⚡ electrical engineering

Physics-Informed Neural Networks for Accelerating Power System State Estimation

यह शोध पत्र एक भौतिकी-सूचित तंत्रिका नेटवर्क (PINN) दृष्टिकोण प्रस्तावित करता है जो पूर्व ज्ञान के रूप में भौतिक नियमों को एकीकृत करके पावर सिस्टम स्टेट एस्टिमेशन को महत्वपूर्ण रूप से त्वरित करता है, जिससे IEEE 14-बस सिस्टम पर पारंपरिक पुनरावृत्ति विधियों की तुलना में बेहतर सटीकता, कम परिणाम परिवर्तनशीलता और तेज़ अभिसरण प्राप्त होता है।

मूल लेखक: Solon Falas, Markos Asprou, Charalambos Konstantinou, Maria K. Michael

प्रकाशित 2026-04-07

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Solon Falas, Markos Asprou, Charalambos Konstantinou, Maria K. Michael

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

यहाँ सरल भाषा और रचनात्मक उपमाओं का उपयोग करके शोध पत्र (paper) की व्याख्या दी गई है।

बड़ी तस्वीर: मौसम का अनुमान लगाना बनाम भौतिकी के नियमों को जानना

कल्पना कीजिए कि आप किसी शहर में मौसम का अनुमान लगाने की कोशिश कर रहे हैं।

पुराना तरीका (पारंपरिक स्टेट एस्टिमेशन):
कल्पना कीजिए कि आपके पास जासूसों की एक टीम है जो तापमान, हवा की गति और आर्द्रता (humidity) का पता लगाने की कोशिश कर रही है। उनके पास केवल कुछ पुराने, टूटे हुए थर्मामीटर हैं जो शहर में इधर-उधर बिखरे हुए हैं (ये "SCADA" सेंसर हैं)। एक अच्छा अनुमान लगाने के लिए, उन्हें जटिल गणितीय सिमुलेशन को बार-बार चलाना पड़ता है, और अपने अनुमानों को तब तक समायोजित करना पड़ता है जब तक कि सब कुछ "कुछ हद तक" फिट न हो जाए। यह धीमा है, गणना के मामले में भारी है, और यदि डेटा गड़बड़ है, तो वे गलत उत्तर भी दे सकते हैं।

नया तरीका (मशीन लर्निंग):
अब, कल्पना कीजिए कि आपने हजारों पिछले मौसम रिपोर्टों पर एक सुपर-स्मार्ट AI छात्र को प्रशिक्षित किया है। यह छात्र उन कुछ टूटे हुए थर्मामीटरों को देखकर तुरंत मौसम का अनुमान लगा सकता है। यह तेज़ है! लेकिन इसमें एक पेंच है: छात्र केवल एक "पैटर्न मैच करने वाला" (pattern matcher) है। यदि वह कोई ऐसी अजीब स्थिति देखता है जिसका उसने पहले अध्ययन नहीं किया है (जैसे अचानक आया तूफान), तो वह अनुमान लगा सकता है कि रेगिस्तान में बर्फ गिर रही है क्योंकि उसने अपने प्रशिक्षण डेटा में एक बार ऐसा पैटर्न देखा था। वह वास्तव में यह नहीं जानता कि मौसम कैसे काम करता है; वह बस इतना जानता है कि आमतौर पर क्या होता है।

शोध पत्र का समाधान (फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क्स - PINNs):
यह शोध पत्र एक "सुपर-स्टूडेंट" पेश करता है जो एक पैटर्न मैच करने वाला और भौतिकी का विशेषज्ञ दोनों है।

उपमा: कल्पना कीजिए कि आप एक छात्र को मौसम का अनुमान लगाने के लिए प्रशिक्षित कर रहे हैं, लेकिन आप उसे ऊष्मागतिकी (Thermodynamics) के नियम की एक प्रति भी देते हैं और कहते हैं, "आप डेटा के आधार पर अनुमान लगा सकते हैं, लेकिन आपका उत्तर इन नियमों का पालन अनिवार्य रूप से करेगा। यदि आप अनुमान लगाते हैं कि तापमान 100°F है लेकिन आर्द्रता कहती है कि यह असंभव है, तो आपको दंड (penalty) मिलेगा।"
परिणाम: छात्र तेजी से सीखता है, कम मूर्खतापूर्ण गलतियाँ करता है, और सटीक होने के लिए उसे उतने अधिक पिछले मौसम रिपोर्टों को याद रखने की आवश्यकता नहीं होती।

यह पावर ग्रिड में कैसे काम करता है

एक पावर ग्रिड में, "स्टेट एस्टिमेशन" पूरे विद्युत प्रणाली की एक तस्वीर लेने जैसा है ताकि यह देखा जा सके कि वह स्वस्थ है या नहीं। हमें हर एक सबस्टेशन (बस) पर वोल्टेज (दबाव) और एंगल (समय/तालमेल) जानने की आवश्यकता है।

समस्या: पारंपरिक तरीके तारों के एक विशाल, उलझे हुए गुच्छे को एक सिरे से खींचकर सुलझाने की कोशिश करने जैसे हैं। इसमें बहुत समय लगता है। यदि ग्रिड बहुत बड़ा है, तो इसमें अनंत समय लग जाता है।
मानक AI की खामी: यदि आप केवल एक मानक AI का उपयोग करते हैं, तो वह गुच्छे के "आकार" को तो सीख सकता है लेकिन बिजली के प्रवाह के नियमों को भूल सकता है। यदि ग्रिड अचानक बदल जाता है (जैसे कि एक जनरेटर बंद हो जाना), तो AI भ्रमित हो सकता है।
PINN का समाधान: लेखकों ने एक ऐसा न्यूरल नेटवर्क बनाया है जिसके दिमाग में बिजली के नियम रचे-बसे हैं।
- "डेटा" वाला हिस्सा: यह मापों (आने/जाने वाली बिजली) को देखता है।
- "फिजिक्स" वाला हिस्सा: यह लगातार बिजली के नियमों (किरचॉफ के नियम, ओम का नियम) के विरुद्ध खुद की जाँच करता है। यह पूछता है, "क्या मेरा अनुमान भौतिक रूप से समझ में आने योग्य है?"
- "लॉस फंक्शन" (Loss Function): इसे एक शिक्षक के रूप में सोचें जो छात्र को ग्रेड दे रहा है।
  - ग्रेड 1: आपका अनुमान वास्तविक सेंसर डेटा के कितने करीब है?
  - ग्रेड 2: क्या आपने भौतिकी के नियमों को तोड़ा?
  - AI इन दोनों पर एक आदर्श स्कोर प्राप्त करने की कोशिश करता है।

"सीक्रेट सॉस": प्रशिक्षण की रेसिपी

लेखकों ने भौतिकी को तुरंत चालू नहीं किया। उन्होंने एक चतुर प्रशिक्षण शेड्यूल का उपयोग किया:

प्रारंभिक प्रशिक्षण: उन्होंने AI को समस्या के सामान्य आकार को सीखने के लिए मुख्य रूप से डेटा देखने दिया (जैसे वर्णमाला सीखना)।
बाद का प्रशिक्षण: उन्होंने धीरे-धीरे "भौतिकी नियमों" की आवाज़ (volume) को बढ़ाया। इसने AI को अपने उत्तरों को भौतिक रूप से पूर्ण बनाने के लिए मजबूर किया।

यह एक बच्चे को गाड़ी चलाना सिखाने जैसा है: पहले, आप उन्हें एक खाली पार्किंग लॉट में कार चलाने देते हैं (डेटा से सीखना), फिर आप धीरे-धीरे यातायात के नियम और भौतिकी (गति सीमा, घर्षण) पेश करते हैं (ताकि वे एक सुरक्षित, विशेषज्ञ ड्राइवर बन सकें)।

उन्होंने क्या पाया? (परिणाम)

उन्होंने एक मानक पावर ग्रिड मॉडल (IEEE 14-बस सिस्टम) पर दो स्थितियों में परीक्षण किया: सामान्य संचालन और एक अचानक आपात स्थिति (एक जनरेटर का बंद होना)।

"साधारण AI" की तुलना में यहाँ क्या हुआ:

अधिक सटीक: PINN लगभग 11% अधिक सटीक था। इसने कम गलतियाँ कीं।
अधिक स्थिर: परिणाम बहुत अधिक सुसंगत थे। यदि आप परीक्षण 5 बार चलाते हैं, तो साधारण AI 5 अलग-अलग उत्तर देगा। PINN लगभग हर बार एक ही उत्तर देता है। (इसे एक ऐसे तीरंदाज के रूप में सोचें जो हर बार लक्ष्य के केंद्र पर वार करता है बनाम एक जो बोर्ड पर तो वार करता है लेकिन इधर-उधर भटकता रहता है)।
तेजी से सीखना: PINN ने 30% तेजी से अपना शिखर प्रदर्शन प्राप्त किया। विशेषज्ञ बनने के लिए इसे अध्ययन करने में उतना समय नहीं लगा।

यह क्यों मायने रखता है?

पावर ग्रिड स्मार्ट और तेज़ होते जा रहे हैं। हम नए सेंसर (PMUs) स्थापित कर रहे हैं जो प्रति सेकंड सैकड़ों बार डेटा भेजते हैं।

पुराना तरीका: गणित इस डेटा के सैलाब के साथ तालमेल बिठाने के लिए बहुत धीमा है।
PINN का तरीका: यह वास्तविक समय के डेटा को संभालने के लिए पर्याप्त तेज़ है, और क्योंकि यह भौतिकी को समझता है, इसलिए यह शोर वाले या गायब डेटा से धोखा नहीं खाएगा।

सारांश

यह शोध पत्र पावर ग्रिड की निगरानी करने का एक स्मार्ट तरीका प्रस्तावित करता है। केवल एक "ब्लैक बॉक्स" AI का उपयोग करने के बजाय जो इतिहास के आधार पर अनुमान लगाता है, उन्होंने एक ऐसा AI बनाया है जो भौतिकी के नियमों को जानता है। यह सिस्टम को तेज़, अधिक सटीक और अधिक विश्वसनीय बनाता है, विशेष रूप से तब जब ग्रिड तनाव में हो या तेज़ी से बदल रहा हो। यह उस छात्र के बीच का अंतर है जो उत्तर रट लेता है और उस छात्र के बीच का अंतर है जो विषय को वास्तव में समझता है।

यहाँ शोध पत्र "Physics-Informed Neural Networks for Accelerating Power System State Estimation" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

पावर सिस्टम स्टेट एस्टीमेशन (SE) ग्रिड मॉनिटरिंग और नियंत्रण के लिए महत्वपूर्ण है, जो सिस्टम की वास्तविक समय की परिचालन स्थिति प्रदान करता है। हालाँकि, पारंपरिक SE विधियों को महत्वपूर्ण चुनौतियों का सामना करना पड़ता है:

गणना संबंधी तीव्रता (Computational Intensity): पारंपरिक तकनीकें (जैसे, गॉस-न्यूटन, वेटेड लीस्ट स्क्वायर्स) पुनरावृत्ति एल्गोरिदम (iterative algorithms) पर निर्भर करती हैं जो गणनात्मक रूप से महंगी होती हैं, विशेष रूप से बड़े पैमाने की प्रणालियों के लिए।
डेटा की सीमाएँ (Data Limitations): पारंपरिक विधियाँ अक्सर विरल (sparse) और त्रुटिपूर्ण SCADA डेटा पर निर्भर करती हैं, जिससे देरी होती है और सटीकता कम हो जाती है।
मशीन लर्निंग की कमियाँ (Machine Learning Drawbacks): जबकि मानक मशीन लर्निंग (ML) दृष्टिकोण गति प्रदान करते हैं, वे अक्सर जटिल भौतिक गतिकी (physical dynamics) और बाधाओं को पकड़ने में विफल रहते हैं। वे बड़े ऐतिहासिक डेटासेट पर बहुत अधिक निर्भर करते हैं और जब डेटा शोर युक्त या कम होता है, तो वे भौतिक रूप से असंभव परिणाम दे सकते हैं।
वास्तविक समय की आवश्यकताएं (Real-Time Requirements): फेजर मेजरमेंट यूनिट्स (PMUs) के बढ़ते एकीकरण के लिए अल्पकालिक ट्रांजिएंट्स (transients) को कैप्चर करने हेतु तेज़, वास्तविक समय के अनुमान की आवश्यकता होती है, जिसे पारंपरिक पुनरावृत्ति सॉल्वर कुशलतापूर्वक पूरा करने में संघर्ष करते हैं।

2. कार्यप्रणाली (Methodology)

लेखक एक फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क (PINN) फ्रेमवर्क का प्रस्ताव करते हैं जो शुद्ध डेटा-संचालित मॉडलों की सीमाओं को दूर करने के लिए डोमेन-विशिष्ट भौतिक नियमों को सीधे न्यूरल नेटवर्क की प्रशिक्षण प्रक्रिया में एकीकृत करता है।

A. मुख्य आर्किटेक्चर (Core Architecture)

इनपुट: प्रत्येक बस पर सक्रिय ( $P_i$ ) और रिएक्टिव ( $Q_i$ ) पावर इंजेक्शन।
आउटपुट: प्रत्येक बस के लिए वोल्टेज मैग्नीट्यूड ( $V_{mag}$ ) और वोल्टेज एंगल ( $V_{ang}$ )।
नेटवर्क संरचना: हाइपरबोलिक टेंगेंट (tanh) एक्टिवेशन फंक्शन और एडम (Adam) ऑप्टिमाइज़र का उपयोग करने वाला 32 न्यूरॉन्स वाला एक सिंगल हिडन लेयर वाला फीडफॉरवर्ड न्यूरल नेटवर्क।

B. फिजिक्स-इन्फॉर्म्ड लॉस फंक्शन (Physics-Informed Loss Function)

नवीनता लॉस फंक्शन के संवर्धन (augmentation) में निहित है ताकि भौतिक निरंतरता को लागू किया जा सके। कुल लॉस ( $L$ ) एक डेटा-संचालित टर्म ( $u$ ) और एक फिजिक्स-संचालित टर्म ( $f$ ) का भारित योग (weighted sum) है:
$Loss = \lambda_1 \cdot u + \lambda_2 \cdot f$

डेटा-संचालित टर्म ( $u$ ):
- यह अनुमानित वोल्टेज ( $V_{pred}$ ) और ग्राउंड ट्रुथ वोल्टेज ( $V_{true}$ ) के बीच मीन स्क्वेर्ड एरर (MSE) को मापता है।
- यह सुनिश्चित करता है कि मॉडल देखे गए डेटा के अनुकूल हो।
फिजिक्स-संचालित टर्म ( $f$ ):
- यह पावर सिस्टम के भौतिक नियमों को लागू करता है, विशेष रूप से एडमिटेंस मैट्रिक्स ( $Y$ ) द्वारा परिभाषित वोल्टेज और करंट इंजेक्शन के बीच संबंध।
- नेटवर्क वोल्टेज का अनुमान लगाता है, जिसका उपयोग फिर अनुमानित करंट इंजेक्शन ( $I_{pred} = Y \cdot V_{pred}$ ) की गणना के लिए किया जाता है।
- यह टर्म $I_{pred}$ और इनपुट पावर डेटा से प्राप्त ग्राउंड ट्रुथ करंट इंजेक्शन ( $I_{true}$ ) के बीच मीन एब्सोल्यूट एरर (MAE) को मापता है।
- मुख्य लाभ: यह मॉडल को एडमिटेंस मैट्रिक्स में एनकोडेड सिस्टम टोपोलॉजी और बाधाओं (किरचॉफ के नियमों) को सीखने की अनुमति देता है, जिसके लिए स्पष्ट टाइम-सीरीज मॉडलिंग या विशाल डेटासेट की आवश्यकता नहीं होती है।
प्रशिक्षण रणनीति (Training Strategy):
- डायनामिक वेटिंग (Dynamic Weighting): प्रशिक्षण के दौरान भार $\lambda_1$ और $\lambda_2$ को समायोजित किया जाता है। रणनीति डेटा फिटिंग ( $\lambda_1$ उच्च) पर ध्यान केंद्रित करने के साथ शुरू होती है और धीरे-धीरे मॉडल को फाइन-ट्यून करने के लिए भौतिक बाधाओं ( $\lambda_2$ उच्च) के प्रभाव को बढ़ाती है।
- नॉर्मलाइजेशन (Normalization): स्केलिंग समस्याओं को रोकने के लिए दोनों लॉस घटकों को $[0, 1]$ की रेंज में नॉर्मलाइज़ किया जाता है।

3. प्रयोगात्मक सेटअप (Experimental Setup)

टेस्ट सिस्टम: IEEE 14-बस बेंचमार्क सिस्टम।
डेटासेट्स: PowerWorld सॉफ्टवेयर का उपयोग करके उत्पन्न दो परिदृश्य:
1. स्टेडी-स्टेट (Steady-State): बदलते लोड स्थितियाँ (192 टाइम इंस्टेंस)।
2. ट्रांजिएंट (Transient): बस 2 पर जनरेटर शटडाउन और रिकवरी को शामिल करने वाला 20 सेकंड की अवधि (2000 टाइम इंस्टेंस)।
वैलिडेशन: स्थिरता और सामान्यीकरण का आकलन करने के लिए 5-फोल्ड क्रॉस-वैलिडेशन।
नॉइज़ (Noise): वास्तविक दुनिया की SCADA/PMU स्थितियों को सिम्युलेट करने के लिए मेजरमेंट नॉइज़ जोड़ा गया था।
बेसलाइन: एक मानक "प्लेन" न्यूरल नेटवर्क (NN) जो केवल डेटा-संचालित लॉस ( $u$ ) पर प्रशिक्षित है।

4. मुख्य परिणाम (Key Results)

प्रस्तावित PINN की तुलना दोनों डेटासेट्स में बेंचमार्क प्लेन NN के विरुद्ध की गई।

सटीकता में सुधार (Accuracy Improvement):
- स्टेडी-स्टेट: PINN ने सटीकता में 6.7% औसत सुधार हासिल किया।
- ट्रांजिएंट (जनरेटर शटडाउन): PINN ने 4.6% औसत सुधार हासिल किया।
- नोट: एब्स्ट्रैक्ट में सटीकता में 11% तक की वृद्धि का उल्लेख है, जो संभवतः विशिष्ट इष्टतम कॉन्फ़िगरेशन या पीक प्रदर्शन बिंदुओं को संदर्भित करता है।
एल्गोरिद्मिक स्थिरता (Algorithmic Stability):
- 5 फोल्ड्स में वैलिडेशन एरर का स्टैंडर्ड डेविएशन काफी कम हो गया, जो अधिक सुसंगत प्रदर्शन का संकेत देता है।
- स्टेडी-स्टेट: स्टैंडर्ड डेविएशन 57.8% कम हुआ।
- ट्रांजिएंट: स्टैंडर्ड डेविएशन 56.6% कम हुआ।
- यह दर्शाता है कि प्लेन NNs की तुलना में PINNs ट्रेनिंग डेटा स्प्लिट्स के बदलावों के प्रति कम संवेदनशील हैं।
कन्वर्जेंस स्पीड (Convergence Speed):
- PINN ने प्लेन NN की तुलना में काफी तेजी से अपना पीक प्रदर्शन (सर्वश्रेष्ठ वैलिडेशन एरर) प्राप्त किया।
- स्टेडी-स्टेट: 18.1% तेजी से कन्वर्ज हुआ (कम एपोक्स की आवश्यकता)।
- ट्रांजिएंट: 24.6% तेजी से कन्वर्ज हुआ।
- इसका अर्थ है कम कम्प्यूटेशनल प्रयास और कम प्रशिक्षण समय।

5. महत्व और योगदान (Significance and Contributions)

हाइब्रिड दृष्टिकोण: डेटा-संचालित ML और फिजिक्स-आधारित मॉडलिंग के बीच के अंतर को सफलतापूर्वक पाटता है, यह सुनिश्चित करता है कि भविष्यवाणियाँ न केवल सांख्यिकीय रूप से सटीक हैं बल्कि भौतिक रूप से भी वैध हैं।
डेटा दक्षता (Data Efficiency): भौतिक नियमों को रेगुलाइजेशन के रूप में उपयोग करके, यह विधि विशाल डेटासेट्स पर निर्भरता को कम करती है, जिससे यह सीमित या शोर वाले डेटा वाले परिदृश्यों के लिए उपयुक्त हो जाती है।
टोपोलॉजी स्वतंत्रता (Topology Independence): यह दृष्टिकोण टोपोलॉजी पर आधारित सिस्टम-विशिष्ट आर्किटेक्चरल डिजाइन्स की आवश्यकता नहीं रखता है; भौतिक बाधाएं (एडमिटेंस मैट्रिक्स के माध्यम से) स्वाभाविक रूप से सिस्टम संरचना को एनकोड करती हैं।
रियल-टाइम व्यवहार्यता (Real-Time Viability): प्रशिक्षण समय में कमी और ट्रांजिएंट घटनाओं को संभालने की क्षमता PINNs को अगली पीढ़ी के पावर ग्रिड के लिए एक व्यवहार्य समाधान बनाती है, जहाँ उच्च-गति PMU ऑब्जर्वेबिलिटी के साथ, स्थिरता के लिए तीव्र स्टेट एस्टीमेशन महत्वपूर्ण है।

निष्कर्ष (Conclusion)

यह शोध पत्र प्रदर्शित करता है कि PINNs के माध्यम से न्यूरल नेटवर्क प्रशिक्षण में भौतिक नियमों को एकीकृत करने से पावर सिस्टम स्टेट एस्टीमेशन की सटीकता, स्थिरता और कन्वर्जेंस स्पीड में महत्वपूर्ण सुधार होता है। यह दृष्टिकोण पारंपरिक पुनरावृत्ति सॉल्वरों और शुद्ध डेटा-संचालित मॉडलों के लिए एक मजबूत विकल्प प्रदान करता है, विशेष रूप से उच्च-गति PMU डेटा के युग में। भविष्य का कार्य सीमित ऑब्जर्वेबिलिटी परिदृश्यों और फॉल्ट डिटेक्शन अनुप्रयोगों का पता लगाएगा।