CN107918795A - 一种预测洗浴温度的方法及热水器 - Google Patents

一种预测洗浴温度的方法及热水器 Download PDF

Info

Publication number
CN107918795A
CN107918795A CN201610887272.7A CN201610887272A CN107918795A CN 107918795 A CN107918795 A CN 107918795A CN 201610887272 A CN201610887272 A CN 201610887272A CN 107918795 A CN107918795 A CN 107918795A
Authority
CN
China
Prior art keywords
water
neural network
layer
temperature
hidden layer
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.)
Pending
Application number
CN201610887272.7A
Other languages
English (en)
Inventor
王爽
陈小雷
张斌
李雪
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.)
Qingdao Economic and Technological Development Zone Haier Water Heater Co Ltd
Original Assignee
Qingdao Economic and Technological Development Zone Haier Water Heater 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 Qingdao Economic and Technological Development Zone Haier Water Heater Co Ltd filed Critical Qingdao Economic and Technological Development Zone Haier Water Heater Co Ltd
Priority to CN201610887272.7A priority Critical patent/CN107918795A/zh
Publication of CN107918795A publication Critical patent/CN107918795A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Control For Baths (AREA)

Abstract

本发明公开了一种预测洗浴温度的方法及热水器，其中，预测洗浴温度的方法的步骤包括：S1，获取热水器的水流量、进水温度和历史洗浴用水量；S2，将所述水流量、进水温度和历史洗浴用水量输入神经网络预测模型，经过神经网络预测模型处理得出目标温度值。通过上述技术方案，可以直接利用集成在控制器内部的神经网络预测模型，来确定出目标温度，以供热水器能够更加智能的根据该目标温度进行自动设定，这样根据用户的不同洗浴习惯，以及当前的水温和水流的状况，为用户提供最合适用户需求的目标温度，给用户的使用带来便利。

Description

一种预测洗浴温度的方法及热水器
技术领域
本发明属于家电领域，具体地说，涉及一种预测洗浴温度的方法及热水器。
背景技术
现有的电热水器显示屏上基本只能设置温度，用户根本就不了解自己的洗浴需多少水量，需加热到多少度，大多设置成最高温度而洗浴用水量又较少，造成了资源浪费，目前已有的方案较相近的是根据能量守恒定律公式Q＝CMΔt，去推算得到M混合水×T混合水＝(M混合水-M热水)×T冷水+M热水×T热水，可得到目标温度。
但在实际应用中，胆内的热水无法完全放出，必须有一个热水输出率的系数，系数的大小与机器的具体结构、自来水温度、洗浴流量大小、在洗浴过程中是否有能量补充(即机器是否重新加热或者3D功能是否开启)等等诸多因素有关，单纯靠物理方法去分析目标温度有很大的局限性，预测的随机性很大。
因此需要一种新的技术方案，能够利用神经网络来计算出最符合用户需要的目标温度值。
有鉴于此特提出本发明。
发明内容
本发明要解决的技术问题在于克服现有技术的不足，提供一种能够利用神经网络来计算出最符合用户需要的目标温度值的预测洗浴温度的方法及热水器。
为解决上述技术问题，本发明采用技术方案的基本构思是：
本发明的第一方面提出了一种预测洗浴温度的方法，用于热水器，步骤包括：
S1，获取热水器的水流量、进水温度和历史洗浴用水量；
S2，将所述水流量、进水温度和历史洗浴用水量输入神经网络预测模型，经过神经网络预测模型处理得出目标温度值。
优选地，所述神经网络预测模型为下列任一：BP神经网络、RBF神经网络、Hopfield神经网络。
优选地，当所述神经网络预测模型为BP神经网络时，在所述步骤S1之前还包括：
S0，建立BP神经网络模型，得到BP神经网络模型的相关参数，其中，所述相关参数包括：输入层到隐层的权值、输入层到隐层的阈值、隐层到输出层的权值、隐层到输出层的阈值。
优选地，所述步骤S0具体包括：
S01，在仿真软件中建立BP神经网络模型结构，并批量输入学习样本数据，及对输入量和输出量进行归一化处理；
S02，对BP神经网络中的最大训练次数、学习精度、隐节点数、初始权值、初始阈值、初始学习速率进行初始化；
S03，对BP神经网络中的各层输入值和输出值进行计算，训练次数加1；
S04，对BP神经网络中输出层误差E进行计算；
S05，判断所述输出层误差E是否小于预定差值，当判断结果为是，则进入步骤S07，当判断结果为否，则进入步骤S06；
S06，判断训练次数是否达到最大训练次数，当判断结果为是，则进入步骤S07，当判断结果为否，则修正初始权值和初始阈值并返回步骤S03；
S07，从BP神经网络中得出输入层到隐层的权值、输入层到隐层的阈值、隐层到输出层的权值、隐层到输出层的阈值。
优选地，所述步骤S1中历史洗浴用水量的获取步骤为：
S11，采集存储系统中近N次的用水量Q；
S12，从N次用水记录的用水量Q中选取最大值作为历史洗浴用水量Qmax。
优选地，所述步骤S11中存储系统存储的每次的用水量的具体步骤包括：
S111，当进水水流量大于预定流量阀值时，开始累积用水量Q；
S112，当进水结束后，停止累积用水量Q，并判断下次用水与该次用水间隔是否大于预定时间阈值，当判断结果为是，则进入步骤S113，当判断结果为否，则进入步骤S111；
S113，将累积的用水量Q以及用水时间存储在存储系统中。
优选地，所述步骤S111中累积用水量Q的具体步骤包括：
在积累用水量Q时，每2s采集一次初始用水量Qd，再将每次采集的初始用水量Qd累加得出用水量Q，其中，d为正整数。
优选地，所述步骤S2具体包括：
将所述输入层到隐层的权值、输入层到隐层的阈值、隐层到输出层的权值、隐层到输出层的阈值代入神经网络，形成神经网络预测模型，进而将所述水流量、进水温度和历史洗浴用水量输入神经网络预测模型后，能够得出目标温度值。
本发明的第二方面提出了一种热水器，使用上述第一方面所述的预测洗浴温度的方法，包括：
箱体、水流量传感器、进水温度传感器、存储系统、内胆温度传感器和控制器，在所述箱体上设有进水口和出水口，所述水流量传感器和进水温度传感器均设置在进水口检测进水口的水流量和进水温度，所述内胆温度传感器设置在所述箱体内部，所述控制器设置在箱体上，所述水流量传感器、进水温度传感器和存储系统和内胆温度传感器均与控制器相连；
控制器中存储有神经网络预测模型，能够将水流量、进水温度和存储系统中存储的历史洗浴用水量输入神经网络预测模型，经过神经网络预测模型处理得出目标温度值。
优选地，当水流量传感器检测到进水水流量大于预定流量阀值时，开始累积用水量，并且将用水时间间隔小于或等于预定时间阈值的两次或多次的用水量合并，并将最终得到的用水量以及用水时间存储在存储系统中。
采用上述技术方案后，本发明与现有技术相比具有以下有益效果。
通过上述技术方案，可以直接利用集成在控制器内部的神经网络预测模型，来确定出目标温度，以供热水器能够更加智能的根据该目标温度进行自动设定，这样根据用户的不同洗浴习惯，以及当前的水温和水流的状况，为用户提供最合适用户需求的目标温度，给用户的使用带来便利。
由于BP神经网络模型具有理论上能逼近任意非线性连续函数的能力，因而在非线性系统建模中得到广泛应用，BP神经网络模型必须经过大量的训练才能产生更接近真实值的效果，本发明能够输入大量的数据来训练BP神经网络模型，因此就可以直接根据训练好的BP神经网络模型来计算得出符合用户需要的目标温度。
本发明能够将用水间隔小于或等于预定时间阈值的用水情况进行累加，这样能够方便记录和存储，并且，这样能够节省存储空间，方便控制器的调取。
下面结合附图对本发明的具体实施方式作进一步详细的描述。
附图说明
附图作为本发明的一部分，用来提供对本发明的进一步的理解，本发明的示意性实施例及其说明用于解释本发明，但不构成对本发明的不当限定。显然，下面描述中的附图仅仅是一些实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。在附图中：
图1是本发明的BP神经网络模型的示意图；
图2是本发明的一个实施例的预测洗浴温度的方法的流程图；
图3是本发明的另一个实施例的预测洗浴温度的方法的流程图；
图4是本发明的实施例的S0的步骤展开示意图；
图5是本发明的实施例的S1的步骤展开示意图；
图6是本发明的实施例的S11的步骤展开示意图；
图7是本发明的实施例的热水器的结构示意图。
图7中：1箱体，2水流量传感器，3进水温度传感器，4内胆温度传感器，5控制器。
需要说明的是，这些附图和文字描述并不旨在以任何方式限制本发明的构思范围，而是通过参考特定实施例为本领域技术人员说明本发明的概念。
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，对实施例中的技术方案进行清楚、完整地描述，以下实施例用于说明本发明，但不用来限制本发明的范围。
在本发明的描述中，需要说明的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
神经网络的基本思想是从仿生学的角度对人脑的神经系统进行模拟，使机器具有类似人脑的感知、学习和推理等智能功能。
神经网络的好处在于：
(1)能够充分逼近任意复杂的非线性关系；
(2)能够自学习、自适应不确定性系统的动态特性；
(3)所有定量或定性的信息都分布储存于网络内的各个神经元，具有很强的鲁棒性和容错性；
(4)采用并行分布处理方法，使得快速进行大量运算成为可能。
如图1所示是BP神经网络，即多层前馈神经网络，由于它具有理论上能逼近任意非线性连续函数的能力因而在非线性系统建模中得到广泛应用。
图1中：xj表示输入层第j个节点的输入，j＝1,…,M；
wij表示隐含层第i个节点到输入层第j个节点之间的输入层到隐层的权值；
θi表示隐含层第i个节点的输入层到隐层的阈值；
φ和Ψ表示隐含层的激励函数；
wki表示输出层第k个节点到隐含层第i个节点之间的隐层到输出层的权值，i＝1,…,q；
ak表示输出层第k个节点的隐层到输出层的阈值，k＝1,…,L；
其中，M、q、L均是正整数。
实施例一
如图2所示，本实施例提出了一种预测洗浴温度的方法，用于热水器，步骤包括：
S1，获取热水器的水流量、进水温度和历史洗浴用水量；
S2，将所述水流量、进水温度和历史洗浴用水量输入神经网络预测模型，经过神经网络预测模型处理得出目标温度值。
在上述技术方案中，热水器会将近期用户用水情况记录在存储系统中，当热水器启动时，热水器的控制器就会将设置在热水器上的水流量传感器检测的热水器的水流量、温度传感器检测的进水温度和存储在存储系统中的历史洗浴用水量，三个值输入已经设置好的神经网络预测模型，这样，经过神经网络预测模型的计算就可以得出用户需要设定的目标温度，进而热水器自动设置成目标温度，无需用户自己设置，其中，该神经网络预测模型的算法集成在控制器中。
通过上述技术方案，可以直接利用集成在控制器内部的神经网络预测模型，来确定出目标温度，以供热水器能够更加智能的根据该目标温度进行自动设定，这样根据用户的不同洗浴习惯，以及当前的水温和水流的状况，为用户提供最合适用户需求的目标温度，给用户的使用带来便利。
优选地，所述神经网络预测模型为下列任一：BP神经网络、RBF神经网络、Hopfield神经网络。
实施例二
如图3所示，当所述神经网络预测模型为BP神经网络时，在实施例一的基础上增加了一个步骤S0，包括：
S0，建立BP神经网络模型，得到BP神经网络模型的相关参数，采用BP神经网络模型时，首先要对BP神经网络进行训练，即向建立的BP神经网络中输入大量的数据，对BP神经网络中的相关变量进行调整，并最终得出与真实值最接近的相关参数，包括：输入层到隐层的权值、输入层到隐层的阈值、隐层到输出层的权值、隐层到输出层的阈值。
由于BP神经网络模型具有理论上能逼近任意非线性连续函数的能力，因而在非线性系统建模中得到广泛应用，BP神经网络模型必须经过大量的训练才能产生更接近真实值的效果，本发明能够输入大量的数据来训练BP神经网络模型，因此就可以直接根据训练好的BP神经网络模型来计算得出符合用户需要的目标温度。
如图4所示，所述步骤S0具体包括：
S01，在仿真软件中建立BP神经网络模型结构，并批量输入学习样本数据，及对输入量和输出量进行归一化处理；
S02，对BP神经网络中的最大训练次数、学习精度、隐节点数、初始权值、初始阈值、初始学习速率进行初始化；
S03，对BP神经网络中的各层输入值和输出值进行计算，训练次数加1；
S04，对BP神经网络中输出层误差E进行计算；
S05，判断所述输出层误差E是否小于预定差值，当判断结果为是，则进入步骤S07，当判断结果为否，则进入步骤S06；
S06，判断训练次数是否达到最大训练次数，当判断结果为是，则进入步骤S07，当判断结果为否，则修正初始权值和初始阈值并返回步骤S03；
S07，从BP神经网络中得出输入层到隐层的权值、输入层到隐层的阈值、隐层到输出层的权值、隐层到输出层的阈值。
在上述技术方案中，其中，仿真软件为MATLAB仿真软件，对于容量确定的储水式热水器而言，用户用水热量(用等效洗浴水量表示，其中，等效洗浴水量为用水热量转换为温度为40℃洗浴用水的水量)主要受到用水量、进水温度及内胆温度的影响，而热水器的加热时间与加热功率、能量转换率、内胆当前的温度等数据相关，从使用时间，进水温度和等效洗浴水量的角度去预测预加热时间和加热温度是一个非常复杂的非线性运算过程，容易受到多种因素的干扰，因此本发明采用学习能力强，非线性好的神经网络，神经网络是对非线性系统进行辨识的最有效的途径之一，非常适合确定目标温度。
在确定使用BP神经网络之后，首先整理输入输出的数据集(即，批量输入的学习样本数据，及对输入量和输出量进行归一化处理，其中学习样本数据就是输入用于BP神经网络学习的关于热水器的一些数据，例如，水流量、进水温度、出水温度、设置温度、加热时间等等，让BP神经网络能够根据这些数据进行学习，并针对输出的温度值与真实的温度值进行比对、矫正)，然后在MATLAB仿真软件中，建立神经网络模型结构，设定相应的最大训练次数、学习精度、隐节点数、初始权值、初始阈值、初始学习速率，经过BP神经网络的多次训练，最终得出四个重要的参数：输入层到隐层的权值、输入层到隐层的阈值、隐层到输出层的权值、隐层到输出层的阈值，此时BP神经网络就学习完毕。
这样，就可以将这四个参数输入BP神经网络中得到BP神经网络模型，BP神经网络模型有三个输入值，分别是热水器的水流量、进水温度和历史洗浴用水量，一个输出值是目标温度，进而得到最符合用户洗浴习惯的目标温度。
如图5所示，实施例一和实施例二中，所述步骤S1中历史洗浴用水量的获取步骤为：
S11，采集存储系统中近N次的用水量Q；
S12，从N次用水记录的用水量Q中选取最大值作为历史洗浴用水量Qmax。
在上述技术方案中，从用户N次用水选出用水量最大的为历史洗浴用水量Qmax，并且该历史洗浴用水量Qmax会每天更新，(例如，获取距离当天最近的5天用水记录，并取这5天用水记录中的最大值，且5天历史数据会实时更新)，为了能够满足用户的需求，需要选取用水量最大的数据进行处理。
如图6所示，所述步骤S11中存储系统存储的每次的用水量的具体步骤包括：
S111，当进水水流量大于预定流量阀值时，开始累积用水量Q；
S112，当进水结束后，停止累积用水量Q，并判断下次用水与该次用水间隔是否大于预定时间阈值，当判断结果为是，则进入步骤S113，当判断结果为否，则进入步骤S111；
S113，将累积的用水量Q以及用水时间存储在存储系统中。
在上述技术方案中，预定流量阀值为2L/min，预定时间阈值为15分钟，并且该值可以根据实际需要进行相应的调节，本发明能够将用水间隔小于或等于15分钟(即预定时间阈值)的用水情况进行累加，这样能够方便记录和存储，并且，这样能够节省存储空间，方便控制器的调取。
优选地，所述步骤S111中累积用水量Q的具体步骤包括：
在积累用水量Q时，每2s采集一次初始用水量Qd，再将每次采集的初始用水量Qd累加得出用水量Q，其中，d为正整数。
在上述技术方案中，其中Qd为用水热量转换为温度为40℃洗浴用水的水量，计算方法为Qd＝ΔVd*(Td-Tcold)/(40-Tcold)，其中，Vd是第d次的用水体积(L)，Td是检测的热水温度(℃)，Tcold是冷水进水温度(℃)。
优选地，所述步骤S2具体包括：
将所述输入层到隐层的权值、输入层到隐层的阈值、隐层到输出层的权值、隐层到输出层的阈值代入神经网络，形成神经网络预测模型，进而将所述水流量、进水温度和历史洗浴用水量输入神经网络预测模型后，能够得出目标温度值。
最后，经过上述处理能够得出输入层到隐层的权值、输入层到隐层的阈值、隐层到输出层的权值、隐层到输出层的阈值，然后将这四个参数代入BP神经网络，这样将水流量、进水温度和历史洗浴用水量输入该BP神经网络模型后，就可以直接输出最符合用户洗浴习惯的目标温度，进而热水器直接根据该温度设定水温，增加了热水器的智能化，并且防止了资源浪费。
实施例三
如图7所示，本发明的实施例提出了一种热水器，使用上述实施例一所述的预测洗浴温度的方法，包括：
箱体1、水流量传感器2、进水温度传感器3、存储系统(图中未示出)、内胆温度传感器4和控制器5，在所述箱体1上设有进水口和出水口，所述水流量传感器2和进水温度传感器3均设置在进水口检测进水口的水流量和进水温度，所述内胆温度传感器4设置在所述箱体1内部，所述控制器5设置在箱体1上，所述水流量传感器2、进水温度传感器3和存储系统和内胆温度传感器4均与控制器5相连；
控制器5中存储有神经网络预测模型，能够将水流量、进水温度和存储系统中存储的历史洗浴用水量输入神经网络预测模型，经过神经网络预测模型处理得出目标温度值。
优选地，当水流量传感器2检测到进水水流量大于预定流量阀值时，开始累积用水量，并且将用水时间间隔小于或等于预定时间阈值的两次或多次的用水量合并，并将最终得到的用水量以及用水时间存储在存储系统中。
以上所述仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专利的技术人员在不脱离本发明技术方案范围内，当可利用上述提示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明方案的范围内。

Claims (10)

1.一种预测洗浴温度的方法，用于热水器，其特征在于，步骤包括：
S1，获取热水器的水流量、进水温度和历史洗浴用水量；
S2，将所述水流量、进水温度和历史洗浴用水量输入神经网络预测模型，经过神经网络预测模型处理得出目标温度值。
2.根据权利要求1所述的预测洗浴温度的方法，其特征在于，所述神经网络预测模型为下列任一：BP神经网络、RBF神经网络、Hopfield神经网络。
3.根据权利要求2所述的预测洗浴温度的方法，其特征在于，当所述神经网络预测模型为BP神经网络时，在所述步骤S1之前还包括：
S0，建立BP神经网络模型，得到BP神经网络模型的相关参数，其中，所述相关参数包括：输入层到隐层的权值、输入层到隐层的阈值、隐层到输出层的权值、隐层到输出层的阈值。
4.根据权利要求3所述的预测洗浴温度的方法，其特征在于，所述步骤S0具体包括：
S01，在仿真软件中建立BP神经网络模型结构，并批量输入学习样本数据，及对输入量和输出量进行归一化处理；
S02，对BP神经网络中的最大训练次数、学习精度、隐节点数、初始权值、初始阈值、初始学习速率进行初始化；
S03，对BP神经网络中的各层输入值和输出值进行计算，训练次数加1；
S04，对BP神经网络中输出层误差E进行计算；
S05，判断所述输出层误差E是否小于预定差值，当判断结果为是，则进入步骤S07，当判断结果为否，则进入步骤S06；
S06，判断训练次数是否达到最大训练次数，当判断结果为是，则进入步骤S07，当判断结果为否，则修正初始权值和初始阈值并返回步骤S03；
S07，从BP神经网络中得出输入层到隐层的权值、输入层到隐层的阈值、隐层到输出层的权值、隐层到输出层的阈值。
5.根据权利要求1所述的预测洗浴温度的方法，其特征在于，所述步骤S1中历史洗浴用水量的获取步骤为：
S11，采集存储系统中近N次的用水量Q；
S12，从N次用水记录的用水量Q中选取最大值作为历史洗浴用水量Qmax。
6.根据权利要求5所述的预测洗浴温度的方法，其特征在于，所述步骤S11中存储系统存储的每次的用水量的具体步骤包括：
S111，当进水水流量大于预定流量阀值时，开始累积用水量Q；
S112，当进水结束后，停止累积用水量Q，并判断下次用水与该次用水间隔是否大于预定时间阈值，当判断结果为是，则进入步骤S113，当判断结果为否，则进入步骤S111；
S113，将累积的用水量Q以及用水时间存储在存储系统中。
7.根据权利要求6所述的预测洗浴温度的方法，其特征在于，所述步骤S111中累积用水量Q的具体步骤包括：
在积累用水量Q时，每2s采集一次初始用水量Qd，再将每次采集的初始用水量Qd累加得出用水量Q，其中，d为正整数。
8.根据权利要求3或4所述的预测洗浴温度的方法，其特征在于，所述步骤S2具体包括：
将所述输入层到隐层的权值、输入层到隐层的阈值、隐层到输出层的权值、隐层到输出层的阈值代入神经网络，形成神经网络预测模型，进而将所述水流量、进水温度和历史洗浴用水量输入神经网络预测模型后，能够得出目标温度值。
9.一种热水器，使用上述1-8任一项所述的预测洗浴温度的方法，其特征在于，包括：
箱体、水流量传感器、进水温度传感器、存储系统、内胆温度传感器和控制器，在所述箱体上设有进水口和出水口，所述水流量传感器和进水温度传感器均设置在进水口检测进水口的水流量和进水温度，所述内胆温度传感器设置在所述箱体内部，所述控制器设置在箱体上，所述水流量传感器、进水温度传感器和存储系统和内胆温度传感器均与控制器相连；
控制器中存储有神经网络预测模型，能够将水流量、进水温度和存储系统中存储的历史洗浴用水量输入神经网络预测模型，经过神经网络预测模型处理得出目标温度值。
10.根据权利要求9所述的热水器，其特征在于，当水流量传感器检测到进水水流量大于预定流量阀值时，开始累积用水量，并且将用水时间间隔小于或等于预定时间阈值的两次或多次的用水量合并，并将最终得到的用水量以及用水时间存储在存储系统中。
CN201610887272.7A 2016-10-11 2016-10-11 一种预测洗浴温度的方法及热水器 Pending CN107918795A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610887272.7A CN107918795A (zh) 2016-10-11 2016-10-11 一种预测洗浴温度的方法及热水器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610887272.7A CN107918795A (zh) 2016-10-11 2016-10-11 一种预测洗浴温度的方法及热水器

Publications (1)

Publication Number Publication Date
CN107918795A true CN107918795A (zh) 2018-04-17

Family

ID=61892681

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610887272.7A Pending CN107918795A (zh) 2016-10-11 2016-10-11 一种预测洗浴温度的方法及热水器

Country Status (1)

Country Link
CN (1) CN107918795A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110398063A (zh) * 2019-07-05 2019-11-01 芜湖美的厨卫电器制造有限公司 热水器及其控制方法和计算机可读存储介质
CN110530035A (zh) * 2019-09-17 2019-12-03 美的集团股份有限公司 热水器自动控制方法及装置、热水器及电子设备
CN110560278A (zh) * 2019-09-03 2019-12-13 武汉理工大学 浴室喷头智能预设方法及系统
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
CN110686409A (zh) * 2019-08-19 2020-01-14 珠海格力电器股份有限公司 一种热水器及其洗浴控制方法和系统
CN110793208A (zh) * 2018-08-01 2020-02-14 珠海格力电器股份有限公司 热水器的配置参数确定方法及装置
CN110887240A (zh) * 2019-12-03 2020-03-17 美的集团股份有限公司 热水器温度控制方法及装置、热水器及电子设备
CN110953721A (zh) * 2018-09-27 2020-04-03 珠海格力电器股份有限公司 热水器的控制方法及装置、热水器
CN110991880A (zh) * 2019-12-03 2020-04-10 任杉元 基于大数据的家用电力审计系统及方法
CN112963966A (zh) * 2021-03-05 2021-06-15 华帝股份有限公司 一种热水器的控制方法
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

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150276265A1 (en) * 2014-03-31 2015-10-01 Shahram Davari Intelligent water heater controller
CN105020898A (zh) * 2014-04-30 2015-11-04 青岛经济技术开发区海尔热水器有限公司 一种带热水巡航功能的热水器及自动设定加热温度的方法
CN105115164A (zh) * 2015-09-02 2015-12-02 芜湖美的厨卫电器制造有限公司 用户用水洗浴行为习惯的分析方法、装置和系统
CN105673908A (zh) * 2016-03-10 2016-06-15 浙江大学 基于神经网络和单片机的智能节水水龙头

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150276265A1 (en) * 2014-03-31 2015-10-01 Shahram Davari Intelligent water heater controller
CN105020898A (zh) * 2014-04-30 2015-11-04 青岛经济技术开发区海尔热水器有限公司 一种带热水巡航功能的热水器及自动设定加热温度的方法
CN105115164A (zh) * 2015-09-02 2015-12-02 芜湖美的厨卫电器制造有限公司 用户用水洗浴行为习惯的分析方法、装置和系统
CN105673908A (zh) * 2016-03-10 2016-06-15 浙江大学 基于神经网络和单片机的智能节水水龙头

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
丛爽: "《面向MATLAB工具箱的神经网络理论与应用》", 30 November 1998 *

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110793208A (zh) * 2018-08-01 2020-02-14 珠海格力电器股份有限公司 热水器的配置参数确定方法及装置
CN110953721A (zh) * 2018-09-27 2020-04-03 珠海格力电器股份有限公司 热水器的控制方法及装置、热水器
CN110398063A (zh) * 2019-07-05 2019-11-01 芜湖美的厨卫电器制造有限公司 热水器及其控制方法和计算机可读存储介质
CN110686409A (zh) * 2019-08-19 2020-01-14 珠海格力电器股份有限公司 一种热水器及其洗浴控制方法和系统
CN110560278A (zh) * 2019-09-03 2019-12-13 武汉理工大学 浴室喷头智能预设方法及系统
WO2021051715A1 (zh) * 2019-09-17 2021-03-25 美的集团股份有限公司 热水器自动控制方法及装置、热水器及电子设备
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
CN110530035B (zh) * 2019-09-17 2020-10-02 美的集团股份有限公司 热水器自动控制方法及装置、热水器及电子设备
CN112524806A (zh) * 2019-09-17 2021-03-19 美的集团股份有限公司 热水器控制方法及装置、热水器及电子设备
CN110530035A (zh) * 2019-09-17 2019-12-03 美的集团股份有限公司 热水器自动控制方法及装置、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
CN112524806B (zh) * 2019-09-17 2021-12-17 美的集团股份有限公司 热水器控制方法及装置、热水器及电子设备
CN110887240A (zh) * 2019-12-03 2020-03-17 美的集团股份有限公司 热水器温度控制方法及装置、热水器及电子设备
CN110991880A (zh) * 2019-12-03 2020-04-10 任杉元 基于大数据的家用电力审计系统及方法
CN110991880B (zh) * 2019-12-03 2020-12-01 乐清市风杰电子科技有限公司 基于大数据的家用电力审计系统及方法
CN112963966A (zh) * 2021-03-05 2021-06-15 华帝股份有限公司 一种热水器的控制方法
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

Similar Documents

Publication Publication Date Title
CN107918795A (zh) 一种预测洗浴温度的方法及热水器
CN107422272A (zh) 一种电动汽车动力电池soc智能化检测装置
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
Ruelens et al. Direct load control of thermostatically controlled loads based on sparse observations using deep reinforcement learning
CN103628275A (zh) 基于神经网络模糊控制器的智能洗衣机
CN106352542A (zh) 一种储水式电热水器剩余洗浴时间的预测方法
CN106225246A (zh) 空气能热水器及其加热控制方法和装置
KR102194002B1 (ko) 최적 물리 학습모델과 기계학습을 이용한 에너지 운영관리 시스템
CN108536030A (zh) 一种基于anfis算法的智能家居系统及其工作方法
CN107917535A (zh) 一种预测洗浴习惯的方法及热水器
WO2019006995A1 (zh) 一种电动汽车动力电池soc智能化预测系统
CN108954839A (zh) 一种热水器的控制方法及热水器
CN108931060A (zh) 一种基于云计算的智能热水器节能方法
Cheng et al. Energy efficient thermal comfort control for cyber-physical home system
CN117039981A (zh) 一种面向含新能源的大规模电网优化调度方法、装置、存储介质
CN111898856A (zh) 基于极限学习机的物理-数据融合楼宇的分析方法
Wei et al. Deep reinforcement learning for real-time energy management in smart home
CN110793164A (zh) 除湿机的配置参数确定方法及装置
WO2022270496A1 (en) Acquiring a user consumption pattern of domestic hot water and controlling domestic hot water production based thereon
de Oliveira et al. Dynamic online optimization of a house heating system in a fluctuating energy price scenario
CN106245281A (zh) 一种洗衣机控制系统及其控制方法
WO2021124997A1 (en) Monitoring and controlling domestic hot water production and distribution
JP2013130322A (ja) 給湯システム
Li et al. Thermal comfort control based on MEC algorithm for HVAC systems
JP2005055102A (ja) 機器コントロール装置

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20180417

RJ01 Rejection of invention patent application after publication