A Bayesian Optimization-Based AutoML Framework for Non-Intrusive Load Monitoring

Resumen Técnico: Un Marco de Trabajo de AutoML Basado en la Optimización Bayesiana para el Monitoreo No Intrusivo de Carga

Planteamiento del Problema
El Monitoreo No Intrusivo de Carga (NILM, por sus siglas en inglés), o desagregación de energía, tiene como objetivo estimar el consumo de energía de electrodomésticos individuales mediante el análisis del uso agregado de electricidad de un hogar. Si bien el Monitoreo Intrusivo de Carga (ILM) ofrece una alta precisión mediante sensores dedicados, es poco práctico debido a los altos costos de instalación y las preocupaciones de privacidad. El NILM proporciona una alternativa rentable, pero depende en gran medida de complejos flujos de trabajo de aprendizaje automático (ML). Tradicionalmente, el desarrollo de estos flujos de trabajo requiere una experiencia significativa en ciencia de datos para seleccionar modelos y ajustar hiperparámetros de forma manual. Este proceso manual consume mucho tiempo, a menudo evalúa un solo modelo a la vez y puede conducir a configuraciones subóptimas. El artículo aborda la necesidad de un marco de trabajo automatizado y accesible que pueda identificar sistemáticamente modelos de ML y sus hiperparámetros óptimos para la desagregación de energía sin requerir una experiencia avanzada en ML por parte del profesional.

Metodología
Los autores proponen AutoML4NILM, un marco de trabajo flexible y de código abierto que integra el Aprendizaje Automático Automatizado (AutoML) con la Optimización Bayesiana para resolver el problema de NILM.

1. Arquitectura del Marco de Trabajo: El sistema automatiza el diseño de los flujos de trabajo de ML al tratar la selección de modelos y el ajuste de hiperparámetros como un problema de búsqueda. Define un espacio de búsqueda exhaustivo que abarca 11 algoritmos distintos, incluyendo:

   • ML Tradicional: Árboles de Decisión (DT), Bosques Aleatorios (RF).
   • Aprendizaje Profundo (Deep Learning): Redes Neuronales Totalmente Conectadas, Unidades Recurrentes con Compuertas (GRU), GRU basado en ventanas, Seq2Seq, Seq2Point, Memoria a Largo Corto Plazo (LSTM) y Autoencoders de Eliminación de Ruido (DAE).
   • Probabilístico/Combinatorio: Modelos Ocultos de Factorial (FHMM) y Optimización Combinatoria (CO).

2. Espacio de Búsqueda de Hiperparámetros: El marco explora un conjunto diverso de hiperparámetros para estos modelos, incluyendo:

   • Basados en árboles: Criterio, número mínimo de muestras para división, número de estimadores.
   • Redes Neuronales: Optimizadores (Adam, Nadam), tasas de aprendizaje, funciones de pérdida, número de capas, probabilidad de dropout, longitud de secuencia y tamaño de ventana.

3. Estrategia de Optimización: El motor central utiliza la Optimización Bayesiana a través de la biblioteca Hyperopt. A diferencia de la Búsqueda de Cuadrícula (Grid Search) o la Búsqueda Aleatoria (Random Search), que tratan las evaluaciones de forma independiente, Hyperopt emplea la Optimización Basada en Modelos Secuenciales (SMBO) con Estimadores de Parzen Estructurados por Árboles (TPE). Este enfoque utiliza la información de evaluaciones previas para navegar inteligentemente el espacio de búsqueda, optimizando el criterio de Mejora Esperada (EI) para encontrar la mejor configuración de modelo con menos iteraciones.

4. Configuración Experimental:

   • Conjunto de Datos: El conjunto de datos UK-DALE, que contiene datos agregados y a nivel de electrodoméstico de cinco hogares del Reino Unido (2013–2015).
   • Preprocesamiento: Los datos se dividieron en conjuntos de entrenamiento (25 días), validación (7 días) y prueba (el resto). Se seleccionó una frecuencia de muestreo de 60 Hz para la desagregación para equilibrar el detalle y el costo computacional.
   • Métricas: El rendimiento se evaluó utilizando el Error Absoluto Medio (MAE) para la precisión de regresión y la Precisión de Clasificación para la detección de estado (ENCENDIDO/APAGADO).
   • Restricciones: Los experimentos se limitaron a 20 épocas y un máximo de 30 evaluaciones de hiperparámetros por algoritmo debido a restricciones de recursos computacionales (ocurrieron caídas del servidor y falta de respuesta con conteos de evaluación más altos).

Resultos Clave
El estudio comparó el marco de trabajo AutoML4NILM frente a los 11 algoritmos soportados:

• Rendimiento Base: Cuando los algoritmos se ejecutaron individualmente con configuraciones estándar, Seq2Point logró el MAE más bajo (8.31) y una alta precisión (97.98%). Por el contrario, la Optimización Combinatoria (CO) y FHMM tuvieron un desempeño deficiente en términos de MAE (224 y 177.3, respectivamente), y el GRU basado en ventanas mostró la precisión más baja (80.9%).
• Optimización de AutoML: Cuando se aplicó el marco de Optimización Bayesiana para ajustar los hiperparámetros:
  • Seq2Point siguió siendo el modelo superior, logrando un MAE óptimo de 7.12 con la configuración: tamaño de ventana 20, tasa de aprendizaje 0.01 y optimizador Nadam.
  • Otros modelos mostraron diversos grados de mejora, pero ninguno superó el rendimiento del Seq2Point optimizado.
  • El marco identificó con éxito las configuraciones óptimas dentro del presupuesto limitado de 30 evaluaciones, demostrando la eficiencia de la Optimización Bayesiana sobre el ensayo y error manual.

Significancia y Reivindicaciones
El artículo posiciona a AutoML4NILM como un paso significativo hacia la democratización de la investigación y el despliegue de NILM. Sus principales contribuciones son:

1. Accesibilidad: Permite a los profesionales del dominio aplicar técnicas de ML de vanguardia para la desagregación de energía sin requerir una profunda experiencia en ciencia de datos o el ajuste manual de hiperparámetros.
2. Eficiencia: El marco demuestra una eficiencia significativamente mejorada y un rendimiento experimental superior en comparación con los enfoques manuales tradicionales que evalúan modelos uno por uno.
3. Extensibilidad: El marco está diseñado con una arquitectura modular que soporta la adición de nuevos algoritmos e hiperparámetros, fomentando la investigación adicional y la adopción industrial.
4. Validación: Al identificar a Seq2Point como la arquitectura óptima para el conjunto de datos UK-DALE bajo las condiciones probadas, el trabajo valida la eficacia de los modelos de secuencia a secuencia para una precisa desagregación de energía a nivel de electrodoméstico.

Los autores concluyen que, si bien la implementación actual está limitada por las restricciones computacionales (lo que impide espacios de búsqueda exhaustivos), el marco establece una arquitectura de referencia estructurada tanto para aplicaciones académicas como industriales de NILM, agilizando el camino desde los datos brutos hasta las soluciones optimizadas de monitoreo de energía.