CN114459160A - 热水器温度的设置方法、热水器以及存储介质 - Google Patents

热水器温度的设置方法、热水器以及存储介质 Download PDF

Info

Publication number
CN114459160A
CN114459160A CN202011226102.7A CN202011226102A CN114459160A CN 114459160 A CN114459160 A CN 114459160A CN 202011226102 A CN202011226102 A CN 202011226102A CN 114459160 A CN114459160 A CN 114459160A
Authority
CN
China
Prior art keywords
power consumption
water
water heater
historical
temperature
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
CN202011226102.7A
Other languages
English (en)
Other versions
CN114459160B (zh
Inventor
戴威
简翱
陈昕乐
马群
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
Midea Smart Home Technology Co Ltd
Original Assignee
Midea Group Co Ltd
Midea Smart Home Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Midea Group Co Ltd, Midea Smart Home Technology Co Ltd filed Critical Midea Group Co Ltd
Priority to CN202011226102.7A priority Critical patent/CN114459160B/zh
Priority to EP21179700.6A priority patent/EP3995747B1/en
Publication of CN114459160A publication Critical patent/CN114459160A/zh
Application granted granted Critical
Publication of CN114459160B publication Critical patent/CN114459160B/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
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24D—DOMESTIC- OR SPACE-HEATING SYSTEMS, e.g. CENTRAL HEATING SYSTEMS; DOMESTIC HOT-WATER SUPPLY SYSTEMS; ELEMENTS OR COMPONENTS THEREFOR
    • F24D19/00—Details
    • F24D19/10—Arrangement or mounting of control or safety devices
    • F24D19/1006—Arrangement or mounting of control or safety devices for water heating systems
    • F24D19/1051—Arrangement or mounting of control or safety devices for water heating systems for domestic hot water
    • F24D19/1063—Arrangement or mounting of control or safety devices for water heating systems for domestic hot water counting of energy consumption
    • 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
    • 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"
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Thermal Sciences (AREA)
  • Strategic Management (AREA)
  • Software Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Computation (AREA)
  • Combustion & Propulsion (AREA)
  • Chemical & Material Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Geometry (AREA)
  • Public Health (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Heat-Pump Type And Storage Water Heaters (AREA)

Abstract

本申请公开了一种热水器温度的设置方法、热水器以及计算机可读存储介质。该方法包括：获取热水器的历史耗电特征。将热水器的历史耗电特征输入至预置的耗电量预测模型中，得到耗电量预测模型输出的用户的预测用水耗电量。根据预测用水耗电量确定热水器的预测总耗电量。根据预测总耗电量确定热水器的设置温度。采用设置温度对热水器的加热温度进行设置。通过这种方式，在满足节能的同时，还能够提高热水器温度设置方法的精确度。

Description

热水器温度的设置方法、热水器以及存储介质
技术领域
本申请涉及本发明涉及热水器技术领域，具体涉及一种热水器温度的设置方法、热水器以及计算机可读存储介质。
背景技术
在热水器的使用过程中，大部分用户都会把热水器的温度固定地设置在一个较高的档位下，并且24小时运行，但每天只有一小部分时间使用热水器，大部分时间都是闲置状态，因此会造成能耗的浪费。
还有些传统的热水器的推荐温度预测的方式采用用户历史的用水量来预测用户未来的用水量，但是由于用户用水的水温存在波动，所以历史用水量的预测不可避免存在一定的误差，再采用历史用水量预测未来用水量，从而导致了这种误差的放大，极易影响模型的效果，进而使得到的热水器的推荐温度的误差较大。
发明内容
本申请提供一种热水器温度的设置方法、热水器以及计算机可读存储介质，以解决现有技术中热水器的温度设置方法误差较大、得到的热水器的设置温度精确度不高的问题。
为解决上述技术问题，本申请采用的一个技术方案是：提供一种热水器用水量的预测方法，该方法包括：获取热水器的历史耗电特征。将热水器的历史耗电特征输入至预置的耗电量预测模型中，得到耗电量预测模型输出的用户的预测用水耗电量。根据预测用水耗电量确定热水器的预测总耗电量。根据预测总耗电量确定热水器的设置温度。采用设置温度对热水器的加热温度进行设置。
进一步地，根据预测总耗电量确定热水器的设置温度包括：获取热水器的当前水温。根据当前水温和预测总耗电量确定热水器的设置温度。
进一步地，根据当前水温和预测总耗电量确定热水器的设置温度包括：根据以下公式确定热水器的设置温度：
Figure BDA0002763712030000021
其中，T为确定的热水器的设置温度，y为预测总耗电量，T当为当前水温，V为热水器的容积。
进一步地，将热水器的历史耗电特征输入至预置的耗电量预测模型中，得到耗电量预测模型输出的用户的预测用水耗电量包括：获取气温数据和节假日数据。将热水器的历史耗电特征、气温数据和节假日数据输入至耗电量预测模型中，得到耗电量预测模型输出的用户的预测用水耗电量。
进一步地，将热水器的历史耗电特征输入至耗电量预测模型中，得到耗电量预测模型输出的用户的预测用水耗电量包括：耗电量预测模型为预先采用训练用水事件对应的热水器的历史耗电特征作为样本输入数据，采用训练用水事件对应的用户的预测用水耗电量作为样本输出数据，并基于机器学习算法训练得到的。
进一步地，耗电量预测模型基于线性回归方程建立。在耗电量预测模型训练过程中，耗电量预测模型的损失函数包括第一正则化项、第二正则化项，第一正则化项为线性回归方程的系数的绝对值之和，第二正则化项为线性回归方程的系数的平方和。
进一步地，耗电量预测模型为：
Figure BDA0002763712030000022
损失函数为：
Figure BDA0002763712030000023
其中，Xi为第i个历史耗电特征，yi为第i个训练用水事件对应的用户的实际用水耗电量，
Figure BDA0002763712030000031
为耗电量预测模型输出的第i个预测用水耗电量，α,β,λ为超参数，α,β,λ>0,λ∈(0,1)，n为训练用水事件的总数，aj为线性回归方程的第j个系数，m表示线性回归方程共有m个系数。
进一步地，根据预测用水耗电量确定热水器的预测总耗电量包括：计算热水器内水温升高对应的桶内水耗电量。将预测用水耗电量与桶内水耗电量之和作为热水器的预测总耗电量。
进一步地，获取热水器的历史耗电特征包括：获取用户的历史用水耗电量。根据历史用水耗电量确定历史耗电特征。
进一步地，获取用户的历史用水耗电量包括：获取热水器内水温升高对应的历史桶内水耗电量。根据历史桶内水耗电量和热水器的历史总耗电量，计算历史用水耗电量。
进一步地，获取热水器内水温升高对应的历史桶内水耗电量，包括：利用热水器的初始胆内温度和最终胆内温度计算热水器内水温升高对应的历史桶内水耗电量。
进一步地，根据以下公式获取热水器内水温升高对应的历史桶内水耗电量W1：
Figure BDA0002763712030000032
其中，T最终表示热水器的最终胆内温度，T初始表示热水器的初始胆内温度，V表示热水器的容积。
进一步地，根据以下公式计算历史用水耗电量W2：
W2＝K*W-W1
其中，W表示热水器的历史总耗电量，W1表示热水器内水温升高对应的历史桶内水耗电量。
进一步地，历史总耗电量根据热水器的加热管功率以及加热时长确定。
进一步地，根据预测总耗电量确定热水器的设置温度之后，还包括：对热水器的设置温度进行极值纠正。
进一步地，根据以下公式对热水器的设置温度进行极值纠正：
T最终＝max(T出,min(T，T最高))
其中，T最终表示经过极值纠正之后得到的热水器的设置温度，T表示热水器的设置温度，T最高表示热水器允许设置的最高温度。
为解决上述技术问题，本申请采用的另一个技术方案是：提供一种热水器，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述方法的步骤。
为解决上述技术问题，本申请采用的另一个技术方案是：提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述方法的步骤。
本申请的有益效果是：区别于现有技术的情况，本申请提供热水器用水量预测方法，首先将热水器的历史耗电特征输入至预置的耗电量预测模型中，得到耗电量预测模型输出的用户的预测用水耗电量。再根据预测用水耗电量确定热水器的预测总耗电量，进而根据预测总耗电量确定热水器的设置温度。也即本申请提供的热水器温度的设置方法，通过预测的未来的热水器的总耗电量来确定热水器的设置温度，能够减小传统的利用用水量来确定设置温度的方法带来的误差，在更加节能的同时，能够使得到的热水器的设置温度所能供应的用水量更接近用户的真实用水量。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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是本申请提供的热水器温度的设置方法一实施方式的流程示意图；
图2是图1中步骤S10一实施方式的流程示意图；
图3是图2中步骤S11一实施方式的流程示意图；
图4是图1中步骤S20一实施方式的流程示意图；
图5是图1中步骤S30一实施方式的流程示意图；
图6是图1中步骤S40一实施方式的流程示意图；
图7是本申请提供的热水器一实施例的结构示意图；
图8是本申请提供的计算机可读存储介质一实施例的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
参阅图1，图1是本申请提供的热水器温度的设置方法一实施方式的流程示意图，如图1所示，该方法包括以下步骤：
S10：获取热水器的历史耗电特征。
可选的，参阅图2，图2是图1中步骤S10一实施方式的流程示意图，如图2所示，步骤S10可以包括以下步骤：
S11：获取用户的历史用水耗电量。
在这一步骤中，具体获取何时的历史用水耗电量可以根据实际用水情况灵活设置，考虑到用户使用电热水器具有一定的周期性和习惯性，因此根据用户的使用周期或使用习惯来确定获取何时的历史用水耗电量，例如可以获取与待测日距离最近的一个周期或多个周期的历史用水耗电量。另外，从用户用水的大数据可以看出，用户在每一天的不同时段具有不同的用水需求，例如大部分用户在每天的19点至21点这一时间段的用水需求远高于这一天的其他时间段。因此可以根据用户的用水习惯分时段获取用户在不同时段的历史用水耗电量。
在本实施例中，将热水器的设置温度与用户实际的用水耗电量紧密联系，从而使热水器的设置温度所能供应的用水量更加接近用户实际的用水量，减小误差。因此本实施例的用户的历史用水耗电量指的是用户实际的历史用水耗电量，跟热水器的历史总耗电量有所区别。可选的，参阅图3，图3是图2中步骤S11一实施方式的流程示意图，如图3所示，步骤S11可以包括以下步骤：
S111：获取热水器内水温升高对应的历史桶内水耗电量。
在一个具体实施方式中，可以利用热水器的初始胆内温度和最终胆内温度计算热水器内水温升高对应的历史桶内水耗电量。具体可以根据以下公式获取热水器内水温升高对应的历史桶内水耗电量W1：
Figure BDA0002763712030000061
其中，T最终表示热水器的最终胆内温度，T初始表示热水器的初始胆内温度，V表示热水器的容积。
可以理解的是，热水器的最终胆内温度和初始胆内温度均表示的是热水器胆内水的温度，具体可以通过胆内的温度传感器获取。
S112：根据历史桶内水耗电量和热水器的历史总耗电量，计算历史用水耗电量。
可选地，历史总耗电量可以根据热水器的加热管功率以及加热时长确定。
具体地，由于不同的热水器可能具有不同数量的加热管数量，热水器的可能具有的加热管数量为1,2,3。因此在本实施例中，需要根据热水器的加热管数量分多种情况计算热水器的历史总耗电量。
若热水器的加热管数量为1，将热水器设备型号对应唯一加热管功率与加热持续时长的乘积值作为热水器的历史总耗电量。
若热水器的加热管数量为2，首先计算热水器设备型号对应顶部加热管功率与顶部加热持续时长的乘积作为乘积1。
然后计算热水器设备型号对应底部加热管功率与底部加热持续时长的乘积作为乘积2。
将上述乘积1与乘积2之和作为热水器的历史总耗电量。
若热水器的加热管数量为3，首先计算热水器设备型号对应顶部加热管功率与顶部加热持续时长的乘积作为乘积1。
然后计算热水器设备型号对应底部加热管功率与底部加热持续时长的乘积作为乘积2。
最后计算热水器设备型号对应底部加热管功率与中部加热持续时长的乘积作为乘积3。
将上述乘积1、乘积2与乘积3之和作为热水器的历史总耗电量。
可以理解，热水器历史总耗电量中的一部分用于对热水器胆内水的加热，即热水器内水温升高对应的历史桶内水耗电量，另一部分用于对用户所用的历史用水量进行加热，即历史用水耗电量，因此，具体可以根据以下公式计算用户的历史用水耗电量W2：
W2＝K*W-W1
其中，W表示热水器的历史总耗电量，K表示损耗系数，W1表示热水器内水温升高对应的历史桶内水耗电量。
S12：根据历史用水耗电量确定历史耗电特征。
历史耗电特征可以是用户的多个历史用水耗电量的统计特征，例如，多个历史用水耗电量的最大值、最小值、均值、标准差等等。
在一个具体实施方式中，获取的用户的历史耗电特征如下表所示，其中，假设确定热水器的设置温度的当天的日期为T，则前X天定义为T-X，前X天的用电量为WT-X。
Figure BDA0002763712030000081
S20：将热水器的历史耗电特征输入至预置的耗电量预测模型中，得到耗电量预测模型输出的用户的预测用水耗电量。
具体地，耗电量预测模型为预先采用训练用水事件对应的热水器的历史耗电特征作为样本输入数据，采用训练用水事件对应的用户的预测用水耗电量作为样本输出数据，并基于机器学习算法训练得到的。
参阅图4，图4是图1中步骤S20一实施方式的流程示意图，如图4所示，具体地，步骤S20可以包括以下步骤：
S21：获取训练用水事件。
在建立耗电量预测模型时，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)，这里的每个训练用水事件包括训练用水事件对应的历史耗电特征，可以通过上述步骤S10中获取用户的历史耗电特征的方式获取，当然也可以利用其它任何方式获取，在此不做具体限定，另外，每个训练用水事件需要对应有确定的用户实际用水耗电量。
步骤S22：利用训练用水事件，基于机器学习算法构建耗电量预测模型。
将每个训练用水事件对应的热水器的历史耗电特征作为样本输入数据，将由训练用水事件对应的用户的预测用水耗电量作为样本输出数据，基于机器学习算法进行模型训练，获得耗电量预测模型。
可选地，基于线性回归方程建立耗电量预测模型，耗电量预测模型为：
Figure BDA0002763712030000091
其中，Xi为第i个历史耗电特征，
Figure BDA0002763712030000092
为耗电量预测模型输出的第i个预测用水耗电量，aj为线性回归方程的第j个系数，m表示线性回归方程共有m个系数。
本申请发明人经长期研究发现，传统方法在预测热水器用户的用水耗电量时未曾考虑到预测误差在用户体验上的差异，也即，没有考虑到当预测用水耗电量小于用户实际用水耗电量时用户感知体验更差这一现象。
因此，本实施例提供的热水器温度的设置方法在建立用水量耗电量预测模型时，将预测误差在用户体验上的差异作为一个重要参量考虑进去。
也即，在耗电量预测模型的训练过程中，将用户的实际用水耗电量减去用户的预测用水耗电量的差值作为耗电量预测模型的损失函数的一个重要参量，通过这种方式，能够在预测用户的预测用水耗电量尽可能的接近用户实际用水耗电量的基础上，使得预测用水耗电量尽量大于用户的实际用水耗电量，以避免用户在用水过程中，突然没有热水的尴尬场面的发生，提高用户体验。
可选地，在耗电量预测模型训练过程中，耗电量预测模型的损失函数包括第一正则化项、第二正则化项。其中，第一正则化项为线性回归方程的系数的绝对值之和
Figure BDA0002763712030000101
第二正则化项为线性回归方程的系数的平方和
Figure BDA0002763712030000102
具体地，构建损失函数为：
Figure BDA0002763712030000103
其中，yi为第i个训练用水事件对应的用户的实际用水耗电量，
Figure BDA0002763712030000104
为耗电量预测模型输出的第i个预测用水耗电量，α,β,λ为超参数，α,β,λ>0,λ∈(0,1)，n为训练用水事件的总数，aj为线性回归方程的第j个系数，m表示线性回归方程共有m个系数。
在上述损失函数中，
Figure BDA0002763712030000105
体现了在建立用水量耗电量预测模型时，将预测误差在用户体验上的差异作为一个重要参量考虑进去。显然，若耗电量预测模型输出的用水耗电量越大于用户的实际用水耗电量，U越小，导致上述损失函数越小，反之U越大，则会导致上述损失函数越大。其中，λ>0,λ∈(0,1)为超参数，在模型训练过程中，可以调节λ的值，从而调节损失函数中第一项与第二项所占的比重。也即，确定损失函数中，用户是希望耗电量预测模型输出的用水耗电量大于用户的实际用水耗电量(耗电量预测模型输出的用水耗电量接近用户的实际用水耗电量的可能性相对减小)，还是更希望耗电量预测模型输出的用水耗电量越接近用户的实际用水耗电量(耗电量预测模型输出的用水耗电量小于用户的实际用水耗电量的可能性增大)。例如，用户在冬天的时候，可能期望设置温度所能供应的用水量稍微大于用户实际的用水需求，因此，此时可以相应增大λ，从而使U相应增大，最终使模型输出的用水耗电量略微大于用户的实际用水耗电量。
在训练过程中，损失函数E越接近于零，表示训练的耗电量预测模型越准确，而损失函数E越小，表示耗电量预测模型输出的用水耗电量越大于用户的实际用水耗电量，能够使得用户在使用热水器的过程中，减少遇到热水短缺的情况，提高用户体验。
S23：将热水器的历史耗电特征输入耗电量预测模型，得到用户的预测用水耗电量。
在另一实施方式中，考虑到热水器用户的用水行为不仅具有较强的周期性，同时又受到天气、节假日的影响，因此在建立耗电量预测模型时可以将气温数据和节假日数据分别作为一个或多个特征，并用于结合用户的历史耗电特征训练该耗电量预测模型。
可以理解的是，气温数据表示热水器所在地区的气温数据，可以获取多个气温数据，例如当天所在地区的最高温度、当天所在地区的最低温度、当天所在地区的平均气温、当天所在地区的最高温度-当天所在地区的最低温度等等，在此不做具体限制。可选地，气温数据可以通过多种方式获取，例如通过移动终端的天气APP获取，或者通过TV端天气预报获取气温数据等等。
例如，获取的气温数据如下表所示。
Figure BDA0002763712030000111
Figure BDA0002763712030000121
可以理解的是，节假日数据在训练耗电量预测模型时，表示用户的实际用水耗电量所对应的那一天是否是节假日，例如，若实际用水耗电量所对应的那一天是节假日，则令训练用水事件对应的实际用水耗电量的节假日数据为1，否则为0。
具体在训练耗电量预测模型时，将训练用水事件对应的用户的历史耗电特征、气温数据和节假日数据作为样本输入数据，采用训练用水事件对应的用户的预测用水耗电量作为样本输出数据，并基于机器学习算法进行训练，在耗电量预测模型的训练过程中，采用用户实际用水耗电量减去用户的预测用水耗电量的差值作为耗电量预测模型的损失函数的一个重要参量。
具体地，基于线性回归方程建立耗电量预测模型，耗电量预测模型为：
Figure BDA0002763712030000122
其中，Xi(i＝1，……，m)为第i个历史耗电特征，ai(i＝1，……，x)表示第i个历史耗电特征对应的待测参量。Zj表示第j个气温数据，bi表示第j个气温数据对应的待测参量，C表示节假日数据，c表示节假日数据对应的待测参量。
同理，构建损失函数为：
Figure BDA0002763712030000123
其中，yi为第i个训练用水事件对应的热水器的实际用水量，
Figure BDA0002763712030000124
为用水量预测模型输出的第i个热水器的预测用水量，α,β,λ为超参数，α,β,λ>0,λ∈(0,1)，n为训练用水事件的总数，aj为第j个历史耗电特征对应的待测系数，bk为第k个气温数据对应的待测系数，c为节假日数据对应的待测系数，m表示线性回归方程共有m个历史耗电特征，z表示线性回归方程共有z个气温数据。
同样，耗电量预测模型训练完成之后，只需将热水器的历史耗电特征、气温数据以及待测日的节假日数据输入至耗电量预测模型中，即可得到耗电量预测模型输出的用户的预测用水耗电量。
S30：根据预测用水耗电量确定热水器的预测总耗电量。
可以理解的是，通过步骤S20确定用户的预测用水耗电量之后，同样需要根据预测用水耗电量确定热水器的预测总耗电量，并根据预测总耗电量确定热水器的设置温度。可选地，参阅图5，图5是图1中步骤S30一实施方式的流程示意图，如图5所示，步骤S30可以包括以下步骤：
S31：计算热水器内水温升高对应的桶内水耗电量。
具体地，通过以下公式确定热水器内水温升高对应的历史桶内水耗电量W1：
Figure BDA0002763712030000131
其中，T出表示热水器的出水温度，T初始表示热水器的初始胆内温度，V表示热水器的容积。
热水器的出水温度可以是用户用水时的适宜体感温度，例如，42摄氏度。这里的热水器内水温升高对应的历史桶内水耗电量W1表示将热水器内水温升高至热水器的出水温度所需要的耗电量。
而热水器的初始胆内温度即为热水器第一条上报数据的实际温度，由于从模型运算到设置温度推送到设备端需要一定时间，因此，此处第一条上报数据的实际温度，在实际应用时可以采用模型运行时最近一条上报数据的水温来近似。
S32：将预测用水耗电量与桶内水耗电量之和作为热水器的预测总耗电量。
考虑到预测总耗电量设置只可能为大于等于0的数，因此此处可以对预测总耗电量进行最小值的限制，即：
预测总耗电量＝max(预测总耗电量，0)。
S40：根据预测总耗电量确定热水器的设置温度。
可选地，参阅图6，图6是图1中步骤S40一实施方式的流程示意图，如图6所示，步骤S40可以包括以下步骤，即：
S41：获取热水器的当前水温。热水器的当前水温可以根据热水器内部相应位置的温度传感装置获取，在此不做具体叙述。
S42：根据当前水温和预测总耗电量确定热水器的设置温度。
具体地，根据以下公式确定热水器的设置温度：
Figure BDA0002763712030000141
其中，T为确定的热水器的设置温度，y为预测总耗电量，T当为当前水温，V为热水器的容积。
S50：采用设置温度对热水器的加热温度进行设置。
可选地，在步骤S50之前，为了避免得到的热水器的设置温度存在异常极端值的情形，可以对得到的设置温度进行上下限的限制，可以使得模型的预测结果更加符合实际情况。
具体地，处于安全考虑，一般热水器都存在一个允许设置的最高温度，因此，可以基于热水器允许设置的最高温度设置极值纠正式。具体地，可以根据以下公式对热水器的设置温度进行极值纠正：
T最终＝max(T出,min(T，T最高))
其中，T最高表示热水器允许设置的最高温度，T出表示热水器的出水温度，T表示热水器的设置温度，T最终表示经过极值纠正之后得到的热水器的设置温度。
不同类型，不同品牌的热水器可设定最高温度都不同。例如，储水式电热水器最高设定温度大多在75度左右，即热式电热水器大概在80度左右，而空气能热水器不带辅助电加热功能的最高设定水温在60度左右，燃气热水器要低一些。
本实施例提供的热水器温度的设置方法，首先将热水器的历史耗电特征输入至预置的耗电量预测模型中，得到耗电量预测模型输出的用户的预测用水耗电量。再根据预测用水耗电量确定热水器的预测总耗电量，进而根据预测总耗电量确定热水器的设置温度。也即本申请提供的热水器温度的设置方法，通过预测的未来的热水器的总耗电量来确定热水器的设置温度，能够减小传统的利用的用水量来确定设置温度的方法所带来的误差，在更加节能的同时，能够使得到的热水器的设置温度所能供应的用水量更接近用户的真实用水量。
参阅图7，图7是本申请提供的热水器一实施例的结构示意图，该热水器100包括存储器110和处理器120，其中，存储器110用于存储计算机程序，处理器120用于执行计算机程序以实现本申请提供的热水器100温度的设置方法的步骤。例如，热水器100用于实现以下步骤：获取热水器100的历史耗电特征。将热水器100的历史耗电特征输入至预置的耗电量预测模型中，得到耗电量预测模型输出的用户的预测用水耗电量。根据预测用水耗电量确定热水器100的预测总耗电量。根据预测总耗电量确定热水器100的设置温度。采用设置温度对热水器100的加热温度进行设置。处理器120可能是一个中央处理器CPU，或者是专用集成电路ASIC(Application Specific Integrated Circuit)，或者是被配置成实施本申请实施例的一个或多个集成电路。
存储器110用于可执行的指令。存储器110可能包含高速RAM存储器110，也可能包括非易失性存储器110(non-volatile memory)，例如至少一个磁盘存储器。存储器110也可以是存储器阵列。存储器110还可能被分块，并且块可按一定的规则组合成虚拟卷。存储器110存储的指令可被处理器120执行，以使处理器120能够执行上述任意方法实施例中的热水器100的温度设置方法。
参阅图8，图8是本申请提供的计算机可读存储介质一实施例的结构示意图。该计算机可读存储介质200上存储有计算机程序201，计算机程序201被处理器100执行时实现本申请提供的热水器100温度的设置方法的步骤。例如，计算机程序201被处理器100执行时实现以下步骤：获取热水器100的历史耗电特征。将热水器100的历史耗电特征输入至预置的耗电量预测模型中，得到耗电量预测模型输出的用户的预测用水耗电量。根据预测用水耗电量确定热水器100的预测总耗电量。根据预测总耗电量确定热水器100的设置温度。采用设置温度对热水器100的加热温度进行设置。计算机存储介质200可以是计算机能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器110(NANDFLASH)、固态硬盘(SSD))等。
本实施例提供的热水器温度的设置方法，首先将热水器的历史耗电特征输入至预置的耗电量预测模型中，得到耗电量预测模型输出的用户的预测用水耗电量。再根据预测用水耗电量确定热水器的预测总耗电量，进而根据预测总耗电量确定热水器的设置温度。也即本申请提供的热水器温度的设置方法，通过预测的未来的热水器的总耗电量来确定热水器的设置温度，能够减小传统的利用的用水量来确定设置温度的方法所带来的误差，在更加节能的同时，能够使得到的热水器的设置温度所能供应的用水量更接近用户的真实用水量。
综上，本申请提供的热水器100温度的设置方法，首先将热水器100的历史耗电特征输入至预置的耗电量预测模型中，得到耗电量预测模型输出的用户的预测用水耗电量。再根据预测用水耗电量确定热水器100的预测总耗电量，进而根据预测总耗电量确定热水器100的设置温度。也即本申请提供的热水器100温度的设置方法，通过预测的未来的热水器100的总耗电量来确定热水器100的设置温度，能够减小传统的利用的用水量来确定设置温度的方法所带来的误差，在更加节能的同时，能够使得到的热水器100的设置温度所能供应的用水量更接近用户的真实用水量。可以理解的是，此处所描述的具体仅用于解释本申请，而非对本申请的限定。另外为了便于描述，附图中仅示出了与本申请相关的部分而非全部结构。基于本申请中的，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他，都属于本申请保护的范围。
本申请中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“”意味着，结合描述的特定特征、结构或特性可以包含在本申请的至少一个中。在说明书中的各个位置出现该短语并不一定均是指相同的，也不是与其它互斥的独立的或备选的。本领域技术人员显式地和隐式地理解的是，本文所描述的可以与其它相结合。
以上仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (18)

1.一种热水器温度的设置方法，其特征在于，所述方法包括：
获取所述热水器的历史耗电特征；
将所述热水器的历史耗电特征输入至预置的耗电量预测模型中，得到所述耗电量预测模型输出的用户的预测用水耗电量；
根据所述预测用水耗电量确定所述热水器的预测总耗电量；
根据所述预测总耗电量确定所述热水器的设置温度；
采用所述设置温度对所述热水器的加热温度进行设置。
2.根据权利要求1所述的方法，其特征在于，所述根据所述预测总耗电量确定所述热水器的设置温度包括：
获取所述热水器的当前水温；
根据所述当前水温和所述预测总耗电量确定所述热水器的设置温度。
3.根据权利要求2所述的方法，其特征在于，所述根据所述当前水温和所述预测总耗电量确定所述热水器的设置温度包括：
根据以下公式确定所述热水器的设置温度：
Figure FDA0002763712020000011
其中，T为确定的所述热水器的设置温度，y为所述预测总耗电量，T当为所述当前水温，V为所述热水器的容积。
4.根据权利要求1所述的方法，其特征在于，所述将所述热水器的历史耗电特征输入至预置的耗电量预测模型中，得到所述耗电量预测模型输出的所述用户的预测用水耗电量包括：
获取气温数据和节假日数据；
将所述热水器的历史耗电特征、所述气温数据和节假日数据输入至所述耗电量预测模型中，得到所述耗电量预测模型输出的所述用户的预测用水耗电量。
5.根据权利要求1所述的方法，其特征在于，所述将所述热水器的历史耗电特征输入至耗电量预测模型中，得到所述耗电量预测模型输出的所述用户的预测用水耗电量包括：
所述耗电量预测模型为预先采用训练用水事件对应的所述热水器的历史耗电特征作为样本输入数据，采用所述训练用水事件对应的所述用户的预测用水耗电量作为样本输出数据，并基于机器学习算法训练得到的。
6.根据权利要求5所述的方法，其特征在于，
所述耗电量预测模型基于线性回归方程建立；
在所述耗电量预测模型训练过程中，所述耗电量预测模型的损失函数包括第一正则化项、第二正则化项，所述第一正则化项为所述线性回归方程的系数的绝对值之和，所述第二正则化项为所述线性回归方程的系数的平方和。
7.根据权利要求6所述的方法，其特征在于，
所述耗电量预测模型为：
Figure FDA0002763712020000021
所述损失函数为：
Figure FDA0002763712020000022
其中，Xi为第i个历史耗电特征，yi为第i个所述训练用水事件对应的所述用户的实际用水耗电量，
Figure FDA0002763712020000023
为所述耗电量预测模型输出的第i个所述预测用水耗电量，α,β,λ为超参数，α,β,λ>0,λ∈(0,1)，n为所述训练用水事件的总数，aj为所述线性回归方程的第j个系数，m表示所述线性回归方程共有m个系数。
8.根据权利要求1所述的方法，其特征在于，所述根据所述预测用水耗电量确定所述热水器的预测总耗电量包括：
计算所述热水器内水温升高对应的桶内水耗电量；
将所述预测用水耗电量与所述桶内水耗电量之和作为所述热水器的预测总耗电量。
9.根据权利要求1所述的方法，其特征在于，所述获取所述热水器的历史耗电特征包括：
获取所述用户的历史用水耗电量；
根据所述历史用水耗电量确定所述历史耗电特征。
10.根据权利要求9所述的方法，其特征在于，所述获取所述用户的历史用水耗电量包括：
获取热水器内水温升高对应的历史桶内水耗电量；
根据所述历史桶内水耗电量和所述热水器的历史总耗电量，计算所述历史用水耗电量。
11.根据权利要求10所述的方法，其特征在于，所述获取热水器内水温升高对应的历史桶内水耗电量，包括：
利用所述热水器的初始胆内温度和最终胆内温度计算所述热水器内水温升高对应的历史桶内水耗电量。
12.根据权利要求11所述的方法，其特征在于，根据以下公式获取所述热水器内水温升高对应的历史桶内水耗电量W1：
Figure FDA0002763712020000031
其中，T最终表示所述热水器的最终胆内温度，T初始表示所述热水器的初始胆内温度，V表示所述热水器的容积。
13.根据权利要求10所述的方法，其特征在于，根据以下公式计算所述历史用水耗电量W2：
W2＝K*W-W1
其中，W表示所述热水器的历史总耗电量，W1表示所述热水器内水温升高对应的历史桶内水耗电量。
14.根据权利要求10所述的方法，其特征在于，所述历史总耗电量根据所述热水器的加热管功率以及加热时长确定。
15.根据权利要求1所述的方法，其特征在于，所述根据所述预测总耗电量确定所述热水器的设置温度之后，还包括：
对所述热水器的设置温度进行极值纠正。
16.根据权利要求15所述的方法，其特征在于，根据以下公式对所述热水器的设置温度进行极值纠正：
T最终＝max(T出,min(T，T最高))
其中，T最终表示经过极值纠正之后得到的所述热水器的设置温度，T表示所述热水器的设置温度，T出表示热水器的出水温度，T最高表示所述热水器允许设置的最高温度。
17.一种热水器，其特征在于，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至16任一项所述方法的步骤。
18.一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，所述计算机程序被处理器执行时实现如权利要求1至16任一项所述方法的步骤。
CN202011226102.7A 2020-11-05 2020-11-05 热水器温度的设置方法、热水器以及存储介质 Active CN114459160B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011226102.7A CN114459160B (zh) 2020-11-05 2020-11-05 热水器温度的设置方法、热水器以及存储介质
EP21179700.6A EP3995747B1 (en) 2021-06-16 Method for setting temperature of water heater, water heater and non-transitorycomputer readable storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011226102.7A CN114459160B (zh) 2020-11-05 2020-11-05 热水器温度的设置方法、热水器以及存储介质

Publications (2)

Publication Number Publication Date
CN114459160A true CN114459160A (zh) 2022-05-10
CN114459160B CN114459160B (zh) 2023-05-05

Family

ID=76483194

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011226102.7A Active CN114459160B (zh) 2020-11-05 2020-11-05 热水器温度的设置方法、热水器以及存储介质

Country Status (1)

Country Link
CN (1) CN114459160B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5015332B1 (ja) * 2011-02-03 2012-08-29 シャープ株式会社 コントローラ、制御プログラム、および、コントローラの制御方法
JP2013181725A (ja) * 2012-03-05 2013-09-12 Panasonic Corp 給湯装置、熱電併給システム、及び給湯装置の運転方法
CN105989221A (zh) * 2015-02-03 2016-10-05 青岛经济技术开发区海尔热水器有限公司 热泵热水器省电计算方法及具有显示节电量的热泵热水器
CN106125563A (zh) * 2016-08-03 2016-11-16 广东美的暖通设备有限公司 家电设备的控制方法、控制装置及家电设备
CN107239852A (zh) * 2017-05-05 2017-10-10 南京邮电大学 一种基于深度学习的电量消耗预测方法
JP2018023196A (ja) * 2016-08-02 2018-02-08 三菱電機株式会社 給湯器制御装置、ゲートウェイ装置、給湯器制御システム、給湯器制御方法、およびプログラム
CN110288111A (zh) * 2018-03-19 2019-09-27 浙江昱能科技有限公司 一种基于天气预测的家庭电能管理的方法及系统
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
CN110567163A (zh) * 2019-08-23 2019-12-13 珠海格力电器股份有限公司 一种热水器控制方法、装置及热水器
CN111598378A (zh) * 2020-03-30 2020-08-28 国网山东省电力公司济南供电公司 一种居民电热水器负荷需求侧响应可调控潜力评估方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5015332B1 (ja) * 2011-02-03 2012-08-29 シャープ株式会社 コントローラ、制御プログラム、および、コントローラの制御方法
JP2013181725A (ja) * 2012-03-05 2013-09-12 Panasonic Corp 給湯装置、熱電併給システム、及び給湯装置の運転方法
CN105989221A (zh) * 2015-02-03 2016-10-05 青岛经济技术开发区海尔热水器有限公司 热泵热水器省电计算方法及具有显示节电量的热泵热水器
JP2018023196A (ja) * 2016-08-02 2018-02-08 三菱電機株式会社 給湯器制御装置、ゲートウェイ装置、給湯器制御システム、給湯器制御方法、およびプログラム
CN106125563A (zh) * 2016-08-03 2016-11-16 广东美的暖通设备有限公司 家电设备的控制方法、控制装置及家电设备
CN107239852A (zh) * 2017-05-05 2017-10-10 南京邮电大学 一种基于深度学习的电量消耗预测方法
CN110288111A (zh) * 2018-03-19 2019-09-27 浙江昱能科技有限公司 一种基于天气预测的家庭电能管理的方法及系统
CN110567163A (zh) * 2019-08-23 2019-12-13 珠海格力电器股份有限公司 一种热水器控制方法、装置及热水器
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
CN111598378A (zh) * 2020-03-30 2020-08-28 国网山东省电力公司济南供电公司 一种居民电热水器负荷需求侧响应可调控潜力评估方法

Also Published As

Publication number Publication date
EP3995747A1 (en) 2022-05-11
CN114459160B (zh) 2023-05-05

Similar Documents

Publication Publication Date Title
CN112446169B (zh) 热水器用水量的预测方法、热水器以及存储介质
CN106839468A (zh) 一种太阳能热水器水量调节方法及系统
CN113157023A (zh) 用于饮水机的控制方法、装置、存储介质及处理器
CN110529980B (zh) 中央空调实际需求供冷负荷的确定方法、系统和电子设备
JP2011247513A (ja) 沸上げ制御システム、沸上げ制御方法及びプログラム
KR20050021868A (ko) 연료 전지 발전 시스템 및 그 제어 방법
JP4702783B2 (ja) 熱負荷予測装置及び熱負荷予測方法
JP5760291B2 (ja) 特性モデル更新処理装置及び特性モデル更新方法
CN111306797A (zh) 热水器水温调节方法、装置、控制设备及热水器
CN117996293B (zh) 用于浸没储能电池的温度控制及优化方法及系统
CN106068590A (zh) 设备运转设定装置以及设备运转设定值决定程序
CN114459160A (zh) 热水器温度的设置方法、热水器以及存储介质
CN114187034A (zh) 基于负荷率优化的工商业分时电价定价方法、设备及介质
CN114528747A (zh) 热水器用水量的预测方法、热水器以及存储介质
CN106447238A (zh) 适应风电接入的深度调峰需求评估方法
CN113112094B (zh) 量化风况影响的热负荷预测方法、系统、装置及存储介质
CN114779081A (zh) 车辆电池寿命的互学习预测方法、装置及存储介质
CN114459150A (zh) 热水器温度的设置方法、热水器以及存储介质
CN112633771A (zh) 电力资源数值计算方法、装置、计算机设备和存储介质
CN110017613B (zh) 储水式热水器剩余洗浴时间的预报方法
CN114451785B (zh) 取水装置的控制方法、取水装置以及电子设备
CN116308885B (zh) 用水计划指标核定系统
WO2022044750A1 (ja) 計画システム、計画方法及びプログラム
KR102536500B1 (ko) 특수일의 전력수요예측 장치 및 방법
CN117010636A (zh) 基于台区线损的台区管理方法、装置、计算机设备及介质

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