CN110598336B - 热水器用水量预测方法及装置、热水器及电子设备 - Google Patents

热水器用水量预测方法及装置、热水器及电子设备 Download PDF

Info

Publication number
CN110598336B
CN110598336B CN201910876189.3A CN201910876189A CN110598336B CN 110598336 B CN110598336 B CN 110598336B CN 201910876189 A CN201910876189 A CN 201910876189A CN 110598336 B CN110598336 B CN 110598336B
Authority
CN
China
Prior art keywords
water
water consumption
training
event
information corresponding
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
CN201910876189.3A
Other languages
English (en)
Other versions
CN110598336A (zh
Inventor
徐立洋
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.)
Midea Group Co Ltd
Original Assignee
Midea Group 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 Midea Group Co Ltd filed Critical Midea Group Co Ltd
Priority to CN201910876189.3A priority Critical patent/CN110598336B/zh
Publication of CN110598336A publication Critical patent/CN110598336A/zh
Application granted granted Critical
Publication of CN110598336B publication Critical patent/CN110598336B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Heat-Pump Type And Storage Water Heaters (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例提供了一种热水器用水量预测方法及装置、热水器及电子设备，本发明实施例根据实际用水事件对应的水温变化信息和用水时长信息采用基于机器学习的用水量预测模型即可预测与实际用水事件对应的用水量信息，从而无需要求热水器中必须安装有能够测量水流量的传感器件。因此，本发明实施例提供的热水器用水量预测方法，可用于未安装有水流量传感器或有其他水流量测量器件的热水器的用水量信息的获取，从而便于这些热水器升级一些基于用水量信息的新功能。

Description

热水器用水量预测方法及装置、热水器及电子设备
技术领域
本发明涉及智能控制技术领域，具体涉及一种热水器用水量预测方法及装置、热水器及电子设备。
背景技术
目前，热水器用水量的获取方式一般是利用安装在热水器内部的水流量传感器采集用水过程中的水流量，然后将采集到的水流量与用水时长相乘后获取热水器用水量。
然而，上面提到的热水器用水量的获取方式存在如下问题：
当热水器内部没有安装水流量传感器时，将无法获取热水器的用水量。例如，对于一些老款热水器，由于其内部没有安装水流量传感器，因此，无法利用上面所述的方式获取热水器的用水量。
发明内容
针对现有技术中的问题，本发明实施例提供一种热水器用水量预测方法及装置、热水器及电子设备。
为解决上述技术问题，本发明实施例提供以下技术方案：
第一方面，本发明实施例提供了一种热水器用水量预测方法，包括：
获取实际用水事件对应的水温变化信息和用水时长信息；
将所述实际用水事件对应的水温变化信息和用水时长信息输入预置的用水量预测模型中，输出与所述实际用水事件对应的用水量信息；
其中，所述用水量预测模型为预先采用训练用水事件对应的水温变化信息和用水时长信息作为样本输入数据，以所述训练用水事件对应的用水量信息作为样本输出数据，基于机器学习算法进行训练得到的。
进一步地，在所述将所述实际用水事件对应的水温变化信息和用水时长信息输入预置的用水量预测模型中，输出与所述实际用水事件对应的用水量信息之前，所述热水器用水量预测方法还包括：建立所述用水量预测模型；
其中，所述建立所述用水量预测模型，包括：
构建预设数量的训练用水事件，将训练用水事件对应的水温变化信息和用水时长信息作为样本输入数据，将训练用水事件对应的用水量信息作为样本输出数据，基于机器学习算法进行模型训练，获得所述用水量预测模型。
进一步地，所述构建预设数量的训练用水事件，将训练用水事件对应的水温变化信息和用水时长信息作为样本输入数据，将训练用水事件对应的用水量信息作为样本输出数据，基于机器学习算法进行模型训练，获得所述用水量预测模型，包括：
构建预设数量的训练用水事件；
将预设数量的训练用水事件分为训练集和测试集；
将训练集中的训练用水事件对应的水温变化信息和用水时长信息作为样本输入数据，将训练集中的训练用水事件对应的用水量信息作为样本输出数据，基于机器学习算法进行模型训练，获得初步用水量预测模型；
利用测试集中的训练用水事件对应的水温变化信息、用水时长信息和用水量信息对所述初步用水量预测模型进行测试，并根据测试结果调整所述初步用水量预测模型直至预测结果满足预设准确度条件后获得所述用水量预测模型。
进一步地，所述的热水器用水量预测方法，还包括：
获取实际用水事件对应的用水时段信息；
相应地，将所述实际用水事件对应的用水时段信息、水温变化信息和用水时长信息输入预置的用水量预测模型中，输出与所述实际用水事件对应的用水量信息；
相应地，所述用水量预测模型为预先采用训练用水事件对应的用水时段数据、水温变化信息和用水时长信息作为样本输入数据，以所述训练用水事件对应的用水量信息作为样本输出数据，基于机器学习算法进行训练得到的。
进一步地，所述的热水器用水量预测方法，还包括：
获取实际用水事件对应的地理位置信息、月份信息和气温信息中的一种或多种信息；
相应地，将所述实际用水事件对应的地理位置信息、月份信息和气温信息中的一种或多种信息、水温变化信息和用水时长信息输入预置的用水量预测模型中，输出与所述实际用水事件对应的用水量信息；
相应地，所述用水量预测模型为预先采用训练用水事件对应的地理位置数据、月份数据和气温数据中的一种或多种数据、水温变化信息和用水时长信息作为样本输入数据，以所述训练用水事件对应的用水量信息作为样本输出数据，基于机器学习算法进行训练得到的。
进一步地，所述与所述实际用水事件对应的用水量信息为标准温度用水量信息；
其中，所述标准温度用水量为将不同温度状况下对应的用水量转换为标准温度状况下对应的用水量；
相应地，所述用水量预测模型为预先采用训练用水事件对应的水温变化信息和用水时长信息作为样本输入数据，以所述训练用水事件对应的标准温度用水量信息作为样本输出数据，基于机器学习算法进行训练得到的。
进一步地，所述热水器用水量预测方法，还包括：建立所述用水量预测模型；
其中，所述建立所述用水量预测模型，包括：
构建预设数量的训练用水事件，并确定训练用水事件对应的标准温度用水量信息；
将训练用水事件对应的水温变化信息和用水时长信息作为样本输入数据，将训练用水事件对应的标准温度用水量信息作为样本输出数据，基于机器学习算法进行模型训练，获得所述用水量预测模型。
进一步地，所述确定训练用水事件对应的标准温度用水量信息，包括：
根据训练用水事件对应的实际用水量、进水温度、胆内温度和预设标准温度，利用预设标准温度用水量模型，确定训练用水事件对应的标准温度用水量信息；
其中，所述预设标准温度用水量模型为表征不同胆内温度和进水温度下的实际用水量与标准温度用水量之间对应关系的模型。
进一步地，所述预设标准温度用水量模型为：
Figure BDA0002204434730000041
其中，Q1表示训练用水事件对应的标准温度用水量，Q0表示训练用水事件对应的实际用水量，T1表示胆内温度，T0表示预设标准温度，T2表示进水温度。
第二方面，本发明实施例还提供了一种热水器用水量预测装置，包括：
获取模块，用于获取实际用水事件对应的水温变化信息和用水时长信息；
预测模块，用于将所述实际用水事件对应的水温变化信息和用水时长信息输入预置的用水量预测模型中，输出与所述实际用水事件对应的用水量信息；
其中，所述用水量预测模型为预先采用训练用水事件对应的水温变化信息和用水时长信息作为样本输入数据，以所述训练用水事件对应的用水量信息作为样本输出数据，基于机器学习算法进行训练得到的。
第三方面，本发明实施例还提供了一种热水器，包括如第二方面所述的热水器用水量预测装置。
第四方面，本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所述热水器用水量预测方法的步骤。
第五方面，本发明实施例还提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所述热水器用水量预测方法的步骤。
由上述技术方案可知，本发明实施例提供的热水器用水量预测方法及装置、热水器及电子设备，根据实际用水事件对应的水温变化信息和用水时长信息采用基于机器学习的用水量预测模型即可预测与实际用水事件对应的用水量信息，从而无需要求热水器中必须安装有能够测量水流量的传感器件。因此，本发明实施例提供的热水器用水量预测方法，可用于未安装有水流量传感器或有其他水流量测量器件的热水器的用水量信息的获取，从而便于这些热水器升级一些基于用水量信息的新功能。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，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的附图。
图1是本发明一实施例提供的热水器用水量预测方法的流程图；
图2是本发明一实施例提供的用水量预测模型训练过程示意图；
图3是本发明一实施例提供的CNN模型示意图；
图4是本发明一实施例提供的热水器用水量预测装置的结构示意图；
图5是本发明一实施例提供的电子设备的结构示意图。
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、完整的描述，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作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。
图1示出了本发明一实施例提供的热水器用水量预测方法的流程图，参见图1，本发明实施例提供的热水器用水量预测方法，包括：
步骤101：获取实际用水事件对应的水温变化信息和用水时长信息。
在本步骤中，实际用水事件对应的水温变化信息可以指实际用水事件对应的开始温度和结束温度。当然，本实施例对此不作限定，根据需要还可以指实际用水事件对应的开始温度、用水事件中间时间点对应的温度和结束温度。假设实际用水事件对应的时间为4:00-4:20，则这里的用水事件中间时间点就是指4:10。此外，实际用水事件对应的水温变化信息还可以包括除开始温度和结束温度以外的其他更多的中间温度值，本实施例对此不再一一举例。此外，实际用水事件对应的水温变化信息还可以指用水事件前后对应的水温变化差值。
在本步骤中，可以根据热水器连续两条上报的状态数据构建一次实际用水事件，第一条状态数据为开始状态数据，第二条状态数据为结束状态数据。其中，开始状态数据对应有一个开始温度信息和开始时间信息，结束状态数据对应有一个结束温度信息和结束时间信息。其中，根据开始温度信息和结束温度信息可以获知该次实际用水事件对应的水温变化信息。而根据结束时间信息和开始时间信息可以获知该次实际用水事件对应的用水时长信息。例如，可以根据张三晚上睡觉前的一次洗澡行为构建一次实际用水事件。
步骤102：将所述实际用水事件对应的水温变化信息和用水时长信息输入预置的用水量预测模型中，输出与所述实际用水事件对应的用水量信息；
在本步骤中，所述用水量预测模型为预先采用训练用水事件对应的水温变化信息和用水时长信息作为样本输入数据，以所述训练用水事件对应的用水量信息作为样本输出数据，基于机器学习算法进行训练得到的；其中，所述训练用水事件对应有确定的用水量信息。
在本步骤中，由于需要用到用水量预测模型对实际用水事件对应的用水量信息进行预测，因此，需要先建立所述用水量预测模型。在建立所述用水量预测模型时，本实施例采用了鲁棒性较强的机器学习算法，目的是为了得到较为准确的用水量预测结果。
在本步骤中，在建立所述用水量预测模型时，需要先构建预设数量的训练用水事件(例如预先构建150万次训练用水事件)，这里的构建的训练用水事件需要为从安装有水流量传感器或有其他水流量测量器件的热水器中构建的训练用水事件，也即训练用水事件需要对应有确定的用水量信息，然后将每个训练用水事件对应的水温变化信息和用水时长信息作为样本输入数据，将每个训练用水事件对应的用水量信息作为样本输出数据，基于机器学习算法进行模型训练，获得所述用水量预测模型。也即在本实施例中，对于预设数量的训练用水事件，需要将每个训练用水事件对应的开始温度、结束温度、用水时长作为样本输入数据，将每个训练用水事件对应的用水量作为样本输出数据，基于机器学习算法对模型进行训练，获得所述用水量预测模型。
在本实施例中，假设构建的训练用水事件为：
训练用水事件1：
样本输入数据：开始温度：50℃，结束温度：40℃，用水时长：20分钟；
样本输出数据：用水量为20L。
训练用水事件2：
样本输入数据：开始温度：50℃，结束温度：45℃，用水时长：15分钟；
样本输出数据：用水量为16L。
训练用水事件3：
样本输入数据：开始温度：50℃，结束温度：42℃，用水时长：18分钟；
样本输出数据：用水量为19L。
训练用水事件4：
样本输入数据：开始温度：50℃，结束温度：41℃，用水时长：19分钟；
样本输出数据：用水量为19.5L。
训练用水事件5：
样本输入数据：开始温度：55℃，结束温度：45℃，用水时长：25分钟；
样本输出数据：用水量为30L。
训练用水事件6：
样本输入数据：开始温度：55℃，结束温度：40℃，用水时长：35分钟；
样本输出数据：用水量为40L。
训练用水事件7：
……
训练用水事件8：
……
训练用水事件n：
……
按照上述方式构建预设数量(如150万次)的训练用水事件，然后利用这些构建好的训练用水事件，基于机器学习算法进行模型训练，获得所述用水量预测模型。也即在本实施例中，对于预设数量的训练用水事件，需要将每个训练用水事件对应的开始温度、结束温度、用水时长作为样本输入数据，将每个训练用水事件对应的用水量作为样本输出数据，基于机器学习算法对模型进行训练，获得所述用水量预测模型。在得到所述用水量预测模型后，可以将实际用水事件对应的水温变化信息(开始温度、结束温度)和用水时长信息输入至所述用水量预测模型中，然后根据所述用水量预测模型的输出得到与所述实际用水事件对应的用水量信息。例如，假设实际用水事件对应的开始温度为55℃，结束温度为40℃，用水时长为35分钟，则将这些数据输入至所述用水量预测模型中后，得到该次实际用水事件的用水量为40L。
进一步地，如图2所示，在基于机器学习算法进行模型训练时，可以将预设数量的训练用水事件分为训练集和测试集，然后将训练集中的训练用水事件对应的水温变化信息和用水时长信息作为样本输入数据，将训练集中的训练用水事件对应的用水量信息作为样本输出数据，基于机器学习算法进行模型训练，获得初步用水量预测模型，然后再利用测试集中的训练用水事件对应的水温变化信息、用水时长信息和用水量信息对所述初步用水量预测模型进行测试，并根据测试结果调整所述初步用水量预测模型直至预测结果满足预设准确度条件后获得所述用水量预测模型。如图2所示，可以先对70％样本数据进行学习，然后对另外30％的数据进行测试，通过不断调整神经网络参数后得到最终的用水量预测模型。在得到用水量预测模型后，将步骤101获取的实际用水事件对应的水温变化信息(开始温度、结束温度)和用水时长信息输入至上述训练得到的模型，即可输出与实际用水事件对应的用水量。
在本实施例中，在通过机器学习的方式进行模型训练时，可以采用CNN或RNN模型进行模型训练，下面结合图3以CNN模型为例进行说明，需要说明的是，图3只是一个示意模型，其中只简单示意出了两个卷积层和两个池化层，在实际应用中，卷积层和池化层的个数一般要大于2个。具体地，CNN模型的结构主要包括：一个输入层、n个卷积层、n个池化层、m个全连接层、一个输出层；其中，所述输入层的输入为包含训练用水事件对应的水温变化信息和用水时长信息的样本输入数据，输入层与卷积层C1相连接；所述卷积层C1含有k1个大小为a1×a1的卷积核，所述输入层的样本输入数据经过卷积层C1得到k1个特征图，进而将得到的特征图传送至池化层P1；所述池化层P1以b1×b1的采样大小对所述卷积层C1生成的特征图进行池化，得到相应的k1个采样后的特征图，再将得到的特征图传送至下一个卷积层C2；所述n个卷积层和池化层对的顺次连接，进而不断提取样本输入数据深层次的抽样特征，最后一个池化层Pn与全连接层F1相连接，其中，卷积层Ci含有ki个大小为ai×ai的卷积核，池化层Pj的采样大小为bj×bj，Ci表示第i个卷积层，Pj表示第j个池化层；所述全连接层F1为所述最后一个池化层Pn所得的所有kn个特征图的像素点映射而成的一维层，每个像素代表所述全连接层F1的一个神经元节点，F1层的所有神经元节点与下一个全连接层F2的神经元节点进行全连接；经m个全连接层顺次连接，最后一个全连接层Fm与所述输出层进行全连接；所述输出层输出包含训练用水事件对应的用水量信息的样本输出数据。在本实施例中，利用包含训练用水事件对应的水温变化信息和用水时长信息的样本输入数据和包含训练用水事件对应的用水量信息的样本输出数据，基于机器学习算法，对上述CNN模型进行训练直到上述CNN模型收敛为止，进而得到所述用水量预测模型。
此外，在本实施例中，在通过机器学习的方式进行热水器用水量预测时，除了可以采用CNN或RNN模型进行训练和预测之外，还可以采用传统的回归预测算法，如线性回归算法、支持向量回归SVR算法和XGBoost算法等。由于这些算法属于本领域均知晓的算法，故本实施例对此不再做详细介绍。
在本实施例中，需要说明的是，本实施例提供的热水器用水量预测方法主要是针对未安装有水流量传感器或有其他水流量测量器件的热水器的用水量信息的预测，当然，也不排除用于安装有水流量传感器或有其他水流量测量器件的热水器的用水量信息的预测。
由上述技术方案可知，本发明实施例提供的热水器用水量预测方法，根据实际用水事件对应的水温变化信息和用水时长信息采用基于机器学习的用水量预测模型即可预测与实际用水事件对应的用水量信息，从而无需要求热水器中必须安装有能够测量水流量的传感器件。因此，本发明实施例提供的热水器用水量预测方法，可用于未安装有水流量传感器或有其他水流量测量器件的热水器的用水量信息的获取，从而便于这些热水器升级一些基于用水量信息的新功能。
进一步地，基于上述实施例的内容，在本实施例中，在所述将所述实际用水事件对应的水温变化信息和用水时长信息输入预置的用水量预测模型中，输出与所述实际用水事件对应的用水量信息之前，所述热水器用水量预测方法还包括：建立所述用水量预测模型；
其中，所述建立所述用水量预测模型，包括：
构建预设数量的训练用水事件，将训练用水事件对应的水温变化信息和用水时长信息作为样本输入数据，将训练用水事件对应的用水量信息作为样本输出数据，基于机器学习算法进行模型训练，获得所述用水量预测模型。
进一步地，如图2所示，基于上述实施例的内容，在本实施例中，所述构建预设数量的训练用水事件，将训练用水事件对应的水温变化信息和用水时长信息作为样本输入数据，将训练用水事件对应的用水量信息作为样本输出数据，基于机器学习算法进行模型训练，获得所述用水量预测模型，包括：
构建预设数量的训练用水事件；
将预设数量的训练用水事件分为训练集和测试集；
将训练集中的训练用水事件对应的水温变化信息和用水时长信息作为样本输入数据，将训练集中的训练用水事件对应的用水量信息作为样本输出数据，基于机器学习算法进行模型训练，获得初步用水量预测模型；
利用测试集中的训练用水事件对应的水温变化信息、用水时长信息和用水量信息对所述初步用水量预测模型进行测试，并根据测试结果调整所述初步用水量预测模型直至预测结果满足预设准确度条件后获得所述用水量预测模型。
如图2所示，可以先对70％样本数据进行学习，然后对另外30％的数据进行测试，通过不断调整神经网络模型的模型参数并在模型的准确率满足预设应用要求(例如预设准确度条件为达到90％的准确率)时得到最终的用水量预测模型。在得到用水量预测模型后，将步骤101获取的实际用水事件对应的水温变化信息(开始温度、结束温度)和用水时长信息输入至上述训练得到的模型，即可输出与实际用水事件对应的用水量。
进一步地，基于上述实施例的内容，在本实施例中，所述热水器用水量预测方法，还包括：
获取实际用水事件对应的用水时段信息；
相应地，将所述实际用水事件对应的用水时段信息、水温变化信息和用水时长信息输入预置的用水量预测模型中，输出与所述实际用水事件对应的用水量信息；
相应地，所述用水量预测模型为预先采用训练用水事件对应的用水时段数据、水温变化信息和用水时长信息作为样本输入数据，以所述训练用水事件对应的用水量信息作为样本输出数据，基于机器学习算法进行训练得到的。
在本实施例中，除了考虑将上述实施例所述的水温变化信息和用水时长信息作为预测时的输入特征外，还进一步考虑了用水时段信息，目的时为了提供更为精确的预测结果。这里的用水时段信息是指一天中的不同时间段，如一天中的00:00-02:00；02:00-04:00；04:00-06:00；06:00-08:00等等。由于即便是相同的水温变化信息和相同的用水时长信息，在一天不同的时间段下，对应的用水量也可能不同，因此，加入用水时段信息后的预测将会更加准确。需要说明的是，由于进行用水量预测时提供的输入特征包括了用水时段信息，因此在对用水量预测模型进行训练时，也需要利用与训练用水事件对应的用水时段进行模型训练。也即在本实施例中，对于预设数量的训练用水事件，需要将每个训练用水事件对应的用水时段、开始温度、结束温度、用水时长作为样本输入数据，将每个训练用水事件对应的用水量作为样本输出数据，基于机器学习算法对模型进行训练。由于具体的模型训练过程和模型训练原理和上述实施例类似，故此处不再赘述。
进一步地，基于上述实施例的内容，在本实施例中，所述热水器用水量预测方法，还包括：
获取实际用水事件对应的地理位置信息、月份信息和气温信息中的一种或多种信息；
相应地，将所述实际用水事件对应的地理位置信息、月份信息和气温信息中的一种或多种信息、水温变化信息和用水时长信息输入预置的用水量预测模型中，输出与所述实际用水事件对应的用水量信息；
相应地，所述用水量预测模型为预先采用训练用水事件对应的地理位置数据、月份数据和气温数据中的一种或多种数据、水温变化信息和用水时长信息作为样本输入数据，以所述训练用水事件对应的用水量信息作为样本输出数据，基于机器学习算法进行训练得到的。
在本实施例中，需要说明的是，由于用户用水量跟所处的季节、区域位置、环境气温有密切关系，因此除了上述实施例所用的特征(用水时段信息、水温变化信息和用水时长信息)之外，本实施例在上述实施例的基础上，加入月份、地理位置(如可以为省份)、气温三个外部特征，其中月份和省份均使用one-hot编码方式进行编码，然后按照上述实施例的训练方式，取150万次由带有水流量传感器的热水器的用水事件作为训练样本，使用神经网络模型作为学习模型，最后对没有水流量传感器的热水器，取其用水时段、开始温度、结束温度、用水时长、月份、省份和气温7个特征输入用水量预测模型，最终输出预测的用水量。
进一步地，基于上述实施例的内容，在本实施例中，所述与所述实际用水事件对应的用水量信息为标准温度用水量信息；
其中，所述标准温度用水量为将不同温度状况下对应的用水量转换为标准温度状况下对应的用水量；
相应地，所述用水量预测模型为预先采用训练用水事件对应的水温变化信息和用水时长信息作为样本输入数据，以所述训练用水事件对应的标准温度用水量信息作为样本输出数据，基于机器学习算法进行训练得到的。
在本实施例中，为了解决用水量无法在不同温度下进行比较的问题，本实施例采用了将不同温度下的用水量通过统一标准温度进行标准化，获取标准温度用水量的方式。采用本实施例这种处理方式的好处是：不用再考虑不同时间段热水器内温度不同时各时间段对应的用水量之间是否具有可比性的问题。
进一步地，基于上述实施例的内容，在本实施例中，所述热水器用水量预测方法，还包括：
建立所述用水量预测模型；
其中，所述建立所述用水量预测模型，包括：
构建预设数量的训练用水事件，并确定训练用水事件对应的标准温度用水量信息；
将训练用水事件对应的水温变化信息和用水时长信息作为样本输入数据，将训练用水事件对应的标准温度用水量信息作为样本输出数据，基于机器学习算法进行模型训练，获得所述用水量预测模型。
进一步地，基于上述实施例的内容，在本实施例中，所述确定训练用水事件对应的标准温度用水量信息，包括：
根据训练用水事件对应的实际用水量、进水温度、胆内温度和预设标准温度，利用预设标准温度用水量模型，确定训练用水事件对应的标准温度用水量信息；
其中，所述预设标准温度用水量模型为表征不同胆内温度和进水温度下的实际用水量与标准温度用水量之间对应关系的模型。
在本实施例中，由于将训练用水事件对应的用水量统一转化为标准温度下用水量，因此，可以消除不同温度这一波动因素对用水量这一参数的影响，得到标准温度用水量。
在本实施例中，可以理解的是，所述预设标准温度用水量模型为表征不同温度状况下的实际用水量和统一到标准温度状况下的标准温度用水量之间对应关系的模型。此外，在本实施例中，还具体给出了预设标准温度用水量模型的具体形式：
Figure BDA0002204434730000151
其中，Q1表示训练用水事件对应的标准温度用水量，Q0表示训练用水事件对应的实际用水量，T1表示胆内温度，T0表示预设标准温度，T2表示进水温度。
需要说明的是，本实施例中提到的预设标准温度用水量模型并不局限于上述这一种形式，根据需要还可以为其他形式的模型，如可以为：
Figure BDA0002204434730000152
其中，k1表示第一调节因子，其值可以根据实际需要进行设定，k1表示热水器中进水温度和胆内温度与标准温度之间的差异对实际用水量与标准温度用水量之间关系影响大小的一个调节因子，k1的取值可以为0.8～0.95之间。
在本实施例中，需要说明的是，所述胆内温度为热水器内胆的温度传感器上报的温度，当热水器内胆中有上、中、下三个温度传感器时，分别按照0.2、0.6、0.2的权重计算三个传感器温度的加权平均值，作为胆内温度。当只有一个温度传感器时，直接作为胆内温度。
需要说明的是，本实施例提供的热水器用水量预测方法能够较准确的预测出热水器每次用水事件的用水量(标准温度下)，通过对102万次用水事件数据进行训练，并对44万条测试数据进行测试，误差小于3L的准确率为89.54％，误差小于5L的准确率为93.12％，误差小于7L的准确率为94.85％。由此可知，本实施例提供的热水器用水量预测方法具有较高的准确性和较强的稳定性。此外，由于本实施例使用了鲁棒性较强的机器学习算法，因此使得当用水行为模式发生变化或者温度传感器上报数据存在一定范围的异常时，仍然能保持稳定的输入-输出关系。
基于相同的发明构思，本发明另一实施例提供了一种热水器用水量预测装置，参见图4，本实施例提供的热水器用水量预测装置，包括：获取模块11和预测模块12，其中：
获取模块11，用于获取实际用水事件对应的水温变化信息和用水时长信息；
预测模块12，用于将所述实际用水事件对应的水温变化信息和用水时长信息输入预置的用水量预测模型中，输出与所述实际用水事件对应的用水量信息；
其中，所述用水量预测模型为预先采用训练用水事件对应的水温变化信息和用水时长信息作为样本输入数据，以所述训练用水事件对应的用水量信息作为样本输出数据，基于机器学习算法进行训练得到的；其中，所述训练用水事件对应有确定的用水量信息。
由于本实施例提供的热水器用水量预测装置可以用于执行上述实施例所述的热水器用水量预测方法，其工作原理和有益效果类似，故此处不再详述，具体内容可参见上述实施例的介绍。
基于相同的发明构思，本发明另一实施例提供了一种热水器，该热水器包括如上面实施例所述的热水器用水量预测装置。
由于本实施例提供的热水器包括上面实施例所述的热水器用水量预测装置，因此其工作原理和有益效果类似，故此处不再详述，具体内容可参见上述实施例的介绍。
基于相同的发明构思，本发明又一实施例提供了一种电子设备，参见图5，所述电子设备具体包括如下内容：处理器301、存储器302、通信接口303和通信总线304；
其中，所述处理器301、存储器302、通信接口303通过所述通信总线304完成相互间的通信；
所述处理器301用于调用所述存储器302中的计算机程序，所述处理器执行所述计算机程序时实现上述热水器用水量预测方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：获取实际用水事件对应的水温变化信息和用水时长信息；将所述实际用水事件对应的水温变化信息和用水时长信息输入预置的用水量预测模型中，输出与所述实际用水事件对应的用水量信息；其中，所述用水量预测模型为预先采用训练用水事件对应的水温变化信息和用水时长信息作为样本输入数据，以所述训练用水事件对应的用水量信息作为样本输出数据，基于机器学习算法进行训练得到的；其中，所述训练用水事件对应有确定的用水量信息。
可以理解的是，所述计算机程序可以执行的细化功能和扩展功能可参照上文描述。
基于相同的发明构思，本发明又一实施例提供了一种非暂态计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述热水器用水量预测方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：获取实际用水事件对应的水温变化信息和用水时长信息；将所述实际用水事件对应的水温变化信息和用水时长信息输入预置的用水量预测模型中，输出与所述实际用水事件对应的用水量信息；其中，所述用水量预测模型为预先采用训练用水事件对应的水温变化信息和用水时长信息作为样本输入数据，以所述训练用水事件对应的用水量信息作为样本输出数据，基于机器学习算法进行训练得到的；其中，所述训练用水事件对应有确定的用水量信息。
可以理解的是，所述计算机程序可以执行的细化功能和扩展功能可参照上文描述。
此外，上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的热水器用水量预测方法。
在本发明的描述中，需要说明的是，术语“上”、“下”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。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，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
此外，在本发明中，诸如“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
此外，在本发明中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
此外，在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (13)

1.一种热水器用水量预测方法，其特征在于，包括：
获取实际用水事件对应的水温变化信息和用水时长信息；
将所述实际用水事件对应的水温变化信息和用水时长信息输入预置的用水量预测模型中，输出与所述实际用水事件对应的用水量信息；
其中，所述用水量预测模型为预先采用训练用水事件对应的水温变化信息和用水时长信息作为样本输入数据，以所述训练用水事件对应的用水量信息作为样本输出数据，基于机器学习算法进行训练得到的；
其中，所述实际用水事件对应的水温变化信息指实际用水事件对应的开始温度和结束温度。
2.根据权利要求1所述的热水器用水量预测方法，其特征在于，在所述将所述实际用水事件对应的水温变化信息和用水时长信息输入预置的用水量预测模型中，输出与所述实际用水事件对应的用水量信息之前，所述热水器用水量预测方法还包括：建立所述用水量预测模型；
其中，所述建立所述用水量预测模型，包括：
构建预设数量的训练用水事件，将训练用水事件对应的水温变化信息和用水时长信息作为样本输入数据，将训练用水事件对应的用水量信息作为样本输出数据，基于机器学习算法进行模型训练，获得所述用水量预测模型。
3.根据权利要求2所述的热水器用水量预测方法，其特征在于，所述构建预设数量的训练用水事件，将训练用水事件对应的水温变化信息和用水时长信息作为样本输入数据，将训练用水事件对应的用水量信息作为样本输出数据，基于机器学习算法进行模型训练，获得所述用水量预测模型，包括：
构建预设数量的训练用水事件；
将预设数量的训练用水事件分为训练集和测试集；
将训练集中的训练用水事件对应的水温变化信息和用水时长信息作为样本输入数据，将训练集中的训练用水事件对应的用水量信息作为样本输出数据，基于机器学习算法进行模型训练，获得初步用水量预测模型；
利用测试集中的训练用水事件对应的水温变化信息、用水时长信息和用水量信息对所述初步用水量预测模型进行测试，并根据测试结果调整所述初步用水量预测模型直至预测结果满足预设准确度条件后获得所述用水量预测模型。
4.根据权利要求1所述的热水器用水量预测方法，其特征在于，还包括：
获取实际用水事件对应的用水时段信息；
相应地，将所述实际用水事件对应的用水时段信息、水温变化信息和用水时长信息输入预置的用水量预测模型中，输出与所述实际用水事件对应的用水量信息；
相应地，所述用水量预测模型为预先采用训练用水事件对应的用水时段数据、水温变化信息和用水时长信息作为样本输入数据，以所述训练用水事件对应的用水量信息作为样本输出数据，基于机器学习算法进行训练得到的。
5.根据权利要求1或4所述的热水器用水量预测方法，其特征在于，还包括：
获取实际用水事件对应的地理位置信息、月份信息和气温信息中的一种或多种信息；
相应地，将所述实际用水事件对应的地理位置信息、月份信息和气温信息中的一种或多种信息、水温变化信息和用水时长信息输入预置的用水量预测模型中，输出与所述实际用水事件对应的用水量信息；
相应地，所述用水量预测模型为预先采用训练用水事件对应的地理位置数据、月份数据和气温数据中的一种或多种数据、水温变化信息和用水时长信息作为样本输入数据，以所述训练用水事件对应的用水量信息作为样本输出数据，基于机器学习算法进行训练得到的。
6.根据权利要求1所述的热水器用水量预测方法，其特征在于，所述与所述实际用水事件对应的用水量信息为标准温度用水量信息；
其中，所述标准温度用水量为将不同温度状况下对应的用水量转换为标准温度状况下对应的用水量；
相应地，所述用水量预测模型为预先采用训练用水事件对应的水温变化信息和用水时长信息作为样本输入数据，以所述训练用水事件对应的标准温度用水量信息作为样本输出数据，基于机器学习算法进行训练得到的。
7.根据权利要求6所述的热水器用水量预测方法，其特征在于，还包括：建立所述用水量预测模型；
其中，所述建立所述用水量预测模型，包括：
构建预设数量的训练用水事件，并确定训练用水事件对应的标准温度用水量信息；
将训练用水事件对应的水温变化信息和用水时长信息作为样本输入数据，将训练用水事件对应的标准温度用水量信息作为样本输出数据，基于机器学习算法进行模型训练，获得所述用水量预测模型。
8.根据权利要求7所述的热水器用水量预测方法，其特征在于，所述确定训练用水事件对应的标准温度用水量信息，包括：
根据训练用水事件对应的实际用水量、进水温度、胆内温度和预设标准温度，利用预设标准温度用水量模型，确定训练用水事件对应的标准温度用水量信息；
其中，所述预设标准温度用水量模型为表征不同胆内温度和进水温度下的实际用水量与标准温度用水量之间对应关系的模型。
9.根据权利要求8所述的热水器用水量预测方法，其特征在于，所述预设标准温度用水量模型为：
Figure FDA0003016699670000041
其中，Q1表示训练用水事件对应的标准温度用水量，Q0表示训练用水事件对应的实际用水量，T1表示胆内温度，T0表示预设标准温度，T2表示进水温度。
10.一种热水器用水量预测装置，其特征在于，包括：
获取模块，用于获取实际用水事件对应的水温变化信息和用水时长信息；
预测模块，用于将所述实际用水事件对应的水温变化信息和用水时长信息输入预置的用水量预测模型中，输出与所述实际用水事件对应的用水量信息；
其中，所述用水量预测模型为预先采用训练用水事件对应的水温变化信息和用水时长信息作为样本输入数据，以所述训练用水事件对应的用水量信息作为样本输出数据，基于机器学习算法进行训练得到的；
其中，所述实际用水事件对应的水温变化信息指实际用水事件对应的开始温度和结束温度。
11.一种热水器，其特征在于，包括如权利要求10所述的热水器用水量预测装置。
12.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至9任一项所述热水器用水量预测方法的步骤。
13.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至9任一项所述热水器用水量预测方法的步骤。
CN201910876189.3A 2019-09-17 2019-09-17 热水器用水量预测方法及装置、热水器及电子设备 Active CN110598336B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910876189.3A CN110598336B (zh) 2019-09-17 2019-09-17 热水器用水量预测方法及装置、热水器及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910876189.3A CN110598336B (zh) 2019-09-17 2019-09-17 热水器用水量预测方法及装置、热水器及电子设备

Publications (2)

Publication Number Publication Date
CN110598336A CN110598336A (zh) 2019-12-20
CN110598336B true CN110598336B (zh) 2021-08-31

Family

ID=68860205

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910876189.3A Active CN110598336B (zh) 2019-09-17 2019-09-17 热水器用水量预测方法及装置、热水器及电子设备

Country Status (1)

Country Link
CN (1) CN110598336B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110822725B (zh) * 2019-12-03 2020-10-02 美的集团股份有限公司 热水器用水量确定方法及装置、热水器及电子设备
CN112283889A (zh) * 2020-10-10 2021-01-29 广东美的暖通设备有限公司 空调的预启动时间控制方法、装置、设备及存储介质
CN114459150A (zh) * 2020-11-05 2022-05-10 美的集团股份有限公司 热水器温度的设置方法、热水器以及存储介质
CN117441138A (zh) * 2021-02-07 2024-01-23 八达通能源供暖有限公司 用于改变热水使用的方法和系统
CN115751725A (zh) * 2022-11-30 2023-03-07 珠海格力电器股份有限公司 热水机运行温度的设定方法以及装置、处理器及电子设备

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104976775A (zh) * 2014-04-14 2015-10-14 海尔集团公司 带洗浴用水量功能的储水式电热水器及获得用水量的方法
CN106225246A (zh) * 2016-07-20 2016-12-14 合肥美的暖通设备有限公司 空气能热水器及其加热控制方法和装置
CN106352542A (zh) * 2016-11-04 2017-01-25 中国石油大学(华东) 一种储水式电热水器剩余洗浴时间的预测方法
CN106839468A (zh) * 2017-04-14 2017-06-13 广州机智云物联网科技有限公司 一种太阳能热水器水量调节方法及系统
EP3182343A1 (fr) * 2015-12-17 2017-06-21 Commissariat À L'Énergie Atomique Et Aux Énergies Alternatives Methode de prevision de la consommation d'eau chaude, methode et systeme d'optimisation de la production d'eau chaude
CN107655212A (zh) * 2017-09-29 2018-02-02 深圳和而泰智能控制股份有限公司 加热处理方法及装置
CN107918795A (zh) * 2016-10-11 2018-04-17 青岛经济技术开发区海尔热水器有限公司 一种预测洗浴温度的方法及热水器
WO2019012418A1 (en) * 2017-07-10 2019-01-17 Droople Sàrl WATER CONSUMPTION MANAGEMENT SYSTEM
CN109425117A (zh) * 2017-07-21 2019-03-05 青岛经济技术开发区海尔热水器有限公司 一种热水器的智能免操作控制方法及热水器

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2553681B (en) * 2015-01-07 2019-06-26 Homeserve Plc Flow detection device
CN105243435B (zh) * 2015-09-15 2018-10-26 中国科学院南京土壤研究所 一种基于深度学习元胞自动机模型的土壤含水量预测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104976775A (zh) * 2014-04-14 2015-10-14 海尔集团公司 带洗浴用水量功能的储水式电热水器及获得用水量的方法
EP3182343A1 (fr) * 2015-12-17 2017-06-21 Commissariat À L'Énergie Atomique Et Aux Énergies Alternatives Methode de prevision de la consommation d'eau chaude, methode et systeme d'optimisation de la production d'eau chaude
CN106225246A (zh) * 2016-07-20 2016-12-14 合肥美的暖通设备有限公司 空气能热水器及其加热控制方法和装置
CN107918795A (zh) * 2016-10-11 2018-04-17 青岛经济技术开发区海尔热水器有限公司 一种预测洗浴温度的方法及热水器
CN106352542A (zh) * 2016-11-04 2017-01-25 中国石油大学(华东) 一种储水式电热水器剩余洗浴时间的预测方法
CN106839468A (zh) * 2017-04-14 2017-06-13 广州机智云物联网科技有限公司 一种太阳能热水器水量调节方法及系统
WO2019012418A1 (en) * 2017-07-10 2019-01-17 Droople Sàrl WATER CONSUMPTION MANAGEMENT SYSTEM
CN109425117A (zh) * 2017-07-21 2019-03-05 青岛经济技术开发区海尔热水器有限公司 一种热水器的智能免操作控制方法及热水器
CN107655212A (zh) * 2017-09-29 2018-02-02 深圳和而泰智能控制股份有限公司 加热处理方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
城市用水量的综合动态预测建模方法;许仕荣 等;《湖南城建高等专科学校学报》;20020331;第11卷(第1期);第37-38、53页 *
基于需求响应的集群温控负荷建模及参与低频减载策略研究;戚野白 等;《中国电机工程学报》;20170205;第37卷(第3期);第751-759页 *

Also Published As

Publication number Publication date
CN110598336A (zh) 2019-12-20

Similar Documents

Publication Publication Date Title
CN110598336B (zh) 热水器用水量预测方法及装置、热水器及电子设备
CN111680841B (zh) 基于主成分分析的短期负荷预测方法、系统及终端设备
CN102129397A (zh) 一种自适应磁盘阵列故障预测方法及系统
JP2009294969A (ja) 需要予測方法および需要予測装置
CN111568380B (zh) 基于睡醒时间预测的闹钟设定方法、装置和设备
CN114216938B (zh) 一种气体浓度检测补偿方法及装置
CN110781595B (zh) 能源使用效率pue的预测方法、装置、终端及介质
CN108091166A (zh) 可用停车位数目变化的预测方法、装置、设备及存储介质
CN110999766A (zh) 灌溉决策方法、装置、计算机设备和存储介质
CN114118634B (zh) 一种土壤水分预测方法和装置
CN103489034A (zh) 预测与诊断在线海流监测数据的方法和装置
KR20190095587A (ko) 실시간 수집된 수요자 부하 정보를 이용하는 스마트 전력 수요 관리 시스템
CN113642249A (zh) 陀螺仪零偏误差补偿方法
CN104460469B (zh) 一种环境传感器和一种环境参数测量和预测方法
CN114911788B (zh) 一种数据插补方法、装置及存储介质
CN117235664A (zh) 配电通信设备的故障诊断方法、系统和计算机设备
CN111967665A (zh) 一种基于神经网络的灌溉决策方法及系统
CN109668707A (zh) 一种基于无线振动同步测量的模态振型矫正方法
CN117313533A (zh) 换流阀组件状态预测方法、装置、设备、介质和产品
CN115457756A (zh) 传感器校准的方法及装置
Smith et al. Testing probabilistic adaptive real‐time flood forecasting models
CN116822722A (zh) 水位预测方法、系统、装置、电子设备及介质
CN113868967B (zh) 结构监测数据预测方法、装置及存储介质
CN115183884A (zh) 电热协同系统的红外测温补偿方法及装置
Qing-Dao-Er-Ji et al. Research on data mining algorithm of meteorological observation based on data quality control algorithm

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