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

二、核心场景实战

1. 场景一：能耗趋势预测（线性回归 + LSTM 融合模型）

业务需求

基于用户历史能耗数据（近 3 个月）、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。

数据准备

核心数据表结构如下：

-- 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（%）',
    forecast_time TIMESTAMP NOT NULL COMMENT '预报时间',
    create_time TIMESTAMP DEFAULT CURRENT_TIMESTAMP
);

-- 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'
);

预测模型实现

核心逻辑采用线性回归捕捉短期线性趋势，LSTM 捕捉长期周期趋势，加权融合后精度提升 5-8%。

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.springframework.beans.factory.annotation.Autowired;
import org.springframework.stereotype.Service;
import org.slf4j.Logger;
import org.slf4j.LoggerFactory;

import java.util.ArrayList;
import java.util.List;

@Service
public class EnergyForecastService {
    private static final Logger log = LoggerFactory.getLogger(EnergyForecastService.class);

    @Autowired
    private SparkSession sparkSession;

    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 {
            // 1. 加载特征数据：用户近 3 个月历史能耗 + 未来 24 小时天气 + 峰谷电价
            Dataset<Row> featureData = loadFeatureData(userId);
            // 2. 模型推理：用加载好的融合模型进行预测
            Dataset<Row> predictResult = forecastModel.transform(featureData);
            // 3. 结果融合：线性回归预测结果×0.4 + LSTM 预测结果×0.6
            Dataset<Row> fusedResult = fusePredictResult(predictResult);
            // 4. 结果处理：转换为前端需要的 VO 格式
            List<EnergyForecastVO> result = processPredictResult(fusedResult, userId);
            
            double totalEnergy = result.stream().mapToDouble(EnergyForecastVO::getHourlyEnergy).sum();
            log.info("用户{}未来 24 小时能耗预测完成，总能耗：{}kWh，耗时：{}ms", 
                     maskUserId(userId), totalEnergy, System.currentTimeMillis() - startTime);
            return result;
        } catch (Exception e) {
            log.error("用户{}未来 24 小时能耗预测失败", maskUserId(userId), e);
            throw new RuntimeException("能耗预测失败，请稍后重试或联系管理员", e);
        }
    }

    private List<EnergyForecastVO> processPredictResult(Dataset<Row> fusedResult, String userId) {
        // 按小时分组，计算每小时各设备能耗总和
        Dataset<Row> hourlyResult = fusedResult.groupBy("hour")
                .agg(org.apache.spark.sql.functions.sum("prediction").alias("hourly_energy"))
                .orderBy("hour");

        // 转换为 Java List，映射为 VO 对象
        List<EnergyForecastVO> result = hourlyResult.toJavaRDD().map(row -> {
            EnergyForecastVO vo = new EnergyForecastVO();
            vo.setUserId(userId);
            vo.setForecastHour(row.getInt(row.fieldIndex("hour")));
            vo.setHourlyEnergy(roundToTwoDecimal(row.getDouble(row.fieldIndex("hourly_energy"))));
            return vo;
        }).collect();
        return result;
    }

    private String maskUserId(String userId) {
        if (userId == null || userId.length() < 5) return "***";
        return userId.substring(0, 3) + "****" + userId.substring(userId.length() - 2);
    }

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

2. 场景二：个性化节能策略优化（Drools 规则引擎 + 用户画像）

业务需求

结合用户习惯、电价政策、天气数据，动态生成个性化节能策略，避免'一刀切'。

用户画像构建

通过 MySQL 表结构记录用户行为标签，如'夜间活跃'、'对价格敏感'等。

CREATE TABLE user_profile (
    user_id STRING NOT NULL COMMENT '用户 ID',
    tags STRING COMMENT '标签列表（JSON 格式）',
    avg_power DOUBLE COMMENT '平均功率',
    peak_hours STRING COMMENT '高峰时段',
    update_time TIMESTAMP DEFAULT CURRENT_TIMESTAMP
);

节能策略实现

使用 Drools 规则引擎动态匹配条件，生成策略建议。

// 策略生成服务伪代码示例
public void generateStrategy(UserProfile profile) {
    KieContainer kieContainer = KieServices.getFactory().newKieContainer(...);
    KieSession ksession = kieContainer.newKieSession();
    ksession.insert(profile);
    ksession.fireAllRules();
    ksession.dispose();
}

三、生产环境优化技巧

1. 规则引擎优化技巧

• Drools 规则热部署：基于 KieServer 实现，无需重启服务即可更新节能规则，适配电价调整、季节变化等场景。

2. 真实踩坑实录

• 坑 1：Drools 规则冲突：初期出现规则重复触发，通过设置 salience 优先级和 lock-on-active 属性解决。
• 坑 2：用户画像数据不准：冷启动阶段数据稀疏，引入默认策略兜底，随着数据积累逐步优化。

四、完整依赖配置

项目中关键依赖包括 spark-core, spark-sql, drools-core, spring-cloud-starter-alibaba-nacos 等，具体 pom.xml 配置需根据实际环境调整。

本方案已在实际项目中验证，不仅解决了能耗浪费问题，还提升了用户体验。技术落地的关键在于平衡算法精度与系统性能，以及确保规则的灵活性与可维护性。