Ensemble-Based Anomaly Detection for Urban Power Efficiency Towards Sustainable Energy Management

Las ciudades son organismos vivos que respiran electricidad. Desde las luces de un hogar hasta la energía que alimenta un hospital, el flujo de energía mantiene en movimiento la vida moderna. Pero, como cualquier sistema complejo, este flujo no siempre es perfecto. A veces, la energía se desperdicia a través de ineficiencias ocultas, fallos en los equipos o patrones de uso irregulares que pasan desapercibidos hasta que llega una factura o un sistema falla. Encontrar estos problemas ocultos es difícil porque los datos generados por los medidores inteligentes y los sensores son vastos, desordenados y cambian constantemente. Los métodos tradicionales para buscar errores, como establecer un límite simple y esperar a que un número lo cruce, a menudo pasan por alto las señales sutiles de problemas o generan falsas alarmas. Para resolver esto, los investigadores están recurriendo a una rama de la informática llamada aprendizaje automático (machine learning), donde las computadoras aprenden a reconocer patrones sin que se les diga explícitamente qué buscar. Al enseñar a estos sistemas a comprender qué es un uso de energía "normal", pueden detectar los comportamientos extraños que señalan desperdicio o peligro, ofreciendo un camino hacia ciudades más limpias y sostenibles.

Un equipo de investigadores de universidades de India, Irak, Malasia y Baréin se propuso construir un sistema que pudiera hacer precisamente esto para las redes eléctricas urbanas. Su objetivo era crear un vigilante digital que pudiera filtrar los datos brutos de consumo de energía e identificar anomalías: esos picos o caídas irregulares que sugieren que algo anda mal. No dependieron de un solo método para encontrar estos errores. En su lugar, construyeron un equipo de cuatro modelos informáticos diferentes, cada uno con su propia forma de entender los datos. Un modelo, conocido como Isolation Forest, funciona fragmentando aleatoriamente los datos para ver qué puntos quedan aislados. Otro, llamado Local Outlier Factor, observa qué tan concurrida es un área específica de datos, señalando los puntos que están demasiado lejos de sus vecinos. Un tercero utiliza una técnica llamada One-Class Support Vector Machine para dibujar un límite alrededor del comportamiento normal, marcando cualquier cosa fuera de esa línea como sospechosa. El cuarto modelo, y el más complejo, es un Autoencoder, un tipo de red neuronal artificial que intenta reconstruir los datos que ve; si tiene dificultades para reconstruir una pieza de información, asume que esa pieza es inusual.

Los investigadores comenzaron limpiando un conjunto de datos de registros de energía municipal, lo que implicó completar números faltantes, ajustar datos sesgados y escalar los valores para que la computadora pudiera procesarlos de manera justa. Luego entrenaron estos cuatro modelos con estos datos limpios. Para probar qué tan bien funcionaban, simularon un escenario donde el diez por ciento de los datos eran conocidos por ser anormales, una tasa común para probar tales sistemas. Los resultados mostraron que, si bien todos los modelos tenían sus fortalezas, el Autoencoder destacó. Logró una puntuación de 0.9740 en una métrica que equilibra el hallazgo de problemas reales con la evitación de falsas alarmas, superando a los otros tres modelos individuales. El Isolation Forest y el Local Outlier Factor también funcionaron bien, pero el Autoencoder fue el más preciso para distinguir entre fluctuaciones normales e ineficiencias genuinas.

Sin embargo, los investigadores sabían que confiar en un solo modelo podía ser arriesgado. Si ese único modelo cometía un error, todo el sistema fallaría. Para hacer la solución más robusta, combinaron los cuatro modelos en un sistema de ensamble (ensemble). Esto funciona como un comité: un dato solo se marca como anomalía si al menos dos de los cuatro modelos coinciden en que es extraño. Este enfoque redujo drásticamente el número de falsas alarmas. En sus pruebas, este sistema combinado logró una precisión perfecta, lo que significa que cada vez que emitía una alerta, era correcta. Aunque su precisión general fue ligeramente inferior a la del mejor modelo individual, la compensación valía la pena para un sistema del mundo real donde las falsas alarmas pueden desperdiciar tiempo y recursos. El equipo también utilizó una herramienta llamada SHAP para explicar por qué los modelos tomaban sus decisiones. Este análisis reveló que características específicas en los datos, particularmente aquellas relacionadas con los tiempos de uso pico y los patrones de alto consumo, fueron los principales impulsores detrás de las alertas.

El estudio concluye que, si bien los modelos de aprendizaje profundo como el Autoencoder son herramientas poderosas para detectar el desperdicio de energía, combinarlos con otros métodos crea una red de seguridad más segura y confiable para la infraestructura de la ciudad. El sistema identificó con éxito patrones de consumo irregulares sin necesidad de ejemplos previamente etiquetados de cada posible fallo, una ventaja crucial ya que las ciudades del mundo real rara vez tienen registros perfectos de cada problema pasado. Los investigadores señalaron que su trabajo se basó en datos de verdad de campo simulados y que los esfuerzos futuros deberán incorporar datos de series temporales en tiempo real para manejar la naturaleza dinámica de las redes eléctricas en vivo. Al hacer visibles estas ineficiencias invisibles, tales sistemas ofrecen un paso práctico hacia el objetivo de las Naciones Unidas de energía asequible y limpia, ayudando a los gestores de las ciudades a proteger los recursos y asegurar que la energía que fluye por sus calles se utilice sabiamente.