CN107655212A - 加热处理方法及装置 - Google Patents
加热处理方法及装置 Download PDFInfo
- Publication number
- CN107655212A CN107655212A CN201710913530.9A CN201710913530A CN107655212A CN 107655212 A CN107655212 A CN 107655212A CN 201710913530 A CN201710913530 A CN 201710913530A CN 107655212 A CN107655212 A CN 107655212A
- Authority
- CN
- China
- Prior art keywords
- water
- moment
- target
- heat treatment
- recorded
- 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.)
- Granted
Links
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24H—FLUID HEATERS, e.g. WATER OR AIR HEATERS, HAVING HEAT-GENERATING MEANS, e.g. HEAT PUMPS, IN GENERAL
- F24H9/00—Details
- F24H9/20—Arrangement or mounting of control or safety devices
- F24H9/2007—Arrangement or mounting of control or safety devices for water heaters
- F24H9/2014—Arrangement or mounting of control or safety devices for water heaters using electrical energy supply
- F24H9/2021—Storage heaters
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Thermal Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Devices For Medical Bathing And Washing (AREA)
- Heat-Pump Type And Storage Water Heaters (AREA)
Abstract
本发明实施例公开了一种加热处理方法及装置。其中,该方法包括:获取历史用水记录,所述历史用水记录为第一时间段内的用水记录;依据所述历史用水记录确定目标用水信息,所述目标用水信息为加热处理装置预测的在目标时间段内的用水信息;依据所述目标用水信息生成控制指令后,保存所述控制指令,所述控制指令指示所述加热处理装置依据所述控制指令进行加热处理操作。采用本发明实施例,可智能地适应用户的用水规律,提高效率。
Description
技术领域
本发明涉及智能家居技术领域,尤其涉及一种加热处理方法及装置。
背景技术
目前在我国大部分地区,储水式电热水器在家庭中的使用比较广泛。在实际生活中,用户在使用储水式电热水器时,可通过如下方式进行,一种是手动开启或关闭电热水器;另一种是通过终端控制电热水器的开启或关闭。第一种需要用户手动开启或关闭,第二种用户需要预先设置加热时间,从而使得终端依据预先设置的加热时间进行加热。
采用上述技术方案,无法智能地适应用户的生活规律,效率低下。
发明内容
本发明实施例提供一种加热处理方法及装置,可智能地适应用户的用水规律,提高效率。
第一方面,本发明实施例提供了一种加热处理方法,包括:
获取历史用水记录,所述历史用水记录为第一时间段内的用水记录;
依据所述历史用水记录确定目标用水信息,所述目标用水信息为加热处理装置预测的在目标时间段内的用水信息;
依据所述目标用水信息生成控制指令后,保存所述控制指令,所述控制指令指示所述加热处理装置依据所述控制指令进行加热处理操作。
在一个可选的实现方式中,所述获取历史用水记录之前,所述方法还包括:
利用第二时间段内的用水记录对预设预测模型进行训练,得到目标预测模型;
所述依据所述历史用水记录确定目标用水信息包括:
依据所述历史用水记录以及所述目标预测模型确定所述目标用水信息。
在一个可选的实现方式中,所述目标用水信息包括第一时刻,所述第一时刻为预测的开始加热的时间;
所述依据所述历史用水记录确定目标用水信息之后,所述方法还包括:
获取第二时刻,所述第二时刻为用户确定的开始加热的时间;
在所述第一时刻晚于所述第二时刻的情况下,若所述第一时刻与所述第二时刻的间隔小于第一时间间隔,则取消与所述控制指令对应的加热处理操作。
在一个可选的实现方式中,所述方法还包括:
在执行加热处理操作的过程中,在接收到用水指令的情况下,检测所述加热处理装置当前加热的温度是否达到目标温度;
若未达到所述目标温度,且用水持续的时间达到预设时长,则启动快速加热模式。
在一个可选的实现方式中,所述目标用水信息还包括第三时刻,所述第三时刻为预测的结束加热的时间;所述方法还包括:
获取第四时刻,所述第四时刻为所述用户结束用水的时间;
在所述第三时刻晚于所述第四时刻的情况下,若所述第三时刻与所述第四时刻的间隔大于第二时间间隔,且小于第三时间间隔,则关闭所述加热处理操作。
在一个可选的实现方式中,所述依据所述历史用水记录确定目标用水信息包括:
在第三时间段内依据所述历史用水记录确定目标用水信息。
在一个可选的实现方式中,所述预设预测模型包括:线性神经网络模型、循环神经网络RNN模型和长短期记忆网络LSTM模型中的至少一种。
在一个可选的实现方式中,所述预设预测模型包括第一预设预测模型和第二预设预测模型,所述目标预测模型包括第一目标预测模型和第二目标预测模型;其中,所述第一预设预测模型为工作日的用水记录对应的模型,所述第二预设预测模型为周末的用水记录对应的模型,所述第一目标预测模型为所述第一预设预测模型对应的模型,所述第二目标预测模型为所述第二预设预测模型对应的模型。
在一个可选的实现方式中,所述依据上述目标用水信息生成控制指令后,所述方法还包括:
将所述控制指令发送给服务器,所述控制指令指示所述服务器依据所述控制指令对所述加热处理装置进行加热控制。
第二方面,本发明实施例提供了一种加热处理装置,包括:
第一获取单元,用于获取历史用水记录,所述历史用水记录为第一时间段内的用水记录;
确定单元,用于依据所述历史用水记录确定目标用水信息,所述目标用水信息为加热处理装置预测的在目标时间段内的用水信息;
生成单元,用于依据所述目标用水信息生成控制指令,所述控制指令指示所述加热处理装置依据所述控制指令进行加热处理操作;
保存单元,用于保存所述控制指令。
在一个可选的实现方式中,所述加热处理装置还包括:
训练单元,用于利用第二时间段内的用水记录对预设预测模型进行训练,得到目标预测模型;
所述确定单元,具体用于依据所述历史用水记录以及所述目标预测模型确定所述目标用水信息。
在一个可选的实现方式中,所述目标用水信息包括第一时刻,所述第一时刻为预测的开始加热的时间;所述加热处理装置还包括:
第二获取单元,用于获取第二时刻,所述第二时刻为用户确定的开始加热的时间;
取消单元,用于在所述第一时刻晚于所述第二时刻的情况下,若所述第一时刻与所述第二时刻的间隔小于第一时间间隔,则取消与所述控制指令对应的加热处理操作。
在一个可选的实现方式中,所述加热处理装置还包括:
加热处理单元,用于执行加热处理操作;
检测单元,用于在执行加热处理操作的过程中,在接收到用水指令的情况下,检测所述加热处理装置当前加热的温度是否达到目标温度;
启动单元,用于若未达到所述目标温度,且用水持续的时间达到预设时长,则启动快速加热模式。
在一个可选的实现方式中,所述目标用水信息还包括第三时刻,所述第三时刻为预测的结束加热的时间;所述加热处理装置还包括:
第三获取单元,用于获取第四时刻,所述第四时刻为所述用户结束用水的时间;
关闭单元,用于在所述第三时刻晚于所述第四时刻的情况下,若所述第三时刻与所述第四时刻的间隔大于第二时间间隔,且小于第三时间间隔,则关闭所述加热处理操作。
在一个可选的实现方式中,所述确定单元,具体用于在第三时间段内依据所述历史用水记录确定目标用水信息。
在一个可选的实现方式中,所述预设预测模型包括:线性神经网络模型、循环神经网络RNN模型和长短期记忆网络LSTM模型中的至少一种。
在一个可选的实现方式中,所述预设预测模型包括第一预设预测模型和第二预设预测模型,所述目标预测模型包括第一目标预测模型和第二目标预测模型;其中,所述第一预设预测模型为工作日的用水记录对应的模型,所述第二预设预测模型为周末的用水记录对应的模型,所述第一目标预测模型为所述第一预设预测模型对应的模型,所述第二目标预测模型为所述第二预设预测模型对应的模型。
在一个可选的实现方式中,所述加热处理装置还包括:
发送单元,用于将所述控制指令发送给服务器,所述控制指令指示所述服务器依据所述控制指令对所述加热处理装置进行加热控制。
第三方面,本发明实施例还提供了一种加热处理装置,包括:处理器、收发器和存储器,所述处理器、所述收发器和所述存储器相互连接,其中,所述存储器用于存储应用程序代码,所述处理器被配置用于调用所述程序代码,执行上述第一方面所述的方法。
第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行上述第一方面所述的方法。
实施本发明实施例,通过依据历史用水记录确定目标用水信息,从而生成加热处理装置可识别的控制指令,进而可有效智能地适应用户的用水规律,为用户提供更加智能化、自动化的服务,提高效率。
附图说明
为了更清楚地说明本发明实施例或背景技术中的技术方案,下面将对本发明实施例或背景技术中所需要使用的附图进行说明。
图1是本发明实施例提供的一种加热处理方法的流程示意图;
图2是本发明实施例提供的另一种加热处理方法的流程示意图;
图3是本发明实施例提供的一种加热处理方法的具体场景示意图;
图4是本发明实施例提供的一种加热处理装置的结构示意图;
图5是本发明实施例提供的另一种加热处理装置的结构示意图;
图6是本发明实施例提供的又一种加热处理装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明一部份实施例,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它实施例,都属于本发明保护的范围。
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。需要说明的是,结合附图所阐述的详细描述旨在作为对各种配置的描述,而不旨在表示其中可以实践本文所描述的概念的唯一配置。本文中所记载的装置实施例和方法实施例将在下面的详细描述中进行描述,并在附图中通过各种框、模块、单元、组件、电路、步骤、过程、算法等等(统称为“要素”)来予以示出。这些要素可以使用电子硬件、计算机软件或者其任意组合来实现。至于这些要素是实现为硬件还是软件,取决于特定应用和施加在整体系统上的设计约束。本发明的说明书和权利要求书以及说明书附图中的术语如果使用“第一”、“第二”等描述,该种描述是用于区别不同对象,而不是用于描述特定顺序。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
需要说明的是,在没有明示的特别说明的情况下,本发明各实施例中的各项技术特征可视为能够进行相互组合或者结合,只要该种组合或者结合不是因为技术的原因而无法实施。为了较为充分的说明本发明,一些示例性的,可选的,或者优选的特征在本发明各实施例中与其他技术特征结合在一起进行描述,但这种结合不是必须的,而应该理解该示例性的,可选的,或者优选的特征与其他的技术特征都是彼此可分离的或者独立的,只要该种可分离或者独立不是因为技术的原因而无法实施。方法实施例中的技术特征的一些功能性描述可以理解为执行该功能、方法或者步骤,装置实施例中的技术特征的一些功能性描述可以理解为使用该种装置来执行该功能、方法或者步骤。
请参见图1,图1是本发明实施例提供的一种加热处理方法的流程示意图,该加热处理方法可应用于加热处理装置,该加热处理装置可为热水器等可以用于进行水加热的装置,本发明实施例不作限定。如图1所示,该加热处理方法可包括:
101、获取历史用水记录,上述历史用水记录为第一时间段内的用水记录;
本发明实施例中,历史用水记录可包含第一时间段内与用户用水行为相关的记录,如用水时间和用水量等。其中,该用水量可以以水单元如吨来计算,还可以以用水时间来计算等,还可以由用户来设置用水量的计算方式等,本实施例对于该用水量的计算方式不作限定。该第一时间段可为P天的用水记录,P为大于零的整数。
举例来说,历史用水记录的格式可以是“用水开始时间:XX年XX月XX日XX时XX分XX秒;用水结束时间:XX年XX月XX日XX时XX分XX秒”。又举例来说,用户用水行为可以为用户使用热水器中的水进行洗澡等行为。
历史用水记录可以存储于与加热处理装置连接的服务器中,从而在使用时,从服务器中获取,也可以直接保存在加热处理装置中等,本发明实施例不作唯一性限定。
102、依据上述历史用水记录确定目标用水信息,上述目标用水信息为加热处理装置预测的在目标时间段内的用水信息;
本发明实施例中,加热处理装置可以通过大数据分析,从而得到目标用水信息;还可以通过预测模型来确定目标用水信息等,本实施例不作限定。
目标时间段可以为一天内的用水信息,如当前时间为2017年8月1日08:00,则加热处理装置在该当前时间就可以确定未来一天内的用水信息,即2017年8月1日08:00到2017年8月2日08:00内的用水信息。
具体地,本发明实施例还提供了一种确定目标用水信息的实现方法,上述获取历史用水记录之前,上述方法还包括:
利用第二时间段内的用水记录对预设预测模型进行训练,得到目标预测模型;
上述依据上述历史用水记录确定目标用水信息包括:
依据上述历史用水记录以及上述目标预测模型确定上述目标用水信息。
具体地,上述预设预测模型包括:线性神经网络模型、循环神经网络(Recurrentneural Network,RNN)模型和长短期记忆网络(Long Short-Term Memory,LSTM)模型中的至少一种。
其中,第二时间段可为N天的用水记录,利用该N天的用水记录训练预设预测模型,从而得到目标预测模型。可以理解的是,该N可以大于上述P,利用更多的用水记录训练预设预测模型,可以使得训练出的目标预测模型预测用水信息更加准确。可以理解的是,该第一时间段和第二时间段可以随着时间的增移,而不断地更新。
举例来说,预设预测模型为线性神经网络模型,则将第二时间段内的用水记录经过数据清洗和特征选择后得到目标记录,从而利用该目标记录训练线性神经网络模型,来得到目标预测模型。在得到目标预测模型后,将第一时间段内的用水记录输入至目标预测模型,得到目标用水信息。
更具体地,还可以将第一时间段内的用水记录进行编码处理,如依据该第一时间段内的用水记录构建目标矩阵,将该目标矩阵输入至目标预测模型中进行预测,得到预测矩阵后,就可以依据预测矩阵更加精确地确定目标用水信息。可以理解的是,该预测矩阵为目标用水信息对应的矩阵。
假定时间为2017年7月17日星期一,用水记录为在00:03用水1分钟,则对该用水记录进行编码后可以为[0 2 0 7 1 7 1 0 0 1 0 0 0…],前两位表示年份,为了编码方便以及减少编码位数,年份编码减去2015,即2017减去2015,得到02;第三位到第六位表示月份和日期,如“0 7 1 7”表示7月17日;第七位表示星期,如“1”表示星期一;后面的位表示各个时间段的用水情况,若第一时间段对应的位为1,表示该第一时间段存在用水行为,若第二时间段对应的位为0,表示该第二时间段不存在用水行为,例如后面的位中的第三位为1,则表示在00:03,存在用水行为。上述的编码方式仅仅是一种举例,本发明实施例对编码方式不作限定。
将上述用水记录对应的编码输入至目标预测模型中,输出的预测矩阵可以包含至少一个行向量,每个行向量表示一个预测的用水信息。每个行向量可以包含两个部分,第一部分指示该行向量对应的时间,第二部分指示预测的该时间的用水信息。例如,预测矩阵的第一行为[0 2 0 7 1 8 2 0 0 0 0 0 0 0…],前两位表示年份,可以使用02加上2015得到2017,即该行向量对应的年份为2017年;第三位到第六位表示月份和日期,如“0 7 1 8”表示7月18日;第七位表示星期,如“2”表示星期二;第八位表示是否是节假日,第八位为1表示该时间为节假日,第八位为0表示该时间不为节假日;最后面的1440位表示各个时间段的用水情况,该1440位均为0,表示不存在用水行为。上述行向量[0 2 0 71 8 2 0 0 0 0 0 00…]对应的用水信息为“2017年7月18日,星期二,非节假日,不存在用水行为”。
又举例来说,预设预测模型也可以为全链接神经网络模型等等,本发明实施例不作唯一性限定。
可选地,上述预设预测模型还可以分为第一预设预测模型和第二预设预测模型,其中,第一预设预测模型为工作日对应的模型,第二预设预测模型可以为周六日即周末对应的模型。目标预测模型也可以分为第一目标预测模型和第二目标预测模型,其中,第一目标预测模型为与第一预设预测模型对应的模型,第二目标预测模型为与第二预设预测模型对应的模型。
具体地,可以利用工作日对应的用水记录对第一预设预测模型进行训练,得到第一目标预测模型;利用周六日对应的用水记录对第二预设预测模型进行训练,得到第二目标预测模型。可以理解的是,具体的训练方法可以参考前述实施例,这里不再赘述。其中,该工作日属于第一时间段,该周六日属于第二时间段。
实施本实施例,通过对预设预测模型进行训练,得到目标预测模型,从而使得目标预测模型预测地更加精确,更加符合用户的用水规律。
具体地,上述依据上述历史用水记录确定目标用水信息包括:
在第三时间段内依据上述历史用水记录确定目标用水信息。
可选地,该第三时间段可以为用户无任何用水行为的时间段,如3:00am-4:00am,在该时间段,加热处理装置功耗小,可有效减少加热处理装置地运行量,减少功耗损失。
103、依据上述目标用水信息生成控制指令后,保存上述控制指令,上述控制指令指示上述加热处理装置依据上述控制指令进行加热处理操作。
具体地,该目标用水信息中可以携带开始加热时间和结束加热时间;又或者携带开始加热信息和持续加热时间等等,本发明实施例对于目标用水信息中的具体信息不作限定。
可以理解的是,在生成控制指令后,也可以将该控制指令发送给服务器,从而使得服务器对加热处理装置进行控制。如将控制指令发给云端,云端将该控制指令进行存储,从而在达到控制指令所指示的时间后,云端向加热处理装置发给该控制指令。
实施本发明实施例,通过依据历史用水记录确定目标用水信息,从而生成加热处理装置可识别的控制指令,进而可有效智能地适应用户的用水规律,为用户提供更加智能化、自动化的服务,提高效率。
请参见图2,图2是本发明实施例提供的另一种加热处理方法的流程示意图,如图2所示,该加热处理方法可包括:
201、获取历史用水记录,上述历史用水记录为第一时间段内的用水记录;
202、依据上述历史用水记录确定目标用水信息,上述目标用水信息为加热处理装置预测的在目标时间段内的用水信息;上述目标用水信息包括第一时刻,上述第一时刻为预测的开始加热的时刻;上述目标用水信息还包括第三时刻,上述第三时刻为预测的结束加热的时间;
203、依据上述目标用水信息生成控制指令后,保存上述控制指令,上述控制指令指示上述加热处理装置依据上述控制指令进行加热处理操作;
204、获取第二时刻,上述第二时刻为用户确定的开始加热的时间;
具体地,第二时刻为用户手动的加热时间。
205、在上述第一时刻晚于上述第二时刻的情况下,若上述第一时刻与上述第二时刻的间隔小于第一时间间隔,则取消与上述控制指令对应的加热处理操作;
本发明实施例中,第一时间间隔可以为允许的误差时间,如该第一时间间隔可以为半个小时,也可以依据大数据分析后得到等,本发明实施例不作限定。在第一时刻与第二时刻的间隔小于第一时间间隔的情况下,取消与控制指令对应的加热处理操作,也就是说,用户手动进行加热后,加热处理装置所预测的自动加热处理操作可以取消,避免重复进行加热处理,而造成的能源浪费。
比如预测用户7:30am开始加热,但是真实用户7:00am开始加热。于是加热处理装置在7:00am进行加热处理操作,然后取消7:30am的加热处理操作。
具体地,若第一时刻早于第二时刻,且第一时刻与第二时刻的间隔小于第一时间间隔,则说明该热水处理装置预测的较为准确,可及时为用户提供热水。而若第一时刻与第二时刻的间隔大于第一时间间隔,则可能已经不属于同一个用水事件了。
可选地,本发明实施例还提供了一种启动快递加热模式的方法,上述方法还包括:
在执行加热处理操作的过程中,在接收到用水指令的情况下,检测上述加热处理装置当前加热的温度是否达到目标温度;
若未达到上述目标温度,且用水持续的时间达到预设时长,则启动快速加热模式。
本实施例中,目标温度可以为用户设置的温度,也可以为加热处理装置设置的温度等,具体地,用户可以设置自己觉得用水时最为舒适的温度作为目标温度。预设时长可以为5-30分钟,用水持续时间达到预设时长,表明用户需要用水时间较长,并非是短暂的用水,因此,可以启动快速加热模式进行水加热。使得用户可以更快地使用热水,提高加热处理装置进行水加热处理的效率。其中,预设时长还可以初始化设置为5-30分钟中的任意一个时长,随着用户用水记录的增多,加热处理装置还可以进行动态调整等。
具体地,快速加热模式可以为加热处理装置中的加热模式,如半胆加热模式等,本实施例不作具体限定。具体地,当前加热的温度指的是加热处理装置在接收到用水指令时的温度。
比如预测用户7:30am开始加热,如果用户8:00am开始洗澡了(即开始用水),但是还没有到达设置的温度,则加热处理装置可以启动半胆加热,从而更加符合用户的用水习惯,提高用户的满意度。
206、获取第四时刻,上述第四时刻为上述用户结束用水的时间;
207、在上述第三时刻晚于上述第四时刻的情况下,若上述第三时刻与上述第四时刻的间隔大于第二时间间隔,且小于第三时间间隔,则关闭加热处理操作。
本发明实施例对于第二时间间隔和第三时间间隔具体时间不作限定,如第二时间间隔可以为五分钟,第三时间间隔可以为半个小时等。通过设置第二时间间隔避免由于第四时刻与第三时刻的时间间隔相隔过短,而用户还需用水的情况出现,给用户一定的缓冲时间,设置第三时间间隔可以有效避免由于两个用水事件不是同一个事件的情况出现。通过设置有效地第二时间间隔和第三时间间隔可以使得在用户结束用水后,加热处理装置可以自动关闭加热处理操作,避免由于用户忘记关闭加热处理装置而造成的能源浪费。
如预测结束加热的时间为9:00am,但是用户8:50就结束不使用热水了,则加热处理装置可以在用户用完水之后自动关闭加热处理操作,从而减少加热处理装置的功耗损失,节约能量。
具体地,若第三时刻早于第四时刻,则说明预测出来的用水结束时间较早,而用户此时还在用水中,则加热处理装置可依据用户的用水需求,执行加热处理操作,动态地调整关闭加热处理装置的时间。
实施本发明实施例,一方面可以有效预测用户的用水信息,更加方便智能地为用户服务,提高用户满意度;另一方面,可以有效避免能源浪费,达到节能的效果。
请参见图3,图3是本发明实施例提供的一种加热处理方法的具体场景示意图,该加热处理方法可应用于热水器,该热水器可包括:数据预处理模块、工作日/周末判断模块、行为预测模块、决策引擎模块、动态调节模块;
其中,数据预处理模块可用于接收云端服务器的历史用水记录,并且进行数据清洗、特征处理、统计等操作,从而将历史用水记录整理成规范数据;也可以用于对存储模块中的历史用水记录进行处理等等。
工作日/周末判断模块,可用于判断日期属性;
预测模块,将输入的数据用以自身的训练、优化、升级,并且能产生下一天的用户行为预测结果;如可以利用强化学习、线性模型、非线性模型、线性神经网络、RNN、LSTM等方法来预测下一天的用户用水行为;
决策引擎模块,负责将预测结果进行编码转换成实际指令,并且协调预测模块和动态调节模块之间的优先顺序、冲突等关系;
动态调节模块,负责收集云端反馈过来的实时数据,然后动态调整预测结果的指令,提高系统的容差能力,为用户提供高质量的服务;如可以利用强化学习,固定逻辑,贝叶斯推理,HMM(Hidden Markov Model),EM(Expectation Maximization)等方法或其组合;
调度模型,数据传输的中转站,来协调系中各个模块数据交流的准确性,系统中其他的模型保持各自的独立,这样具有更好的封装性,扩展性和移植性;
存储模块,用于存储用户用水记录,如历史用水记录以及预测的用户用水行为等等。
基于上述热水器,如图3所示,该加热处理方法可包括:
301、调度模块会向下一代分布式消息系统(Apache Kafka,Kafka)框架发送N天的历史数据请求。其中N为大于0的整数,历史数据为N天的用户用水的相关记录数据;
302、kafka会向云端发送请求数据,请求N天的历史数据;云端将N天的历史数据发给kafka;
303、kafka把N天的历史数据发送给调度模块;
304、调度模块把N天的历史数据发送给数据预处理模块;
305、数据预处理模块将N天的历史数据进行处理后,如进行数据清洗和特征选择,然后返回处理后的数据如预测集数据给调度模块;
306、调度模块将预测集数据发送给工作日/周末判断模型,预测集数据被工作日/周末判断模块进行日期处理,如添上日期标签,因为工作日和周六日的洗澡时间可能会不一样,所以需要单独的建模处理周六日模型。
307、工作日/周末判断模型将进行日期处理后的训练集数据如标注数据返回给调度模块;
308、调度模块将标注数据发送给预测模块,预测模块进行预测,如预测用户未来24h的用水事件。可以理解的是,上述N天的历史数据为预测模块进行预测的数据(即前述实施例中的第一时间段的历史用水记录),本发明实施例中,还提供了一种训练的数据(即前述实施例中的第二时间段的历史用水记录),训练数据用来训练预测模块中的预测模型的各参数,同时参数需要一定时间更新(例如每一周跟新一次),预测模型进行预测处理的时间点可以控制在晚上3am-4am,因为在根据用户数据分析,这段时间用户一般都在睡眠,没有用热水事件。
309、预测模块将预测的用户未来24h的用水事件发送给调度模块;
310、调度模块把用户未来24h的用水事件传给决策引擎模块;
311、决策引擎模块将用户未来24h的用水事件对应生成加热命令,可以将该加热命令直接存储于存储模块,预测模块预测用户什么时候洗澡,洗多长时间,但是热水器需要的是什么时候开始加热和加热到多少度。决策引擎模块从洗澡时间和持续时间,倒推出加热时间和加热到多少度。从而可以保证用户洗澡后温度不少于某个温度(如40摄氏度,但不限于40摄氏度)。可选地决策引擎模块也可以返回加热命令给调度模块,使得调度模块把加热命令传给kafuka,然后传给云端,进行存储。从而使得云端对热水器进行控制,如到达预测的用户开始加热的时间点时,就可以给热水器的ID发送该加热命令。
实施本发明实施例,可以根据用户使用热水的习惯,让热水器什么时候开始加热,采取什么加热模式,加热到什么温度,什么时候关闭加热。无需用户手动的干扰,系统可以自动的学习用户的习惯,做出相应的处理。可以更好地提高用户的满意度以及达到节能效果,具有较高的容差能力。
上述详细阐述了本发明实施例的方法,下面提供了本发明实施例的装置。
请参见图4,图4是本发明实施例提供的一种加热处理装置的结构示意图,如图4所示,该加热处理装置可包括:
第一获取单元401,用于获取历史用水记录,上述历史用水记录为第一时间段内的用水记录;
确定单元402,用于依据上述历史用水记录确定目标用水信息,上述目标用水信息为加热处理装置预测的在目标时间段内的用水信息;
生成单元403,用于依据上述目标用水信息生成控制指令,上述控制指令指示上述加热处理装置依据上述控制指令进行加热处理操作;
保存单元404,用于保存上述控制指令。
实施本发明实施例,通过依据历史用水记录确定目标用水信息,从而生成加热处理装置可识别的控制指令,进而可有效智能地适应用户的用水规律,为用户提供更加智能化、自动化的服务,提高效率。
可选地,如图5所示,该加热处理装置还可包括:
训练单元405,用于利用第二时间段内的用水记录对预设预测模型进行训练,得到目标预测模型;
上述确定单元402,具体用于依据上述历史用水记录以及上述目标预测模型确定上述目标用水信息。
实施本实施例,通过对预设预测模型进行训练,得到目标预测模型,从而使得目标预测模型预测地更加精确,更加符合用户的用水规律。
可选地,上述目标用水信息包括第一时刻,上述第一时刻为预测的开始加热的时间;如图5所示,上述加热处理装置还包括:
第二获取单元406,用于获取第二时刻,上述第二时刻为用户确定的开始加热的时间;
取消单元407,用于在上述第一时刻晚于上述第二时刻的情况下,若上述第一时刻与上述第二时刻的间隔小于第一时间间隔,则取消与上述控制指令对应的加热处理操作。
上述加热处理装置还包括:
加热处理单元408,用于执行加热处理操作;
检测单元409,用于在执行加热处理操作的过程中,在接收到用水指令的情况下,检测上述加热处理装置当前加热的温度是否达到目标温度;
启动单元410,用于若未达到上述目标温度,且用水持续的时间达到预设时长,则启动快速加热模式。
上述目标用水信息还包括第三时刻,上述第三时刻为预测的结束加热的时间;上述加热处理装置还包括:
第三获取单元411,用于获取第四时刻,上述第四时刻为上述用户结束用水的时间;
关闭单元412,用于在上述第三时刻晚于上述第四时刻的情况下,若上述第三时刻与上述第四时刻的间隔大于第二时间间隔,且小于第三时间间隔,则关闭上述加热处理操作。
实施本实施例,一方面可以有效预测用户的用水信息,更加方便智能地为用户服务,提高用户满意度;另一方面,可以有效避免能源浪费,达到节能的效果。
上述确定单元402,具体用于在第三时间段内依据上述历史用水记录确定目标用水信息。
在一个可选的实现方式中,上述预设预测模型包括:线性神经网络模型、循环神经网络RNN模型和双长短时记忆LSTM模型中的至少一种。
在一个可选的实现方式中,上述加热处理装置还包括:
发送单元,用于将上述控制指令发送给服务器,上述控制指令指示上述服务器依据上述控制指令对上述加热处理装置进行加热控制。
需要说明的是,各个单元的实现还可以对应参照图1、图2以及图3所示的方法实施例的相应描述。
请参见图6,图6是本发明实施例提供的又一种加热处理装置的结构示意图,该加热处理装置包括处理器601、存储器602和收发器603,所述处理器601、存储器602和收发器603通过总线604相互连接。
存储器602包括但不限于是随机存储记忆体(英文:Random Access Memory,简称:RAM)、只读存储器(英文:Read-Only Memory,简称:ROM)、可擦除可编程只读存储器(英文:Erasable Programmable Read Only Memory,简称:EPROM)、或便携式只读存储器(英文:Compact Disc Read-Only Memory,简称:CD-ROM),该存储器602用于相关指令及数据。
收发器603可以包含接收器和发射器,其中接收器用于实现方法实施例中接收数据和/或信令的功能,发射器用于实现方法实施例中发送数据和/或信令的功能。
处理器601可以是一个或多个中央处理器(英文:Central Processing Unit,简称:CPU),在处理器601是一个CPU的情况下,该CPU可以是单核CPU,也可以是多核CPU。
该加热处理装置中的处理器601用于读取所述存储器602中存储的程序代码,执行以下操作:
获取历史用水记录,上述历史用水记录为第一时间段内的用水记录;
依据上述历史用水记录确定目标用水信息,上述目标用水信息为加热处理装置预测的在目标时间段内的用水信息;
依据上述目标用水信息生成控制指令后,保存上述控制指令,上述控制指令指示上述加热处理装置依据上述控制指令进行加热处理操作。
具体地,可以通过收发器603获取云端中存储的历史用水记录,也可以直接获取加热处理装置中存储器602中的历史用水记录等,本发明实施例对于历史用水记录所存储的具体位置不作限定。
可选地,该加热处理装置中的处理器601用于读取所述存储器602中存储的程序代码,还可以执行以下操作:
利用第二时间段内的用水记录对预设预测模型进行训练,得到目标预测模型;
具体地,上述处理器601依据上述历史用水记录确定目标用水信息的具体实现方式可以包括:
依据上述历史用水记录以及上述目标预测模型确定上述目标用水信息。
可选地,上述目标用水信息包括第一时刻,上述第一时刻为预测的开始加热的时间;该加热处理装置中的处理器601用于读取上述存储器602中存储的程序代码,还可以执行以下操作:
获取第二时刻,上述第二时刻为用户确定的开始加热的时间;
在上述第一时刻晚于上述第二时刻的情况下,若上述第一时刻与上述第二时刻的间隔小于第一时间间隔,则取消与上述控制指令对应的加热处理操作。
可选地,该加热处理装置中的处理器601用于读取上述存储器602中存储的程序代码,还可以执行以下操作:
在执行加热处理操作的过程中,在通过收发器603接收到用水指令的情况下,检测所述加热处理装置当前加热的温度是否达到目标温度;
若未达到所述目标温度,且用水持续的时间达到预设时长,则启动快速加热模式。
可选地,上述目标用水信息还包括第三时刻,上述第三时刻为预测的结束加热的时间;该加热处理装置中的处理器601用于读取上述存储器602中存储的程序代码,还可以执行以下操作:
获取第四时刻,上述第四时刻为上述用户结束用水的时间;
在上述第三时刻晚于上述第四时刻的情况下,若上述第三时刻与上述第四时刻的间隔大于第二时间间隔,且小于第三时间间隔,则关闭上述加热处理操作。
具体地,上述处理器601依据上述历史用水记录确定目标用水信息的具体实现方式可以包括:
在第三时间段内依据上述历史用水记录确定目标用水信息。
可选地,所述预设预测模型包括:线性神经网络模型、循环神经网络RNN模型和长短期记忆网络LSTM模型中的至少一种。
可选的,所述预设预测模型包括第一预设预测模型和第二预设预测模型,所述目标预测模型包括第一目标预测模型和第二目标预测模型;其中,所述第一预设预测模型为工作日的用水记录对应的模型,所述第二预设预测模型为周末的用水记录对应的模型,所述第一目标预测模型为所述第一预设预测模型对应的模型,所述第二目标预测模型为所述第二预设预测模型对应的模型。
可选的,该加热处理装置中的处理器601用于读取上述存储器602中存储的程序代码,还可以执行以下操作:
控制收发器603将上述控制指令发送给服务器,上述控制指令指示上述服务器依据上述控制指令对上述加热处理装置进行加热控制。
需要说明的是,各个操作的实现还可以对应参照图1、图2以及图3所示的方法实施例的相应描述。
在本发明的另一实施例中提供一种计算机可读存储介质,上述计算机可读存储介质存储有计算机程序,上述计算机程序被处理器执行时实现:获取历史用水记录,上述历史用水记录为第一时间段内的用水记录;依据上述历史用水记录确定目标用水信息,上述目标用水信息为加热处理装置预测的在目标时间段内的用水信息;依据上述目标用水信息生成控制指令后,保存上述控制指令,上述控制指令指示上述加热处理装置依据上述控制指令进行加热处理操作。
上述计算机可读存储介质可以是前述任一实施例上述的加热处理装置的内部存储单元,例如加热处理装置的硬盘或内存。上述计算机可读存储介质也可以是上述加热处理装置的外部存储设备,例如上述加热处理装置上配备的插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,上述计算机可读存储介质还可以既包括上述加热处理装置的内部存储单元也包括外部存储设备。上述计算机可读存储介质用于存储上述计算机程序以及上述加热处理装置所需的其他程序和数据。上述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,该流程可以由计算机程序来指令相关的硬件完成,该程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法实施例的流程。而前述的存储介质包括:ROM或随机存储记忆体RAM、磁碟或者光盘等各种可存储程序代码的介质。
Claims (13)
1.一种加热处理方法,其特征在于,包括:
获取历史用水记录,所述历史用水记录为第一时间段内的用水记录;
依据所述历史用水记录确定目标用水信息,所述目标用水信息为加热处理装置预测的在目标时间段内的用水信息;
依据所述目标用水信息生成控制指令后,保存所述控制指令,所述控制指令指示所述加热处理装置依据所述控制指令进行加热处理操作。
2.根据权利要求1所述的方法,其特征在于,所述获取历史用水记录之前,所述方法还包括:
利用第二时间段内的用水记录对预设预测模型进行训练,得到目标预测模型;
所述依据所述历史用水记录确定目标用水信息包括:
依据所述历史用水记录以及所述目标预测模型确定所述目标用水信息。
3.根据权利要求1或2所述的方法,其特征在于,所述目标用水信息包括第一时刻,所述第一时刻为预测的开始加热的时间;
所述依据所述历史用水记录确定目标用水信息之后,所述方法还包括:
获取第二时刻,所述第二时刻为用户确定的开始加热的时间;
在所述第一时刻晚于所述第二时刻的情况下,若所述第一时刻与所述第二时刻的间隔小于第一时间间隔,则取消与所述控制指令对应的加热处理操作。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
在执行加热处理操作的过程中,在接收到用水指令的情况下,检测所述加热处理装置当前加热的温度是否达到目标温度;
若未达到所述目标温度,且用水持续的时间达到预设时长,则启动快速加热模式。
5.根据权利要求4所述的方法,其特征在于,所述目标用水信息还包括第三时刻,所述第三时刻为预测的结束加热的时间;所述方法还包括:
获取第四时刻,所述第四时刻为所述用户结束用水的时间;
在所述第三时刻晚于所述第四时刻的情况下,若所述第三时刻与所述第四时刻的间隔大于第二时间间隔,且小于第三时间间隔,则关闭所述加热处理操作。
6.根据权利要求1所述的方法,其特征在于,所述依据所述历史用水记录确定目标用水信息包括:
在第三时间段内依据所述历史用水记录确定目标用水信息。
7.根据权利要求2所述的方法,其特征在于,所述预设预测模型包括:线性神经网络模型、循环神经网络RNN模型和长短期记忆网络LSTM模型中的至少一种。
8.一种加热处理装置,其特征在于,包括:第一获取单元,用于获取历史用水记录,所述历史用水记录为第一时间段内的用水记录;
确定单元,用于依据所述历史用水记录确定目标用水信息,所述目标用水信息为加热处理装置预测的在目标时间段内的用水信息;
生成单元,用于依据所述目标用水信息生成控制指令,所述控制指令指示所述加热处理装置依据所述控制指令进行加热处理操作;
保存单元,用于保存所述控制指令。
9.根据权利要求8所述的装置,其特征在于,所述加热处理装置还包括:
训练单元,用于利用第二时间段内的用水记录对预设预测模型进行训练,得到目标预测模型;
所述确定单元,具体用于依据所述历史用水记录以及所述目标预测模型确定所述目标用水信息。
10.根据权利要求8或9所述的装置,其特征在于,所述目标用水信息包括第一时刻,所述第一时刻为预测的开始加热的时间;所述加热处理装置还包括:
第二获取单元,用于获取第二时刻,所述第二时刻为用户确定的开始加热的时间;
取消单元,用于在所述第一时刻晚于所述第二时刻的情况下,若所述第一时刻与所述第二时刻的间隔小于第一时间间隔,则取消与所述控制指令对应的加热处理操作。
11.根据权利要求10所述的装置,其特征在于,所述加热处理装置还包括:
加热处理单元,用于执行加热处理操作;
检测单元,用于在执行加热处理操作的过程中,在接收到用水指令的情况下,检测所述加热处理装置当前加热的温度是否达到目标温度;
启动单元,用于若未达到所述目标温度,且用水持续的时间达到预设时长,则启动快速加热模式。
12.一种加热处理装置,其特征在于,包括:处理器、收发器和存储器,所述处理器、所述收发器和所述存储器相互连接,其中,所述存储器用于存储应用程序代码,所述处理器被配置用于调用所述程序代码,执行如权利要求1-7任一项所述的方法。
13.一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存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710913530.9A CN107655212B (zh) | 2017-09-29 | 2017-09-29 | 加热处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710913530.9A CN107655212B (zh) | 2017-09-29 | 2017-09-29 | 加热处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107655212A true CN107655212A (zh) | 2018-02-02 |
CN107655212B CN107655212B (zh) | 2020-12-15 |
Family
ID=61116106
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710913530.9A Active CN107655212B (zh) | 2017-09-29 | 2017-09-29 | 加热处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107655212B (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109028601A (zh) * | 2018-07-17 | 2018-12-18 | 广东万家乐燃气具有限公司 | 一种热水智能加热方法及装置 |
CN110553405A (zh) * | 2019-08-19 | 2019-12-10 | 广东万和热能科技有限公司 | 热水器的控制方法、装置、设备及存储介质 |
CN110598336A (zh) * | 2019-09-17 | 2019-12-20 | 美的集团股份有限公司 | 热水器用水量预测方法及装置、热水器及电子设备 |
CN111262893A (zh) * | 2018-11-30 | 2020-06-09 | 京东方科技集团股份有限公司 | 用于事件通知的方法、服务器设备、事件通知装置、介质 |
CN111474851A (zh) * | 2020-04-15 | 2020-07-31 | 深圳禄华科技有限公司 | 一种ptc加热智能调节控制的方法及装置 |
CN111623486A (zh) * | 2020-05-22 | 2020-09-04 | 海尔优家智能科技(北京)有限公司 | 开机时间的确定方法和装置、存储介质及电子装置 |
CN111781840A (zh) * | 2020-08-14 | 2020-10-16 | 哈尔滨商业大学 | 基于深度强化学习无模型自适应混水温度控制系统及方法 |
CN112446169A (zh) * | 2020-11-05 | 2021-03-05 | 美的集团股份有限公司 | 热水器用水量的预测方法、热水器以及存储介质 |
CN112833554A (zh) * | 2020-05-26 | 2021-05-25 | 青岛经济技术开发区海尔热水器有限公司 | 用水预测模型的建立方法、热水器及控制方法、存储介质 |
CN113487804A (zh) * | 2021-06-23 | 2021-10-08 | 深圳市顾客王科技有限公司 | 取餐柜的温度控制方法、取餐柜及计算机可读存储介质 |
CN113803888A (zh) * | 2021-09-15 | 2021-12-17 | 珠海格力电器股份有限公司 | 热水器的用水预测方法、装置、电子设备及存储介质 |
CN114087789A (zh) * | 2021-11-11 | 2022-02-25 | 珠海格力电器股份有限公司 | 热水器的用水预测方法、装置、电子设备及存储介质 |
CN114129059A (zh) * | 2021-12-20 | 2022-03-04 | 珠海格力电器股份有限公司 | 烧水的控制方法、智能家居、非易失性存储介质及处理器 |
CN114396728A (zh) * | 2021-12-29 | 2022-04-26 | 广东万和新电气股份有限公司 | 电热水器的加热控制方法和有效能耗预测模型的建立方法 |
CN114963552A (zh) * | 2021-06-30 | 2022-08-30 | 青岛经济技术开发区海尔热水器有限公司 | 热水器启动控制方法、装置、电子设备及存储介质 |
CN115013980A (zh) * | 2022-06-14 | 2022-09-06 | 珠海格力电器股份有限公司 | 用户用水时间的预测方法、装置、热水器及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101135471A (zh) * | 2007-09-29 | 2008-03-05 | 江苏天舒电器有限公司 | 热泵热水系统动态节能运行的预测与控制方法 |
JP2011133193A (ja) * | 2009-12-25 | 2011-07-07 | Mitsubishi Electric Corp | 給湯機 |
CN104566998A (zh) * | 2014-12-23 | 2015-04-29 | 广东万和电气有限公司 | 一种热水器的预约控制方法、服务器及系统 |
CN105135686A (zh) * | 2015-08-31 | 2015-12-09 | 小米科技有限责任公司 | 智能控制热水器的方法及装置 |
CN105423558A (zh) * | 2014-09-09 | 2016-03-23 | 芜湖美的厨卫电器制造有限公司 | 热水器和热水器系统以及热水器的控制方法 |
CN105725791A (zh) * | 2014-12-12 | 2016-07-06 | 佛山市顺德区美的饮水机制造有限公司 | 饮水机的控制方法、系统、服务器和饮水机 |
-
2017
- 2017-09-29 CN CN201710913530.9A patent/CN107655212B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101135471A (zh) * | 2007-09-29 | 2008-03-05 | 江苏天舒电器有限公司 | 热泵热水系统动态节能运行的预测与控制方法 |
JP2011133193A (ja) * | 2009-12-25 | 2011-07-07 | Mitsubishi Electric Corp | 給湯機 |
CN105423558A (zh) * | 2014-09-09 | 2016-03-23 | 芜湖美的厨卫电器制造有限公司 | 热水器和热水器系统以及热水器的控制方法 |
CN105725791A (zh) * | 2014-12-12 | 2016-07-06 | 佛山市顺德区美的饮水机制造有限公司 | 饮水机的控制方法、系统、服务器和饮水机 |
CN104566998A (zh) * | 2014-12-23 | 2015-04-29 | 广东万和电气有限公司 | 一种热水器的预约控制方法、服务器及系统 |
CN105135686A (zh) * | 2015-08-31 | 2015-12-09 | 小米科技有限责任公司 | 智能控制热水器的方法及装置 |
Non-Patent Citations (2)
Title |
---|
周建丁: "会思考的饮水机:基于时间序列分析节能30%+", 《CSDN技术社区-HTTPS://BLOG.CSDN.NET/HAPPYTOFLY/ARTICLE/DETAILS /80124417》 * |
高隽: "《人工神经网络与自然计算研究进展》", 31 October 2004 * |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109028601A (zh) * | 2018-07-17 | 2018-12-18 | 广东万家乐燃气具有限公司 | 一种热水智能加热方法及装置 |
CN111262893A (zh) * | 2018-11-30 | 2020-06-09 | 京东方科技集团股份有限公司 | 用于事件通知的方法、服务器设备、事件通知装置、介质 |
CN111262893B (zh) * | 2018-11-30 | 2022-11-18 | 京东方科技集团股份有限公司 | 用于事件通知的方法、服务器设备、事件通知装置、介质 |
CN110553405A (zh) * | 2019-08-19 | 2019-12-10 | 广东万和热能科技有限公司 | 热水器的控制方法、装置、设备及存储介质 |
CN110598336A (zh) * | 2019-09-17 | 2019-12-20 | 美的集团股份有限公司 | 热水器用水量预测方法及装置、热水器及电子设备 |
CN110598336B (zh) * | 2019-09-17 | 2021-08-31 | 美的集团股份有限公司 | 热水器用水量预测方法及装置、热水器及电子设备 |
CN111474851A (zh) * | 2020-04-15 | 2020-07-31 | 深圳禄华科技有限公司 | 一种ptc加热智能调节控制的方法及装置 |
CN111623486B (zh) * | 2020-05-22 | 2022-01-28 | 海尔优家智能科技(北京)有限公司 | 开机时间的确定方法和装置、存储介质及电子装置 |
CN111623486A (zh) * | 2020-05-22 | 2020-09-04 | 海尔优家智能科技(北京)有限公司 | 开机时间的确定方法和装置、存储介质及电子装置 |
CN112833554A (zh) * | 2020-05-26 | 2021-05-25 | 青岛经济技术开发区海尔热水器有限公司 | 用水预测模型的建立方法、热水器及控制方法、存储介质 |
CN111781840A (zh) * | 2020-08-14 | 2020-10-16 | 哈尔滨商业大学 | 基于深度强化学习无模型自适应混水温度控制系统及方法 |
CN111781840B (zh) * | 2020-08-14 | 2022-08-09 | 哈尔滨商业大学 | 基于深度强化学习无模型自适应混水温度控制系统及方法 |
CN112446169A (zh) * | 2020-11-05 | 2021-03-05 | 美的集团股份有限公司 | 热水器用水量的预测方法、热水器以及存储介质 |
CN112446169B (zh) * | 2020-11-05 | 2024-07-05 | 美的集团股份有限公司 | 热水器用水量的预测方法、热水器以及存储介质 |
CN113487804B (zh) * | 2021-06-23 | 2022-07-26 | 深圳市顾客王科技有限公司 | 取餐柜的温度控制方法、取餐柜及计算机可读存储介质 |
CN113487804A (zh) * | 2021-06-23 | 2021-10-08 | 深圳市顾客王科技有限公司 | 取餐柜的温度控制方法、取餐柜及计算机可读存储介质 |
CN114963552B (zh) * | 2021-06-30 | 2023-12-12 | 青岛经济技术开发区海尔热水器有限公司 | 热水器启动控制方法、装置、电子设备及存储介质 |
CN114963552A (zh) * | 2021-06-30 | 2022-08-30 | 青岛经济技术开发区海尔热水器有限公司 | 热水器启动控制方法、装置、电子设备及存储介质 |
CN113803888A (zh) * | 2021-09-15 | 2021-12-17 | 珠海格力电器股份有限公司 | 热水器的用水预测方法、装置、电子设备及存储介质 |
CN114087789B (zh) * | 2021-11-11 | 2023-03-10 | 珠海格力电器股份有限公司 | 热水器的用水预测方法、装置、电子设备及存储介质 |
CN114087789A (zh) * | 2021-11-11 | 2022-02-25 | 珠海格力电器股份有限公司 | 热水器的用水预测方法、装置、电子设备及存储介质 |
CN114129059A (zh) * | 2021-12-20 | 2022-03-04 | 珠海格力电器股份有限公司 | 烧水的控制方法、智能家居、非易失性存储介质及处理器 |
CN114396728A (zh) * | 2021-12-29 | 2022-04-26 | 广东万和新电气股份有限公司 | 电热水器的加热控制方法和有效能耗预测模型的建立方法 |
CN114396728B (zh) * | 2021-12-29 | 2024-03-15 | 广东万和新电气股份有限公司 | 电热水器的加热控制方法和有效能耗预测模型的建立方法 |
CN115013980A (zh) * | 2022-06-14 | 2022-09-06 | 珠海格力电器股份有限公司 | 用户用水时间的预测方法、装置、热水器及存储介质 |
CN115013980B (zh) * | 2022-06-14 | 2024-04-05 | 珠海格力电器股份有限公司 | 用户用水时间的预测方法、装置、热水器及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107655212B (zh) | 2020-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107655212A (zh) | 加热处理方法及装置 | |
CN106315319B (zh) | 一种电梯智能预调度方法及系统 | |
Clark | Restricted access to common-property fishery resources: a game-theoretic analysis | |
JP2019512757A (ja) | ニューラルネットワークアーキテクチャを用いた分配システムの制御のための方法、制御装置およびシステム | |
CN108332423B (zh) | 信息控制方法、服务器及计算机可读介质 | |
CN109522531A (zh) | 文案生成方法和装置、存储介质及电子装置 | |
CN108539738A (zh) | 一种基于梯度提升决策树的短期负荷预测方法 | |
CN104615107B (zh) | 利用公交卡进行智能家居设备控制的方法及智能控制系统 | |
CN111191769B (zh) | 自适应的神经网络训练与推理装置 | |
CN109726664A (zh) | 一种智能表盘推荐方法、系统、设备及存储介质 | |
CN108154258B (zh) | 空气源热泵负荷的预测方法、装置、存储介质和处理器 | |
CN110007613A (zh) | 用于储热式电暖器的用暖预测方法、系统及存储介质 | |
CN107726632A (zh) | 加热控制方法及服务器 | |
CN109188924A (zh) | 智能家居系统的用电控制方法及装置 | |
CN106682999A (zh) | 电力用户基线负荷计算方法及装置 | |
CN115375002A (zh) | 一种短期电力负荷预测方法、系统、存储介质及计算设备 | |
CN115314343A (zh) | 一种源荷储资源聚合控制网关装置及负荷和出力预测方法 | |
CN115333100A (zh) | 屋顶光伏发电功率协同控制方法及系统 | |
CN108062593A (zh) | 用水预测方法及预测装置 | |
CN113852657B (zh) | 一种基于边缘计算的智慧家庭本地控制方法及系统 | |
Wang et al. | Improving load forecasting performance via sample reweighting | |
CN107830641A (zh) | 加热处理方法及装置 | |
JP2021512421A5 (zh) | ||
CN108088087A (zh) | 一种设备控制方法、装置、电子设备及存储介质 | |
CN116451872A (zh) | 碳排放预测分布式模型训练方法、相关方法及装置 |
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 |