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。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00