Development of a device for residential energy consumption acquisition and analysis using machine learning for load disaggregation with non-intrusive sensing methods

Abstract

This project presents the development of a complete device for residential energy consumption acquisition and analysis using non-intrusive load monitoring (NILM) techniques enhanced by machine learning. The system integrates voltage and current sensing modules (ZMPT101B and SCT-013-050), a high-precision ADC (ADS1256), and an ESP32-S3 microcontroller to continuously measure and process electrical signals. After digitalization, the data is used to extract electrical features that feed a classification model designed to disaggregate household loads into resistive, inductive, and non-linear categories. A dedicated test bench was designed and built to emulate residential electrical scenarios and validate sensor performance, calibration curves, ML classification accuracy, and overall system reliability. Hardware development included the design of a custom PCB integrating sensing interfaces, routing, power conditioning, and microcontroller logic. Complementary software tools were created for data visualization, HMI interaction, system recalibration, and CSV-based data acquisition. The results demonstrate accurate sensing, strong linear calibration behavior, and high model performance, with the confusion matrix showing reliable separation between load categories. This work establishes a functional and scalable foundation for NILM-based energy monitoring systems and opens the path toward real-time, low-cost residential disaggregation solutions.

Este proyecto presenta el desarrollo de un dispositivo para la adquisición y análisis del consumo energético residencial utilizando técnicas de desagregación de cargas basadas en sensado no intrusivo (NILM) y modelos de machine Lear Ning. El sistema integra modelos de medición de voltaje y corriente (ZMPT101B y SCT-013-050), un convertidor ADC de alta precisión (ADS1256) y un microcontrolador ESP32-S3 para la captura continua de señales eléctricas. Tras la digitalización, se extraen métricas eléctricas que alimentan un modelo de clasificación capaz de identificar cargas residenciales de tipo resistivo, inductivo y no lineal. Se diseño y construyo un banco de pruebas que replica condiciones reales de uso residencial, permitiendo validar la calibración de sensores, la exactitud del modelo y la confiabilidad del sistema. El desarrollo de hardware incluyó el diseño de una PCB personalizada que integra las etapas de sensado, alimentación, acondicionamiento de señales y lógica del microcontrolador. Además, se desarrollaron herramientas de software para visualización de datos, interacción desde una HMI, recalibración y exportaciones de resultados en formato CSV. Los resultados evidencian una medición precisa, curvas de calibración lineales y un desempeño solido del modelo de clasificación, con una matriz de confusión que muestra una separación clara entre las categorías de carga. Este trabajo establece una base funcional y escalable para sistemas de monitoreo energético residencial de bajo costo y en tiempo real mediante NILM.

Trabajo de grado -- Facultad de Ingeniería