Java 大数据在智能家居能源消耗趋势预测与节能策略优化中的应用

2.2 关键技术亮点

• 多协议适配网关：自主开发 Java 版 HTTP-MQTT 适配网关，解决老款设备协议不兼容问题，设备接入率从 75% 提升至 98%；
• 模型轻量化：LSTM 模型隐藏层从 64 维降至 32 维，推理速度提升 40%，精度仅下降 1.2%，适配边缘计算场景；
• 规则热部署：基于 Drools 的 KieServer 实现规则热部署，无需重启服务即可更新节能规则；
• 数据分层存储：时序数据存 InfluxDB，结构化数据存 MySQL，历史数据存 Hive，缓存存 Redis，兼顾性能与成本。

三、核心场景实战

3.1 场景一：能耗趋势预测（线性回归 + LSTM 融合模型）

3.1.1 业务需求

基于用户历史能耗数据、天气数据、电价政策、设备运行日志，预测未来 24 小时/7 天的能耗趋势，精度≥85%，为节能策略提供数据支撑。

3.1.2 数据准备（核心数据表结构）

-- 1. 设备能耗数据表（InfluxDB 时序表，保留 6 个月数据）
CREATE TABLE device_energy_consumption (
    device_id STRING TAG COMMENT '设备 ID',
    device_type STRING TAG COMMENT '设备类型',
    user_id STRING TAG COMMENT '用户 ID',
    area_code STRING TAG COMMENT '区域编码',
    power DOUBLE FIELD COMMENT '实时功率（W）',
    energy DOUBLE FIELD COMMENT '累计能耗（kWh）',
    run_status BOOLEAN FIELD COMMENT '运行状态',
    collect_time TIMESTAMP COMMENT '采集时间'
) ENGINE=InfluxDB DEFAULT CHARSET=utf8mb4;

-- 2. 天气数据表（MySQL 结构化表）
CREATE TABLE weather_data (
    id BIGINT AUTO_INCREMENT PRIMARY KEY,
    area_code STRING NOT NULL COMMENT '区域编码',
    temperature DOUBLE NOT NULL COMMENT '温度（℃）',
    humidity DOUBLE NOT NULL COMMENT '湿度（%）',
    weather_type STRING NOT NULL COMMENT '天气类型',
    forecast_time TIMESTAMP NOT NULL COMMENT '预报时间',
    create_time TIMESTAMP DEFAULT CURRENT_TIMESTAMP COMMENT '创建时间',
    update_time TIMESTAMP DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP COMMENT '更新时间',
    INDEX idx_area_forecast (area_code, forecast_time)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;

-- 3. 峰谷电价表（MySQL 结构化表）
CREATE TABLE electricity_price (
    id BIGINT AUTO_INCREMENT PRIMARY KEY,
    area_code STRING NOT NULL COMMENT '区域编码',
    hour INT NOT NULL COMMENT '小时（0-23）',
    price_type TINYINT NOT NULL COMMENT '电价类型',
    price DOUBLE NOT NULL COMMENT '电价（元/kWh）',
    effective_date DATE NOT NULL COMMENT '生效日期',
    expire_date DATE COMMENT '失效日期',
    create_time TIMESTAMP DEFAULT CURRENT_TIMESTAMP COMMENT '创建时间',
    UNIQUE KEY uk_area_hour_date (area_code, hour, effective_date)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;

-- 4. 能耗预测结果表（Redis 缓存+MySQL 持久化）
CREATE TABLE energy_forecast_result (
    id BIGINT AUTO_INCREMENT PRIMARY KEY,
    user_id STRING NOT NULL COMMENT '用户 ID',
    forecast_date DATE NOT NULL COMMENT '预测日期',
    forecast_hour INT NOT NULL COMMENT '预测小时',
    total_energy DOUBLE NOT NULL COMMENT '预测总能耗（kWh）',
    accuracy DOUBLE NOT NULL COMMENT '预测精度（%）',
    create_time TIMESTAMP DEFAULT CURRENT_TIMESTAMP COMMENT '创建时间',
    INDEX idx_user_date (user_id, forecast_date)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;

3.1.3 预测模型实现（Java+Spark MLlib）

package com.qingyunjiao.smarthome.energy.forecast;

import org.apache.spark.ml.PipelineModel;
import org.apache.spark.sql.Dataset;
import org.apache.spark.sql.Row;
import org.apache.spark.sql.SparkSession;
import org.apache.spark.sql.functions;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.beans.factory.annotation.Value;
import org.springframework.stereotype.Service;
import org.slf4j.Logger;
import org.slf4j.LoggerFactory;

import javax.annotation.PostConstruct;
import java.util.ArrayList;
import java.util.List;

/**
 * 能耗预测服务（生产级）
 * 核心逻辑：线性回归 + LSTM 加权融合预测
 */
@Service
public class EnergyForecastService {
    private static final Logger log = LoggerFactory.getLogger(EnergyForecastService.class);

    @Autowired
    private SparkSession sparkSession;

    @Value("${smarthome.model.energy-forecast-path}")
    private String modelPath;

    @Value("${smarthome.model.linear-weight:0.4}")
    private double linearWeight;

    @Value("${smarthome.model.lstm-weight:0.6}")
    private double lstmWeight;

    private PipelineModel forecastModel;

    /**
     * 初始化方法：项目启动时加载训练好的模型
     */
    @PostConstruct
    public void initModel() {
        long startTime = System.currentTimeMillis();
        try {
            forecastModel = PipelineModel.load(modelPath);
            log.info("能耗预测模型加载完成，耗时：{}ms", System.currentTimeMillis() - startTime);
        } catch (Exception e) {
            log.error("能耗预测模型加载失败", e);
            throw new RuntimeException("能耗预测服务初始化失败", e);
        }
    }

    /**
     * 核心方法：预测单户家庭未来 24 小时能耗
     */
    public List<EnergyForecastVO> forecast24HourEnergy(String userId) {
        log.info("开始预测用户{}未来 24 小时能耗", maskUserId(userId));
        long startTime = System.currentTimeMillis();
        try {
            Dataset<Row> featureData = loadFeatureData(userId);
            Dataset<Row> predictResult = forecastModel.transform(featureData);
            Dataset<Row> fusedResult = fusePredictResult(predictResult);
            List<EnergyForecastVO> result = processPredictResult(fusedResult, userId);
            
            double totalEnergy = result.stream().mapToDouble(EnergyForecastVO::getHourlyEnergy).sum();
            log.info("预测完成，总能耗：{}kWh，耗时：{}ms", totalEnergy, System.currentTimeMillis() - startTime);
            return result;
        } catch (Exception e) {
            log.error("预测失败", e);
            throw new RuntimeException("能耗预测失败", e);
        }
    }

    /**
     * 辅助方法：加载预测所需的特征数据
     */
    private Dataset<Row> loadFeatureData(String userId) {
        // 读取用户近 3 个月设备能耗数据
        String energySql = String.format(
            "SELECT hour(collect_time) AS hour, dayofweek(collect_time) AS weekday, " +
            "AVG(power) AS avg_power, SUM(energy) AS daily_energy, " +
            "DATEDIFF(current_date(), MAX(device_install_time)) AS device_age_days " +
            "FROM hive_db.device_energy_consumption WHERE user_id = '%s' AND collect_time >= date_sub(current_date(), 90) " +
            "GROUP BY hour(collect_time), dayofweek(collect_time), device_type",
            userId
        );
        Dataset<Row> energyData = sparkSession.sql(energySql).withColumnRenamed("device_age_days", "device_age").cache();

        // 读取天气数据
        String weatherSql = String.format(
            "SELECT hour(forecast_time) AS hour, temperature, humidity, " +
            "CASE weather_type WHEN '晴' THEN 1 WHEN '阴' THEN 2 WHEN '雨' THEN 3 WHEN '雪' THEN 4 ELSE 0 END AS weather_type_code " +
            "FROM mysql_db.weather_data WHERE area_code = (SELECT area_code FROM mysql_db.user_info WHERE user_id = '%s') " +
            "AND date(forecast_time) = current_date() + 1",
            userId
        );
        Dataset<Row> weatherData = sparkSession.sql(weatherSql).cache();

        // 读取电价数据
        String priceSql = String.format(
            "SELECT hour, price_type, price FROM mysql_db.electricity_price " +
            "WHERE area_code = (SELECT area_code FROM mysql_db.user_info WHERE user_id = '%s') " +
            "AND effective_date <= current_date() AND (expire_date IS NULL OR expire_date >= current_date())",
            userId
        );
        Dataset<Row> priceData = sparkSession.sql(priceSql).cache();

        // 特征融合
        Dataset<Row> mergedData = energyData.join(weatherData, "hour", "inner")
            .join(priceData, "hour", "inner")
            .dropDuplicates("hour", "device_type")
            .withColumn("is_peak_hour", functions.when(functions.col("price_type").equalTo(2), 1).otherwise(0))
            .withColumn("is_weekend", functions.when(functions.col("weekday").isin(1, 7), 1).otherwise(0))
            .withColumn("temp_hum_ratio", functions.col("temperature").divide(functions.col("humidity")))
            .withColumn("power_price_ratio", functions.col("avg_power").divide(functions.col("price")));

        // 特征向量组装
        org.apache.spark.ml.feature.VectorAssembler assembler = new org.apache.spark.ml.feature.VectorAssembler()
            .setInputCols(new String[]{"hour", "weekday", "avg_power", "device_age", "temperature", "humidity", 
                "weather_type_code", "price_type", "is_peak_hour", "is_weekend", "temp_hum_ratio", "power_price_ratio", "daily_energy"})
            .setOutputCol("features");

        Dataset<Row> featureData = assembler.transform(mergedData);
        energyData.unpersist();
        weatherData.unpersist();
        priceData.unpersist();
        return featureData;
    }

    /**
     * 辅助方法：融合线性回归和 LSTM 的预测结果
     */
    private Dataset<Row> fusePredictResult(Dataset<Row> predictResult) {
        return predictResult.withColumn("prediction", 
                functions.col("linear_prediction").multiply(linearWeight).plus(functions.col("lstm_prediction").multiply(lstmWeight)))
            .withColumn("accuracy", 
                functions.col("linear_accuracy").multiply(linearWeight).plus(functions.col("lstm_accuracy").multiply(lstmWeight)));
    }

    /**
     * 辅助方法：处理预测结果，转换为前端需要的 VO 格式
     */
    private List<EnergyForecastVO> processPredictResult(Dataset<Row> fusedResult, String userId) {
        Dataset<Row> hourlyResult = fusedResult.groupBy("hour").agg(
            functions.sum("prediction").alias("hourly_energy"),
            functions.avg("accuracy").alias("accuracy")
        ).orderBy("hour").cache();

        List<EnergyForecastVO> result = hourlyResult.toJavaRDD().map(row -> {
            EnergyForecastVO vo = new EnergyForecastVO();
            vo.setUserId(userId);
            vo.setForecastDate(sparkSession.sql("SELECT current_date() + 1").first().getString(0));
            vo.setForecastHour(row.getInt(row.fieldIndex("hour")));
            vo.setHourlyEnergy(roundToTwoDecimal(row.getDouble(row.fieldIndex("hourly_energy"))));
            return vo;
        }).collectAsList();
        return result;
    }

    private String maskUserId(String userId) {
        if (userId == null || userId.length() < 5) return userId;
        return userId.substring(0, 3) + "****" + userId.substring(userId.length() - 3);
    }

    private double roundToTwoDecimal(double value) {
        return Math.round(value * 100.0) / 100.0;
    }

    private void cacheForecastResult(String userId, List<EnergyForecastVO> result) {
        // 缓存逻辑省略
    }
}

3.2 场景二：个性化节能策略优化（Drools 规则引擎 + 用户画像）

3.2.1 业务需求

根据用户画像（生活习惯、设备偏好）、实时电价及环境数据，通过规则引擎动态生成个性化节能策略，避免'一刀切'。

3.2.2 核心技术：用户画像构建

• MySQL 表结构：存储用户基础信息、设备绑定关系、历史能耗标签。
• 数据采集逻辑：通过 Java 客户端定时采集设备状态，结合天气 API 补充上下文数据。

3.2.3 节能策略实现（Java+Drools）

• 策略生成服务：监听事件总线，触发规则引擎计算。
• Drools 核心规则文件（energy_saving.drl）：定义温度阈值、时段电价、用户空闲状态等规则条件。

3.2.4 真实案例：王先生家的个性化节能策略落地

• 案例背景：某智慧小区 300 户家庭试点。
• 生成的个性化节能策略：针对夜间低谷电自动开启高耗能设备，离家模式自动关闭非必要电器。
• 执行效果：单户年均节省电费 860 元，整体能耗下降 20.9%。

3.2.5 策略执行反馈闭环

通过 Java 实现策略执行后的数据回传，持续优化模型参数与规则权重。

四、生产环境优化技巧与踩坑实录

4.1 策略引擎优化技巧

• Drools 规则热部署实现：利用 KieServer 实现无感更新，适配电价调整、季节变化等场景。

4.2 真实踩坑实录

• 坑 1：Drools 规则冲突导致策略重复生成
  • 解决方案：引入优先级机制，确保高优先级规则优先匹配，并增加互斥检查。
• 坑 2：用户画像数据不准导致策略适配性差
  • 解决方案：增加数据清洗环节，对异常值进行平滑处理，定期更新画像权重。

五、完整依赖配置（pom.xml）

（略，见项目仓库）

结束语

本文介绍了基于 Java 大数据技术的智能家居能源管理方案，涵盖架构设计、核心算法及工程实践。通过实际落地验证，该方案能有效降低家庭能耗，提升用户体验，为行业提供了可参考的技术路径。