Desarrollo de un enfoque de medición de energía eléctrica no intrusiva orientado a plataformas de bajo costo aplicado a usuarios finales utilizando técnicas de aprendizaje de máquinas

Abstract

La creciente demanda de energía eléctrica junto con la necesidad de mitigar los efectos del uso de combustibles fósiles, exige el desarrollo de sistemas eficientes de monitoreo y medición del consumo energético. Este trabajo aborda el problema de identificar el consumo de cargas eléctricas en entornos domésticos a partir de datos agregados, con el objetivo de concientizar a los usuarios finales y promover la reducción del consumo de energía. El principal objetivo fue diseñar y evaluar un sistema de medición eléctrica no intrusivo basado en técnicas de Aprendizaje de Máquinas, utilizando datos de potencia muestreados en baja frecuencia proporcionado en la base de datos REED (Residential Energy Efficiency Dataset). Se aplicaron ventanas temporales para extraer características y patrones de uso, lo que permitió entrenar y comparar varios algoritmos, incluyendo Random Forest, SVM, K-Nearest Neighbors, Gradient Boosting, sobre datos desbalanceados multiclase. Claves para el éxito del enfoque fueron el uso de la Codificación Binaria para representar el estado del sistema y la técnica de Centroides de Potencia para reducir la complejidad de los estados. Los modelos se evaluaron utilizando la métrica F1-Score, los resultados mostraron que Random Forest alcanzó una puntuación de 0.89, destacándose en precisión. Extra Trees, con una mediana de 0.86, se posicionó como la mejor opción para entornos de recursos limitados. En clases con pocas instancias, SVM mostró un buen desempeño con un promedio de 0.74, mientras que KNN alcanzó un promedio de 0.72, ofreciendo una alternativa viable. El estudio demuestra la viabilidad del monitoreo no intrusivo de cargas (Non-Intrusive Load Monitoring) mediante el enfoque propuesto, resaltando la efectividad de algoritmos basados en árboles de decisión para la desagregación. Además, se verificó la factibilidad de implementar este enfoque en dispositivos de recursos limitados como una Raspberry Pi, abriendo oportunidades para su aplicación en sistemas domóticos inteligentes.

The increasing demand for electricity, along with the need to mitigate the effects of fossil fuel usage, requires the development of efficient systems for monitoring and measuring energy consumption. This study addresses the problem of identifying individual appliance consumption in residential settings using aggregated data, with the aim of raising user awareness and promoting energy reduction. The main objective was to design and evaluate a non-intrusive electrical measurement system based on Machine Learning techniques, using low-frequency power data from the REED (Residential Energy Efficiency Dataset). Temporal windows were applied to extract features and usage patterns, enabling the training and comparison of several algorithms, including Random Forest, SVM, K-Nearest Neighbors, and Gradient Boosting, on imbalanced multiclass data. Key elements to the success of the approach included the use of Binary Encoding to represent system states and the Power Centroid technique to reduce state complexity. Models were evaluated using the F1-Score metric. Results showed that Random Forest achieved a score of 0.89, standing out in terms of precision. Extra Trees, with a median of 0.86, emerged as the most suitable option for resource-constrained environments. For classes with fewer instances, SVM performed well with an average score of 0.74, while KNN reached 0.72, offering a viable alternative. The study demonstrates the feasibility of Non-Intrusive Load Monitoring (NILM) through the proposed approach, highlighting the effectiveness of tree-based algorithms for energy disaggregation. Furthermore, the implementation of this method on low-resource devices such as a Raspberry Pi was found to be feasible, opening opportunities for application in smart home systems.