EVCC开源充电控制器0.204.0版本发布:新增多项设备支持与功能优化
EVCC是一款开源的电动汽车充电控制器项目,它能够智能管理家庭或商业场所的电动汽车充电过程,与多种充电桩、光伏逆变器、电池储能系统等设备集成,实现基于可再生能源的优化充电。该项目通过模块化设计支持广泛的硬件设备,并提供直观的用户界面用于监控和控制充电过程。
核心功能更新
本次0.204.0版本带来了多项重要更新,主要包括新增设备支持和现有功能优化两大方面。
新增设备支持
-
家庭能源管理系统:新增对Daikin Home Hub和Viessmann系统的支持,使这些品牌的用户能够将暖通空调系统与EVCC集成,实现更全面的家庭能源管理。
-
智能电表与监测设备:增加了IOmeter电能监测仪、Sigenergy能源管理系统以及esphome-dlms-austria智能电表的支持,为用户提供更多电能监测选项。
-
充电设备扩展:新增Wago 879-30xx系列充电控制器和Zaptec Go 2充电桩的兼容性,特别是改进了Zaptec Go 2的相位切换功能。
-
电池系统集成:加入了对Marstek Venus电池系统的支持,使储能系统能够更好地参与充电调度。
功能优化与改进
-
能源流可视化增强:
- 统一了功率显示单位,避免混淆
- 优化了图标和文本的对齐方式
- 改进了活动充电点的显示逻辑
-
充电逻辑优化:
- 减少了车辆唤醒前的等待时间,提高响应速度
- 为SGReady充电协议添加了可选的boost模式功率设置
- 标准化了电池相关参数设置
-
用户界面改进:
- 新增自定义CSS支持,允许用户个性化界面
- 优化了单位显示属性
- 修复了慢速连接情况下的初始化界面显示问题
-
API适配与修复:
- 更新了Polestar车辆的API接口适配
- 修复了HomeAssistant开关插件的崩溃问题
- 改进了eProWallbox的总能量计算准确性
技术细节解析
在电能计量方面,本次更新特别关注了精确性问题。例如修复了IOmeter的Wh到kWh转换错误,确保电能数据准确无误。对于Phoenix EM-ETH电表,现在会正确使用配置中的比例因子进行读数转换。
在充电控制策略上,针对不同品牌的电动汽车进行了专门优化。Fiat和Renault车型现在支持唤醒功能(需要PIN码),这对于需要远程启动充电的场景特别有用。同时,通过减少唤醒前的等待时间,整体充电响应速度得到了提升。
对于使用Sunspec协议的逆变器用户,新版本增加了对分相逆变器的支持,这对于北美等使用分相电力系统的地区尤为重要。
国际化与本地化
本次更新新增了爱沙尼亚语、斯洛伐克语和泰米尔语支持,使EVCC能够服务于更广泛的用户群体。同时修复了会话记录CSV文件的标题翻译问题,提高了多语言环境下的数据导出体验。
升级建议
对于现有用户,特别是使用以下设备的用户建议尽快升级:
- 使用Polestar车辆的用户(API变更)
- 使用RCT逆变器的用户(S0ExternalPowerW变为可配置)
- 使用Renault E-tech车辆的用户(新增唤醒模式)
- 使用SGReady协议的用户(移除了未使用的phases参数)
升级前建议备份现有配置,特别是如果使用了自定义设置。对于生产环境,建议先在测试环境中验证新版本的兼容性。
这个版本体现了EVCC项目对多样化硬件支持的持续投入和对用户体验的细致打磨,为家庭能源管理和电动汽车充电提供了更加完善的开源解决方案。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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