Muchos enfoques habilitados por aprendizaje automático hacia la detección de anomalías dependen de la disponibilidad de vastos datos de entrenamiento. Nuestros datos están formados por lecturas de potencia de ciclos de electrodomésticos domésticos, como lavavajillas o lavadoras, y no contienen ejemplos conocidos de comportamiento anómalo. Además, estamos limitados a la tensión, amperaje y lecturas de corriente de la máquina, extraídas de un enchufe de corriente adaptado en muestras de 60 segundos. No hay datos ricos de sensores ni conocimientos previos disponibles como base de entrenamiento, lo que limita nuestra capacidad para aprovechar el trabajo existente. Diseñamos un sistema para monitorear el comportamiento de los electrodomésticos eléctricos. Este sistema requiere una consideración especial, ya que diferentes ciclos de potencia de la misma máquina pueden mostrar diferentes comportamientos, y esto se tiene en cuenta agrupando patrones de ciclos no vistos en conjuntos de datos de entrenamiento aislados y parámetros aprendidos correspondientes. Luego se pasan en tiempo real a un conjunto de autoencoders para la detección de anomalías basada en la reconstrucción, utilizando el error en la reconstrucción como un medio para señalar puntos anómalos en el tiempo. El sistema identifica y entrena correctamente los clusters de ciclos apropiados de flujos de datos en un conjunto de datos de máquina del mundo real inyectado con anomalías estocásticas y proporcionales.