CN114396728A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN114396728A
CN114396728A CN202111640021.6A CN202111640021A CN114396728A CN 114396728 A CN114396728 A CN 114396728A CN 202111640021 A CN202111640021 A CN 202111640021A CN 114396728 A CN114396728 A CN 114396728A
Authority
CN
China
Prior art keywords
water
energy consumption
effective energy
historical
prediction 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.)
Granted
Application number
CN202111640021.6A
Other languages
English (en)
Other versions
CN114396728B (zh
Inventor
卢楚鹏
杨焕雯
夏乐
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.)
Guangdong Vanward New Electric Co Ltd
Original Assignee
Guangdong Vanward New Electric 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 Guangdong Vanward New Electric Co Ltd filed Critical Guangdong Vanward New Electric Co Ltd
Priority to CN202111640021.6A priority Critical patent/CN114396728B/zh
Publication of CN114396728A publication Critical patent/CN114396728A/zh
Application granted granted Critical
Publication of CN114396728B publication Critical patent/CN114396728B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/06—Power analysis or power optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation

Abstract

本申请涉及一种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。所述电热水器的加热控制方法包括：获取有效能耗预测模型根据用户的历史用水数据输出的预测有效能耗；其中，所述预测有效能耗为用户在下一用水阶段所使用的总热量；所述有效能耗预测模型为基于长短期记忆模型训练得到；所述历史用水数据包括历史进水温度、历史用水量以及历史出水温度；根据所述预测有效能耗确定所述电热水器的加热温度；根据所述加热温度控制所述电热水器将内胆的水进行加热。采用本电热水器的加热控制方法能够根据用户的用水习惯进行加热，使得电热水器加热的热水既能满足用户的一个用水过程的需要，又无需设置过高的预设加热温度。

Description

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
技术领域
本申请涉及电热水器技术领域，特别是涉及一种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。
背景技术
热水器就是指通过各种物理原理，在一定时间内使冷水温度升高变成热水的一种装置。按照原理不同可分为电热水器、燃气热水器、太阳能热水器、磁能热水器、空气能热水器，暖气热水器等。
电热水器按加热功率可以分为储水式、即热式和速热式三种。其中，储水式热水器和即热式热水器使用较为广泛。其中，储水式电热水器通常设置有用于储水的内胆，其具有功率较小，干净卫生，安全可靠的优点。
但是目前的电热水器为了提供更多的混兑水，预设加热温度一般都比较高，导致热水散热严重，浪费电能，且一定程度上未能满足用户的热水使用需求。
发明内容
本发明所解决的第一个技术问题是要提供一种电热水器的加热控制方法，其能够节省电热水器的电能。
本发明所解决的第二个技术问题是要提供一种有效能耗预测模型的建立方法，根据有效能耗预测模型的建立方法建立的有效能耗预测模型应用于电热水器的加热控制方法，能够节省电热水器的电能。
本发明所解决的第三个技术问题是要提供一种电热水器的加热控制装置，其能够节省电热水器的电能。
本发明所解决的第四个技术问题是要提供一种有效能耗预测模型的建立装置，通过有效能耗预测模型的建立装置建立的有效能耗预测模型应用于电热水器的加热控制方法，能够节省电热水器的电能。
本发明所解决的第五个技术问题是要提供一种电热水器，其电能损耗低。
上述第一个技术问题通过以下技术方案进行解决：
一种电热水器的加热控制方法，所述方法包括：获取有效能耗预测模型根据用户的历史用水数据输出的预测有效能耗；其中，所述预测有效能耗为用户在下一用水阶段所使用的总热量；所述有效能耗预测模型为基于长短期记忆模型训练得到；所述历史用水数据包括历史进水温度、历史用水量以及历史出水温度；根据所述预测有效能耗确定所述电热水器的加热温度；根据所述加热温度控制所述电热水器将内胆的水进行加热。
本发明提供的电热水器的加热控制方法，通过有效能耗预测模型预测的用户下一用水阶段所使用的总热量，并依此确定电热水器的加热温度，控制电热水器将内胆的水加热至加热温度，也即电热水器可以根据用户的用水习惯进行加热，使得电热水器加热的热水既能满足用户的一个用水过程的需要，又无需设置过高的预设加热温度，降低热水的散热程度，从而节省电能。进一步的，有效能耗预测模型为基于长短期记忆模型训练得到的，可以提高预测的精确度，从而使电热水器的加热温度更符合用户的习惯。
在其中一个实施例中，所述历史用水数据还包括历史用水阶段所使用的总热量；所述方法还包括：获取所述用户在本轮用水阶段的本轮用水数据；所述本轮用水数据包括本轮进水温度、本轮用水量、本轮出水温度，以及本轮用水阶段所使用的总热量；根据所述本轮用水数据更新所述历史用水数据，并根据更新后的所述历史用水数据更新所述有效能耗预测模型。
在其中一个实施例中，所述根据更新后的所述历史用水数据更新所述有效能耗预测模型的步骤包括：根据所述更新后的历史用水数据，并基于遗传算法训练所述有效能耗预测模型以更新所述有效能耗预测模型的网络层数以及每一网络层数的神经元个数。
在其中一个实施例中，根据所述加热温度控制所述电热水器将内胆中的水进行加热包括：根据所述加热温度以及内胆温度确定加热时长；根据所述加热时长确定所述电热水器的启动加热时刻；根据所述启动加热时刻，控制所述电热水器将内胆中的水进行加热。
在其中一个实施例中，所述历史用水数据还包括历史用水时刻；所述根据所述加热时长确定所述电热水器的启动加热时刻的步骤包括：获取所述有效能耗预测模型根据所述历史用水数据输出的预测用水时刻；其中，所述预测用水时刻为所述用户在下一用水阶段的开始时刻；根据所述预测用水时刻和所述加热时长计算所述电热水器的启动加热时刻。
上述第二个技术问题通过以下技术方案进行解决：
一种有效能耗预测模型的建立方法，所述有效能耗预测模型应用于上述的电热水器的加热控制方法，用于根据用户的历史用水数据输出预测有效能耗；所述预测有效能耗为用户在下一用水阶段所使用的总热量；所述有效能耗预测模型的建立方法包括：获取用水数据，并根据所述用水数据形成训练用水数据集；其中，所述用水数据包括用户在至少一用水阶段的进水温度、用水量、出水温度以及总热量；初始化长短期记忆模型并使用所述训练用水数据集对所述长短期记忆模型进行训练，将训练好的长短期记忆模型作为所述有效能耗预测模型。
在其中一个实施例中，初始化长短期记忆模型并使用所述训练用水数据集对所述长短期记忆模型进行训练，将训练好的长短期记忆模型作为所述有效能耗预测模型的步骤还包括：初始化长短期记忆模型并将所述训练用水数据集输入至所述长短期记忆模型；基于遗传算法初始化种群的参数并利用预设的适应度函数进行遗传变异计算，并根据计算出的最优解确定所述长短期记忆模型的网络层数以及每一网络层数的神经元个数以完成对所述长短期记忆模型的训练，并将训练好的所述长短期记忆模型作为所述有效能耗预测模型；所述适应度函数用于将在所述训练的过程中根据所述训练用水数据集得到的平均绝对误差值评价所述种群在遗传变异中的适应度。
上述第三个技术问题通过以下技术方案进行解决：
一种电热水器的加热控制装置，所述装置包括：获取模块，用于获取有效能耗预测模型根据用户的历史用水数据输出的预测有效能耗；其中，所述预测有效能耗为用户在下一用水阶段所使用的总热量；所述有效能耗预测模型为基于长短期记忆模型训练得到；所述历史用水数据包括历史进水温度、历史用水量以及历史出水温度；确定模块，用于根据所述预测有效能耗确定所述电热水器的加热温度；控制模块，用于根据所述加热温度控制所述电热水器将内胆的水进行加热。
上述第四个技术问题通过以下技术方案进行解决：
一种有效能耗预测模型的建立装置，所述有效能耗预测模型应用于上述的电热水器的加热控制方法，用于根据用户的历史用水数据输出预测有效能耗；所述预测有效能耗为用户在下一用水阶段所使用的总热量；所述装置包括：采集模块，用于获取用水数据，并根据所述用水数据形成训练用水数据集；其中，所述用水数据包括用户在至少一用水阶段的进水温度、用水量、出水温度以及总热量；建立模块，用于初始化长短期记忆模型并使用所述训练用水数据集对所述长短期记忆模型进行训练，将训练好的长短期记忆模型作为所述有效能耗预测模型。
上述第五个技术问题通过以下技术方案进行解决：
一种电热水器，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法的步骤。
附图说明
图1为一个实施例中有效能耗预测模型的建立方法的流程示意图；
图2为一实施例中初始化长短期记忆模型并使用所述训练用水数据集对所述长短期记忆模型进行训练，将训练好的长短期记忆模型作为所述有效能耗预测模型的步骤的流程示意图；
图3为另一实施例中初始化长短期记忆模型并使用所述训练用水数据集对所述长短期记忆模型进行训练，将训练好的长短期记忆模型作为所述有效能耗预测模型的步骤的流程示意图；
图4为另一个实施例中有效能耗预测模型的建立方法的流程示意图；
图5为一个实施例中电热水器的结构示意图；
图6为第一实施例中电热水器的加热控制方法的流程示意图；
图7为第二实施例中电热水器的加热控制方法的流程示意图；
图8为一个实施例中根据更新后的历史用水数据更新有效能耗预测模型的步骤的流程示意图；
图9为第三实施例中电热水器的加热控制方法的流程示意图；
图10为第四实施例中电热水器的加热控制方法的流程示意图；
图11为第五实施例中电热水器的加热控制方法的流程示意图；
图12为一个实施例中有效能耗预测模型的建立装置的结构框图；
图13为一个实施例中电热水器的加热控制装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种有效能耗预测模型的建立方法的流程示意图。该有效能耗预测模型可以应用于下述任一实施例提供的电热水器的加热控制方法，用于根据用户的历史用水数据输出预测有效能耗。
如图1所示，该有效能耗预测模型的建立方法可以包括步骤S102至步骤S104。
S102，获取用水数据，并根据用水数据形成训练用水数据集。
应说明的是，用水数据包括用户在至少一用水阶段的进水温度、用水量、出水温度以及总热量。用水阶段的总热量可以通过该用水阶段的进水温度、用水量以及出水温度计算得到。在一个实施例中，通过进水温度采集模块采集进水温度，通过水流量采集模块采集水流量数据，并根据水流量数据计算获得用水量，通过出水温度采集模块采集出水温度。在一个实施例中，将获取的用水数据进行归一化处理，以获得归一化的用水数据。以下述例子对将获取的用水数据进行归一化处理，以获得归一化的用水数据的步骤进行说明，对处理后的N组数据A＝{a1，a2，a3，a4}进行归一化操作，其中，a1＝{Tin1，Tin2，Tin3……}T，a2＝{V用水1，V用水2，V用水3……}T，a3＝{Tout1，Tout2，Tout水3……}T，a4＝{Q1，Q2，Q3……}T，归一化后的数据B＝{b1，b2，b3，b4}，b1＝{T’in1，T’in2，T’in3……}T，b2＝{V’用水1，V’用水2，V’用水3……}T，b3＝{T’out1，T’out2，T’out水3……}T，b4＝{Q’1，Q’2，Q’3……}T，Tinn为第n个历史进水温度，V用水n为第n个历史用水量，Toutn为第n个历史出水温度，Qn第n个总热量，T’inn为第n个归一化后的历史进水温度，V’用水n为第n个归一化后的历史用水量，T’outn为第n个归一化后的历史出水温度，Q’n第n个归一化后的总热量，n小于等于N。
其中，Tinn与T’inn的关系为：
Figure BDA0003442711370000061
其中，Tinmax为N个历史进水温度中的最大历史进水温度，Tinmin为N个历史进水温度中的最小历史进水温度。
其中，V用水n与V’用水n的关系为：
Figure BDA0003442711370000062
其中，V用水max为N个历史用水量中的最大历史用水量，V用水min为N个历史用水量中的最小历史用水量。
其中，Toutn与T’outn的关系为：
Figure BDA0003442711370000063
其中，Toutmax为N个历史进水温度中的最大历史出水温度，Toutmin为N个历史进水温度中的最小历史出水温度。
其中，Qn与Q’n的关系为：
Figure BDA0003442711370000064
其中，Qnmax为N个历史总热量中的最大总热量，Qnmin为N个历史总热量的最小总热量。
在一个实施例中，在将获取的用水数据进行归一化处理的步骤之前还包括：确定获取的用水数据是否有异常现象，若有，则删除相应的用水数据。其中，异常现象包括具有缺失值和异常值等情况。在一个实施例中，在将获取的用水数据进行归一化处理的步骤之后还包括：将归一化的用水数据按照比例划分为训练数据集和测试数据集。可选的，将归一化的用水数据的87.5％作为训练用水数据集，将归一化的用水数据的12.5％作为测试用水数据集。
S104，初始化长短期记忆模型并使用训练用水数据集对长短期记忆模型进行训练，将训练好的长短期记忆模型作为有效能耗预测模型。
应说明的是，长短期记忆模型(Long Short Term Memory Network，LSTM)，是一种改进之后的循环神经网络(Recurrent Neural Network，RNN)，可以解决RNN无法处理长距离的依赖的问题。长短期记忆模型是循环神经网络的一种优化和延伸，通过上一个状态的输出以及当前的输入决定的，从而能够将以前的信息连接到当前任务以利用历史信息。采用训练用水数据集对长短期记忆模型进行训练，将训练好的长短期记忆模型作为有效能耗预测模型。有效能耗预测模型可以根据输入的历史进水温度、历史用水量以及历史出水温度预测用户下一阶段的有效能耗，也即有效能耗预测模型可以根据输入的历史进水温度、历史用水量以及历史出水温度输出预测有效能耗。
在一个实施例中，获得的用水数据可以包括用户至少在一用水阶段的进水温度、用水量、出水温度、用水时刻以及总热量，使用训练用水数据集(包括用户至少在一用水阶段的进水温度、用水量、出水温度、用水时刻以及总热量训练)训练好的有效能耗预测模型可以预测用户下一用水阶段的有效能耗以及用水时刻。
基于长短期记忆模型训练获得的有效能耗预测模型，可以更加准确地预测出用户的用水习惯，提高预测的精确度。
在一个实施例中，如图2所示，提供了一种初始化长短期记忆模型并使用所述训练用水数据集对所述长短期记忆模型进行训练，将训练好的长短期记忆模型作为所述有效能耗预测模型的步骤的流程示意图。如图2所示，初始化长短期记忆模型并使用所述训练用水数据集对所述长短期记忆模型进行训练，将训练好的长短期记忆模型作为所述有效能耗预测模型的步骤可以包括步骤S202至步骤S204。
S202，初始化长短期记忆模型并将所述训练用水数据集输入至长短期记忆模型。
S204，基于遗传算法初始化种群的参数并利用预设的适应度函数进行遗传变异计算，并根据计算出的最优解确定长短期记忆模型的网络层数以及每一网络层数的神经元个数以完成对长短期记忆模型的训练，并将训练好的长短期记忆模型作为有效能耗预测模型。
应说明的是，适应度函数用于将在训练的过程中根据训练用水数据集得到的平均绝对误差(Mean Absolute Error，MAE)值评价种群在遗传变异中的适应度。遗传算法起源于对生物系统所进行的计算机模拟研究。它是模仿自然生物进化机智发展起来的随机全局搜索和优化方法，借鉴了达尔文的进化论和孟德尔的遗传学说。其本质是一种高效、并行、全局搜索的方法，能在搜索的过程中自动获取和积累有关搜索空间的知识，并自适应地控制搜索过程以求得最佳解。通过遗传算法确定长短期记忆模型的网络层数以及每一网络层数的神经元个数，以使训练好的长短期记忆模型的预测值更加接近真实值。平均绝对误差反映的是预测值与真实值之间的平均相差多大，使用绝对误差可以防止误差互相之间抵消的问题，从而准确反映模型预测误差的大小。MAE的值越小说明模型的误差性能越好，它的函数表现形式如下：
Figure BDA0003442711370000081
其中，MAE是平均绝对误差值，fi是有效能耗预测模型的预测值，yi是训练用水数据集的真实值，n是样本个数。将归一化后的训练用水数据集输入有效能耗预测模型，将得到的平均绝对误差输入到遗传算法进行评估以确定最优参数(最优的网络层数以及每一网络层数的神经元个数)。
请参考图3，在一个实施例中，如图3所示，提供了一种初始化长短期记忆模型并使用训练用水数据集对长短期记忆模型进行训练，将训练好的长短期记忆模型作为有效能耗预测模型的步骤的流程示意图。如图3所示，初始化长短期记忆模型并使用训练用水数据集对长短期记忆模型进行训练，将训练好的长短期记忆模型作为有效能耗预测模型的步骤可以包括步骤S302至步骤S318。
S302，初始化长短期记忆模型并将训练用水数据集输入至长短期记忆模型中。
该训练用水数据集经过归一化等预处理。
S304，初始化种群，其中，包括构建种群，以及设定种群参数中种群的大小以及染色体个数。
在一个实施例中，初始种群为经过编码的初始种群，编码方式为二进制编码。
S306，选择适应度函数。
适应度函数预先设定并存储，该适应度函数用于在训练的过程中根据训练用水数据集得到的平均绝对误差值评价种群在遗传变异种的适应度，其中，平均绝对误差值越小，表示适应度越高，反之则适应度越小。
S308，进行遗传变异，将解的个体进行选择交叉变异操作。
S310，判断新的个体的适应度函数是否达到最优值，若是，则执行步骤S312，若否，则返回步骤S308。
在一个实施例中，在进行遗传变异的过程中，利用适应度函数评价当前种群的适应度，以通过轮盘赌进行选择较优个体遗传到下一代。通过轮盘赌选择法进行优胜劣汰，将适应度高的个体被遗传到下一代的概率更高，适应度低的个体被遗传到下一代的概率小。在一个实施例中，采用交叉与变异操作构造新解，从而可以扩宽种群的搜索范围，使其不易陷入局部最优解。步骤S304采用二进制编码方式进行编码，采用二进制编码可以使得交叉变异操作时更加便捷。
S312，获得最优参数。
应说明的是，最优参数为与适应度最高所对应的网络层数以及每一层的神经元个数。
S314，将最优参数输入到长短期记忆模型中，以完成本轮的训练。
S316，判断种群迭代次数是否满足预设的最大迭代次数。
若否，则返回S308，若是，则执行步骤S318。
S318，结束训练，并将训练好的长短期记忆模型作为有效能耗预测模型。
在一个实施例中，选择非饱和函数relu函数作为长短期记忆模型的激活函数，以防止反向传播过程中的梯度消失和梯度爆炸，relu函数的具体形式为：
Figure BDA0003442711370000101
在一个实施例中，训练长短期记忆模型的误差函数设定为平均绝对误差函数，训练轮次设定为2000，学习率设定为0.0001，优化器使用Adam优化器。
在一个实施例中，如图4所示，提供了一种有效能耗预测模型的建立方法的流程示意图。该有效能耗预测模型的建立方法可以包括步骤S402至步骤S406。
S402，获取用水数据，并根据用水数据形成训练用水数据集。
S404，初始化长短期记忆模型并使用训练用水数据集对长短期记忆模型进行训练，将训练好的长短期记忆模型作为有效能耗预测模型。
对于步骤S402和步骤S404的描述详见上文实施例，在此不再赘述。
S406，对有效能耗预测模型精度进行评价。
在一个实施例中，利用测试用水数据集对有效能耗预测模型精度进行评价。在一个实施例中，根据有效能耗预测模型输出的有效能耗与测试用水数据集的总热量进行准确率评价，准确率评价的表达式为：
Figure BDA0003442711370000102
其中，TP为真正类的样本数，FP为假正类的样本数，FN为假负类的样本数，TN为真负类的样本数。(举个例子，比如判断对和错，真正类就是判断对，事实上也是对的。真负类就是判断错，事实上也是错的；假正类就是判断为对，事实上是错的，假负类就是判断为错，事实上是对的)
可以理解的是，准确率为预测正确的结果占总样本的百分比，准确率越大说明模型的误差性能越好。
根据上述任一有效能耗预测模型的建立方法的实施例获得的有效能耗预测模型可以运用到下述任一电热水器的加热控制方法，用于根据用户的历史用水数据输出预测有效能耗。
本申请实施例提供的电热水器的加热控制方法可以应用于如图5所示的电热水器中，电热水器可以包括：外壳522、内胆524、加热装置526、进水管528、出水管529、电源模块540、主控模块560、进水温度采集模块582、出水温度采集模块584、水流量采集模块586以及内胆温度采集模块588。其中，进水管528、出水管529用于使内胆524与外部水路连通，加热装置526用于加热内胆524存储的水。进水温度采集模块582、出水温度采集模块584、水流量采集模块586以及内胆温度采集模块588均与主控模块660连接。可选的，进水温度采集模块582包括水温传感器。可选的，出水温度采集模块584包括水温传感器。可选的，水流量采集模块586包括水流量传感器。可选的，内胆温度采集模块588包括水温传感器。在一个实施例中，进水温度采集模块582以及水流量采集模块586设置于进水管528，出水温度采集模块584设置于出水管529，内胆温度采集模块588设置于内胆524中。电源模块640与加热装置526连接，用于为加热装置526提供工作电压。在一个实施例中，电源模块640与内胆温度采集模块588连接，用于为内胆温度采集模块588提供工作电压。
如背景技术所述，目前的电热水器为了提供更多的混兑水，预设加热温度一般都比较高，导致电热水器散热严重，浪费电能。有鉴于此，本申请实施例提供一种电热水器的加热控制方法可以更加准确地预测出用户的用水习惯，根据用户的用水习惯进行加热，使得电热水器加热的热水既能满足用户的一个用水过程的需要，又无需设置过高的预设加热温度，降低热水的散热程度，从而节省电能。
在一个实施例中，如图6所示，提供了一种电热水器的加热控制方法的流程示意图，包括步骤S602至步骤S606。
S602，获取有效能耗预测模型根据用户的历史用水数据输出的预测有效能耗。
应说明的是，历史用水数据包括历史进水温度、历史用水量以及历史出水温度。历史进水温度、历史用水量以及历史出水温度为用户在过去的至少一个用水阶段中的进水温度、用水量以及出水温度。有效能耗为用户在下一用水阶段所使用的总热量，或者说用户接收到的热水与用户接收到的热水在被加热前的热量差值。有效能耗预测模型为基于长短期记忆模型训练得到。可选的，一个用水阶段可以为用户洗一次澡的过程。有效能耗预测模型利用用户历史进水温度、历史用水量、历史出水温度以及历史总热量训练获得，因此有效能耗预测模型可以根据用户的用水习惯预测用户在下一用水阶段所使用的总热量。
在一个实施例中，进水温度可以通过电热水器的进水温度采集模块获得，出水温度可以通过电热水器的出水温度采集模块获得，用水量可以根据电热水器的水流量采集装置采集的水流量确定。可选的，用水量可以根据进水管的水流量以及对应的用水时间(一个用水阶段的时间)确定。
S604，根据预测有效能耗确定电热水器的加热温度。
所述电热水器可以为储水式电热水器。在一个实施例中，根据预测有效能耗确定电热水器的加热温度可以包括：根据下面的第一确定公式确定电热水器的加热温度，该第一确定公式为：
Figure BDA0003442711370000121
其中，T加热为电热水器的加热温度，即需要加热到的目标加热温度，相当于用户用水使用习惯的设定温度，T进水为实时检测到的进水温度，C水为水的比热容，Q预测为有效能耗预测模型根据用户的历史用水数据输出的预测有效能耗，V是电热水器的容积，θ是电热水器热水输出率，ρ是水的密度。
在一个实施例中，根据预测有效能耗确定电热水器的加热温度可以包括：根据下面的第二确定公式确定电热水器的加热温度，该第二确定公式为：
Figure BDA0003442711370000122
其中，T余量是余量温度，可以根据需要进行预先设置，其余参数的定义请参考上述实施例。根据第二确定公式确定的电热水器的加热温度可以避免用户在下一用水阶段需要使用更多热水时，无法提供足量的热水的现象。在一个实施例中，T余量可以为3℃至8℃。在一个实施例中，T余量为4℃。
S606，根据加热温度控制电热水器将内胆的水进行加热。
在一个实施例中，根据加热温度控制电热水器的加热装置以将电热水器内胆的水加热至加热温度，以满足用户的一个用水过程的需要。
本申请实施例提供的电热水器的加热控制方法，通过有效能耗预测模型预测的用户下一用水过程所使用的总热量，并依此确定电热水器的加热温度，控制电热水器将内胆的水加热至加热温度，也即电热水器可以根据用户的用水习惯进行加热，使得电热水器加热的热水既能满足用户的一个用水过程的需要，又无需设置过高的预设加热温度，降低热水的散热程度，从而节省电能。进一步的，有效能耗预测模型为基于长短期记忆模型训练得到的，可以提高预测的精确度，从而使电热水器的加热温度更符合用户的习惯。
在一个实施例中，如图7所示，提供了一种电热水器的加热控制方法的流程示意图，相对于上述实施例，本申请实施例提供的电热水器的加热控制方法增加了步骤S702至步骤S704。
S702，获取用户在本轮用水阶段的本轮用水数据。
应说明的是，本轮用水数据包括本轮进水温度、本轮用水量、本轮出水温度以及本轮用水阶段所使用的总热量。应说明的是，本轮用水阶段所使用的总热量可以根据本轮进水温度、本轮用水量以及本轮出水温度确定。可以理解的，若出水流量、出水温度或进水温度随时间变化，可以根据积分的方法确定本轮用水阶段所使用的总热量。在一个用水阶段结束后，可以获得与该结束的用水阶段所对应的本轮进水温度、本轮用水量、本轮出水温度以及本轮所使用的总热量。
S704，根据本轮用水数据更新历史用水数据，并根据更新后的历史用水数据更新有效能耗预测模型。
应说明的是，历史用水数据包括历史进水温度、历史用水量、历史出水温度以及历史用水阶段用户所使用的总热量。应说明的是，将本轮用水数据增加到历史用水数据中，以获得更新后的历史用水数据，将更新后的历史用水数据作为训练数据，训练有效能耗预测模型，以对该有效能耗预测模型进行更新，使得该模型能够随着用户的使用次数，其预测越接近用户的使用习惯。
以下述例子对步骤S704作示例性说明，历史用水数据中包括N组历史进水温度、历史用水量、历史出水温度以及历史总热量，在本轮用水阶段结束后，获得与本轮用水阶段对应的本轮进水温度、本轮用水量、本轮出水温度以及本轮总热量，即获得了新的一组历史进水温度、历史用水量、历史出水温度以及历史总热量。此时得到N+1组历史进水温度、历史用水量、历史出水温度以及历史总热量，将该N+1组用水数据作为训练数据对有效能耗预测模型进行训练，以对有效能耗预测模型进行更新。
上述实施例提供的电热水器的加热控制方法根据实时获取的用水数据对有效能耗预测模型进行更新，保证有效能耗预测模型的有效性，提高有效能耗的预测的精确性。
在一个实施例中，如图8所示，提供了一种根据更新后的历史用水数据更新有效能耗预测模型的步骤的流程示意图，如图8所示，根据更新后的历史用水数据更新有效能耗预测模型可以包括步骤S802。
S802，根据更新后的历史用水数据，并基于遗传算法训练有效能耗预测模型以更新有效能耗预测模型的网络层数以及每一网络层数的神经元个数。
在一个实施例中，在根据更新后的历史用水数据，并基于遗传算法训练有效能耗预测模型以更新有效能耗预测模型的网络层数以及每一网络层数的神经元个数的步骤前，还可以包括步骤：根据更新后的历史用水数据形成训练用水数据集。对于形成训练用水数据集的描述详见上文实施例，在此不再赘述。
在一个实施例中，根据更新后的历史用水数据，并基于遗传算法训练有效能耗预测模型以更新有效能耗预测模型的网络层数以及每一网络层数的神经元个数的步骤可以包括：将更新后的历史用水数据形成训练用水数据集并输入至有效能耗预测模型，而后基于遗传算法初始化种群的参数并利用预设的适应度函数进行遗传变异计算，并根据计算出的最优解确定有效能耗预测模型的网络层数以及每一网络层数的神经元个数。对于上述步骤的描述详见上文训练长短期记忆模型的实施例，在此不再赘述。
在一个实施例中，如图9所示，提供了一种电热水器的加热控制方法的流程实施例图。如图9所示，该电热水器的加热控制方法可以包括步骤S902至步骤S910。
S902，获取有效能耗预测模型根据用户的历史用水数据输出的预测有效能耗。
S904，根据预测有效能耗确定电热水器的加热温度。
对于步骤S902以及步骤S904的描述详见上文实施例，在此不再赘述。
S906，根据加热温度以及内胆温度确定加热时长。
应说明的，电热水器将电热水器中的内胆存储的水加热至加热温度所需的时间即为加热时长，内胆温度为当前内胆存储的水的温度。在一个实施例中，根据加热温度、内胆温度、电热水器的加热功率以及电热水器加热效率确定加热时长。在一个实施例中，根据加热温度以及内胆温度确定加热时长的步骤包括：根据第三确定公式确定加热时长，第三确定公式为：
Figure BDA0003442711370000151
其中，t加热为加热时长，C水是水的比热容，V是电热水器容积，T加热是电热水器的加热温度，ρ是水的密度，T内胆为电热水器的内胆温度，P为电热水器的加热功率，μ是电热水器加热效率。
S908，根据加热时长确定电热水器的启动加热时刻。
应说明的是，启动加热时刻指的是电热水器开始对内胆存储的水进行加热的时刻。在一个实施例中，根据加热时长确定电热水器的启动加热时刻的步骤包括：获取预设用水时刻，根据预设用水时刻以及加热时长确定电热水器的启动加热时刻。其中，预设用水时刻表示用户需要使用热水的时刻。在用户需要用水的时候内胆中存储的热水已达到加热温度，从而满足用户的用水要求。
S910，根据启动加热时刻，控制电热水器将内胆中的水进行加热。
在一个实施例中，根据启动加热时刻，控制电热水器将内胆中的水进行加热的步骤包括：在到达启动加热时刻时，控制电热水器将内胆中的水进行加热。如启动加热时刻为晚上7点，在到达晚上7点时，控制电热水器将内胆中的水进行加热。在一个实施例中，根据启动加热时刻，控制所述电热水器将内胆中的水进行加热的步骤包括，判断是否到达启动加热时刻，若是，则控制电热水器将内胆中的水进行加热，若否，则返回至步骤判断是否到达启动加热时刻。在一个实施例中，电热水器还可以包括时钟，根据时钟的时刻可以确定当前时刻，从而可以实现判断当前时刻是否为启动加热时刻。
在一个实施例中，如图10所示，提供了一种电热水器的加热控制方法的流程示意图。如图10所示，该电热水器的加热控制方法可以包括步骤S1002至步骤S1010。
S1002，获取有效能耗预测模型根据用户的历史用水数据输出的预测有效能耗以及预测用水时刻。
应说明的是，历史用水数据包括历史进水温度、历史用水量、历史出水温度以及历史用水时刻。其中，用水时刻为用水阶段的起始时刻。预测用水时刻为有效能耗预测模型根据历史用水数据预测的用户下一用水阶段的用水时刻。有效能耗预测模型利用用户历史进水温度、历史用水量、历史出水温度、历史用水时刻以及历史总热量训练获得，因此有效能耗预测模型可以根据用户的用水习惯预测用户在下一用水阶段所使用的总热量以及用户在下一用水阶段的用水时刻。在一个实施例中，根据主控模块的独立时钟获取用水时刻。
S1004，根据预测有效能耗确定电热水器的加热温度。
S1006，根据加热温度以及内胆温度确定加热时长。
S1008，根据预测用水时刻和加热时长计算电热水器的启动加热时刻。
应说明的是，启动加热时刻指的是电热水器开始对内胆存储的水进行加热的时刻。
S1010，根据启动加热时刻，控制电热水器将内胆中的水进行加热。
对于步骤S1004至步骤S1006以及步骤S1010的描述详见上文实施例，在此不再赘述。
上述实施例根据加热时长以及预测用水时刻可以确定电热水器的启动加热时刻，以提前为用户加热好用户所需的热水。基于LSTM-GA(Long Short-Term Memory-GeneticAlgorithm，基于遗传算法优化的长短期记忆模型)算法的用户用水习惯预测，并控制电热水器自动加热方法，自适应地进行热水器加热，可避免在无用水时间段内的电热水器频繁反复工作造成的热量损耗以及对各部件的损耗。可以节约能源以及延长电热水器的使用年限。
在一个实施例中，如图11所示，其示出了本申请实施例提供的一种电热水器的加热控制方法的流程示意图。如图11所示，该电热水器的加热控制方法包括步骤S1102至S1112。
S1102，获取有效能耗预测模型根据用户的历史用水数据输出的预测有效能耗以及预测用水时刻。
S1104，根据预测有效能耗确定电热水器的加热温度。
S1106，根据加热温度、电热水器加热功率、电热水器加热效率以及内胆温度确定加热时长。
S1108，根据预测用水时刻和加热时长确定电热水器的启动加热时刻。
S1110，判断当前时刻是否到达启动加热时刻，若是，则执行步骤S1112，若否，则判断当前时刻是否到达启动加热时刻。
应说明的，周期判断当前时刻是否到达启动加热时刻，直至当前时刻到达启动加热时刻，控制电热水器将内胆中的水进行加热。
S1112，控制电热水器将内胆中的水进行加热。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的有效能耗预测模型的建立方法的有效能耗预测模型的建立装置。该有效能耗预测模型的建立装置所提供的解决问题的实现方案与上述有效能耗预测模型的建立方法中所记载的实现方案相似，故下面所提供的一个或多个有效能耗预测模型的建立装置实施例中的具体限定可以参见上文中对于有效能耗预测模型的建立方法的限定，在此不再赘述。
在一个实施例中，如图12所示，提供了一种有效能耗预测模型的建立装置，包括：采集模块1202和建立模块1204，其中：采集模块1202用于获取用水数据，并根据用水数据形成训练用水数据集；其中，用水数据包括用户在至少一用水阶段的进水温度、用水量、出水温度以及总热量。建立模块1204用于初始化长短期记忆模型并使用训练用水数据集对长短期记忆模型进行训练，将训练好的长短期记忆模型作为有效能耗预测模型。
在一个实施例中，建立模块还可以用于初始化长短期记忆模型并将训练用水数据集输入至长短期记忆模型。建立模块还可以用于基于遗传算法初始化种群的参数并利用预设的适应度函数进行遗传变异计算，并根据计算出的最优解确定长短期记忆模型的网络层数以及每一网络层数的神经元个数以完成对长短期记忆模型的训练，并将训练好的长短期记忆模型作为有效能耗预测模型。其中，适应度函数用于将在训练的过程中根据训练用水数据集得到的平均绝对误差值评价种群在遗传变异中的适应度。
上述有效能耗预测模型的建立装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的电热水器的加热控制方法的电热水器的加热控制装置。该电热水器的加热控制装置所提供的解决问题的实现方案与上述电热水器的加热控制方法中所记载的实现方案相似，故下面所提供的一个或多个电热水器的加热控制装置实施例中的具体限定可以参见上文中对于电热水器的加热控制方法的限定，在此不再赘述。
在一个实施例中，如图13所示，提供了一种电热水器的加热控制装置，包括：获取模块1302、确定模块1304和控制模块1306，其中：获取模块1302用于获取有效能耗预测模型根据用户的历史用水数据输出的预测有效能耗；其中，所述预测有效能耗为用户在下一用水阶段所使用的总热量；所述有效能耗预测模型为基于长短期记忆模型训练得到；所述历史用水数据包括历史进水温度、历史用水量以及历史出水温度；确定模块1304用于根据有效能耗确定电热水器的加热温度；控制模块1306用于根据加热温度控制电热水器将内胆的水加热至加热温度。
在一个实施例中，电热水器的加热控制装置还可以包括：本轮用水数据获取模块以及更新模块。其中，本轮用水数据获取模块用于获取用户在本轮用水阶段的本轮用水数据；本轮用水数据包括本轮进水温度、本轮用水量、本轮出水温度，以及本轮用水阶段所使用的总热量。更新模块用于根据本轮用水数据更新历史用水数据，并根据更新后的历史用水数据更新有效能耗预测模型。历史用水数据还包括历史用水阶段所使用的总热量；
在一个实施例中，更新模块还可以用于根据更新后的历史用水数据，并基于遗传算法训练有效能耗预测模型以更新有效能耗预测模型的网络层数以及每一网络层数的神经元个数。
在一个实施例中，控制模块还可以用于根据加热温度以及内胆温度确定加热时长。控制模块还可以用于根据加热时长确定电热水器的启动加热时刻。控制模块还可以用于根据启动加热时刻，控制电热水器将内胆中的水进行加热。
在一个实施例中，控制模块还可以用于获取有效能耗预测模型根据历史用水数据输出的预测用水时刻；其中，预测用水时刻为用户在下一用水阶段的开始时刻，历史用水数据还包括历史用水时刻。控制模块还可以用于根据预测用水时刻和加热时长计算电热水器的启动加热时刻。
上述有效能耗预测模型的建立装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，还提供了一种电热水器，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种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上述各方法实施例中的步骤。
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，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种电热水器的加热控制方法，其特征在于，所述方法包括：
获取有效能耗预测模型根据用户的历史用水数据输出的预测有效能耗；其中，所述预测有效能耗为用户在下一用水阶段所使用的总热量；所述有效能耗预测模型为基于长短期记忆模型训练得到；所述历史用水数据包括历史进水温度、历史用水量以及历史出水温度；
根据所述预测有效能耗确定所述电热水器的加热温度；
根据所述加热温度控制所述电热水器将内胆的水进行加热。
2.根据权利要求1所述的电热水器的加热控制方法，其特征在于，所述历史用水数据还包括历史用水阶段所使用的总热量；
所述方法还包括：
获取所述用户在本轮用水阶段的本轮用水数据；所述本轮用水数据包括本轮进水温度、本轮用水量、本轮出水温度，以及本轮用水阶段所使用的总热量；
根据所述本轮用水数据更新所述历史用水数据，并根据更新后的所述历史用水数据更新所述有效能耗预测模型。
3.根据权利要求2所述的电热水器的加热控制方法，其特征在于，所述根据更新后的所述历史用水数据更新所述有效能耗预测模型的步骤包括：
根据所述更新后的历史用水数据，并基于遗传算法训练所述有效能耗预测模型以更新所述有效能耗预测模型的网络层数以及每一网络层数的神经元个数。
4.根据权利要求1所述的电热水器的加热控制方法，其特征在于，根据所述加热温度控制所述电热水器将内胆中的水进行加热包括：
根据所述加热温度以及内胆温度确定加热时长；
根据所述加热时长确定所述电热水器的启动加热时刻；
根据所述启动加热时刻，控制所述电热水器将内胆中的水进行加热。
5.根据权利要求4所述的电热水器的加热控制方法，其特征在于，所述历史用水数据还包括历史用水时刻；所述根据所述加热时长确定所述电热水器的启动加热时刻的步骤包括：
获取所述有效能耗预测模型根据所述历史用水数据输出的预测用水时刻；其中，所述预测用水时刻为所述用户在下一用水阶段的开始时刻；
根据所述预测用水时刻和所述加热时长计算所述电热水器的启动加热时刻。
6.一种有效能耗预测模型的建立方法，其特征在于，所述有效能耗预测模型应用于权利要求1至5任意一项所述的电热水器的加热控制方法，用于根据用户的历史用水数据输出预测有效能耗；所述预测有效能耗为用户在下一用水阶段所使用的总热量；所述有效能耗预测模型的建立方法包括：
获取用水数据，并根据所述用水数据形成训练用水数据集；其中，所述用水数据包括用户在至少一用水阶段的进水温度、用水量、出水温度以及总热量；
初始化长短期记忆模型并使用所述训练用水数据集对所述长短期记忆模型进行训练，将训练好的长短期记忆模型作为所述有效能耗预测模型。
7.根据权利要求6所述的有效能耗预测模型的建立方法，其特征在于，初始化长短期记忆模型并使用所述训练用水数据集对所述长短期记忆模型进行训练，将训练好的长短期记忆模型作为所述有效能耗预测模型的步骤还包括：
初始化长短期记忆模型并将所述训练用水数据集输入至所述长短期记忆模型；
基于遗传算法初始化种群的参数并利用预设的适应度函数进行遗传变异计算，并根据计算出的最优解确定所述长短期记忆模型的网络层数以及每一网络层数的神经元个数以完成对所述长短期记忆模型的训练，并将训练好的所述长短期记忆模型作为所述有效能耗预测模型；所述适应度函数用于将在所述训练的过程中根据所述训练用水数据集得到的平均绝对误差值评价所述种群在遗传变异中的适应度。
8.一种电热水器的加热控制装置，其特征在于，所述装置包括：
获取模块，用于获取有效能耗预测模型根据用户的历史用水数据输出的预测有效能耗；其中，所述预测有效能耗为用户在下一用水阶段所使用的总热量；所述有效能耗预测模型为基于长短期记忆模型训练得到；所述历史用水数据包括历史进水温度、历史用水量以及历史出水温度；
确定模块，用于根据所述预测有效能耗确定所述电热水器的加热温度；
控制模块，用于根据所述加热温度控制所述电热水器将内胆的水进行加热。
9.一种有效能耗预测模型的建立装置，其特征在于，所述有效能耗预测模型应用于权利要求1至5任意一项所述的电热水器的加热控制方法，用于根据用户的历史用水数据输出预测有效能耗；所述预测有效能耗为用户在下一用水阶段所使用的总热量；所述装置包括：
采集模块，用于获取用水数据，并根据所述用水数据形成训练用水数据集；其中，所述用水数据包括用户在至少一用水阶段的进水温度、用水量、出水温度以及总热量；
建立模块，用于初始化长短期记忆模型并使用所述训练用水数据集对所述长短期记忆模型进行训练，将训练好的长短期记忆模型作为所述有效能耗预测模型。
10.一种电热水器，其特征在于，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
CN202111640021.6A 2021-12-29 2021-12-29 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 Active CN114396728B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111640021.6A CN114396728B (zh) 2021-12-29 2021-12-29 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111640021.6A CN114396728B (zh) 2021-12-29 2021-12-29 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

Publications (2)

Publication Number Publication Date
CN114396728A true CN114396728A (zh) 2022-04-26
CN114396728B CN114396728B (zh) 2024-03-15

Family

ID=81229508

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111640021.6A Active CN114396728B (zh) 2021-12-29 2021-12-29 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

Country Status (1)

Country Link
CN (1) CN114396728B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115183474A (zh) * 2022-06-30 2022-10-14 广西大学 一种基于模型预测与深度强化学习的热水系统控制方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110866592A (zh) * 2019-10-28 2020-03-06 腾讯科技（深圳）有限公司 模型训练方法、装置、能效预测方法、装置和存储介质
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
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
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

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
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
CN110866592A (zh) * 2019-10-28 2020-03-06 腾讯科技（深圳）有限公司 模型训练方法、装置、能效预测方法、装置和存储介质
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
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

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115183474A (zh) * 2022-06-30 2022-10-14 广西大学 一种基于模型预测与深度强化学习的热水系统控制方法
CN115183474B (zh) * 2022-06-30 2023-10-13 广西大学 一种基于模型预测与深度强化学习的热水系统控制方法

Also Published As

Publication number Publication date
CN114396728B (zh) 2024-03-15

Similar Documents

Publication Publication Date Title
Zeng et al. Fuzzy forecasting based on linear combinations of independent variables, subtractive clustering algorithm and artificial bee colony algorithm
US20120123980A1 (en) Optimization technique using evolutionary algorithms
CN114396728B (zh) 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
CN107563801A (zh) 一种基于隐马尔可夫模型的消费者线下消费行为预测方法
CN110858062A (zh) 目标优化参数的获取方法及模型训练方法、装置
Yang Dynamic risk identification safety model based on fuzzy support vector machine and immune optimization algorithm
CN112446169A (zh) 热水器用水量的预测方法、热水器以及存储介质
CN109242142B (zh) 一种面向基础设施网的时空预测模型参数优化方法
van Berlo et al. Studying the conditions for learning dynamic Bayesian networks to discover genetic regulatory networks
CN103745275A (zh) 光伏系统发电功率的预测方法和装置
CN110222743A (zh) 电网事故的预案生成方法
Chang et al. Energy consumption level prediction based on classification approach with machine learning technique
CN111680838A (zh) 一种空调负荷聚合功率预测方法及系统
CN115204463A (zh) 一种基于多注意力机制的剩余使用寿命不确定性预测方法
CN114169416B (zh) 一种基于迁移学习的小样本集下短期负荷预测方法
Sambo et al. More: Mixed optimization for reverse engineering—an application to modeling biological networks response via sparse systems of nonlinear differential equations
RU2701093C1 (ru) Устройство нечетко-случайного моделирования сценариев развития ситуации
CN113821975A (zh) 一种燃料电池性能衰减预测方法及系统
CN111859807A (zh) 汽轮机初压寻优方法、装置、设备及存储介质
Battaglia et al. A generalization of periodic autoregressive models for seasonal time series
Galinier et al. Genetic algorithm to improve diversity in MDE
Noman et al. On model selection criteria in reverse engineering gene networks using RNN model
JP2007047945A (ja) 予測装置
US5696882A (en) Method and apparatus for using a neural network to extract an optimal subset of data objects from an available class of data objects
CN114372151B (zh) 一种个性化出题方法、装置、计算机可读存储介质和电子设备

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