Plataforma IoT para el monitoreo del consumo de agua en hogares

Abstract

Este proyecto presenta el diseño e implementación de una plataforma IoT orientada al monitoreo inteligente del consumo de agua en hogares, con el objetivo de mejorar la eficiencia hídrica y facilitar la detección temprana de anomalías. El sistema integra un módulo de sensado encargado de obtener lecturas del medidor de agua mediante una arquitectura distribuida basada en dispositivos de borde y un servicio centralizado en la nube. A partir de estas lecturas se construye un conjunto de eventos de consumo que permite la aplicación de técnicas de análisis avanzadas, tales como métodos de desagregación de datos para estimar el consumo individual asociado a distintos sectores del hogar, y técnicas de análisis de patrones orientadas a la identificación de comportamientos anómalos en el uso del recurso hídrico. El trabajo se centra en el desarrollo de dos componentes principales: un módulo de desagregación de consumos basado en modelos de Machine Learning y un módulo de detección de anomalías orientado a identificar patrones inusuales asociados a fugas o comportamientos atípicos. Para la desagregación se evaluaron diversos modelos predictivos, comparando su desempeño mediante métricas como precisión, recall y F1-score, seleccionándose el algoritmo con mejor rendimiento para su integración en el pipeline operativo. Adicionalmente, se implementó un esquema híbrido de detección de anomalías que combina Isolation Forest con un sistema de lógica difusa para determinar los niveles de severidad. El sistema completo fue desplegado en Amazon Web Services (AWS), permitiendo la ejecución continua del procesamiento, la clasificación de consumos y la generación de alertas. Los resultados demuestran la viabilidad de la plataforma para apoyar la gestión del recurso hídrico en hogares, habilitando análisis detallados y detección temprana de eventos anómalos. This project presents the design and implementation of an IoT platform for intelligent monitoring of household water consumption, with the aim of improving water efficiency and facilitating the early detection of anomalies. The system integrates a sensing module responsible for reading water meters using a distributed architecture based on edge devices and a centralized cloud service. From these readings, a set of consumption events is constructed, enabling the application of advanced analytical techniques, such as data disaggregation methods to estimate individual consumption associated with different areas of the home, and pattern analysis techniques to identify anomalous water usage patterns. The work focuses on the development of two main components: a consumption disaggregation module based on Machine Learning models, and an anomaly-detection module designed to identify unusual patterns associated with leaks or atypical usage behaviors. Multiple predictive models were evaluated for the disaggregation task, and their performance was compared using metrics such as precision, recall, and F1-score, selecting the model with the best overall performance for operational deployment. Additionally, a hybrid anomalydetection approach was implemented, combining Isolation Forest with a fuzzy-logic system to determine severity levels. The complete system was deployed on AWS, enabling continuous processing, consumption classification, and real-time alert generation. The results demonstrate the feasibility of the platform as a tool to support household water-resource management, providing detailed consumption analysis and early identification of abnormal events.