Unverified80% confidenceTradeoffTime unknown
所谓NILM设备级识别（如Sense）实际识别准确率有限，仅能稳定识别大功率周期性负载（空调/热水器/烘干机），对小功率或多设备叠加场景识别率低且需数周学习期，不应作为精细分路监测的替代方案
1
Sources
80%
Confidence
Long-term
Relevance
-
First Seen
Sources
Related Entities
Related Claims
Unverified所谓「AI学习用电习惯」多数是基于历史数据的定时/阈值提醒，真正的负荷识别（NILM，从总电流波形反推是哪台电器）目前家用级准确率有限，对空调、冰箱等周期性负载较准，对小功率杂项识别率低，不应作为核心选购理由77% similarUnverified带实时功耗监测的智能排插，监测精度需关注最小可测功率：优质产品可测≤5W待机功耗（如1W起测），劣质产品5W以下直接显示0，无法用于监测微波炉/冰箱等待机能耗75% similarUnverified只需要看总电量和粗略趋势，选支持在总进线安装单个CT的总表型网关即可；想识别每个电器的用电（非侵入式负荷分解NILM）需要采样率≥1kHz的高端设备，普通1秒采样的网关做不到设备级识别75% similarUnverified分体式CT网关采样通常为交流电流采集，无法区分同一回路上多个设备的用电，若需要设备级识别（NILM非侵入式负荷分解）需选带高频采样和负荷辨识算法的产品，且识别准确率对空调、洗衣机等有明显特征的设备较高，对小功率设备较低74% similarUnverified能耗监测精度分两档：普通型号仅统计累计电量（kWh），高端型号可实时显示功率(W)、电压、电流。判断电器是否待机耗电或异常需要实时功率显示型号，仅看累计电量无法诊断72% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/791344API
curl https://kongchang.com/api/v1/knowledge/claims/791344MCP
get_claim(id=791344)