Home Assistant Powercalc 1.17.13版本发布:智能家居能耗监测新升级
项目简介
Home Assistant Powercalc是Home Assistant智能家居平台上一个功能强大的能耗计算插件。它通过数学模型和设备特性文件,帮助用户精确计算各类智能设备的电力消耗,无需额外硬件即可实现能耗监测。该插件特别适合想要优化家庭能源使用、降低电费支出的智能家居爱好者。
版本亮点
新增设备支持
本次1.17.13版本最显著的改进是扩展了对多种智能设备的支持:
-
Shelly 1 mini gen4:这款紧凑型智能开关现在有了专门的能耗配置文件,用户可以更准确地监测其电力消耗情况。
-
SNOOZ-US-2白噪音机:为这款改善睡眠质量的设备添加了能耗模型,帮助用户了解其夜间运行的电力成本。
-
飞利浦Hue Argenta彩色射灯:不仅添加了基础支持,还针对不同变体进行了优化,确保彩色照明场景下的能耗计算更加精确。
功能优化与修复
-
测量工具改进:修复了测量工具中"resume"标志无效的问题,现在用户可以更可靠地暂停和恢复能耗测量过程。
-
每日固定传感器设置:解决了在设置每日固定能耗传感器时可能出现的"entity category"错误,提升了配置过程的稳定性。
-
能源传感器分组:修复了能源传感器可能从组中丢失的问题,确保能源监控面板显示完整准确的数据。
技术解析
Powercalc的工作原理是通过设备特性文件(power profiles)来模拟各类智能设备的能耗行为。这些文件包含了设备在不同状态下的功耗参数,使得插件能够在不依赖实际电表的情况下,计算出相当精确的能耗数据。
新版本中增加的设备支持,实质上是为这些设备创建了精确的能耗模型。以飞利浦Hue Argenta彩色射灯为例,不同颜色和亮度下的功耗特性都被纳入考量,这使得即使用户频繁调整灯光颜色和亮度,能耗计算也能保持准确。
使用建议
对于已经使用Powercalc的用户,升级到1.17.13版本后可以:
-
为新支持的设备配置能耗监测,充分利用扩展的设备兼容性。
-
检查之前设置的每日固定传感器,确保其正常运行。
-
验证能源组中所有传感器是否完整显示,必要时重新配置分组。
对于考虑使用Powercalc的新用户,这个版本提供了更稳定的体验和更广泛的设备支持,是开始家庭能源监控的好时机。
社区贡献
本次更新特别感谢社区开发者的贡献,他们为不同设备创建和优化了能耗配置文件,体现了开源协作的力量。这种社区驱动的开发模式确保了插件能够快速适配市场上不断涌现的新智能设备。
总结
Home Assistant Powercalc 1.17.13版本通过扩展设备支持和修复关键问题,进一步提升了智能家居能耗监测的准确性和易用性。对于注重能源管理的智能家居用户来说,这次更新值得及时应用,以获得更全面的家庭用电洞察。
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