CN115451534B - 基于强化学习分场景的机房空调节能方法 - Google Patents

基于强化学习分场景的机房空调节能方法 Download PDF

Info

Publication number
CN115451534B
CN115451534B CN202211145702.XA CN202211145702A CN115451534B CN 115451534 B CN115451534 B CN 115451534B CN 202211145702 A CN202211145702 A CN 202211145702A CN 115451534 B CN115451534 B CN 115451534B
Authority
CN
China
Prior art keywords
air conditioner
energy
machine room
data
model
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
Application number
CN202211145702.XA
Other languages
English (en)
Other versions
CN115451534A (zh
Inventor
吴蔺春
刘雨桐
侯冬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Donglian Information Technology Co ltd
Original Assignee
Donglian Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Donglian Information Technology Co ltd filed Critical Donglian Information Technology Co ltd
Publication of CN115451534A publication Critical patent/CN115451534A/zh
Application granted granted Critical
Publication of CN115451534B publication Critical patent/CN115451534B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
    • F24F11/46—Improving electric energy efficiency or saving
    • F24F11/47—Responding to energy costs
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明涉及空调节能领域，具体涉及一种基于强化学习分场景的机房空调节能方法，极大地降低了模拟阶段与真实阶段的偏差，通过提高了节能策略的准确性。技术方案包括：采集历史数据，建立数据处理模型，并通过二次插值法对低频数据进行高频转化，基于数据处理模型的强化学习方法建立虚拟环境模型，在虚拟环境中根据能耗关系模型、空调节能系统离线模拟模型对不同类型机房设置不同的节能场景，不同节能场景设置对应的节能策略；对不同场景的机房设置不同的运行区间；对不同运行区间的机房设置奖励函数、奖励、节能比例以及启停次数，基于机房历史温度数据，在虚拟环境中对不同运行区间机房更新对应强化学习Q‑learning中的Q值。本发明适用于机房空调节能。

Description

基于强化学习分场景的机房空调节能方法
技术领域
本发明涉及空调节能领域，具体涉及一种基于强化学习分场景的机房空调节能方法。
背景技术
随着通讯和数字化产业的发展，机房电量消耗越来越大。统计发现，机房中空调的耗电量占机房总耗电量50％左右，怎样节省空调设备的耗电量成为亟待解决的问题；另一方面，电信机房很多是无人值守的，空调的设置参数通常是固定不变或者维护人员定期去调整，但机房的热负荷是在动态变化的(机房设备工作负载发热，室外温湿度情况，机房门禁开关等都是影响热负荷的因素)，传统的空调设定参数不变或很长时间人为去调整一次的方式，由于没有自动化调节，通常会把空调制冷量输出设定的较大以应对可能的机房高负荷情况(突然的高温天气或机房设备负载升高)，但多数情况下机房实际热负荷并没有那么大，这种过度设置存在极大偏差，节能策略精度不够，造成会不必要的电能浪费。
发明内容
本发明的目的是提供一种基于强化学习分场景的机房空调节能方法，极大地降低了模拟阶段与真实阶段的偏差，通过提高了节能策略的准确性。
本发明采取如下技术方案实现上述目的，基于强化学习分场景的机房空调节能方法，包括模拟学习阶段与应用学习阶段，所述模拟学习阶段包括：
步骤1、采集机房历史温度数据，机房所在地室外历史天气数据，以及对接运营商平台获取对应机房设备负载数据，获取空调对应电流、电压、能耗数据；
步骤2、根据机房历史温度数据、室外历史天气数据以及对应机房设备负载数据建立数据处理模型，并通过二次插值法对低频数据进行高频转化；
步骤3、基于数据处理模型的强化学习方法建立虚拟环境模型，通过数据平台区分空调未开启状态以及开启状态对应数据，根据空调未开启状态对应数据通过多模型组合建立空调未开启时序预测模型，通过空调开启状态对应数据建立空调开启时序预测模型，并建立空调开启状态对应的能耗关系模型；
步骤4、根据机房历史温度数据、空调未开启时序预测模型、空调开启时序预测模型模拟阈值温度时空调开启状态、关闭后的状态以及获取空调关闭后的温度变化曲线，并根据温度变化曲线构建空调节能系统离线模拟模型；
步骤5、根据能耗关系模型、空调节能系统离线模拟模型对不同类型机房设置不同的节能场景，不同节能场景设置对应的节能策略；
步骤6、对不同场景的机房设置不同的运行区间；
步骤7、对不同运行区间的机房设置奖励函数、奖励、节能比例以及启停次数，奖励函数为r＝w1(Ereward)+[(n-t+|n-t|)w2+(t-n+|n-t|)w3)]·T_reward， E_reward为节能比例奖励，E为空调基准能耗，w1为节能奖励加权系数，T_reward为空调启停次数奖励，n为允许空调每日启停次数，t为模型启停次数，w2、w3为节能奖励加权系数，n＞t时，取w2，n＜t时，取w3；
步骤8、基于机房历史温度数据，在虚拟环境中对不同运行区间机房更新对应强化学习Q-learning中的Q值，Q(s,α)←(1-α)Q(s,α)+α[r+λQ(s',π(s'))]，其中π(s')＝argmaxα'Q(s',α')，s为状态，a为动作，s'为采取动作后的状态，a'为下一个动作；
所述应用学习阶段包括：
在真实环境模型中获取反映机房环境变化的特征作为真实状态，包括室外温度、室内温度、基站负载、以及预测的数据；
通过引导强化学习的policy保持和数据集中相似的state-action visitation来避免外推误差；
通过实际运行数据以及真实状态数据消除虚拟环境模型与真实环境模型的偏差；
空调节能后，实时采集每日的节能数据以及节能次数。
进一步的是，数据处理模型中，室外温度是小时级别温度，室内温感设备数据粒度为n1分钟级别，机房设备负载数据粒度n2分钟，n2＞n1＞0。
进一步的是，多模型包括LSTM模型、ARIMA模型以及Prophet模型。
进一步的是，机房类型分类因素包括：机房总负荷、机房面积、空调数量、季节变化、蓄电池位置相关度，通过高斯混合模型进行聚类，得到机房属于某类型的概率，通过概率将大批量样本进行划分。
进一步的是，所述不同节能场景设置对应的节能策略具体包括：温度上升速度快的地方，调整门限值范围设置低于温度上升速度慢的地方，机房面积大的地方调整门限值范围设置低于机房面积小的地方。
本发明的有益效果为：
本发明首先采集历史数据，建立数据处理模型，并且应用了二次插值法对低频数据进行高频转化，避免了有些数据不是同频数据，在做预测时不能用作特征；
基于数据处理模型的强化学习方法建立虚拟环境模型，避免了强化学习在线学习试错的过大成本；
通过数据平台区分空调未开启状态以及开启状态对应数据，根据空调未开启状态对应数据通过多模型组合建立空调未开启时序预测模型，通过空调开启状态对应数据建立空调开启时序预测模型，并建立空调开启状态对应的能耗关系模型；这样在虚拟环境中，可以在任何温度开启或关闭空调，开启和关闭后的状态就可以由此处的时序预测模型得到；
在对不同场景设置不同节能策略时，通信机房数量众多，一个省份可能数以万计，每个机房空调都去训练模型，不合适，因此本发明通过一些特征值进行聚类，可减少模型训练量，同时也可根据不同机房的特征，更好的设定温控范围；
在应用学习阶段通过实际运行数据以及真实状态数据消除虚拟环境模型与真实环境模型的偏差，使得通过模型获得策略更加精确，极大地降低了不必要的浪费。
附图说明
图1是本发明实施例提供的基于强化学习分场景的机房空调节能的方法流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
对于空调能耗节能问题，最终目标是通过合理的空调控制优化在保证基站或者机房环境安全前提下，空调的能耗较少，启停次数较少，关注的是动作、环境和状态之前的关系。非常适用于强化学习的模型思想。
因此本发明采取如下技术方案实现上述目的，基于强化学习分场景的机房空调节能方法，包括模拟学习阶段与应用学习阶段，所述模拟学习阶段包括：
步骤1、采集机房历史温度数据，机房所在地室外历史天气数据，以及对接运营商平台获取对应机房设备负载数据，获取空调对应电流、电压、能耗数据；
步骤2、根据机房历史温度数据、室外历史天气数据以及对应机房设备负载数据建立数据处理模型，并通过二次插值法对低频数据进行高频转化；
步骤3、基于数据处理模型的强化学习方法建立虚拟环境模型，通过数据平台区分空调未开启状态以及开启状态对应数据，根据空调未开启状态对应数据通过多模型组合建立空调未开启时序预测模型，通过空调开启状态对应数据建立空调开启时序预测模型，并建立空调开启状态对应的能耗关系模型；
步骤4、根据机房历史温度数据、空调未开启时序预测模型、空调开启时序预测模型模拟阈值温度时空调开启状态、关闭后的状态以及获取空调关闭后的温度变化曲线，并根据温度变化曲线构建空调节能系统离线模拟模型；
步骤5、根据能耗关系模型、空调节能系统离线模拟模型对不同类型机房设置不同的节能场景，不同节能场景设置对应的节能策略；
步骤6、对不同场景的机房设置不同的运行区间；
步骤7、对不同运行区间的机房设置奖励函数、奖励、节能比例以及启停次数，奖励函数为r＝w1(Ereward)+[(n-t+|n-t|)w2+(t-n+|n-t|)w3)]·T_reward， E_reward为节能比例奖励，E为空调基准能耗，w1为节能奖励加权系数，T_reward为空调启停次数奖励，n为允许空调每日启停次数，t为模型启停次数，w2、w3为节能奖励加权系数，n＞t时，取w2，n＜t时，取w3；
步骤8、基于机房历史温度数据，在虚拟环境中对不同运行区间机房更新对应强化学习Q-learning中的Q值，Q(s,α)←(1-α)Q(s,α)+α[r+λQ(s',π(s'))]，其中π(s')＝argmaxα'Q(s',α')，s为状态，a为动作，s'为采取动作后的状态，a'为下一个动作；
所述应用学习阶段包括：
在真实环境模型中获取反映机房环境变化的特征作为真实状态，包括室外温度、室内温度、基站负载、以及预测的数据；
通过引导强化学习的policy保持和数据集中相似的state-action visitation来避免外推误差；
通过实际运行数据以及真实状态数据消除虚拟环境模型与真实环境模型的偏差；
空调节能后，实时采集每日的节能数据以及节能次数。
数据处理模型中，室外温度是小时级别温度，室内温感设备数据粒度为5分钟级别，机房设备负载数据粒度15分钟。
步骤3中，多模型包括LSTM模型、ARIMA模型以及Prophet模型，可以通过LSTM模型、ARIMA模型以及Prophet模型组合建立空调未开启时序预测模型。
在本发明的一种实施例中，机房类型分类因素包括：机房总负荷、机房面积、空调数量、季节变化、蓄电池位置相关度，通过高斯混合模型(Gaussian Mixed Model，GMM)进行聚类，得到机房属于某类型的概率，通过概率将大批量样本进行划分。
通信机房数量众多，一个省份可能数以万计，每个机房空调都去训练模型，不合适，所以通过一些特征值进行聚类，可减少模型训练量，同时也可根据不同机房的特征，更好的设定温控范围(比如面积大的设置在顶楼或者平时业务负荷就很大的，空调开启温度就必须更低)，基于此，不同节能场景设置对应的节能策略具体包括：温度上升速度快的地方，调整门限值范围设置低于温度上升速度慢的地方，机房面积大的地方调整门限值范围设置低于机房面积小的地方。
本发明实施例提供的基于强化学习分场景的机房空调节能的方法流程图，如图1所示，首先进行数据采集，数据采集完毕后构建预测模型以及对不同机房分场景，其中预测模型包括空调未开启时序预测模型、空调开启时序预测模型，预测模型主要预测空调开启时段温度趋势，以及未开启时段温度趋势。
在模型学习阶段中，基于历史数据并根据预测模型预测模拟空调开启、关闭后的温度曲线，并根据开启、关闭后温度曲线构建空调节能系统离线模拟模型；然后对不同场景的机房设置不同的温度运行区间，对不同运行区间的机房设置奖励函数、奖励、节能比例以及启停次数，基于机房历史温度数据，在虚拟环境中对不同运行区间机房更新对应强化学习Q-learning中的Q值，并学习最优空调调控方案，然后进行方案部署；
方案部署后进行应用学习，在应用学习阶段，从机房及空调系统环境中观测到的信息，需要从机房中安装的传感器和设备工作状态数据中，选取能够反映机房环境变化的特征作为状态.例如：室外温度，室内温度，基站负载，未来时间端数据预测序列等都可以加入状态空间中；
然后采取模型学习最优空调调控方案，模型学习阶段中学到动作，通过引导policy保持和数据集中相似的state-action visitation来避免外推误差，EMDP是有限MDP下的推测误差，也就是两个Q值的差：Q函数表示真实环境，QD函数表示虚拟环境，推断误差可以视为转移概率的差值的函数，如果选择一个策略使得两个转移概率的差距最小，那么推断误差也能达到最小；最后空调节能后，采集到当日节能数据及当日节能次数。
综上所述，本发明极大地降低了模拟阶段与真实阶段的偏差，通过提高了节能策略的准确性。

Claims (5)

1.基于强化学习分场景的机房空调节能方法，其特征在于，包括模拟学习阶段与应用学习阶段，所述模拟学习阶段包括：
步骤1、采集机房历史温度数据，机房所在地室外历史天气数据，以及对接运营商平台获取对应机房设备负载数据，获取空调对应电流、电压、能耗数据；
步骤2、根据机房历史温度数据、室外历史天气数据以及对应机房设备负载数据建立数据处理模型，并通过二次插值法对低频数据进行高频转化；
步骤3、基于数据处理模型的强化学习方法建立虚拟环境模型，通过数据平台区分空调未开启状态以及开启状态对应数据，根据空调未开启状态对应数据通过多模型组合建立空调未开启时序预测模型，通过空调开启状态对应数据建立空调开启时序预测模型，并建立空调开启状态对应的能耗关系模型；
步骤4、根据机房历史温度数据、空调未开启时序预测模型、空调开启时序预测模型模拟阈值温度时空调开启状态、关闭后的状态以及获取空调关闭后的温度变化曲线，并根据温度变化曲线构建空调节能系统离线模拟模型；
步骤5、根据能耗关系模型、空调节能系统离线模拟模型对不同类型机房设置不同的节能场景，不同节能场景设置对应的节能策略；
步骤6、对不同场景的机房设置不同的运行区间；
步骤7、对不同运行区间的机房设置奖励函数、奖励、节能比例以及启停次数，奖励函数为r＝w1(Ereward)+[(n-t+|n-t|)w2+(t-n+|n-t|)w3)]·T_reward， E_reward为节能比例奖励，E为空调基准能耗，w1为节能奖励加权系数，T_reward为空调启停次数奖励，n为允许空调每日启停次数，t为模型启停次数，w2、w3为节能奖励加权系数，n＞t时，取w2，n＜t时，取w3；
步骤8、基于机房历史温度数据，在虚拟环境中对不同运行区间机房更新对应强化学习Q-learning中的Q值，Q(s,α)←(1-α)Q(s,α)+α[r+λQ(s',π(s'))]，其中π(s')＝argmaxα'Q(s',α')，s为状态，a为动作，s'为采取动作后的状态，a'为下一个动作；
所述应用学习阶段包括：
在真实环境模型中获取反映机房环境变化的特征作为真实状态，包括室外温度、室内温度、基站负载、以及预测的数据；
通过引导强化学习的policy保持和数据集中相似的state-action visitation来避免外推误差；
通过实际运行数据以及真实状态数据消除虚拟环境模型与真实环境模型的偏差；
空调节能后，实时采集每日的节能数据以及节能次数。
2.根据权利要求1所述的基于强化学习分场景的机房空调节能方法，其特征在于，数据处理模型中，室外温度是小时级别温度，室内温感设备数据粒度为n1分钟级别，机房设备负载数据粒度n2分钟，n2＞n1＞0。
3.根据权利要求1所述的基于强化学习分场景的机房空调节能方法，其特征在于，多模型包括LSTM模型、ARIMA模型以及Prophet模型。
4.根据权利要求1所述的基于强化学习分场景的机房空调节能方法，其特征在于，机房类型分类因素包括：机房总负荷、机房面积、空调数量、季节变化、蓄电池位置相关度，通过高斯混合模型进行聚类，得到机房属于某类型的概率，通过概率将大批量样本进行划分。
5.根据权利要求4所述的基于强化学习分场景的机房空调节能方法，其特征在于，所述不同节能场景设置对应的节能策略具体包括：温度上升速度快的地方，调整门限值范围设置低于温度上升速度慢的地方，机房面积大的地方调整门限值范围设置低于机房面积小的地方。
CN202211145702.XA 2022-09-02 2022-09-20 基于强化学习分场景的机房空调节能方法 Active CN115451534B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202211072377 2022-09-02
CN2022110723779 2022-09-02

Publications (2)

Publication Number Publication Date
CN115451534A CN115451534A (zh) 2022-12-09
CN115451534B true CN115451534B (zh) 2024-05-24

Family

ID=84305844

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211145702.XA Active CN115451534B (zh) 2022-09-02 2022-09-20 基于强化学习分场景的机房空调节能方法

Country Status (1)

Country Link
CN (1) CN115451534B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116792890A (zh) * 2023-05-17 2023-09-22 浙江省邮电工程建设有限公司 基于策略蒸馏的机房空调智能控制方法和系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111795484A (zh) * 2020-07-24 2020-10-20 北京大学深圳研究生院 一种智慧空调控制方法和系统
CN112050397A (zh) * 2020-08-27 2020-12-08 浙江省邮电工程建设有限公司 一种机房温度调控方法及系统
CN112714488A (zh) * 2020-12-23 2021-04-27 东联信息技术有限公司 基于能耗数据的网络节能方法及装置
CN113551373A (zh) * 2021-07-19 2021-10-26 江苏中堃数据技术有限公司 一种基于联邦强化学习的数据中心空调节能控制方法
CN114322208A (zh) * 2021-12-15 2022-04-12 合肥工业大学 基于深度强化学习的智能园区空调负荷调控方法和系统
CN114760677A (zh) * 2022-04-20 2022-07-15 中国移动通信集团广东有限公司 微站室分场景的节能方法及装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021079431A1 (ja) * 2019-10-23 2021-04-29 三菱電機株式会社 空調制御装置、空調システム、空調制御方法、空調制御プログラム
CN111612126A (zh) * 2020-04-18 2020-09-01 华为技术有限公司 强化学习的方法和装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111795484A (zh) * 2020-07-24 2020-10-20 北京大学深圳研究生院 一种智慧空调控制方法和系统
CN112050397A (zh) * 2020-08-27 2020-12-08 浙江省邮电工程建设有限公司 一种机房温度调控方法及系统
CN112714488A (zh) * 2020-12-23 2021-04-27 东联信息技术有限公司 基于能耗数据的网络节能方法及装置
CN113551373A (zh) * 2021-07-19 2021-10-26 江苏中堃数据技术有限公司 一种基于联邦强化学习的数据中心空调节能控制方法
CN114322208A (zh) * 2021-12-15 2022-04-12 合肥工业大学 基于深度强化学习的智能园区空调负荷调控方法和系统
CN114760677A (zh) * 2022-04-20 2022-07-15 中国移动通信集团广东有限公司 微站室分场景的节能方法及装置

Also Published As

Publication number Publication date
CN115451534A (zh) 2022-12-09

Similar Documents

Publication Publication Date Title
CN112050397A (zh) 一种机房温度调控方法及系统
CN110131843B (zh) 基于大数据的空调的智能调控方法及系统
CN102301288B (zh) 用以控制能量消耗效率的系统和方法
CN112543429A (zh) 一种具备自主决策功能的可配置边缘计算网关
CN110458340B (zh) 基于模式分类的建筑空调冷负荷自回归预测方法
CN115451534B (zh) 基于强化学习分场景的机房空调节能方法
CN112283890A (zh) 适应建筑暖通设备监控系统的冷热量控制方法及装置
CN113551373A (zh) 一种基于联邦强化学习的数据中心空调节能控制方法
WO2022041987A1 (zh) 空调器的智能控制方法与智能控制设备
CN112628956A (zh) 基于边云协同框架的冷水机组负荷预测控制方法和系统
CN114154677A (zh) 空调运行负荷模型构建和预测方法、装置、设备和介质
CN112013503A (zh) 一种空调耗能智能控制方法
CN115307297A (zh) 多形式中央空调节能控制系统
CN116907036A (zh) 一种基于冷负荷预测的深度强化学习冷水机组控制方法
CN113446713A (zh) 基于数字孪生的数据智能优控及节能方法及系统
CN110925944B (zh) 空调系统的控制方法、控制装置和空调系统
CN116045560A (zh) 一种制冷系统远程管理方法、系统及计算机可读存储介质
CN108459575B (zh) 智慧家庭管理系统
CN115879815A (zh) 城市轨道交通站点的能耗评估方法、系统、设备及终端
CN115796324A (zh) 一种高寒地区供热负荷预测方法和系统
CN115200171B (zh) 基于时间序列预测的空调控制方法及系统
CN114764582A (zh) 空调的操作提示方法、空调设备以及计算机存储介质
CN115978736B (zh) 一种地铁站空调系统自适应预测风水联动控制方法
CN115012758A (zh) 一种智能窗户开闭状态调节方法及装置
CN117329665B (zh) 一种基于智能ai算法的空调室内联动控制方法及系统

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
CB03 Change of inventor or designer information

Inventor after: Wu Linchun

Inventor after: Liu Yutong

Inventor after: Hou Dong

Inventor before: Wu Linchun

Inventor before: Liu Yutong

Inventor before: Hou Dong

Inventor before: Liu Yang

CB03 Change of inventor or designer information
GR01 Patent grant