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。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C027
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00