Lightweight and Scalable Transfer Learning Framework for Load Disaggregation

Este artigo apresenta o RefQuery, um framework de aprendizado por transferência leve e escalável para monitoramento não intrusivo de carga (NILM) que utiliza uma rede pré-treinada congelada e adapta-se a diferentes residências aprendendo apenas embeddings compactos por aparelho, permitindo uma desagregação precisa e eficiente em tempo real em dispositivos de borda.

O essencial

Imagine que a sua casa é uma grande orquestra. O medidor de energia na parede (o "maestro") ouve apenas o som geral de todos os instrumentos tocando juntos: uma grande mistura de ruídos. O desafio da NILM (Monitoramento Não Intrusivo de Carga) é conseguir ouvir cada instrumento individualmente (geladeira, máquina de lavar, micro-ondas) apenas ouvindo essa mistura, sem precisar colocar um microfone dentro de cada um deles.

O problema é que cada casa é diferente. A geladeira da sua avó faz um som diferente da geladeira do seu vizinho, e as pessoas usam os eletrodomésticos de formas diferentes. Modelos de Inteligência Artificial (IA) que funcionam perfeitamente na casa de um vizinho muitas vezes falham na sua, porque "não conhecem" o seu cenário específico.

Aqui entra o RefQuery, a solução proposta neste artigo. Vamos explicar como ele funciona usando analogias simples:

1. O Problema: A "Fotografia" Rígida

Antes do RefQuery, os modelos de IA funcionavam como uma câmera de segurança com lentes fixas.

• Se você quisesse monitorar 5 eletrodomésticos, precisava de 5 câmeras diferentes (5 modelos de IA).
• Se quisesse adicionar uma 6ª câmera (um novo eletrodoméstico), precisava comprar uma câmera nova e instalar tudo de novo.
• Se a IA fosse treinada em uma casa nos EUA, ela ficava confusa ao tentar funcionar em uma casa no Brasil, porque as "lentes" estavam calibradas para o cenário errado.

2. A Solução: O "Detetive com Cartão de Identidade" (RefQuery)

O RefQuery muda a regra do jogo. Em vez de ter uma câmera para cada eletrodoméstico, ele cria um único detetive superinteligente que fica na sua casa.

• O Detetive Congelado: Imagine que esse detetive já foi treinado em milhares de casas diferentes. Ele conhece muito bem como a energia se comporta. Ele é "congelado", ou seja, sua inteligência básica não muda.
• O Cartão de Identidade (A "Fingerprint"): Para cada eletrodoméstico (geladeira, ferro de passar, etc.), o sistema cria um pequeno cartão de identidade (chamado de embedding no texto técnico). É como se você entregasse ao detetive uma foto do eletrodoméstico específico da sua casa.
• A Mágica: Quando a geladeira liga, o detetive olha para a mistura de energia, pega o "cartão de identidade" da geladeira que você deu a ele, e diz: "Ah, este som combina com a geladeira!".

3. Como Funciona na Prática (Os 3 Passos)

O artigo descreve três etapas para montar esse sistema:

• Etapa 1: O Treinamento Geral (A Escola)
  O detetive vai para uma "escola" (um conjunto de dados de muitas casas) e aprende a reconhecer padrões gerais de energia. Ele aprende a distinguir o som de um motor de um aquecedor, mas ainda não conhece os eletrodomésticos específicos da sua casa.

• Etapa 2: A Adaptação Leve (O Treino Rápido)
  Agora, o sistema vai para a sua casa. Em vez de reensinar tudo para o detetive (o que levaria dias e exigiria um computador gigante), o sistema apenas cria os cartões de identidade para os seus eletrodomésticos.

  • Analogia: É como se você desse ao detetive uma foto rápida da sua geladeira e dissesse: "Ei, esta é a minha geladeira". O sistema ajusta apenas essa foto (o cartão), sem mexer no cérebro do detetive. Isso é super rápido e consome pouquíssima energia.

• Etapa 3: O Monitoramento (O Trabalho)
  Agora, o sistema está pronto. Ele fica ouvindo a energia da sua casa. Toda vez que algo liga, ele compara o som com os cartões de identidade que você criou e diz exatamente o que está ligado e quanto energia está gastando.

4. Por que isso é revolucionário?

• Leveza (Edge Computing): Como o "cérebro" do sistema não muda, ele pode rodar em dispositivos pequenos e baratos (como um roteador inteligente ou um medidor de energia), sem precisar enviar dados para a nuvem. Isso protege sua privacidade.
• Escalabilidade: Se você comprar um novo ar-condicionado, não precisa instalar um novo sistema inteiro. Basta criar um novo "cartão de identidade" para ele e adicionar ao sistema. O detetive continua o mesmo.
• Resistência a Poucos Dados: O sistema consegue aprender a reconhecer seus eletrodomésticos mesmo com apenas um dia de dados de uso. Modelos antigos precisariam de semanas de dados para se adaptar.

Resumo Final

O RefQuery é como um tradutor universal que aprende a falar a "língua" da sua casa em minutos. Em vez de ter um tradutor diferente para cada idioma (eletrodoméstico), você tem um tradutor inteligente que, ao receber uma pequena amostra de voz (o cartão de identidade), consegue entender perfeitamente o que está sendo dito, mesmo que o sotaque (o modelo do eletrodoméstico) seja diferente do que ele treinou antes.

Isso torna o monitoramento de energia mais barato, mais rápido, mais privado e capaz de crescer conforme você adiciona novos aparelhos em casa.

Resumo técnico

1. O Problema

O Monitoramento de Carga Não Intrusivo (NILM) visa estimar o consumo de energia em nível de aparelhos individuais a partir de sinais elétricos agregados medidos em um único ponto (ex: medidor inteligente). Apesar dos avanços recentes em Deep Learning (DL), o campo enfrenta desafios críticos para implantação prática:

• Generalização entre Domínios: Modelos treinados em um conjunto de dados (fonte) frequentemente degradam seu desempenho quando aplicados a novas residências (alvo) devido a variações nas características dos aparelhos, padrões de uso e cargas de fundo.
• Restrições de Dispositivos de Borda (Edge): Muitas soluções de ponta utilizam arquiteturas complexas (como Transformers ou ResNets profundas) que exigem alto poder computacional e memória, tornando-as inviáveis para execução local em medidores inteligentes ou dispositivos IoT com recursos limitados.
• Escalabilidade e Adaptação: Abordagens existentes geralmente assumem um conjunto fixo de aparelhos ou exigem um modelo separado por aparelho (escalando linearmente o armazenamento). Além disso, métodos de adaptação (fine-tuning) tradicionais exigem atualizar grandes quantidades de parâmetros, o que é custoso e lento em cenários com poucos dados rotulados no alvo.

2. Metodologia: O Framework RefQuery

O artigo propõe o RefQuery, um framework de aprendizado por transferência escalável, multi-aparelho e multi-tarefa. A ideia central é condicionar a desagregação a "impressões digitais" (embeddings) compactas de cada aparelho, permitindo que um único modelo compartilhado sirva a muitos aparelhos sem um conjunto de saída fixo.

O framework opera em três estágios:

A. Visão Geral da Arquitetura

• Codificador Compartilhado ($f_\theta$): Uma rede CNN 1D leve e compacta que extrai características tanto da janela de referência do aparelho quanto da janela de consulta da rede elétrica agregada.
• Head de Predição Multi-tarefa ($h_\phi$): Uma camada que combina os embeddings de referência e consulta para estimar simultaneamente o estado (Ligado/Desligado) e a potência do aparelho.
• Mecanismo de Condição: Em vez de treinar pesos específicos para cada aparelho, o modelo usa um embedding de referência ($e_r$) que representa o "perfil" do aparelho.

B. Estágios de Funcionamento

1. Estágio I: Treinamento na Fonte (Source Domain):

   • O modelo é treinado em dados totalmente rotulados de múltiplos edifícios (ex: dataset REFIT).
   • Aprende-se o codificador compartilhado e a cabeça de predição para realizar a desagregação baseada em embeddings.
   • A perda total combina Erro Quadrático Médio (MSE) para potência e Entropia Cruzada Binária (BCE) para detecção de estado.

2. Estágio II: Adaptação Leve no Alvo (Target Domain Adaptation):

   • Ao chegar a uma nova casa, o codificador e a cabeça de predição permanecem totalmente congelados.
   • Para cada novo aparelho $k$, apenas um embedding de referência específico do alvo ($\tilde{e}_r^{(k)}$) é inicializado aleatoriamente e otimizado.
   • Vantagem: A adaptação envolve otimizar apenas $E$ parâmetros (dimensão do embedding) por aparelho, em vez de ajustar toda a rede. Isso permite uma personalização rápida com poucos dados rotulados (ex: 1 dia de dados).

3. Estágio III: Inferência no Alvo:

   • O modelo usa o embedding aprendido para desagregar os sinais agregados da casa alvo em tempo real, produzindo estimativas de potência e estado para cada aparelho.

3. Contribuições Principais

1. Framework Condicionado a Aparelhos: Desenvolvimento de um modelo único que realiza desagregação multi-aparelho através de embeddings compactos, eliminando a necessidade de modelos separados ou conjuntos de saída fixos, ideal para dispositivos de borda.
2. Mecanismo de Adaptação Leve: Introdução de uma estratégia onde a adaptação ao domínio alvo ocorre apenas aprendendo o embedding do aparelho, mantendo a rede neural congelada. Isso reduz drasticamente o custo computacional e de memória durante a personalização.
3. Validação Experimental: Demonstração de que o RefQuery alcança um equilíbrio superior entre precisão e eficiência, superando baselines de estado da arte (incluindo métodos baseados em Transformers) em cenários de transferência cruzada e com dados limitados.

4. Resultados Experimentais

Os experimentos foram realizados em três conjuntos de dados públicos (REDD, UK-DALE e REFIT), tratando REFIT como fonte e os outros como alvos.

• Desempenho de Precisão:

  • O RefQuery obteve o menor MAE (Erro Absoluto Médio) médio no UK-DALE House 1, superando o método baseado em Transformer (MA-TRF) em ~2,5%.
  • No UK-DALE House 2, alcançou o melhor F1-score (detecção de estado), superando o MA-TRF em ~4%.
  • Em cenários de dados limitados (apenas 1 dia para adaptação), o RefQuery mostrou-se mais robusto, degradando muito menos sua precisão de detecção (F1) em comparação com os baselines.

• Eficiência Computacional e Escalabilidade (Crítico para Edge):

  • Armazenamento: Redução de ~90% no tamanho do modelo em comparação com MA-TRF e ~99,6% em comparação com SA-S2P (modelo por aparelho).
  • Tempo de Adaptação: O RefQuery é ~70x a 85x mais rápido que os baselines para adaptar-se a um novo aparelho, pois otimiza apenas alguns parâmetros.
  • Inferência: É significativamente mais rápido (~5,9x que MA-TRF) e possui um custo computacional incremental muito baixo ao adicionar novos aparelhos (apenas o custo do embedding e da cabeça de predição, sem re-treinamento da rede principal).

5. Significância e Conclusão

O RefQuery representa um avanço prático para a implementação de NILM em dispositivos de borda com recursos restritos. Ao separar o conhecimento global (rede congelada) das características específicas do aparelho (embeddings aprendíveis), o método resolve o dilema entre generalização e personalização.

• Viabilidade Real: Permite que sistemas de monitoramento sejam implantados localmente, preservando a privacidade dos dados e reduzindo custos de transmissão.
• Escalabilidade Incremental: Novos aparelhos podem ser adicionados ao sistema sem re-treinar a rede neural inteira, apenas aprendendo uma nova "impressão digital" digital.
• Robustez: Mantém alta precisão mesmo quando há escassez de dados rotulados no novo ambiente, um cenário comum na vida real.

Em suma, o trabalho oferece um caminho viável para a desagregação de carga em tempo real e escalável, superando as limitações de armazenamento e computação das abordagens atuais baseadas em Deep Learning pesado.