[发明专利]一种预测洗浴温度的方法及热水器

说明书

技术领域

本发明属于家电领域，具体地说，涉及一种预测洗浴温度的方法及热水器。

背景技术

现有的电热水器显示屏上基本只能设置温度，用户根本就不了解自己的洗浴需多少水量，需加热到多少度，大多设置成最高温度而洗浴用水量又较少，造成了资源浪费，目前已有的方案较相近的是根据能量守恒定律公式Q＝CMΔt，去推算得到M_混合水×T_混合水＝(M_混合水-M_热水)×T_冷水+M_热水×T_热水，可得到目标温度。

但在实际应用中，胆内的热水无法完全放出，必须有一个热水输出率的系数，系数的大小与机器的具体结构、自来水温度、洗浴流量大小、在洗浴过程中是否有能量补充(即机器是否重新加热或者3D功能是否开启)等等诸多因素有关，单纯靠物理方法去分析目标温度有很大的局限性，预测的随机性很大。

因此需要一种新的技术方案，能够利用神经网络来计算出最符合用户需要的目标温度值。

有鉴于此特提出本发明。

发明内容

本发明要解决的技术问题在于克服现有技术的不足，提供一种能够利用神经网络来计算出最符合用户需要的目标温度值的预测洗浴温度的方法及热水器。

为解决上述技术问题，本发明采用技术方案的基本构思是：

本发明的第一方面提出了一种预测洗浴温度的方法，用于热水器，步骤包括：

S1，获取热水器的水流量、进水温度和历史洗浴用水量；

S2，将所述水流量、进水温度和历史洗浴用水量输入神经网络预测模型，经过神经网络预测模型处理得出目标温度值。

优选地，所述神经网络预测模型为下列任一：BP神经网络、RBF神经网络、Hopfield神经网络。

优选地，当所述神经网络预测模型为BP神经网络时，在所述步骤S1之前还包括：

S0，建立BP神经网络模型，得到BP神经网络模型的相关参数，其中，所述相关参数包括：输入层到隐层的权值、输入层到隐层的阈值、隐层到输出层的权值、隐层到输出层的阈值。

优选地，所述步骤S0具体包括：

S01，在仿真软件中建立BP神经网络模型结构，并批量输入学习样本数据，及对输入量和输出量进行归一化处理；

S02，对BP神经网络中的最大训练次数、学习精度、隐节点数、初始权值、初始阈值、初始学习速率进行初始化；

S03，对BP神经网络中的各层输入值和输出值进行计算，训练次数加1；

S04，对BP神经网络中输出层误差E进行计算；

S05，判断所述输出层误差E是否小于预定差值，当判断结果为是，则进入步骤S07，当判断结果为否，则进入步骤S06；

S06，判断训练次数是否达到最大训练次数，当判断结果为是，则进入步骤S07，当判断结果为否，则修正初始权值和初始阈值并返回步骤S03；

S07，从BP神经网络中得出输入层到隐层的权值、输入层到隐层的阈值、隐层到输出层的权值、隐层到输出层的阈值。

优选地，所述步骤S1中历史洗浴用水量的获取步骤为：

S11，采集存储系统中近N次的用水量Q；

S12，从N次用水记录的用水量Q中选取最大值作为历史洗浴用水量Q_max。

优选地，所述步骤S11中存储系统存储的每次的用水量的具体步骤包括：

S111，当进水水流量大于预定流量阀值时，开始累积用水量Q；

S112，当进水结束后，停止累积用水量Q，并判断下次用水与该次用水间隔是否大于预定时间阈值，当判断结果为是，则进入步骤S113，当判断结果为否，则进入步骤S111；

S113，将累积的用水量Q以及用水时间存储在存储系统中。

优选地，所述步骤S111中累积用水量Q的具体步骤包括：

在积累用水量Q时，每2s采集一次初始用水量Q_d，再将每次采集的初始用水量Q_d累加得出用水量Q，其中，d为正整数。

优选地，所述步骤S2具体包括：

将所述输入层到隐层的权值、输入层到隐层的阈值、隐层到输出层的权值、隐层到输出层的阈值代入神经网络，形成神经网络预测模型，进而将所述水流量、进水温度和历史洗浴用水量输入神经网络预测模型后，能够得出目标温度值。