热水器用水量的预测方法、热水器以及存储介质与流程

[0001]
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用水量的预测方法、热水器以及计算机可读存储介质。


背景技术：

[0002]
热水器用户的用水行为具有较强的周期性，同时又受到天气、节假日的影响，传统的用水行为的预测一般是采用了时间序列或者基于统计的方式来预测用户的用水量，但是这种方式通常面临两个方面的问题，一是针对无水流传感器的用户的历史用水量不好预估，二是没有考虑到预测误差在用户体验上的差异。


技术实现要素：

[0003]
本申请主要解决的技术问题是提供一种热水器用水量的预测方法、热水器以及计算机可读存储介质，既能够提高预测准确性，又能够减少用户在用水过程中，遇到断热水的情形。
[0004]
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：获取热水器的历史用水量。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。
[0005]
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，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。
[0006]
进一步地，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包括：
[0007]
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，并得到用水量预测模型输出的热水器的预测用水量。
[0008]
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，并基于机器学习算法进行训练得到的。
[0009]
进一步地，用水量预测模型基于线性回归方程建立。
[0010]
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中的系数的平方和，第二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。
[0011]
进一步地，用水量预测模型为：
[0012][0013]
损失函数为：
[0014][0015]
其中，y
i
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，λ和γ为超参数，λ,γ>0，n为训练用水事件的总数，a
j
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。
[0016]
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耗电量。根据热水器的历史用水耗电量计算热水器的历史用水量。
[0017]
进一步地，获取热水器的历史用水耗电量，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，计算热水器的历史用水耗电量。
[0018]
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。
[0019]
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：
[0020][0021]
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。
[0022]
进一步地，根据以下公式计算热水器的历史用水耗电量w2：
[0023]
w2＝k*w-w1[0024]
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。
[0025]
进一步地，根据以下公式计算热水器的历史用水量：
[0026][0027]
其中，t
出水
表示用水的适宜体感温度，t
进水
表示热水器的进水温度，w2表示热水器的历史用水耗电量，v表示热水器容积。
[0028]
进一步地，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之后，还包括：对获取的热水器的预测用水量进行极值纠正。
[0029]
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：
[0030][0031]
其中，t
最高
表示热水器允许设置的最高温度，t
出水
表示用水的适宜体感温度，t
进水
表示热水器的进水温度，v表示热水器的容积。
[0032]
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。
[0033]
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。
[0034]
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，构建用水量预测模型，并且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，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。
附图说明
[0035]
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。
[0036]
图1是本申请提供的热水器用水量的预测方法一实施方式的流程示意图；
[0037]
图2是图1中步骤s10一具体实施方式的流程示意图；
[0038]
图3是图2中步骤s11一实施方式的流程示意图；
[0039]
图4是图1中步骤s20一实施方式的流程示意图；
[0040]
图5是本申请提供的热水器一实施例的结构示意图；
[0041]
图6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
[0042]
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。
[0043]
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。
[0044]
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。
[0045]
参阅图1，图1是本申请提供的热水器用水量的预测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：
[0046]
步骤s10:获取热水器的历史用水量。
[0047]
在这一步骤中，具体获取用户何时的历史用水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量。
[0048]
另外，在获取热水器的历史用水量之后，可以根据得到的历史用水量，计算获取若干关于这些历史用水量的历史用水统计特征，例如，多个历史用水量的最大值、最小值、均值、标准差等等。
[0049]
可选地，将这些历史用水统计特征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。
[0050]
在一个具体实施方式中，如下表所示，下表为获取的x1-x8总共八个历史用水统计特征。
[0051]
特征名特征生成口径x1前三天同时段的平均用水量x2前三天同时段的最大用水量x3前三天同时段的最低用水量x4前三天同时段用水量的标准差x5前三周同星期同时段的平均用水量x6前三周同星期同时段的最大用水量x7前三周同星期同时段的最小用水量x8前三周同星期同时段的用水量标准差
[0052]
在一个具体实施方式中，可以通过安装在热水器内部的水流量传感器采集用户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。
[0053]
在另一个具体实施方式中，考虑到目前的某些热水器由于某些原因，可能没有安装水流传感器，因此无水流传感器的热水器的历史用水量不好预估，针对提供另外一种获取历史用水量的方式。参阅图2，图2是图1中步骤s10一具体实施方式的流程示意图。即通过热水器的历史用水耗电量来获取热水器的历史用水量，具体如下：
[0054]
步骤s11:获取热水器的历史用水耗电量，参阅图3，图3是图2中步骤s11一实施方式的流程示意图。具体地，步骤s11具体又可以包括以下子步骤：
[0055]
步骤s111:获取热水器内水温升高对应的历史桶内水耗电量。
[0056]
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：
[0057][0058]
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。
[0059]
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。
[0060]
步骤s112:根据历史桶内水耗电量和热水器的历史总耗电量，计算热水器的历史
用水耗电量。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热水器的历史用水耗电量w2：
[0061]
w2＝k*w-w1[0062]
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。
[0063]
步骤s12:根据热水器的历史用水耗电量计算热水器的历史用水量。
[0064]
具体可以根据以下公式计算热水器的历史用水量：
[0065][0066]
其中，t
出水
表示用水的适宜体感温度，t
进水
表示热水器的进水温度，w2表示热水器的历史用水耗电量，v表示热水器容积。
[0067]
通过上述方式，就可以利用历史用水耗电量，计算获取热水器的历史用水量，能够解决市面上某些传感器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。
[0068]
步骤s20: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。
[0069]
可选地，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，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。
[0070]
参阅图4，图4是图1中步骤s20一实施方式的流程示意图。具体地，步骤s20可以包括以下子步骤：
[0071]
步骤s21：获取训练用水事件。
[0072]
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)，这里的构建的训练用水事件可以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，需要对应有确定的实际用水量。
[0073]
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。
[0074]
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。
[0075]
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：
[0076][0077]
其中，x
i
(i＝1，
……
，m)为第i个历史用水量特征，a
i
(i＝1，
……
，m)表示第i个历史用水量特征对应的待测参量。
[0078]
如上，本申请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。
[0079]
可选地，构建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中的系数的平方和，即
[0080]
第二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
[0081]
具体地，构建损失函数为：
[0082][0083]
其中，y
i
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，λ和γ为超参数，λ,γ>0，n为训练用水事件的总数，a
j
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。
[0084]
步骤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。
[0085]
可选地，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训练该用水量预测模型。
[0086]
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。
[0087]
例如，获取的气温数据feature1-feature8如下表所示。
[0088][0089]
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。
[0090]
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。
[0091]
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：
[0092][0093]
其中，x
i
(i＝1，
……
，m)为第i个历史用水量特征，a
i
(i＝1，
……
，x)表示第i个历史用水量特征对应的待测参量。z
j
表示第j个气温数据，b
i
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。
[0094]
同理，构建损失函数为：
[0095][0096]
其中，y
i
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，λ和γ为超参数，λ,γ>0，n为训练用水事件的总数。
[0097]
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。
[0098]
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。
[0099]
具体地，出于安全考虑，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：
[0100][0101]
其中，t
最高
表示热水器允许设置的最高温度，t
出水
表示用水的适宜体感温度，t
进水
表示热水器的进水温度，v表示热水器的容积。
[0102]
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。
[0103]
一般情况下，用水的适宜体感温度设置为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。
[0104]
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。
[0105]
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。
[0106]
本申请提供热水器用水量预测方法，构建用水量预测模型，并且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，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。
[0107]
参阅图5，图5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用水量的预测方法的步骤。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。将热水器100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100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100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100的预测用水量作为样本输出数据，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100实际用水量减去热水器100的预测用水量所获得差值，作为用水量预测模型的损失函数的一个正则化项。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。
[0108]
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用水量的预测方法。
[0109]
参阅图6，图6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被处理器执行时实现本申请提供的热水器100用水量的预测方法的步骤。例如，计算机程序201被处理器执行时实现以下步骤：获取热水器100的历史用水量。将热水器100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100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100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100的预测用水量作为样本输出数据，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100实际用水量减去热水器100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。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。
[0110]
综上，本申请提供热水器100用水量预测方法，构建用水量预测模型，并在用水量预测模型的训练过程中，采用热水器100实际用水量减去热水器100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100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100的预测用水量。通过这种方式，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。
[0111]
以上，仅为本申请中的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉该技术的人在本申请所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本申请的包含范围之内，因此，本申请的保护范围应该以权利要求书的保护范围为准。
[0112]
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。