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

Resumo Técnico: Um Framework de AutoML Baseado em Otimização Bayesiana para Monitoramento Não Intrusivo de Carga

Definição do Problema
O Monitoramento Não Intrusivo de Carga (NILM), ou desagregação de energia, visa estimar o consumo de energia de eletrodomésticos individuais analisando o uso agregado de eletricidade de uma residência. Embora o Monitoramento Intrusivo de Carga (ILM) ofereça alta precisão por meio de sensores dedicados, ele é impraticável devido aos altos custos de instalação e preocupações com a privacidade. O NILM fornece uma alternativa de baixo custo, mas depende fortemente de pipelines complexos de aprendizado de máquina (ML). Tradicionalmente, o desenvolvimento desses pipelines exige um conhecimento especializado significativo em ciência de dados para selecionar modelos e ajustar hiperparâmetros manualmente. Esse processo manual é demorado, muitas vezes avalia apenas um modelo por vez e pode levar a configurações subótimas. O artigo aborda a necessidade de um framework automatizado e acessível que possa identificar sistematicamente modelos de ML e hiperparâmetros ideais para a desagregação de energia sem exigir conhecimentos avançados de ML do praticante.

Metodologia
Os autores propõem o AutoML4NILM, um framework flexível e de código aberto que integra Aprendizado de Máquina Automatizado (AutoML) com Otimização Bayesiana para resolver o problema de NILM.

1. Arquitetura do Framework: O sistema automatiza o design de pipelines de ML ao tratar a seleção de modelos e o ajuste de hiperparâmetros como um problema de busca. Ele define um espaço de busca abrangente que engloba 11 algoritmos distintos, incluindo:

   • ML Tradicional: Árvores de Decisão (DT), Florestas Aleatórias (RF).
   • Aprendizado Profundo (Deep Learning): Redes Neurais Totalmente Conectadas, Unidades Recorrentes de Portão (GRU), GRU baseada em janelas, Seq2Seq, Seq2Point, Long Short-Term Memory (LSTM) e Autoencoders de Denoising (DAE).
   • Probabilístico/Combinatório: Modelos Ocultos de Fator de Markov (FHMM) e Otimização Combinatória (CO).

2. Espaço de Busca de Hiperparâmetros: O framework explora um conjunto diversificado de hiperparâmetros para esses modelos, incluindo:

   • Baseados em árvores: Critério, número mínimo de amostras para divisão, número de estimadores.
   • Redes Neurais: Otimizadores (Adam, Nadam), taxas de aprendizado, funções de perda, número de camadas, probabilidade de dropout, comprimento da sequência e tamanho da janela.

3. Estratégia de Otimização: O motor central utiliza Otimização Bayesiana via biblioteca Hyperopt. Diferente da Busca em Grade (Grid Search) ou Busca Aleatória (Random Search), que tratam as avaliações de forma independente, o Hyperopt emprega a Otimização Baseada em Modelo Sequencial (SMBO) com Estimadores de Parzen Estruturados em Árvore (TPE). Esta abordagem utiliza informações de avaliações anteriores para navegar inteligentemente pelo espaço de busca, otimizando o critério de Melhoria Esperada (EI) para encontrar a melhor configuração de modelo com menos iterações.

4. Configuração Experimental:

   • Dataset: O conjunto de dados UK-DALE, contendo dados agregados e por eletrodoméstico de cinco residências no Reino Unido (2013–2015).
   • Pré-processamento: Os dados foram divididos em conjuntos de treinamento (25 dias), validação (7 dias) e teste (o restante). Uma taxa de amostragem de 60 Hz foi selecionada para a desagregação para equilibrar detalhamento e custo computacional.
   • Métricas: O desempenho foi avaliado usando o Erro Médio Absoluto (MAE) para precisão de regressão e Precisão de Classificação para detecção de estado (LIGADO/DESLIGADO).
   • Restrições: Os experimentos foram limitados a 20 épocas e um máximo de 30 avaliações de hiperparâmetros por algoritmo devido a restrições de recursos computacionais (ocorreram travamentos do servidor e falta de resposta com contagens de avaliação mais altas).

Principais Resultados
O estudo comparou o framework AutoML4NILM contra os 11 algoritmos suportados:

• Desempenho de Linha de Base (Baseline): Quando os algoritmos foram executados individualmente com configurações padrão, o Seq2Point alcançou o menor MAE (8,31) e alta precisão (97,98%). Por outro lado, a Otimização Combinatória (CO) e o FHMM tiveram um desempenho ruim em termos de MAE (224 e 177,3, respectivamente), e o GRU baseado em janelas apresentou a menor precisão (80,9%).
• Otimização via AutoML: Quando o framework de Otimização Bayesiana foi aplicado para ajustar os hiperparâmetros:
  • O Seq2Point permaneceu como o modelo superior, alcançando um MAE de 7,12 com a configuração: tamanho de janela 20, taxa de aprendizado 0,01 e otimizador Nadam.
  • Outros modelos mostraram graus variados de melhoria, mas nenhum superou o desempenho do Seq2Point otimizado.
  • O framework identificou com sucesso as configurações ideais dentro do orçamento limitado de 30 avaliações, demonstrando a eficiência da Otimização Bayesiana sobre o método de tentativa e erro manual.

Significância e Alegações
O artigo posiciona o AutoML4NILM como um passo significativo para a democratização da pesquisa e implementação de NILM. Suas principais contribuições são:

1. Acessibilidade: Capacita profissionais de outras áreas a aplicar técnicas de ponta de ML para desagregação de energia sem exigir profunda expertise em ciência de dados ou ajuste manual de hiperparâmetros.
2. Eficiência: O framework demonstra uma eficiência significativamente melhorada e um desempenho experimental superior em comparação com as abordagens manuais tradicionais que avaliam modelos um por um.
3. Extensibilidade: O framework foi projetado com uma arquitetura modular que suporta a adição de novos algoritmos e hiperparâmetros, fomentando a pesquisa adicional e a adoção pela indústria.
4. Validação: Ao identificar o Seq2Point como a arquitetura ideal para o dataset UK-DALE sob as condições testadas, o trabalho valida a eficácia dos modelos de sequência-para-sequência para a desagregação precisa de energia ao nível de eletrodoméstico.

Os autores concluem que, embora a implementação atual seja limitada por restrições computacionais (impedindo uma busca exaustiva nos espaços de busca), o framework estabelece uma arquitetura de referência estruturada tanto para aplicações acadêmicas quanto industriais de NILM, agilizando o caminho dos dados brutos até soluções otimizadas de monitoramento de energia.