节能控制方法的技术方案。

其中，存储器501和处理器502之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可以通过一条或者多条通信总线或信号线实现电性连接，如可以通过总线504连接。存储器501中存储有实现数据中心制冷系统的节能控制方法的计算机程序，包括至少一个可以软件或固件的形式存储于存储器501中的软件功能模块，处理器502通过运行存储在存储器501内的软件程序以及模块，从而执行各种功能应用以及数据处理。

存储器501可以是，但不限于，随机存取存储器(Random Access Memory，简称：RAM)，只读存储器(Read Only Memory，简称：ROM)，可编程只读存储器(ProgrammableRead-Only Memory，简称：PROM)，可擦除只读存储器(Erasable Programmable Read-OnlyMemory，简称：EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，简称：EEPROM)等。其中，存储器501用于存储程序，处理器502在接收到执行指令后，执行程序。进一步地，上述存储器501内的软件程序以及模块还可包括操作系统，其可包括各种用于管理系统任务(例如内存管理、存储设备控制、电源管理等)的软件组件和/或驱动，并可与各种硬件或软件组件相互通信，从而提供其他软件组件的运行环境。

处理器502可以是一种集成电路芯片，具有信号的处理能力。上述的处理器502可以是通用处理器，包括中央处理器(Central Processing Unit，简称：CPU)、网络处理器(Network Processor，简称：NP)等。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。可以理解，图5的结构仅为示意，还可以包括比图5中所示更多或者更少的组件，或者具有与图5所示不同的配置。图5中所示的各组件可以采用硬件和/或软件实现。

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)。

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-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。

以上应用了具体个例对本发明进行阐述，只是用于帮助理解本发明，并不用以限制本发明。对于本发明所属技术领域的技术人员，依据本发明的思想，还可以做出若干简单推演、变形或替换。

Claims (10)

1.一种数据中心制冷系统的节能控制方法，其特征在于，包括：

获取当前时段的环境参数，所述环境参数包括：室外温度、室外湿度、太阳辐射强度、室内温度、室内湿度和数据中心的服务器能耗；

根据当前时段的环境参数预测下一时段的环境参数；

根据当前时段的环境参数和预测的下一时段的环境参数确定数据中心制冷系统的设定温度，并控制数据中心制冷系统以所述设定温度进行工作。

2.如权利要求1所述的方法，其特征在于，所述根据当前时段的环境参数预测下一时段的环境参数包括：

将当前时段的环境参数以及当前时段之前预设时段内的环境参数输入预先训练好的环境参数预测模型，得到下一时段的环境参数，所述环境参数预测模型采用长短时记忆LSTM神经网络，使用历史时段的环境参数训练而成。

3.如权利要求1所述的方法，其特征在于，所述根据当前时段的环境参数和预测的下一时段的环境参数确定数据中心制冷系统的设定温度包括：

将当前时段的环境参数和预测的下一时段的环境参数输入预先训练好的温度控制模型，得到数据中心制冷系统的设定温度，所述温度控制模型采用DQN网络和Dyna-Q网络，使用历史时段的环境参数和设定温度，以能耗和热舒适度为优化目标训练而成。

4.如权利要求1所述的方法，其特征在于，所述获取当前时段的环境参数之前，所述方法还包括：

根据空间位置信息和/或设备分布信息将数据中心划分为预设数量的区域，则所述室内温度包括室内各区域的温度，所述室内湿度包括室内各区域的湿度，所述数据中心的服务器能耗包括数据中心各区域的能耗；

所述根据当前时段的环境参数和预测的下一时段的环境参数确定数据中心制冷系统的设定温度，包括：

根据当前时段的环境参数和预测的下一时段的环境参数确定数据中心各区域的制冷系统的设定温度。

5.如权利要求1所述的方法，其特征在于，所述根据当前时段的环境参数和预测的下一时段的环境参数确定数据中心制冷系统的设定温度包括：

根据当前时段的环境参数和预测的下一时段的环境参数，确定数据中心制冷系统中制冷设备的运行台数以及各制冷设备的设定温度。

6.一种数据中心制冷系统的节能控制装置，其特征在于，包括：

采集模块，用于获取当前时段的环境参数，所述环境参数包括：室外温度、室外湿度、太阳辐射强度、室内温度、室内湿度和数据中心的服务器能耗；

预测模块，用于根据当前时段的环境参数预测下一时段的环境参数；

控制模块，用于根据当前时段的环境参数和预测的下一时段的环境参数确定数据中心制冷系统的设定温度，并控制数据中心制冷系统以所述设定温度进行工作。

7.如权利要求6所述的装置，其特征在于，所述预测模块用于将当前时段的环境参数以及当前时段之前预设时段内的环境参数输入预先训练好的环境参数预测模型，得到下一时段的环境参数，所述环境参数预测模型采用长短时记忆LSTM神经网络，使用历史时段的环境参数训练而成。

8.如权利要求6所述的装置，其特征在于，所述控制模块用于将当前时段的环境参数和预测的下一时段的环境参数输入预先训练好的温度控制模型，得到数据中心制冷系统的设定温度，所述温度控制模型采用DQN网络和Dyna-Q网络，使用历史时段的环境参数和设定温度，以能耗和热舒适度为优化目标训练而成。

9.一种数据中心制冷系统的节能控制设备，其特征在于，包括：至少两个温度传感器、至少两个湿度传感器、至少一个太阳辐射强度传感器、至少一个处理器和存储器；

所述温度传感器、所述湿度传感器和所述太阳辐射强度传感器分别与所述处理器通信连接；

所述存储器存储计算机执行指令；

所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如权利要求1-5任一项所述的数据中心制冷系统的节能控制方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1-5任一项所述的数据中心制冷系统的节能控制方法。

Images