EVCC项目中Shelly EM设备能量计量问题的技术分析
问题背景
在EVCC开源项目中,用户报告了一个关于Shelly EM(Gen1)设备的能量计量问题。该设备作为热泵充电器使用时,系统错误地将总能量(total)和返回能量(total_returned)两个值进行了相互抵消计算,导致显示的能量值不正确。
技术细节分析
Shelly EM设备提供了两个能量计量值:
- total - 正向流动能量(消耗)
- total_returned - 反向流动能量(回馈)
在EVCC的早期版本中,代码仅使用total值作为能量计量结果。但在最近的代码重构中,将Shelly设备的两种实现(energymeter.go和switch.go)进行了合并,导致现在系统会计算两个值的差值。
问题根源
经过技术团队分析,发现问题出现在以下方面:
-
设备历史数据影响:用户曾将该Shelly EM设备用于测量电池系统,后来又改为测量热泵,导致设备中存储了历史能量数据。
-
计量逻辑变更:代码重构后,系统开始同时考虑正向和反向能量值,而之前版本仅使用正向能量值。
-
设备配置要求:正确的设备安装应该确保能量仅向一个方向流动,因此理论上只需要关注一个方向的能量值。
解决方案
技术团队经过讨论确定了以下解决方案:
-
恢复仅使用正向能量值(total)的逻辑,与Gen2 API保持一致。
-
建议用户在改变设备用途时重置能量计数器。
-
关于反向能量(total_returned)的计量将作为独立功能考虑,不在基础能量计量中处理。
技术建议
对于使用Shelly EM设备的EVCC用户,建议:
-
在改变设备测量对象时,通过Shelly App重置能量计数器。
-
确保设备正确安装,使能量流向与测量需求一致。
-
了解系统仅显示正向能量值的设计理念。
未来改进方向
技术团队注意到用户对反向能量计量的需求,计划:
-
将反向能量计量作为可选功能单独实现。
-
保持基础能量计量逻辑的简单性和一致性。
-
完善设备配置文档,明确能量计量的工作原理和限制。
这个问题展示了在物联网设备集成中,历史数据管理和计量逻辑一致性的重要性,也为EVCC项目的设备支持功能提供了有价值的改进方向。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00