Domoticz中MQTT自动发现与Shelly EM电能监测的配置优化
问题背景
在智能家居系统中,Domoticz作为开源的家庭自动化平台,经常与各种智能设备配合使用。Shelly EM是一款支持电能监测的智能设备,通过Tasmota固件可以实现丰富的功能。本文将探讨在使用Domoticz的MQTT自动发现功能时,如何正确配置Shelly EM的电能监测数据。
核心问题分析
当用户将Tasmota固件的Shelly EM设备通过ShellyTeacher工具接入Domoticz时,发现电能使用数据(功率)在第二个通道(index1)上无法正确更新。具体表现为:
- 通道1(index0)的电能数据能够正常更新Domoticz中的"General-kWh"设备
- 通道2(index1)的电能数据虽然能接收到,但无法正确反映在Domoticz界面上
技术原理
Domoticz的MQTT自动发现功能依赖于设备发送的特定格式的配置信息。对于电能监测设备,需要同时配置功率(Power)和总电能(Total)两个指标。Domoticz会根据这些配置信息自动创建对应的虚拟设备。
解决方案
经过深入分析,发现问题出在MQTT自动发现消息中uniq_id字段的命名格式上。正确的命名格式应该遵循以下原则:
- 设备标识符(如FCD79D)应放在最前面
- 测量类型(如ENERGY)应紧随其后
- 通道编号(1或2)应放在测量类型之后
- 具体测量项(Power或Total)应放在最后
具体修改方案如下:
原配置:
"uniq_id": "FCD79D_ENERGY_Total_1"
应修改为:
"uniq_id": "FCD79D_ENERGY_1_Total"
同理,功率测量的配置也应做相应调整:
原配置:
"uniq_id": "FCD79D_ENERGY_Power_1"
应修改为:
"uniq_id": "FCD79D_ENERGY_1_Power"
实施建议
对于使用ShellyTeacher工具的用户,建议联系工具开发者更新配置模板,使其生成的uniq_id符合Domoticz的解析规则。手动修改MQTT自动发现消息也是一种可行的临时解决方案。
总结
Domoticz的MQTT自动发现功能对设备标识符的格式有特定要求。正确配置uniq_id字段的结构对于多通道电能监测设备的正常工作至关重要。通过调整命名格式,可以确保Domoticz能够正确解析和显示来自Shelly EM等设备的多通道电能数据。
这一问题的解决不仅适用于Shelly EM设备,对于其他通过MQTT接入Domoticz的多通道电能监测设备也具有参考价值。理解Domoticz的MQTT自动发现机制,有助于用户更好地集成各类智能家居设备。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00