[论文解读] Lightweight and Scalable Transfer Learning Framework for Load Disaggregation
本文引入 RefQuery,一种设备条件化的 NILM 框架,在保持预训练分解网络不变的同时学习轻量级的每-设备嵌入,以实现对多种设备的可扩展、边缘友好型迁移学习。它在跨域数据集上展示了具竞争力的准确性,并且降低了适应成本。
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.
研究动机与目标
- 在具备低采样率和隐私要求等约束的边缘设备上推动 NILM 的应用。
- 开发一个可扩展的多设备 NILM 框架,避免固定输出集和大规模的每-设备模型。
- 通过学习紧凑的设备嵌入实现轻量级的目标域自适应。
- 展示跨域迁移的效率与在资源受限硬件上的实时可行性。
提出的方法
- 使用共享的一维卷积神经网络特征提取器将参考窗口与查询窗口编码为维度为 E 的嵌入。
- 通过将参考嵌入 e_r、查询嵌入 e_q 及其交互项 (e_q - e_r)^2、e_q ⊙ e_r 的组合,利用多任务头对分解进行条件化。
- 对每个输入窗口联合预测设备功率(进行 z-normalization)和开/关状态(使用 sigmoid)。
- 阶段 I 在具有完整标注数据的源域上训练,以学习可重复使用的、设备条件化的分解。
- 阶段 II 目标域自适应冻结骨干网络,使用轻量化反向传播学习每个设备的参考嵌入 e_r^(k),维度为 E。
- 阶段 III 推理时使用固定的嵌入进行目标主电源的实时分解。
实验结果
研究问题
- RQ1单一共享模型通过对紧凑的设备嵌入进行条件化,是否可以在没有固定输出集的情况下实现对多种设备的分解?
- RQ2轻量级的每-设备嵌入自适应是否能在目标数据有限的情况下实现有效的跨域传输?
- RQ3所提的 RefQuery 方法是否足够可扩展、在资源受限的边缘设备上实现实时 NILM?
主要发现
- RefQuery 在跨域 NILM 数据集(UK-DALE、REDD)及场景下,与现有最先进基线相比仍具竞争力的精准度。
- 在全数据自适应情形下,RefQuery 提供强劲的 MAE 与 F1 性能,且对如洗碗机、洗衣机等多态设备的一致性尤为突出。
- 在数据有限的自适应情形下,RefQuery 展现最强的总体性能,尤其是 F1 分数,并通过每个设备仅更新 E 个参数来保持低自适应成本。
- RefQuery 展现出有利的准确性-效率权衡、较低的存储/自适应需求,支持实用的边缘设备上 NILM 与增量设备添加。
阅读本论文
在 Nubint 阅读器中打开原文,边读边就任意段落提问。
在 Nubint 中阅读本论文本解读由 AI 根据论文原文生成,引用前请核对原文。