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

Sintesi Tecnica: Un Framework di AutoML basato sull'Ottimizzazione Bayesiana per il Monitoraggio del Carico Non Intrusivo

Definizione del Problema
Il monitoraggio del carico non intrusivo (NILM), o disaggregazione energetica, mira a stimare il consumo di energia di singoli elettrodomestici analizzando l'uso elettrico aggregato di un'abitazione. Sebbene il monitoraggio del carico intrusivo (ILM) offra un'elevata precisione grazie a sensori dedicati, esso risulta impraticabile a causa degli elevati costi di installazione e delle preoccupazioni relative alla privacy. Il NILM fornisce un'alternativa più economica, ma si basa pesantemente su pipeline complesse di machine learning (ML). Tradizionalmente, lo sviluppo di queste pipeline richiede una significativa competenza nel dominio della scienza dei dati per selezionare manualmente i modelli e regolare gli iperparametri. Questo processo manuale è dispendioso in termini di tempo, spesso valuta un solo modello alla volta e può portare a configurazioni subottimali. Il documento affronta la necessità di un framework automatizzato e accessibile che possa identificare sistematicamente i modelli di ML e gli iperparametri ottimali per la disaggregazione energetica senza richiedere allo specialista competenze avanzate di ML.

Metodologia
Gli autori propongono AutoML4NILM, un framework open-source flessibile che integra l'Automated Machine Learning (AutoML) con l'Ottimizzazione Bayesiana per risolvere il problema del NILM.

1. Architettura del Framework: Il sistema automatizza la progettazione di pipeline di ML trattando la selezione del modello e la regolazione degli iperparametri come un problema di ricerca. Definisce uno spazio di ricerca completo che comprende 11 algoritmi distinti, tra cui:

   • ML Tradizionale: Alberi di Decisione (DT), Random Forests (RF).
   • Deep Learning: Reti Neurali Fully-Connected, Gated Recurrent Units (GRU), GRU basate su finestra (Window-based GRU), Seq2Seq, Seq2Point, Long Short-Term Memory (LSTM) e Denoising Autoencoders (DAE).
   • Probabilistico/Combinatorio: Factorial Hidden Markov Models (FHMM) e Ottimizzazione Combinatoria (CO).

2. Spazio di Ricerca degli Iperparametri: Il framework esplora un insieme diversificato di iperparametri per questi modelli, tra cui:

   • Basati su alberi: Criterio, numero minimo di campioni per la divisione (minimum samples split), numero di stimatori.
   • Reti Neurali: Ottimizzatori (Adam, Nadam), tassi di apprendimento (learning rates), funzioni di perdita, numero di strati, probabilità di dropout, lunghezza della sequenza e dimensione della finestra.

3. Strategia di Ottimizzazione: Il motore principale utilizza l'Ottimizzazione Bayesiana tramite la libreria Hyperopt. A differenza della ricerca a griglia (Grid Search) o della ricerca casuale (Random Search), che trattano le valutazioni in modo indipendente, Hyperopt impiega l'Ottimizzazione Basata su Modello Sequenziale (SMBO) con l'Estimatore di Parzen Strutturato ad Albero (TPE). Questo approccio utilizza le informazioni dalle valutazioni precedenti per navigare intelligentemente nello spazio di ricerca, ottimizzando il criterio di Miglioramento Atteso (Expected Improvement - EI) per trovare la migliore configurazione del modello con meno iterazioni.

4. Configurazione Sperimentale:

   • Dataset: Il dataset UK-DALE, che contiene dati aggregati e per singolo elettrodomestico provenienti da cinque case nel Regno Unito (2013–2015).
   • Pre-elaborazione: I dati sono stati suddivisi in set di addestramento (25 giorni), validazione (7 giorni) e test (il resto). È stata selezionata una frequenza di campionamento di 60 Hz per la disaggregazione per bilanciare dettaglio e costi computazionali.
   • Metriche: Le prestazioni sono state valutate utilizzando l'Errore Assoluto Medio (MAE) per la precisione della regressione e l'Accuratezza di Classificazione per il rilevamento dello stato (ON/OFF).
   • Vincoli: Gli esperimenti sono stati limitati a 20 epoche e a un massimo di 30 valutazioni degli iperparametri per algoritmo a causa dei vincoli delle risorse computazionali (si sono verificati crash del server e mancanza di reattività con conteggi di valutazione superiori).

Risultati Chiave
Lo studio ha confrontato il framework AutoML4NILM rispetto agli 11 algoritmi supportati:

• Prestazioni di Base (Baseline): Quando gli algoritmi sono stati eseguiti singolarmente con configurazioni standard, Seq2Point ha ottenuto il MAE più basso (8,31) e un'alta accuratezza (97,98%). Al contrario, l'Ottimizzazione Combinatoria (CO) e il FHMM hanno ottenuto scarse prestazioni in termini di MAE (rispettivamente 224 e 177,3), mentre la GRU basata su finestra ha mostrato l'accuratezza più bassa (80,9%).
• Ottimizzazione AutoML: Quando il framework di Ottimizzazione Bayesiana è stato applicato per regolare gli iperparametri:
  • Seq2Point è rimasto il modello superiore, raggiungendo un MAE di 7,12 con la configurazione: dimensione della finestra 20, tasso di apprendimento 0,01 e ottimizzatore Nadam.
  • Altri modelli hanno mostrato vari gradi di miglioramento, ma nessuno ha superato le prestazioni del Seq2Point ottimizzato.
  • Il framework ha identificato con successo le configurazioni ottimali entro il budget limitato di 30 valutazioni, dimostrando l'efficienza dell'Ottimizzazione Bayesiana rispetto al tentativo ed errore manuale.

Significatività e Rivendicazioni
Il documento posiziona AutoML4NILM come un passo significativo verso la democratizzazione della ricerca e dell'implementazione del NILM. I suoi principali contributi sono:

1. Accessibilità: Permette ai professionisti del settore di applicare tecniche di ML all'avanguardia per la disaggregazione energetica senza richiedere una profonda competenza nella scienza dei dati o la regolazione manuale degli iperparametri.
2. Efficienza: Il framework dimostra una capacità di miglioramento significativamente superiore e prestazioni sperimentali migliori rispetto agli approcci manuali tradizionali che valutano i modelli uno alla volta.
3. Estensibilità: Il framework è progettato con un'architettura modulare che supporta l'aggiunta di nuovi algoritmi e iperparametri, favorendo ulteriormente la ricerca e l'adozione industriale.
4. Validazione: Identificando Seq2Point come l'architettura ottimale per il dataset UK-DALE nelle condizioni testate, il lavoro valida l'efficacia dei modelli sequence-to-sequence per una precisa disaggregazione energetica a livello di elettrodomestico.

Gli autori concludono che, sebbene l'attuale implementazione sia limitata dai vincoli computazionali (che impediscono una ricerca esaustiva degli spazi), il framework stabilisce un'architettura di riferimento strutturata sia per le applicazioni accademiche che industriali del NILM, snellendo il percorso dai dati grezzi alle soluzioni di monitoraggio energetico ottimizzate.