热水器温度的设置方法、热水器以及存储介质与流程

1.本技术涉及智能控制技术领域，特别是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：

2.空气能热水器，工作原理是把空气中的低温热量吸收进来，经过介质气化，然后通过压缩机压缩后增压升温，再通过换热器转化给水加热，压缩后的高温热能以此来加热水温。空气能热水器具有高效节能的特点，利用能效高。
3.传统空气能热水器的加热方法通常只考虑在每天温度最高时加热，这种加热方式无法结合用户的用水习惯，而没有考虑到用户的真实用水需求，当空气能热水器在预约定时加热模式下工作时，如果遇到突发紧急用水情况，水箱中水温可能会达不到设定温度，从而导致热水量输出不足的情况发生，影响用户的用水体验。而当空气能热水器在即时加热或者即用即热模式下工作时，由于水箱中的水温长时间处于最高水温状态，在用户不使用热水的阶段，热量损耗较大，且压缩机也存在频繁启停的情况，影响压缩机的使用寿命。


技术实现要素：

4.本技术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加热方式无法适应用户用水需求的问题。
5.为解决上述技术问题，本技术提出热水器温度的设置方法，该方法包括：获取热水器的历史用水量。根据历史用水量预测热水器的预测用水量。根据预测用水量确定热水器的设置温度。其中，设置温度所能供应的用水量大于或等于预测用水量。采用设置温度对热水器的加热温度进行设置。
6.进一步地，根据预测用水量确定热水器的设置温度，包括：确定预测用水量与热水器容积的体积比。确定热水器的出水温度与进水温度的温度差。根据体积比和温度差，确定热水器的设置温度。
7.进一步地，根据体积比和温度差，确定热水器的设置温度，包括：根据以下公式计算热水器的设置温度：
[0008][0009]
其中，t表示热水器的设置温度，t
出
表示热水器的出水温度，t
进
表示热水器的进水温度，u表示热水器的预测用水量，v表示热水器容积。
[0010]
进一步地，获取热水器的历史用水量，包括：获取热水器的历史用水温度特征。将历史用水温度特征输入预置的历史用水量预测模型，输出热水器的历史用水量。其中，热水器的历史用水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用水温度特征作为训练数据训练得到的。
[0011]
进一步地，获取热水器的历史用水温度特征包括以下的至少一种：热水器的进水
温度。热水器水箱底部的最高温度与热水器水箱底部的最低温度之差。热水器水箱顶部的最高温度与热水器水箱顶部的最低温度之差。热水器水箱底部的最高温度与热水器水箱底部的最低温度之差，与热水器的进水温度的乘积。热水器水箱顶部的最高温度与热水器水箱顶部的最低温度之差，与热水器的进水温度的乘积。
[0012]
进一步地，根据历史用水量预测热水器的预测用水量，包括：将历史用水量输入至用水量预测模型中，得到用水量预测模型输出的预测用水量。其中，用水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用水量作为样本输入数据，采用训练用水事件对应的热水器的预测用水量作为样本输出数据，进行训练得到的。
[0013]
进一步地，根据历史用水量预测热水器的预测用水量，包括：获取气温数据和节假日数据。将热水器的历史用水量、气温数据和节假日数据输入至用水量预测模型中，得到用水量预测模型输出的热水器的预测用水量。其中，用水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用水量、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热水器的预测用水量作为样本输出数据，进行训练得到的。
[0014]
进一步地，在用水量预测模型的训练过程中，采用热水器实际用水量减去热水器的预测用水量所获得的差值作为用水量预测模型的损失函数的一个正则化项。
[0015]
进一步地，用水量预测模型基于线性回归方程建立。损失函数包括第一正则化项、第二正则化项以及第三正则化项，第一正则化项为线性回归方程中的系数的绝对值之和，第二正则化项为线性回归方程中的系数的平方和，第三正则化项为热水器的实际用水量减去热水器的预测用水量所获得的差值。
[0016]
进一步地，用水量预测模型为：
[0017][0018]
损失函数为：
[0019][0020]
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，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和γ为超参数，α、β和γ均大于0，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。
[0021]
进一步地，根据预测用水量获取热水器的设置温度之后，还包括：对获取的热水器的设置温度进行极值纠正。
[0022]
进一步地，根据以下公式对热水器的预测用水量进行极值纠正：
[0023][0024]
其中，t表示热水器最终的设置温度，t
出
表示热水器的出水温度，表示根据预测用水量获取的热水器的设置温度，t
最高
表示热水器允许设置的最高温度。
[0025]
为解决上述技术问题，本技术提出一种热水器，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。
[0026]
为解决上述技术问题，本技术提出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。
[0027]
区别于现有技术，本技术提供的热水器温度的设置方法，首先根据热水器的历史用水量预测热水器的未来的预测用水量，进而根据预测用水量确定热水器的设置温度，其中，设置温度所能供应的用水量大于或等于预测用水量。因此，本技术在确定热水器的设置温度时，将用户的预测用水量作为参考因素考虑进去，进而使得到的热水器的设置温度能够供应的用水量大于用户的预测用水量，保证用户正常的用水需求，在节能的同时，提高用户体验。
附图说明
[0028]
为了更清楚地说明本技术中的技术方案，下面将对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技术的一些，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。
[0029]
图1是本技术提供的热水器温度的设置方法一实施例的流程示意图；
[0030]
图2是图1中步骤s10一实施方式的流程示意图；
[0031]
图3是图1中步骤s20一实施方式的流程示意图；
[0032]
图4是图1中步骤s30一实施方式的流程示意图；
[0033]
图5是本技术提供的热水器一实施例的结构示意图；
[0034]
图6是本技术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
[0035]
为使本领域的技术人员更好地理解本技术的技术方案，下面结合附图和具体实施方式对本技术所提供的驱动电路及激光器装置进一步详细描述。
[0036]
参阅图1，图1是本技术提供的热水器温度的设置方法一实施例的流程示意图，如图1所示，本实施例提供的热水器温度的设置方法可以包括以下步骤：
[0037]
s10:获取热水器的历史用水量。
[0038]
在这一步骤中，获取何时的历史用水量可以根据用户的用水习惯来确定。例如，显然与待测日越靠近的历史用水量更能反映用户近期的用水习惯，因此可以获取与待测日越接近的历史用水量。又例如，用户在每一星期的同一天的用水习惯可能相似，则可以获取与待测日同星期的历史用水量等等。
[0039]
对于内部安装有水流量传感器的热水器来说，显然可以利用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的历史用水量。
[0040]
考虑到目前市面上的很多热水器由于种种原因，内部没有安装水流量传感器，无法通过上述方法获取历史用水量。因此，在另一个具体实施方式中，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，本实施例提供另外一种获取历史用水量的方式，即通过预先构建历史用水量预测模型确定历史用水量，具体包括以下步骤：
[0041]
s11：获取热水器的历史用水温度特征。
[0042]
可选地，获取的热水器的历史用水温度特征可以包括以下的至少一种：
[0043]
热水器的进水温度。
[0044]
热水器水箱底部的最高温度与热水器水箱底部的最低温度之差。
[0045]
热水器水箱顶部的最高温度与热水器水箱顶部的最低温度之差。
[0046]
热水器水箱底部的最高温度与热水器水箱底部的最低温度之差，与热水器的进水温度的乘积。
[0047]
热水器水箱顶部的最高温度与热水器水箱顶部的最低温度之差，与热水器的进水温度的乘积。
[0048]
可选地，上述所有的历史用水温度特征都可以根据热水器设置的相应温度传感装置获取。
[0049]
s12：将历史用水温度特征输入预置的历史用水量预测模型，输出热水器的历史用水量。其中，热水器的历史用水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用水温度特征作为训练数据训练得到的。
[0050]
可选地，本实施例利用lightgbm算法构建并训练历史用水量预测模型。
[0051]
本实施例将获取的历史用水温度特征作为训练数据，基于lightgbm算法，对训练数据进行模型训练，确定历史用水量预测模型参数。具体地，该算法主要使用了基于梯度的单边采样和互斥特征捆绑这两种方法来弥补传统boosting在处理大数据样本时的计算损耗问题。模型在训练时首先采用基于梯度的单边采样，根据样本的训练梯度进行降序排序，把前a*100％的样本作为大梯度样本数据集，对余下的样本随机选b*(1-a)*100％作为小梯度样本数据集，并对其赋予权重系数(1-a)/b，合并两个样本进行模型的迭代学习。
[0052]
同时通过互斥特征捆绑的方式将高维空间下相互独立的稀疏特征进行特征组合，构建后的特征组合使得模型处理数据的复杂度从o(data*feature)降至o(data*bundle)，使寻找最佳切分点的消耗减少。其中feature为原始数据集中的所有特征，bundle是捆绑后的特征，并且bundle的数量远远小于feature的数量，从而能够加快模型的训练。
[0053]
在本实施例中，提供一种新的获取热水器的历史用水量的方法，即利用lightgbm算法建立历史用水量预测模型，进而通过将历史用水温度特征输入至历史用水量预测模型，得到对应的历史用水量。通过这种方式，能够解决目前市面上某些热水器内部没有安装设置水流量传感器，因而无法获取热水器的历史用水量的问题。
[0054]
可选地，在获取热水器的历史用水量之后，可以将获取的历史用水量进行统计分析，获得多个历史用水量对应的统计特征，并将获取的统计特征输入至用水量预测模型。
[0055]
在一个具体实施方式中，可以计算前三天同时段的平均用水量作为第一特征，计算前三天同时段的最大用水量作为第二特征，前三天同时段的最低用水量作为第三特征，计算前三天同时段用水量的标准差作为第四特征，计算前三周同星期同时段的平均用水量作为第五特征，计算前三周同星期同时段的最大用水量作为第六特征，计算前三周同星期同时段的最小用水量作为第七特征，计算前三周同星期同时段的用水量标准差作为第八特征。
[0056]
s20:根据历史用水量预测热水器的预测用水量。
[0057]
本技术发明人经过长期研究发现，目前少有的某些确定热水器设置温度的方法直接根据历史用水量确定热水器的设置温度，显然，这种方式确定的热水器的设置温度误差较大。因此，针对上述问题，本技术在获取热水器的历史用水量之后，进一步根据历史用水量预测热水器的将来的预测用水量，再根据预测用水量确定热水器的设置温度，通过这种
方式，可以有效地减小得到的热水器的设置温度误差，提高准确率。
[0058]
具体地，将热水器的历史用水量输入至用水量预测模型中，并得到用水量预测模型输出的热水器的预测用水量。其中，用水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用水量作为样本输入数据，采用训练用水事件对应的热水器的预测用水量作为样本输出数据，进行训练得到的。可选地，参阅图3，图3是图1中步骤s20一实施方式的流程示意图，如图3所示，步骤s20获取热水器的预测用水量具体可包括以下子步骤：
[0059]
s21：获取训练用水事件。
[0060]
在建立用水量预测模型时，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)，每个训练用水事件都有其对应的历史用水量，这里的构建的训练用水事件对应的历史用水量可以是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，也可以直接采用上述步骤s10中提供的方法，可以理解的是，获取训练用水事件对应的历史用水量的方法可以根据实际情况灵活选择，在此不做任何限定。
[0061]
步骤s22：利用训练用水事件，基于机器学习算法构建用水量预测模型。
[0062]
传统方法在预测热水器用户用水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量小于用户实际用水量时用户感知体验更差这一现象。因此，提出一种热水器用水量的预测方法，该方法在建立用水量预测模型时，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。
[0063]
具体地，将每个训练用水事件对应的历史用水量作为样本输入数据，将由用水量预测模型输出的每个训练用水事件对应的预测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，获得用水量预测模型。
[0064]
可选地，基于线性回归方程建立用水量预测模型，用水量预测模型为：
[0065][0066]
其中，xi(i＝1，
……
，m)为第i个历史用水量特征，ai(i＝1，
……
，m)表示第i个历史用水量特征对应的待测参量。
[0067]
如上，本技术提供的热水器的用水量预测方法在建立用水量预测模型时，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，在用水量预测模型的训练过程中，采用热水器实际用水量减去热水器的预测用水量所获得的差值作为用水量预测模型的损失函数的一个正则化项，通过这种方式，能够在预测用水量尽可能的接近用户实际用水量的基础上，使得预测用水量尽量大于用户实际用水量，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。
[0068]
可选地，构建的损失函数可以包括第一正则化项、第二正则化项以及第三正则化项，其中，第一正则化项为线性回归方程中的系数的绝对值之和，即
[0069]
第二正则化项为线性回归方程中的系数的平方和，即
[0070]
第三正则化项为热水器的实际用水量减去热水器的预测用水量所获得的差值，即
[0071]
具体地，构建损失函数为：
[0072][0073]
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，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和γ为超参数，α、β和γ均大于0，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。在训练过程中，损失函数e越接近于零，表示训练的用水量预测模型越准确，而损失函数e越小，表示用水量预测模型输出的用水预测量越大于热水器的实际用水量，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。
[0074]
s23：将热水器的历史用水量输入至用水量预测模型中，并得到用水量预测模型输出的热水器的预测用水量。
[0075]
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，因此在建立用水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，并用于结合热水器历史用水量特征训练该用水量预测模型。
[0076]
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。
[0077]
节假日数据在训练用水量预测模型时，表示实际用水量所对应的那一天是否是节假日，例如，若实际用水量所对应的那一天是节假日，则可令训练用水事件对应的实际用水量的节假日数据为1，否则为0。
[0078]
具体在训练用水量预测模型时，将训练用水事件对应的热水器的历史用水量、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热水器的预测用水量作为样本输出数据，并基于机器学习算法进行训练得到的，在用水量预测模型的训练过程中，采用热水器实际用水量减去热水器的预测用水量所获得的差值作为用水量预测模型的损失函数的一个正则化项。
[0079]
具体地，基于线性回归方程建立用水量预测模型，用水量预测模型为：
[0080][0081]
其中，xi(i＝1，
……
，m)为第i个历史用水量特征，ai(i＝1，
……
，x)表示第i个历史用水量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。
[0082]
同理，构建损失函数为：
[0083][0084]
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，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和γ为超参数，α、β和γ均大于0，n为训练用水事件
的总数。m表示所述线性回归方程共有m个历史用水量特征，z表示线性回归方程共有z个气温数据。
[0085]
同样，用水量预测模型训练完成之后，只需将热水器的历史用水量、待测日的气温数据以及待测日的节假日数据输入至用水量预测模型中，即可得到用水量预测模型输出的热水器的预测用水量。
[0086]
在本实施例中，为避免上述建立的用水量预测模型关于预测用水量的预测存在异常极端值的情形，可以对模型输出的预测用水量进行上下限的限制，可以使得模型的预测结果更加符合实际情况。
[0087]
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预测用水量进行极值纠正：
[0088][0089]
其中，t
最高
表示热水器允许设置的最高温度，t
出水
表示热水器的出水温度，t
进水
表示热水器的进水温度，v表示热水器的容积。
[0090]
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。
[0091]
一般情况下，热水器的出水温度设置为37度到42度之间，热水器的进水温度可以使用热水器设备所在地的冷水管的水温代替。
[0092]
这个式子的含义是：若输出的热水器的预测用水量大于等于0且小于等于则将该预测用水量作为最终的预测用水量。若预测用水量大于则将作为最终的预测用水量，若预测用水量小于0，则最终的预测用水量为0。
[0093]
一般情况下，用户可能在每一天的同一时段的用水习惯相似，因此，在一个具体实施方式中，本实施例提供的热水器用水量的预测方法可以根据每个时段对应的历史用水量建立每个时段对应的用水量预测模型，并分时段获取待测日每个时段的预测用水量。例如，要预测未来某一天的热水器预测用水量，可以将这一天24小时按照整点分为24个时段，分别获取每个时段对应的热水器的历史用水量，并建立每个时段对应的用水量预测模型，最终获取每个时段对应的预测用水量，将24个时段分别对应的预测用水量合并，即可获取未来这一天的预测用水量。
[0094]
本实施例提供热水器用水量预测方法，通过构建用水量预测模型，并采用机器学习算法进行训练。在用水量预测模型的训练过程中，采用热水器实际用水量减去热水器的预测用水量所获得的差值作为用水量预测模型的损失函数的一个正则化项。最终将获取的热水器的历史用水量输入至训练好的用水量预测模型中，输出得到热水器的预测用水量。通过这种方式，一方面，通过神经网络的方式获取预测用水量，预测准确性大大提高。另一
方面，能够减少用户在用水过程中，遇到断水(热水)的情形，进而提升用户体验。
[0095]
s30:根据预测用水量确定热水器的设置温度。其中，设置温度所能供应的用水量大于或等于预测用水量。
[0096]
鉴于传统的某些热水器例如空气能热水器的温度设置方法大多是简单地在每天温度最高时加热，没有考虑到用户的真实用水需求，这种方式不仅容易造成大量的用电量的浪费，而且也无法根据用户的用水习惯对空气能热水器进行加热，用户体验不高。基于此，本技术发明人提出根据预测的用户的用水量来确定空气能热水器的设置温度，并基于该设置温度对热水器加热，其中，设置温度所能供应的用水量大于或等于预测用水量。
[0097]
具体地，参阅图4，图4是图1中步骤s30一实施方式的流程示意图。如图4所示，步骤s30可以包括以下子步骤：
[0098]
s31:确定预测用水量与热水器容积的体积比。
[0099]
s32:确定热水器的出水温度与进水温度的温度差。
[0100]
其中，热水器的出水温度表示用户用水的适宜体感温度，可以根据用户的用水习惯灵活设置，例如，42摄氏度等。热水器的出水温度和进水温度都可以根据热水器内相应位置处的温度传感装置获取，在此不做过多叙述。
[0101]
s33:根据体积比和温度差，确定热水器的设置温度。
[0102]
具体地，可以根据以下公式计算热水器的设置温度：
[0103][0104]
其中，t表示热水器的设置温度，t
出
表示热水器的出水温度，t
进
表示热水器的进水温度，u表示热水器的预测用水量，v表示热水器容积。
[0105]
以空气能热水器为例，根据用户预测用水量确定空气能热水器的设置温度。
[0106]
具体地，由于空气能热水器实际加热时间比较长，外界气温高的时候空气能热水器加热更省电，因此将预测用水量按照每三个小时合并，同时考虑到一般情况下，每天12点到下午3点时的平均气温偏高，在该时间段内空气能热水器加热也更能省电，因此空气能热水器加热的水温要求设定为在该时段空气能热水器加热所能提供的42度热水量需要满足未来6个小时的用水需求，其他时间段，需要满足未来3个小时的用水需求。
[0107]
如下表所示，空气能热水器加热时间点和要求所能满足的用水量的对应关系：
[0108][0109]
将上述列表中每个时间点的预测用水量之和带入步骤s33中热水器设置温度计算公式中，即可获取每个时间点对应的设置温度。
[0110]
s40:采用设置温度对热水器的加热温度进行设置。
[0111]
由于预测误差的存在，通过上述方式获取的热水器的设置温度可能出现小于热水器的出水温度(例如42摄氏度)或者大于热水器允许的最高温度，因此，在步骤s40之前，在模型的实际应用中可以对设置温度做一个极值纠正。
[0112]
具体可根据以下公式对热水器的预测用水量进行极值纠正：
[0113][0114]
其中，t表示热水器最终的设置温度，t
出
表示热水器的出水温度，表示根据预测用水量获取的热水器的设置温度，t
最高
表示热水器允许设置的最高温度。
[0115]
本技术提供的热水器温度的设置方法，能够基于用户的用水需求确定热水器的设置温度，并对热水器进行加热，在节能的同时，还能够满足用户的真实用水需求，提高用户体验。
[0116]
参阅图5，图5是本技术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技术提供的热水器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的历史用水量。根据历史用水量预测热水器100的预测用水量。根据预测用水量确定热水器100的设置温度。其中，设置温度所能供应的用水量大于或等于预测用水量。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
配置成实施本技术实施例的一个或多个集成电路。
[0117]
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。
[0118]
参阅图6，图6是本技术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执行时实现本技术提供的热水器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的历史用水量。根据历史用水量预测热水器100的预测用水量。根据预测用水量确定热水器100的设置温度。其中，设置温度所能供应的用水量大于或等于预测用水量。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(nandflash)、固态硬盘(ssd))等。
[0119]
综上，本技术提供的热水器100温度的设置方法，首先根据热水器100的历史用水量预测热水器100的未来的预测用水量，进而根据预测用水量确定热水器100的设置温度，其中，设置温度所能供应的用水量大于或等于预测用水量。通过这种方式，能够基于用户的用水需求确定热水器100的设置温度，并对热水器进行加热，在节能的同时，满足用户的真实用水需求，提高用户体验。
[0120]
可以理解的是，此处所描述的具体仅用于解释本技术，而非对本技术的限定。另外为了便于描述，附图中仅示出了与本技术相关的部分而非全部结构。基于本技术中的，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，都属于本技术保护的范围。
[0121]
本技术中的术语“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。
[0122]
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技术的至少一个中。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。
[0123]
以上仅为本技术的实施方式，并非因此限制本技术的专利范围，凡是利用本技术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，均同理包括在本技术的专利保护范围内。