[논문 리뷰] Lightweight and Scalable Transfer Learning Framework for Load Disaggregation

L. E. Garcia-Marrero, G. Petrone외 1명|arXiv (Cornell University)|2026. 03. 05.

Smart Grid Energy Management인용 수 0

한 줄 요약

본 논문은 RefQuery를 소개한다. 이는 가전 조건부 NILM 프레임워크로, 사전에 학습된 분해 네트워크를 고정하고 경량의 가전별 임베딩을 학습하여 다수의 가전에 대한 확장 가능한 엣지 친화적 전이 학습을 가능하게 한다. 또한 교차 도메인 데이터셋에서 적응 비용을 감소시키면서 경쟁력 있는 정확도를 입증한다.

ABSTRACT

Non-Intrusive Load Monitoring (NILM) aims to estimate appliance-level consumption from aggregate electrical signals recorded at a single measurement point. In recent years, the field has increasingly adopted deep learning approaches; however, cross-domain generalization remains a persistent challenge due to variations in appliance characteristics, usage patterns, and background loads across homes. Transfer learning provides a practical paradigm to adapt models with limited target data. However, existing methods often assume a fixed appliance set, lack flexibility for evolving real-world deployments, remain unsuitable for edge devices, or scale poorly for real-time operation. This paper proposes RefQuery, a scalable multi-appliance, multi-task NILM framework that conditions disaggregation on compact appliance fingerprints, allowing one shared model to serve many appliances without a fixed output set. RefQuery keeps a pretrained disaggregation network fully frozen and adapts to a target home by learning only a per-appliance embedding during a lightweight backpropagation stage. Experiments on three public datasets demonstrate that RefQuery delivers a strong accuracy-efficiency trade-off against single-appliance and multi-appliance baselines, including modern Transformer-based methods. These results support RefQuery as a practical path toward scalable, real-time NILM on resource-constrained edge devices.

연구 동기 및 목표

• 저샘플링 속도와 프라이버시 요구사항과 같은 제약이 있는 엣지 디바이스용 NILM의 필요성을 제시한다.
• 고정된 출력 집합과 대형 가전별 모델을 피하면서 확장 가능한 다가전 NILM 프레임워크를 개발한다.
• 컴팩트한 가전 임베딩을 학습해 경량의 타깃 도메인 적응을 가능하게 한다.
• 자원 제약 하의 하드웨어에서 교차 도메인 전이 효율성 및 실시간 가능성을 입증한다.

제안 방법

• 참고 창(reference)과 쿼리 창을 차원 E의 임베딩으로 인코딩하기 위해 공유된 1-D CNN 특징 추출기를 사용한다.
• 상호 작용 항(e_r, e_q, (e_q - e_r)^2, e_q ⊙ e_r)을 포함하는 연결된 reference 및 query 임베딩에 기반해 다중 작업 헤드를 통해 분리(disaggregation)를 조건화한다.
• 입력 창마다 가전 전력(z-정규화 사용)과 ON/OFF 상태(sigmoid 사용)를 공동으로 예측한다.
• Stage I: 전체 레이블이 있는 소스 도메인 데이터로 재사용 가능한 가전 조건 분해를 학습하기 위한 훈련.
• Stage II: 타깃 도메인 적응은 백본을 고정하고 차원 E의 per-appliance reference embedding e_r^(k)를 경량 역전파를 사용하여 학습한다.
• Stage III 추정은 고정된 임베딩을 사용하여 타깃 주 전력을 실시간으로 분해한다.

실험 결과

연구 질문

• RQ1 하나의 공유 모델이 컴팩트한 가전 임베딩으로 조건화하여 고정 출력 세트를 사용하지 않고 여러 가전을 분해할 수 있는가?
• RQ2 경량의 가전별 임베딩 적응이 제한된 타깃 데이터로도 효과적인 교차 도메인 전이를 가능하게 하는가?
• RQ3 제안된 RefQuery 접근법이 자원 제약이 있는 엣지에서 실시간 NILM을 위한 확장성과 효율성을 충분히 보장하는가?

주요 결과

• RefQuery는 교차 도메인 NILM 데이터셋(UK-DALE, REDD) 및 시나리오 전반에서 최첨단 베이스라인과 비교해 경쟁력 있는 정확도를 달성한다.
• 전체 데이터 적응에서 RefQuery는 강력한 MAE 및 F1 성능을 제공하며, 특히 식기세척기나 세탁기와 같은 다상 가전에 대해 일관성이 높다.
• 데이터가 제한된 환경의 적응에서 RefQuery는 특히 F1 점수에서 전반적으로 가장 강력한 성능을 보이며, 가전마다 E 매개변수만 업데이트하여 적응 비용을 낮게 유지한다.
• RefQuery는 정확도-효율성 트레이드오프가 우수하고 저장소/적응 요구사항이 감소하여 실제 온-디바이스 NILM 및 점진적 가전 추가를 지원한다.