Edge AI & Modelos

Tres modelos corriendo en paralelo en 786 KB de RAM — sin internet, sin latencia, sin excusas.

---

Inferencia que sobrevive al apagón

Cuando la red eléctrica falla, el internet del hogar suele irse con ella. Por eso entrenamos en Edge Impulse Studio con datos reales de voltaje residencial y llevamos los modelos al Qualcomm AI Hub para cuantizarlos a INT8.

El resultado es un modelo que vive dentro del Arduino, aprende el comportamiento específico de cada red eléctrica y toma decisiones autónomas sin depender de una sola petición a internet.

---

Modelo A · Anomalía de voltaje

De 94.5% a 99.3% en cuatro iteraciones — y un bug que lo explica todo.

Parámetro	Valor
Proyecto EI	tecovolt-voltage
Tipo	Clasificador de 6 clases
Bloque DSP	Custom tecovolt_block — 6 features físicas vía Python/ngrok
Frecuencia	1000 Hz
Ventana	200 ms (200 samples), stride 200 ms
Arquitectura NN	Dense 16 → Dense 8 → Softmax 6 clases
Training cycles	100, lr=0.001
Accuracy final	99.3% validation, AUC=1.00
Clases	normal, sag_leve, sag_severo, swell, outage, flicker

Las 6 features que ven lo que el multímetro no puede

Feature	Descripción
rms_v	Voltaje RMS — la más discriminante: outage vs normal = diferencia de 164x
peak_to_peak_v	Diferencia máximo–mínimo de la ventana
crest_factor	Peak / RMS — detecta distorsión de forma de onda
rms_ripple_v	Variabilidad del RMS por ciclo — detecta inestabilidad
dominant_freq_hz	Componente frecuencial dominante vía FFT
thd	Total Harmonic Distortion — la única feature que separa flicker de normal

¿Por qué THD? flicker y normal tienen RMS casi idéntico (~0.1175 V). El flicker genera modulación de amplitud que produce armónicos de 2° y 3° grado. THD normal: 0.005–0.015. THD flicker: 0.15–0.30. Una diferencia de 10–20x que ningún bloque estándar de Edge Impulse puede calcular.

Distribución inicial de clases — el punto de partida

Clases del dataset sintético v1 antes de la separación agresiva.

Distribución prefinal — v3 antes del fix crítico

Dataset mixto con THD pero bug de fs aún presente.

Distribución final — v4, separación agresiva

Dataset final con separación agresiva entre clases frontera.

Historia de iteraciones

Versión	Accuracy	Notas
v1	94.5%	Dataset sintético puro, 5 features
v2	63.7%	Dataset mixto. Confusión: normal ↔ sag_leve. Bug fs latente
v3	63%	THD agregado. Collapse a flicker. Bug fs aún presente
v4	99.3%	Fix fs + separación agresiva en synth

Bug crítico resuelto en v4: el DSP block tenía fs=6279.8 hardcodeado (sample rate real del PicoScope) pero el dataset v2/v3 fue generado a 1000 Hz. Esto rompía RMS ripple y THD completamente. Fix: fs = 1000.0 hardcodeado en dsp.py, alineado con el parámetro de Edge Impulse.

Curvas de entrenamiento — sin overfitting

Train y validation convergen — el modelo aprendió física, no ruido.

Dataset

Dataset mixto real + sintético. Datos reales capturados con PicoScope 2208B MSO del ZMPT101B a 6279.8 Hz, submuestreados a 1000 Hz. Augmentation ×50 por captura real usando el perfil de ruido medido (std diff-to-diff). Para outage no se amplifica — solo ruido mínimo, la señal ya es ~0 V.

Dataset final: 1440 train / 360 test — 6 clases balanceadas.

---

Modelo B · Demanda energética

Tres niveles de carga eléctrica, valores anclados a mediciones reales con calentadores.

Parámetro	Valor
Proyecto EI	tecovolt-demand
Tipo	Clasificador de 3 clases
Bloque DSP	Flatten — Average, RMS, Std deviation (normalizado)
Frecuencia	~2 Hz (lecturas rawRMS del ACS712)
Ventana	10 muestras = 5 s
Arquitectura NN	Dense 8 → Softmax 3 clases
Clases	baja (rawRMS <8), media (~42.81), alta (~87.60)

Valores reales medidos — ACS712-30A

Clase	rawRMS	Carga
baja	0.00	Sin carga
media	42.81 ± 0.21	Un calentador (~950 W)
alta	87.60 ± 0.23	Dos calentadores (~1900 W)

Dataset final: 638 train (600 sintéticos anclados a valores reales + 38 reales).

A diferencia del modelo de voltaje, el modelo de demanda sí requiere normalización. Las 3 features están en la misma escala y el modelo necesita aprender proporciones, no valores absolutos.

Insight de diseño: la corriente no debe mezclarse como feature en el modelo de voltaje. Un sag con calentador encendido se ve diferente a uno sin calentador — la corriente depende de las cargas del usuario, no de la calidad de la red.

---

Modelo C · Riesgo térmico

El tablero eléctrico también se calienta — y eso también es una señal de riesgo.

Parámetro	Valor
Tipo	Clasificador de 3 clases
Bloque DSP	Flatten (temperatura cambia lento — sin FFT)
Frecuencia	1 Hz (BMP280)
Ventana	10 muestras = 10 s
Clases	bajo (20–45 °C), medio (45–65 °C), alto (65–90 °C + baja humedad)

Desarrollado por Jocelyn Velarde. Proyecto EI propio porque tiene bloque de procesamiento distinto.

---

Custom DSP Blocks — más allá del toolbox estándar

Edge Impulse tiene bloques predefinidos. Nosotros los reemplazamos con Python propio, servido vía HTTP desde ngrok durante el entrenamiento.

tecovolt_block — Extrae las 6 features incluyendo THD. Implementado en dsp.py, servido por dsp-server.py. Fix aplicado: parámetros JSON con guiones (scale-axes) → underscores antes de pasar como kwargs.

tecotemp_block — Procesa ventanas de temperatura/humedad del BMP280.

---

Lógica de predicción compuesta

El relay no actúa en una sola detección — el MPU evalúa patrones acumulados:

history = deque(maxlen=10)

if history.count('sag_leve') >= 3:   → alerta_amarilla (WhatsApp)
if history.count('sag_severo') >= 2: → alerta_roja → relay_off

Esto diferencia Tecovolt de un monitor pasivo: actúa antes del colapso total.

---

Pipeline de cuantización — de 200 KB a 50 KB

Edge Impulse Studio (float32)
        │
        ▼
Qualcomm AI Hub
   · Cuantización INT8
   · Perfilado de potencia
   · Validación en Dragonwing
        │
        ▼
Librería C++ INT8 (~50 KB por modelo)
        │
        ▼
Deploy en STM32U585 (786 KB RAM / 2 MB ROM)

El paso por Qualcomm AI Hub es la diferencia entre un nodo que dura 12 horas de batería y uno que dura 72.