Cloud-Edge Collaborative Framework for Low-Latency and High-Efficiency Appliance Consumption Monitoring. PhD thesis, King Fahd University of Petroleum and Minerals.

PDF (PhD Dissertation) 201707490-final-phd-dissertation-ics.pdf - Submitted Version Restricted to Repository staff only until 26 January 2027. Download (4MB)

Arabic Abstract

يهدف تقدير الأحمال غير المتطفّل (NILM) إلى استرجاع استهلاك الطاقة على مستوى الأجهزة اعتماداً على إشارة مجمّعة واحدة من عدّاد ذكي. ويُعدّ هذا المجال مكوّناً أساسياً في تقنيات الشبكات الذكية. غير أنّ العديد من أساليب الـNILM الحالية تواجه تحديات كبيرة عند تطبيقها عمليًا؛ إذ تتطلّب قدرة حسابية عالية، وتحتاج إلى بيانات عالية التردد و موسومة بشكل غني، وتفترض وصولاً مركزياً إلى بيانات استهلاك حسّاسة، كما أنها غالباً ما تعاني من ضعف القدرة على التعميم عبر المنازل والمستخدمين المختلفين. تهدف هذه الرسالة إلى دراسة إمكانية تصميم نماذج NILM دقيقة، وخفيفة، ومراعية للخصوصية، وقادرة على العمل بموثوقية ضمن بيئات العدّادات الذكية الحقيقية. وفي هذا الإطار، نقدّم ثلاث مساهمات رئيسية: أولاً، نطوّر مجموعة من معماريات الـ NILM الخفيفة تشمل: (i) MMNet-NILM، وهو نموذج فصل يعتمد على MobileNet متعدد الأهداف (مع نسخ تجميعية)، ويحقق انخفاضاً كبيراً في حجم النموذج وكلفة التدريب مع الحفاظ على الدقة أو تحسينها؛ (ii) مُرمّزاً بأسلوب WaveNet مع انتباه قابل للتشوّه (Deformable Attention) لالتقاط البنى الزمنية طويلة المدى باستخدام انتباه متعلّم ونادر عبر الزمن؛ (iii) نموذج NILM مُدمج بالفيزياء، صغير الحجم، يُدخل قيود أنظمة القدرة عبر دوال خسارة مستنِدة إلى قيود فيزيائية، مما يحسّن المتانة خصوصاً للأجهزة النادرة أو منخفضة التشغيل. ثانياً، نقترح طرق تصنيف قائمة على الانتباه وقابلة للتكيّف عبر المجالات لبيانات العدّادات الذكية منخفضة الدقة من خلال محوّلات الرؤية (Vision Transformers) وخليط من محوّلات Swin تعمل على تمثيلات صور GADF وRPوMTF، ونمدّدها بآليات التكيّف غير الخاضع للإشراف (مثل التدريب التنافسي ودالة ترتيب التباينCORAL) لنقل المعرفة عبر المناطق والمجموعات البيانية والمنازل. كما نقدّم نموذجاً هجيناًَ خفيفاً يعتمد على الالتفافات القابلة للفصل مكانياً والانتباه القائم على نوافذ زمنية (Window-based Attention) ليكون مناسباً للأجهزة محدودة الموارد. ثالثاً، نطوّر أطر تعلم تعاوني بين الحوسبة الطرفية والسحابية لأجل الـ NILM: بما يشمل تعلّماً اتحادياً متعدد المهام والأهداف مع مواءمة تنافسية و CORAL لمعالجة بيانات غير مستقلة وغير متماثلة التوزيع (non-IID)، بالإضافة إلى نظام التعلم الفيدرالي المنقسم ثلاثي المستويات (Split-FL) الذي يقسّم الحساب بين العدّاد، والحافة، والسحابة، مع إمكانية دمجه بخوارزميات الخصوصية التفاضلية. تُظهر التجارب على عدة مجموعات بيانات عامة أن هذه الأطر تحقق أداءً واعداً مقارنةً بالنماذج المرجعيةوالطرق الحديثة، مع الحفاظ على الخصوصية والعمل ضمن حدود واقعية للحساب وعرض النطاق. بصورة عامة، تشير النتائج إلى أنّ الجمع بين المعماريات الخفيفة، وآليات الانتباه، والقيود الفيزيائية، وتكيّف المجالات، والتعلم التعاوني يجعل تقنيات الـNILM قابلية للتطبيق العملي؛ إذ تحقق دقة كافية للاستخدام الفعلي، وكفاءة أعلى للتطبيق، مع مراعاة خصوصية المستخدمين وتنوع البيئات والشبكات .

English Abstract

Non-Intrusive Load Monitoring (NILM) aims to recover appliance-level energy use from a single aggregate smart meter signal. It has become a pivotal component for smart grid technology. In practice, however, many NILM methods are difficult to deploy as they are computationally heavy, require high-frequency measurements or richly labeled data, assume centralized access to sensitive consumption traces, and exhibit limited generalization across different houses and users. This dissertation investigates whether it is possible to design NILM models that achieve high accuracy while remaining lightweight, privacy-aware, and sufficiently robust for real-world smart-meter environments. To address this, we make three main contributions. First, we develop a family of lightweight NILM architectures, including (i) MMNet-NILM, a multi-target MobileNet-based disaggregation model (with ensemble variants) that cut storage and training cost while maintaining or improving accuracy, (ii) a WaveNet-style encoder with deformable attention that captures long-range temporal structure using sparse, learned attention over time, and (iii) a compact physics-informed NILM model that incorporates power-system constraints via physics-guided losses, improving robustness especially for rare and low-duty appliances. Second, we propose attention-based and domain-adaptive appliance classification methods for low-resolution smart-meter data. We use multimodal Vision Transformers and Mixtures of Swin Transformers operating on GADF, RP, and MTF image encodings, and extend them with unsupervised domain adaptation (adversarial training and CORAL) to transfer knowledge across regions, datasets, and homes. A lightweight hybrid model based on depthwise-separable convolution and window-based attention further provides an energy-efficient alternative for resource-constrained devices. Third, we design cloud-edge collaborative learning frameworks for NILM: a federated multi-task/multi-target setup with adversarial and CORAL alignment to handle non-IID clients, and a three-tier Split Federated Learning (Split-FL) system that partitions computation across meter, edge, and cloud, optionally combined with differential privacy. Experiments on multiple public datasets show that these frameworks achieve promising performance compared to various baselines and SOTA while preserving privacy and operating within realistic compute and bandwidth budgets. Overall, the results indicate that by combining lightweight architectures, attention mechanisms, physics priors, domain adaptation, and collaborative learning, NILM can be made significantly more practical: accurate enough to be useful, efficient enough to deploy, and respectful of the privacy and diversity of real users and real grids.

Item Type:	Thesis (PhD)
Subjects:	Computer
Department:	College of Computing and Mathematics > Information and Computer Science
Committee Advisor:	El-Alfy, El-Sayed
Committee Members:	Abido, Mohamed and Mahmood, Sajjad and AlOwaifeer, Maad and Rahman, Md
Depositing User:	MOHAMMED AYUB (g201707490)
Date Deposited:	27 Jan 2026 05:03
Last Modified:	27 Jan 2026 05:03
URI:	http://eprints.kfupm.edu.sa/id/eprint/144059