Aprendizaje e inteligencia computacional para la caracterización de consumo eléctrico en hogares.

Abstract

Este proyecto estudia el problema de la desagregación energética en hogares, que busca identificar que electrodomésticos se encuentran encendidos en una red eléctrica a partir de los datos de consumo agregado del hogar. Se estudian dos variantes del problema: una variante binaria, donde los electrodomésticos pueden encontrarse únicamente en dos estados, encendido o apagado, y una variante que considera múltiples niveles de consumo. Se utilizan métodos de aprendizaje automático y redes neuronales para abordar cada una de las variantes. Se implementan cuatro clasficadores: Naive Bayes, K Nearest Neighbours, Multi Layer Perceptron, Long Short Tert Memory. Los clasificadores implementados son evaluados utilizando el repositorio de datos UK-DALE. Dicho repositorio contiene información sobre consumo eléctrico de varios electrodomésticos en cinco hogares del Reino Unido en el período entre los años 2012 y 2017. Los resultados experimentales muestran que para la variante binaria, las redes neuronales LSTM son las más apropiadas para abordar el problema de caracterización. Las redes logran tasas de aciertos de cambios de estado de hasta un 75%, y valores de f1-score cercanos a 1. En contraposición, para la variante con múltiples estados de consumo, los resultados son netamente bajos. Finalmente, se introduce el problema de desagregación de consumo eléctrico a hogares no conocidos. Se prueba el desempeño de los clasificadores frente a conductas de consumo eléctrico no proporcionadas durante las etapas de entrenamiento.