Detección de anomalías en el consumo eléctrico mediante redes neuronales

Abstract

RESUMEN: Según estudios realizados por la OCDE y la UNEP, los hogares son responsables de más del 40 % del consumo eléctrico global [23, 11]. Por lo tanto, el análisis de los patrones de consumo en busca de comportamientos inesperados tiene un gran impacto en el ahorro de energía eléctrica. En este trabajo se presenta un estudio experimental de redes neuronales supervisadas y no supervisadas para la detección de anomalías en el consumo eléctrico. Perceptrones multicapa y autoencoders son usados en cada enfoque, respectivamente. Para seleccionar el modelo más conveniente en cada caso realizamos una comparación de diferentes arquitecturas. Los métodos propuestos son evaluados usando dos bases de datos con datos reales de dos hogares. La primera base pertenece a la Universidad UC Irving mientras que la segunda base es el resultado de un estudio realizado a un hogar ubicado en el estado de México. El desempeño de nuestros modelos de redes neuronales se compara con un procedimiento estadístico tradicional. Los experimentos muestran que el método supervisado presenta una mejora significativa en la tasa de detección de anomalías. Efectuamos también una selección de características con tres grupos propuestos con información tanto generada como contextual. La información generada consiste en parámetros obtenidos de los valores de consumo como son: el promedio, la desviación estándar o los cuartiles. A partir de este estudio, llegamos a la conclusión de que para mejorar el desempeño de los modelos debe de tomarse en cuenta suficiente información generada y contextual. Finalmente, presentamos una implementación del detector de anomalías en un sistema embebido diseñado con características para operar en el ambiente del internet de las cosas.

ABSTRACT: According to research made by OCDE and UNEP, households are responsible for more than 40% of the global electricity consumption [23, 11]. So, the analysis of consumption patterns looking for unexpected behaviors has a great impact on saving electricity. This research presents an experimental study of supervised and unsupervised neural networks for anomaly detection in electrical consumption. Multilayer perceptrons and autoencoders are used for each approach, respectively. In order to select the most suitable neural model in each case, we perform a comparison of various architectures. The proposed methods are evaluated using two datasets with real-world data from two individual houses. The first set belongs to the UC Irving University while the second set is the result of a study made in a house located in Mexico state. The performance of our neural network models is compared with a traditional statistical procedure. Experiments show that the supervised approach has a significant improvement in anomaly detection rate. We perform also a feature selection with three proposed feature sets containing generated and contextual information. Generated data are made up to parameters obtained from consumption values such as the mean, the standard deviation or percentiles. From this study, we conclude that in order to enhance the models performance, sufficient generated and contextual data need to be considered. Finally, we present an implementation of the anomaly detector in an embedded system designed with features to working within the internet of things environment.