用于预测出水温度的方法及装置、水体加热装置与流程
本申请涉及温度控制技术领域，例如涉及一种用于预测出水温度的方法及装置、水体加热装置。
背景技术：
目前，随着智能家电技术的不断发展，水体加热装置例如电热水器也越来越智能化。在移动终端和智能电热水器通过物联网建立连接之后，可以通过移动终端上安装的app(application，应用程序)对当前智能电热水器的各项参数进行设定，例如，对出水温度进行设定。
在实现本公开实施例的过程中，发现相关技术中至少存在如下问题：
水体加热装置不能自动预测出水温度，需要人工设定。
技术实现要素：
为了对披露的实施例的一些方面有基本的理解，下面给出了简单的概括。所述概括不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围，而是作为后面的详细说明的序言。
本公开实施例提供了一种用于预测出水温度的方法及装置、水体加热装置，以解决水体加热装置不能自动预测出水温度，需要人工设定的技术问题。
在一些实施例中，所述方法包括：
获得目标室内环境温度和目标出水时间；
将目标室内环境温度和目标出水时间输入神经网络预测模型，获得出水温度的预测值。
在一些实施例中，所述装置包括：
获得模块，被配置为获得目标室内环境温度和目标出水时间；
输入模块，被配置为将目标室内环境温度和目标出水时间输入神经网络预测模型，获得出水温度的预测值。
在一些实施例中，水体加热装置包括如上所述的用于预测出水温度的装置。
本公开实施例提供的用于预测出水温度的方法及装置、水体加热装置可以实现以下技术效果：
根据目标室内环境温度和目标出水时间，自动预测出水温度，无需人为设定出水温度，提高了用户体验度。
以上的总体描述和下文中的描述仅是示例性和解释性的，不用于限制本申请。
附图说明
一个或多个实施例通过与之对应的附图进行示例性说明，这些示例性说明和附图并不构成对实施例的限定，附图中具有相同参考数字标号的元件示为类似的元件，附图不构成比例限制，并且其中：
图1示例性地示出了本公开实施例提供的用于预测出水温度的方法的流程示意图；
图2示例性地示出了反向传播神经网络的神经元网络结构示意图；
图3示例性地示出了用于训练反向传播神经网络的示意样本数据；
图4示例性地示出了实现本公开实施例提供的用于预测出水温度的方法的物联网络结构图；
图5示例性地示出了包含训练反向传播神经网络过程的用于预测出水温度的方法的流程示意图；
图6示例性地示出了本公开实施例提供的电子设备的结构示意图。
附图标记：
1：设定区域水体加热装置；2：目标水体加热装置；3：大数据平台；60：处理器；61：存储器；62：通信接口；63：总线。
具体实施方式
为了能够更加详尽地了解本公开实施例的特点与技术内容，下面结合附图对本公开实施例的实现进行详细阐述，所附附图仅供参考说明之用，并非用来限定本公开实施例。在以下的技术描述中，为方便解释起见，通过多个细节以提供对所披露实施例的充分理解。然而，在没有这些细节的情况下，一个或多个实施例仍然可以实施。在其它情况下，为简化附图，熟知的结构和装置可以简化展示。
本公开实施例提供了一种用于预测出水温度的方法，如图1所示，所述方法包括以下步骤：
s1：获得目标室内环境温度和目标出水时间；其中，目标室内环境温度指需要预测出水温度的目标水体加热装置所处的室内环境温度，可通过内置于目标水体加热装置例如目标热水器的温度传感器进行采集；目标出水时间可由用户设定，例如用户在上午设定目标出水时间为下午18点；
s2：将目标室内环境温度和目标出水时间输入神经网络预测模型，获得出水温度的预测值。
本公开实施例中，水体加热装置能够根据目标室内环境温度和目标出水时间自动预测出水温度，无需人为设定，提高了用户体验度。
在一些实施例中，目标室内环境温度、目标出水时间、出水温度的预测值中的一个或一个以上可以为单个具体的数值，例如，当需要预测出水温度的目标水体加热装置所处的室内环境温度为30℃，用户所需要的目标出水时间是18点时，将30℃、18点输入神经网络预测模型，通过神经网络预测模型可获得30℃、18点对应的出水温度的预测值例如40℃。
在一些实施例中，目标室内环境温度、目标出水时间、出水温度的预测值中的一个或一个以上可以为数值范围，例如，当目标电热水器所处的室内环境温度为30℃-35℃，用户所需要的目标出水时间是18点-18点半时，将30℃-35℃、18点-18点半输入神经网络预测模型，通过神经网络预测模型可获得30℃-35℃、18点-18点半对应的出水温度的预测值例如40℃-45℃。
在一些实施例中，神经网络预测模型为反向传播神经网络预测模型。
人工神经网络(artificialneuralnetwork，简记作ann)，是对人类大脑系统的一阶特性的一种描述。简单地讲，它是一个数学模型，可以用电子线路来实现，也可以用计算机程序来模拟，是人工智能研究的一种方法。ann算法众多，其中，反向传播神经网络是一种基于误差反向传播的算法，其网络结构如图2所示，包括输入层、隐含层和输出层。神经网络的学习过程由正向传播和反向传播两部分组成。在正向传播过程中，每一层神经元的状态只能影响下一层神经元，如果输出层不能得到期望输出，即实际输出与期望输出有误差，那么转入反向传播过程，将误差信号沿原来的链接方向返回，修改各层神经元的权值，逐次向输入层传播计算。再经过正向传播过程，这两个过程交替反复运用，直到实际输出与期望输出之间的误差满足设定条件或者满足迭代次数例如2000次，此时网络学习结束，各层神经元的权值便得以确定，该确定的各层神经元的权值即神经网络连接权值就可以近似地表示输入与输出的非线性关系。反向传播神经网络有一定的容错范围，相对于学习样本有较好的泛化能力。
如图2所示，神经元值为net＝x1ω1+x2ω2+…+xnωn，其中，x1，x2，…，xn为神经元所接受的数据，ω1，ω2，…ωn分别是它们对应的连接权。在给定了输入样本x(为x1、x2至xn组成的向量)的情况下，通过随机产生的初始连接权值w(为ω1、ω2至ωn组成的数组)，可获得每个神经元的初始神经元值，通过不断迭代，可获得每个神经元在每次迭代中的神经元值。
对于反向传播神经网络，每个神经元值采用的激励函数为sigmoid函数，其函数值即为每个神经元的实际输出f(net)。其形式如下：
其中，
将输出样本y代入上述激励函数中获得的函数值即为每个神经元的期望输出f(y)；
当实际输出与期望输出之间满足下述关系时：
|f(net)-f(y)|<θ
完成对最后一层的训练。同时反向传播神经网络会将后一层计算出的误差反向向上一层传递，上一层依据上述原理同样计算误差，直到整个反向传播神经网络中所有神经元的输出均满足所有阈值要求，则训练结束，即整个反向传播神经网络实现收敛。
其中，θ为每个神经元的实际输出与期望输出之间的误差的设定阈值。在一些实施例中，误差阈值设定为0.000005～0.00002。
从上述反向传播神经网络训练原理叙述中可以看出，学习效率
在一些实施例中，学习效率
在一些实施例中，利用输入样本和输出样本预先训练反向传播神经网络预测模型；其中，
输入样本包括：室内环境温度样本数据和出水时间样本数据；即输入样本x为室内环境温度样本数据和出水时间样本数据组成的向量；
输出样本包括：与室内环境温度样本数据和出水时间样本数据对应的设定出水温度样本数据。
现有的水体加热装置例如热水器通常具有人工设定出水温度的功能，但是用户设定的出水温度通常都是个人的经验值，不够科学，往往出现设定的出水温度无法满足实际需求或超过实际需求的情况，浪费电能。图3示例性地示出了输入样本和输出样本的数据，同一个室内环境温度样本数据、同一个出水时间样本数据对应一个设定出水温度样本数据，这三个数据成为一个样本组。通过预设的规则选取与室内环境温度样本数据、出水时间样本数据对应的设定出水温度样本数据，使得训练后的神经网络预测模型获得的出水温度预测值能够接近该预设的规则，从而使得出水温度的设置不依赖个人主观经验，更加科学合理，改善用户设定的出水温度往往出现不能满足实习需求或超过实际需求的情况。
在一些实施例中，室内环境温度样本数据、出水时间样本数据、设定出水温度样本数据中的一个或一个以上可以为单个具体的数值，也可以为数值范围。
在一些实施例中，设定出水温度样本数据由设定区域中一个或一个以上水体加热装置在室内环境温度样本数据和出水时间样本数据下的实际出水温度确定。这样，参照设定区域的水体加热装置的实际出水温度，对神经网络预测模型进行训练，使得训练后的神经网络预测模型获得的出水温度预测值贴近设定区域的用户习惯，融合设定区域的用户的日常生活规律，更加贴近实际生活，有利于获得合理的、舒适的出水温度预测值，改善用户设定的出水温度往往出现实际水温不能达到要求或实际水温超过实际需要的情况，浪费电能的情况。
在一些实施例中，设定区域可以为水体加热装置所处的住房小区，也可以为水体加热装置所处的物联网络区域。
在一些实施例中，设定出水温度样本数据为设定区域中一个或一个以上水体加热装置在室内环境温度样本数据和出水时间样本数据下的实际出水温度的平均值，如图3所示，热水器1、热水器2、热水器3在相同的室内环境温度样本值、相同的出水时刻样本值的情况下，具有不同的实际出水温度，而设定出水温度样本值为三个不同的实际出水温度的平均值。这样，使得训练后的神经网络预测模型获得的出水温度预测值能够符合该设定区域内用户的一般习惯，更具有普适性，改善用户设定的出水温度往往出现实际水温不能达到要求或实际水温超过实际需要的情况，浪费电能的情况。
在一些实施例中，设定出水温度样本数据例如实际出水温度的平均值可通过大数据平台中的大数据分析引擎分析计算获得。例如，大数据分析引擎获取设定区域内一个或一个以上水体加热装置例如热水器的室内环境温度样本数据、出水时间样本数据以及与室内环境温度样本数据、出水时间样本数据对应的实际出水温度，计算得出设定出水温度样本数据例如实际出水温度的平均值。
在一些实施例中，可通过如图4所示的物联网络实现本公开实施例提供的用于预测出水温度的方法。在该物联网络中，一个或一个以上的设定区域水体加热装置1、目标水体加热装置2分别与大数据平台3建立网络连接，设定区域水体加热装置1、目标水体加热装置2中均内置有室内温度传感器、出水温度传感器，目标水体加热装置2中还内置有神经网络预测模型。大数据平台3获取一个或一个以上设定区域水体加热装置1的室内环境温度样本数据、出水时间样本数据以及与室内环境温度样本数据、出水时间样本数据对应的实际出水温度，计算得出设定出水温度样本数据，并将室内环境温度样本数据、出水时间样本数据以及与室内环境温度样本数据、出水时间样本数据对应的设定出水温度样本数据通过网络输入目标水体加热装置3中的神经网络预测模型，对神经网络预测模型进行训练，训练完毕后，目标水体加热装置2即可根据目标室内环境温度和目标出水时间，预测出水温度。其中，大数据平台3获取一个或一个以上设定区域水体加热装置1的室内环境温度样本数据、出水时间样本数据以及与室内环境温度样本数据、出水时间样本数据对应的实际出水温度的方式为：一个或一个以上设定区域水体加热装置1主动向大数据平台3上报室内环境温度样本数据、出水时间样本数据以及与室内环境温度样本数据、出水时间样本数据对应的实际出水温度。
在实际应用中，在第一次使用出水温度预测功能前，需要通过大数据平台获取一定数量的样本组，例如20组、30组等，利用这些样本据组对内置于目标水体加热装置中的神经网络预测模型进行训练，训练完毕后方可使用出水温度预测功能；或者在不使用出水温度预测功能的情况下，通过人工设定出水温度的方式多次使用目标水体加热装置，这些次数的使用数据可作为样本组，对内置于目标水体加热装置中的神经网络预测模型进行训练，训练完毕后方可使用出水温度预测功能。而后为了使神经网络预测模型能够根据不同的季节、不同的设定区域等因素而不断迭代更新，可每隔设定时间段，从大数据平台获取该时间段内的样本数据组，对内置于目标水体加热装置中的神经网络预测模型进行重新训练，从而逐步获得更加精确和稳定的神经网络预测模型。可选地，设定时间段可以为三个月，还可以根据用户需求的不同，调整设定时间的长度。
在一些实施例中，如图5所示为本公开实施例中包含预先训练神经网络预测模型的用于预测出水温度的方法流程图。图中，该方法包括：
步骤s00：获得室内环境温度样本数据、出水时刻样本数据、以及与室内环境温度样本数据、出水时间样本数据对应的实际出水温度；
步骤s01：大数据平台分析计算得出与室内环境温度样本数据、出水时间样本数据对应的设定出水温度样本数据；
步骤s02：默认设置学习效率参数；
步骤s03：向反向传播神经网络预测模型输入室内环境温度样本数据、出水时刻样本数据、以及与室内环境温度样本数据、出水时间样本数据对应的设定出水温度样本数据，启动反向传播神经网络预测模型的训练；
步骤s04：调整反向传播神经网络预测模型的连接权值；
步骤s05：判断各层神经元的输出误差是否满足设定阈值；若否，则返回步骤s04；若是，则进入步骤s06；
步骤s06：获得训练完成的反向传播神经网络预测模型；
步骤s07：向反向传播神经网络预测模型输入目标室内环境温度、目标出水时刻；
步骤s08：获得出水温度预测值。
本公开实施例还提供了一种用于预测出水温度的装置，包括：
获得模块，被配置为获得目标室内环境温度和目标出水时间；
输入模块，被配置为将目标室内环境温度和目标出水时间输入神经网络预测模型，获得出水温度的预测值。
在一些实施例中，神经网络预测模型为反向传播神经网络预测模型。
在一些实施例中，用于预测出水温度的装置还包括：
训练模块，被配置为利用输入样本和输出样本预先训练反向传播神经网络预测模型；其中，
输入样本包括：室内环境温度样本数据和出水时间样本数据；
输出样本包括：与室内环境温度样本数据和出水时间样本数据对应的设定出水温度样本数据。
本公开实施例还提供了一种水体加热装置，包括前述用于预测出水温度的装置。
在一些实施例中，水体加热装置为电热水器。
本公开实施例提供了一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为执行上述用于预测出水温度的方法。
本公开实施例提供了一种计算机程序产品，所述计算机程序产品包括存储在计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行上述用于预测出水温度的方法。
上述的计算机可读存储介质可以是暂态计算机可读存储介质，也可以是非暂态计算机可读存储介质。
本公开实施例提供了一种电子设备，其结构如图6所示，该电子设备包括：
至少一个处理器(processor)60，图6中以一个处理器60为例；和存储器(memory)61，还可以包括通信接口(communicationinterface)62和总线63。其中，处理器60、通信接口62、存储器61可以通过总线63完成相互间的通信。通信接口62可以用于信息传输。处理器60可以调用存储器61中的逻辑指令，以执行上述实施例的用于预测出水温度的方法。
此外，上述的存储器61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。
存储器61作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序，如本公开实施例中的方法对应的程序指令/模块。处理器60通过运行存储在存储器61中的软件程序、指令以及模块，从而执行功能应用以及数据处理，即实现上述方法实施例中的用于预测出水温度的方法。
存储器61可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端设备的使用所创建的数据等。此外，存储器61可以包括高速随机存取存储器，还可以包括非易失性存储器。
本公开实施例的技术方案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，包括一个或多个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)执行本公开实施例所述方法的全部或部分步骤。而前述的存储介质可以是非暂态存储介质，包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等多种可以存储程序代码的介质，也可以是暂态存储介质。
以上描述和附图充分地示出了本公开的实施例，以使本领域的技术人员能够实践它们。其他实施例可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求，否则单独的部件和功能是可选的，并且操作的顺序可以变化。一些实施例的部分和特征可以被包括在或替换其他实施例的部分和特征。本公开实施例的范围包括权利要求书的整个范围，以及权利要求书的所有可获得的等同物。本申请中使用的用词仅用于描述实施例并且不用于限制权利要求。如在实施例以及权利要求的描述中使用的，除非上下文清楚地表明，否则单数形式的“一个”(a)、“一个”(an)和“所述”(the)旨在同样包括复数形式。类似地，如在本申请中所使用的术语“和/或”是指包含一个或一个以上相关联的列出的任何以及所有可能的组合。另外，当用于本申请中时，术语“包括”
(comprise)及其变型“包括”(comprises)和/或包括(comprising)等指陈述的特征、整体、步骤、操作、元素，和/或组件的存在，但不排除一个或一个以上其它特征、整体、步骤、操作、元素、组件和/或这些的分组的存在或添加。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、方法或者设备中还存在另外的相同要素。本文中，每个实施例重点说明的可以是与其他实施例的不同之处，各个实施例之间相同相似部分可以互相参见。对于实施例公开的方法、产品等而言，如果其与实施例公开的方法部分相对应，那么相关之处可以参见方法部分的描述。
本领域技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，可以取决于技术方案的特定应用和设计约束条件。所述技术人员可以对每个特定的应用来使用不同方法以实现所描述的功能，但是这种实现不应认为超出本公开实施例的范围。所述技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本文所披露的实施例中，所揭露的方法、产品(包括但不限于装置、设备等)，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，可以仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。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单元来实现本实施例。另外，在本公开实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
附图中的流程图和框图显示了根据本公开实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这可以依所涉及的功能而定。在附图中的流程图和框图所对应的描述中，不同的方框所对应的操作或步骤也可以以不同于描述中所披露的顺序发生，有时不同的操作或步骤之间不存在特定的顺序。例如，两个连续的操作或步骤实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这可以依所涉及的功能而定。框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
- 还没有人留言评论。精彩留言会获得点赞！