互联网的发展使得能够接入网络的智能电器越来越多,如果想得到每个电器的实时用电信息,需要在每个电器上都安装电能计量装置,这样不仅成本较高而且计量装置也会耗电,会造成电能的二次浪费。本文针对上述问题实现的一种通过网络数据分析的方式来实现设备用电信息采集的技术。在该技术中主要包括三个实现部分,第一部分为采集服务器,主要功能为发送数据请求并采集数据,对采集到的数据分析处理并建立模型,第二部分为代理,代理可通过TRAP的方式每隔一定时间主动向采集服务器上报数据,第三部分为被采集设备,也就是数据的提供者。该技术可利用SNMP和MIB采集不同网络用电设备的CPU占用率、物理和虚拟内存使用率等信息,并通过改进的BP神经网络算法对采集到的数据进行训练,最终得到适用于不同设备的模型。使用遗传算法优化的BP神经网络对数据进行训练并建立模型,该模型不仅可有效抑制神经网络模型的过拟合现象,还可以提高估算精度,得到较小的平局相对误差。但一种模型很难适用于不同的设备及同种设备的所有型号,本文以笔记本的CPU为例建立模型匹配库,不需要每次都进行训练来建立模型,可通过匹配的方式从模型库中选择模型,结果表明该匹配模型库可以得到较好的匹配效果和较小的误差。鉴于Android系统的开源性和稳定性,目前智能电器大多都是采集Android系统,该课题以智能电视为例对Android设备进行验证,验证结果表明,该技术可以实时采集Android设备的运行数据,有效估算设备的用电信息,其经过分析得到的数据精度较高,能满足设备用电信息采集的要求。