⚡ electrical engineering

Robust Power System State Estimation using Physics-Informed Neural Networks

यह शोध पत्र भौतिकी-सूचित तंत्रिका नेटवर्क (PINNs) का उपयोग करते हुए एक हाइब्रिड दृष्टिकोण का प्रस्ताव करता है ताकि न्यूरल नेटवर्क आर्किटेक्चर में भौतिक नियमों को समाहित करके, डेटा हेरफेर हमलों से जुड़े परिदृश्यों सहित, सामान्य और दोषपूर्ण दोनों स्थितियों के तहत पावर सिस्टम स्टेट एस्टिमेशन की सटीकता और मजबूती को महत्वपूर्ण रूप से बढ़ाया जा सके।

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

एक विशाल, जटिल शहर की कल्पना करें जहाँ लाखों लाइटें, उपकरण और इलेक्ट्रिक कारें एक ही विशाल ग्रिड से जुड़ी हुई हैं। इस ग्रिड को सुचारू रूप से चलाने के लिए एक विशाल ऑर्केस्ट्रा का संचालन करने जैसा है। कंडक्टर (पावर सिस्टम ऑपरेटर) को यह जानने की आवश्यकता होती है कि हर वाद्य यंत्र (हर बस और तार) अभी क्या कर रहा है ताकि संगीत बिना किसी दुर्घटना के बजता रहे। इसे स्टेट एस्टिमेशन (State Estimation) कहा जाता है।

हालाँकि, यह ऑर्केस्ट्रा प्रबंधित करना कठिन होता जा रहा है। संगीत तेजी से बदल रहा है (नवीकरणीय ऊर्जा), शीट म्यूजिक कभी-कभी गायब होता है (स्पार्स डेटा), और सबसे बुरा यह है कि कोई कंट्रोल रूम में चुपके से घुसकर शीट म्यूजिक पर नोट्स बदल सकता है ताकि ऑर्केस्ट्रा गलत गाना बजा दे (साइबर हमले)।

यह पेपर एक नए, सुपर-स्मार्ट कंडक्टर को पेश करता है: एक फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क (PINN)।

यह कैसे काम करता है, इसे सरल अवधारणाओं में यहाँ समझाया गया है:

1. पुराना तरीका बनाम नया तरीका

पुराना तरीका (पारंपरिक गणित): कल्पना कीजिए कि आप केवल उन टुकड़ों को देखकर एक विशाल पहेली को हल करने की कोशिश कर रहे हैं जो आपके पास उपलब्ध हैं। यदि कोई टुकड़ा गायब या टूटा हुआ है, तो आपको अनुमान लगाना पड़ता है। यह धीमा है, और यदि पहेली अचानक अपना आकार बदल लेती है (जैसे तूफान या साइबर हमला), तो आप भ्रमित हो जाते हैं।
"शुद्ध AI" तरीका (स्टैंडर्ड न्यूरल नेटवर्क): कल्पना कीजिए कि एक छात्र जिसने हजारों पिछले पहेलियों को याद कर लिया है। वे तेज़ हैं! लेकिन अगर वे ऐसी पहेली देखते हैं जो उन्होंने पहले कभी नहीं देखी है, या अगर कोई एक टुकड़े को नकली टुकड़े से बदल देता है, तो वे केवल इसलिए गलत अनुमान लगा सकते हैं क्योंकि वे केवल वही जानते हैं जो उन्होंने याद किया है, न कि यह कि पहेली वास्तव में कैसे काम करती है।
PINN वाला तरीका (इस पेपर का हीरो): यह एक ऐसे छात्र की तरह है जिसने हजारों पहेलियों को याद किया है और साथ ही भौतिकी (फिजिक्स) के उन नियमों का भी अध्ययन किया है जो उन पहेलियों के निर्माण को नियंत्रित करते हैं। वे जानते हैं कि एक वर्गाकार टुकड़ा एक वर्गाकार छेद में ही फिट होना चाहिए, और गुरुत्वाकर्षण हमेशा नीचे की ओर खींचता है। भले ही पहेली टूटी हुई हो या कोई उन्हें एक नकली टुकड़े से धोखा देने की कोशिश करे, वे उन "भौतिकी के नियमों" का उपयोग करके यह पहचान लेंगे कि, "रुको, यह समझ में नहीं आ रहा है," और उसे ठीक कर देंगे।

2. गुप्त सूत्र: मस्तिष्क में "भौतिकी"

इस पेपर में, शोधकर्ताओं ने एक विशेष AI मस्तिष्क बनाया है। आमतौर पर, AI केवल डेटा से सीखता है (जैसे कार दुर्घटना का वीडियो देखना)। लेकिन इस AI को बिजली के नियमों (जैसे कि किर्चॉफ के नियम, जो मूल रूप से यह कहते हैं कि "जो अंदर जाता है उसे बाहर आना ही चाहिए") के बारे में भी सिखाया गया था।

उपमा: कल्पना कीजिए कि एक रोबोट को गाड़ी चलाना सिखाना।
- स्टैंडर्ड AI: रोबोट को चलाने के 1,000 वीडियो दिखाए जाते हैं। रोबोट गतिविधियों की नकल करना सीख जाता है। यदि वह छत पर चलती हुई कार देखता है, तो वह छत पर चलने की कोशिश भी कर सकता है क्योंकि उसे लगता है कि यह सामान्य है।
- PINN: रोबोट को वीडियो दिखाए जाते हैं लेकिन साथ ही यह भी बताया जाता है, "गुरुत्वाकर्षण के कारण कारें छत पर नहीं चल सकतीं।" यदि रोबोट छत पर कार देखता है, तो वह जानता है कि यह एक ग्लिच या झूठ है, वास्तविकता नहीं।

3. यह क्यों महत्वपूर्ण है ("सुपरपावर्स")

शोधकर्ताओं ने इस नए AI का परीक्षण दो प्रसिद्ध टेस्ट शहरों (IEEE 14-बस और 118-बस सिस्टम) पर किया। यहाँ उन्हें क्या पता चला:

अतुलनीय सटीकता: भले ही AI ने किसी विशिष्ट स्थिति को पहले न देखा हो, फिर भी इसने ग्रिड की स्थिति का अनुमान मानक AI की तुलना में बहुत बेहतर तरीके से लगाया। यह नए पहेलियों पर 83% अधिक सटीक था।
साइबर-अटैक शील्ड: यह सबसे शानदार हिस्सा है। कल्पना कीजिए कि एक हैकर ग्रिड को धोखा देने की कोशिश करता है और नकली डेटा भेजता है कि, "सब कुछ ठीक है!" जबकि ग्रिड वास्तव में आग की चपेट में है।
- एक स्टैंडर्ड AI इस नकली डेटा पर विश्वास कर सकता है क्योंकि यह वैसा ही दिखता है जैसा कि वह डेटा जिस पर उसे प्रशिक्षित किया गया था।
- PINN उस नकली डेटा को देखता है और कहता है, "बिल्कुल नहीं। यदि बिजली इस तरह बह रही है, तो वोल्टेज उस स्तर पर होना ही चाहिए। चूंकि आपका डेटा कहता है कि यह कम है, इसलिए आप झूठ बोल रहे हैं!"
- परिणाम: हमला होने के दौरान सच्चाई का पता लगाने में PINN 93% अधिक सटीक था। इसने बिजली के लिए एक 'झूठ पकड़ने वाले यंत्र' (Lie Detector) की तरह काम किया।

4. उन्होंने इसे कैसे ट्यून किया

शोधकर्ताओं ने केवल यह अनुमान नहीं लगाया कि इस मस्तिष्क को कैसे बनाया जाए। उन्होंने एक व्यवस्थित पद्धति का उपयोग किया (जैसे एक मास्टर शेफ सूप का स्वाद चखता है और उसमें नमक, काली मिर्च और गर्मी को एडजस्ट करता है) ताकि निम्नलिखित के बीच सही संतुलन पाया जा सके:

डेटा से सीखना: "सेंसर्स ने क्या कहा?"
भौतिकी का पालन करना: "क्या यह बिजली के नियमों से मेल खाता है?"
स्थिरांक (Constants) को जानना: "हम जानते हैं कि इस विशिष्ट जनरेटर का वोल्टेज हमेशा 1.0 रहता है।"

उन्होंने एक ऐसा सटीक नुस्खा खोजा ताकि AI या तो डेटा (जो शोर भरा हो सकता है) के प्रति बहुत अधिक जुनूनी न हो जाए या नियमों (जो बहुत कठोर हो सकते हैं) के प्रति बहुत अधिक जुनूनी न हो जाए।

निष्कर्ष

यह पेपर एक तरीका प्रस्तावित करता है जिससे हमारे पावर ग्रिड को अधिक स्मार्ट और सुरक्षित बनाया जा सके। AI को "खेल के नियम" (भौतिकी) के साथ-साथ "खेल के फुटेज" (डेटा) सिखाकर, हमें एक ऐसा सिस्टम मिलता है जो:

किसी भी स्थिति को समझने में तेज़ है।
आश्चर्यजनक स्थितियों (जैसे तूफान या उपकरण की विफलता) को संभालने में अधिक स्मार्ट है।
डेटा को मैनिपुलेट करने की कोशिश करने वाले हैकर्स द्वारा बेवकूफ बनाना कठिन है।

यह एक ऐसे GPS से अपग्रेड करने जैसा है जो केवल ट्रैफिक रिपोर्ट का पालन करता है, बजाय एक ऐसे GPS के जो भौतिकी के नियमों को भी समझता है, ताकि वह जान सके कि ट्रैफिक रिपोर्ट एक झूठ है और आपको वास्तविक रास्ता बता सके।

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

1. समस्या विवरण (Problem Statement)

आधुनिक बिजली प्रणालियाँ नवीकरणीय ऊर्जा एकीकरण, स्मार्ट ग्रिड प्रौद्योगिकियों और परस्पर जुड़े नेटवर्क के कारण बढ़ती जटिलता का सामना कर रही हैं। यह जटिलता स्टेट एस्टिमेशन (SE) के लिए महत्वपूर्ण चुनौतियाँ पैदा करती है, जो ग्रिड स्थिरता और वास्तविक समय की निगरानी के लिए अत्यंत आवश्यक है।

पारंपरिक विधियों की सीमाएँ: वेटेड लीस्ट स्क्वायर्स (WLS) जैसी पारंपरिक तकनीकें पुनरावृत्ति (iterative) प्रक्रियाओं और विरल (sparse) SCADA डेटा पर निर्भर करती हैं। वे उच्च कम्प्यूटेशनल मांग, धीमी प्रतिक्रिया समय और रुक-रुक कर आने वाली नवीकरणीय ऊर्जाओं के कारण होने वाली गतिशील स्थितियों या क्षणिक त्रुटियों को संभालने में कठिनाई का सामना करती हैं।
शुद्ध डेटा-संचालित ML की सीमाएँ: जबकि न्यूरल नेटवर्क (NNs) गति प्रदान करते हैं और गैर-रेखीयताओं (non-linearities) को अच्छी तरह से संभालते हैं, वे अक्सर मौलिक भौतिक नियमों की अनदेखी करते हैं। यह उन्हें ओवरफिटिंग के प्रति संवेदनशील बनाता है, विरल डेटा के तहत अविश्वसनीय बनाता है, और साइबर हमलों (जैसे, फॉल्स डेटा इंजेक्शन) के प्रति असुरक्षित बनाता है जहाँ हेरफेर किया गया सेंसर डेटा गलत स्टेट एस्टिमेट की ओर ले जाता है।
अंतराल (The Gap): एक हाइब्रिड दृष्टिकोण की आवश्यकता है जो भौतिक कानूनों की विश्वसनीयता और बाधा अनुपालन (constraint adherence) के साथ मशीन लर्निंग की गति को जोड़ सके, ताकि दोषों और साइबर खतरों के विरुद्ध मजबूती सुनिश्चित की जा सके।

2. कार्यप्रणाली (Methodology)

लेखक एक फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क (PINN) फ्रेमवर्क प्रस्तावित करते हैं जिसे विशेष रूप से पावर सिस्टम स्टेट एस्टिमेशन के लिए डिज़ाइन किया गया है।

A. मुख्य अवधारणा (Core Concept)

मानक NNs के विपरीत, जो केवल प्रेक्षित डेटा और अनुमानित डेटा के बीच त्रुटि को कम करते हैं, PINNs भौतिक नियमों को सीधे लॉस फंक्शन (loss function) में समाहित करते हैं। मॉडल को प्रेक्षित डेटा बिंदुओं और पावर सिस्टम के शासी समीकरणों (governing equations) दोनों को संतुष्ट करने के लिए प्रशिक्षित किया जाता है।

B. लॉस फंक्शन फॉर्मूलेशन (Loss Function Formulation)

कुल लॉस फंक्शन ($Loss$) तीन घटकों का एक भारित योग (weighted sum) है:
$Loss = \lambda_d \cdot d + \lambda_p \cdot p + \lambda_c \cdot c$
जहाँ:

डेटा टर्म ( $d$ ): अनुमानित कॉम्प्लेक्स वोल्टेज ( $V_{est}$ ) और ग्राउंड-ट्रुथ वोल्टेज ( $V_{true}$ ) के बीच मीन स्क्वेर्ड एरर (MSE)।
फिजिक्स टर्म ( $p$ ): किरचॉफ के करंट लॉ (Kirchhoff's Current Law) और नेटवर्क टोपोलॉजी को लागू करने वाला MSE। यह वास्तविक इंजेक्टेड करंट्स ( $I_{true} = Y \cdot V_{true}$ ) और अनुमानित करंट्स ( $I_{est} = Y \cdot V_{est}$ ) के बीच के अंतर की गणना करता है, जहाँ $Y$ ज्ञात एडमिटेंस मैट्रिक्स (admittance matrix) है। यह नेटवर्क को सिस्टम की टोपोलॉजी का सम्मान करने के लिए मजबूर करता है।
कॉन्स्टेंट्स टर्म ( $c$ ): ज्ञात सिस्टम कॉन्स्टेंट्स (जैसे, जनरेटर बसों पर वोल्टेज मैग्नीट्यूड या स्थिर अवस्था के दौरान स्लैक बस एंगल) से विचलन को दंडित करने वाला MSE।

C. इनपुट/आउटपुट आर्किटेक्चर (Input/Output Architecture)

इनपुट: प्रत्येक बस पर एक्टिव ( $P$ ) और रिएक्टिव ( $Q$ ) पावर इंजेक्शन।
आउटपुट: सभी बसों के लिए अनुमानित कॉम्प्लेक्स वोल्टेज (मैग्निट्यूड और फेज एंगल)।
तंत्र (Mechanism): पावर इंजेक्शन और वोल्टेज के बीच सहसंबंध को सीखते हुए और भौतिकी-आधारित त्रुटि को कम करते हुए, नेटवर्क स्पष्ट आर्किटेक्चरल संशोधनों के बिना अप्रत्यक्ष रूप से सिस्टम टोपोलॉजी को सीख लेता है।

D. ऑप्टिमाइजेशन स्ट्रैटेजी (Optimization Strategy)

लेखक एक ट्री-स्ट्रक्चर्ड पारज़न एस्टिमेटर (TPE) मेटा-ऑप्टिमाइज़र का उपयोग करके एक व्यवस्थित हाइपरपैरामीटर ऑप्टिमाइजेशन दृष्टिकोण अपनाते हैं।

वे लॉस घटकों को संतुलित करने के लिए इष्टतम भार ( $\lambda_d, \lambda_p, \lambda_c$ ) के लिए व्यवस्थित रूप से खोज करते हैं।
वे आर्किटेक्चरल पैरामीटर्स (लेयर्स, न्यूरॉन्स, लर्निंग रेट, बैच साइज) को अनुकूलित करते हैं ताकि मॉडल विभिन्न परिचालन स्थितियों में अच्छी तरह से सामान्यीकरण (generalize) कर सके।

3. प्रमुख योगदान (Key Contributions)

हाइब्रिड फ्रेमवर्क: एक नवीन PINN आर्किटेक्चर प्रस्तावित करता है जो भौतिक कानूनों (पावर फ्लो समीकरण, एडमिटेंस मैट्रिक्स बाधाएं) को स्टेट एस्टिमेशन के लिए न्यूरल नेटवर्क प्रशिक्षण प्रक्रिया में सीधे एकीकृत करता है।
विसंगतियों के प्रति मजबूती (Robustness to Anomalies): यह प्रदर्शित करता है कि भौतिक बाधाओं को शामिल करने से शुद्ध डेटा-संचालित मॉडलों की तुलना में डेटा हेरफेर हमलों (False Data Injection) और सिस्टम दोषों (जैसे, थ्री-फेज फॉल्ट, जनरेटर शटडाउन) के विरुद्ध प्रतिरोध काफी बढ़ जाता है।
व्यवस्थित अनुकूलन: यह डेटा फिडेलिटी और भौतिक निरंतरता के बीच इष्टतम संतुलन निर्धारित करने के लिए एक कठोर हाइपरपैरामीटर ट्यूनिंग प्रक्रिया पेश करता है, जो मौजूदा PINN साहित्य की एक सामान्य सीमा को संबोधित करता है।
स्केलेबिलिटी सत्यापन: लेखक ने दो मानक IEEE बेंचमार्क सिस्टम (14-बस और 118-बस) पर इस दृष्टिकोण को सत्यापित किया है, जो छोटे से बड़े ग्रिड तक इसकी स्केलेबिलिटी को सिद्ध करता है।

4. प्रयोगात्मक परिणाम (Experimental Results)

मॉडल का परीक्षण IEEE 14-बस और IEEE 118-बस सिस्टम पर विभिन्न परिदृश्यों में किया गया था, जिसमें स्थिर अवस्था (steady-state), जनरेटर आउटेज, क्षणिक दोष (transient faults) और साइबर हमले शामिल थे।

सटीकता में सुधार (Accuracy Improvements):
- अनदेखा डेटा (Unseen Data): PINN ने प्रशिक्षण डेटा के अनदेखे उपसमुच्चयों पर मानक NNs की तुलना में ~83% अधिक सटीकता और पूरी तरह से नए, असंबंधित डेटासेट पर ~65% बेहतर प्रदर्शन प्राप्त किया।
- स्थिर अवस्था (Steady State): IEEE 14-बस सिस्टम पर, PINN ने एक अनुकूलित NN की तुलना में MAE को ~57.3% कम कर दिया। IEEE 118-बस सिस्टम पर, सुधार ~82.91% तक पहुँच गया।
दोषों के प्रति मजबूती (Robustness to Faults):
- जनरेटर शटडाउन और लोड स्पाइक्स के दौरान, PINN ने स्थिर MAE बनाए रखा, जबकि मानक NN का प्रदर्शन बिगड़ गया।
- 3-फेज फॉल्ट परिदृश्यों में, PINN ने NNs की तुलना में ~20.53% (14-बस) और ~37.67% (118-बस) बेहतर सटीकता दिखाई।
साइबर-हमला प्रतिरोध (Cyber-Attack Resilience):
- विशिष्ट बसों को लक्षित करने वाले डेटा हेरफेर हमलों (False Data Injection) के तहत, PINN ने एक फिल्टर के रूप में कार्य किया, जो भौतिक बाधाओं का लाभ उठाकर त्रुटिपूर्ण डेटा को खारिज करता है।
- परिणाम: PIN-ने 14-बस सिस्टम पर हमलों के दौरान सिस्टम स्टेट का अनुमान लगाने में समकक्ष NN की तुलना में ~93% अधिक सटीकता और 118-बस सिस्टम पर ~76% अधिक सटीकता दिखाई।
कम्प्यूटेशनल दक्षता (Computational Efficiency):
- प्रशिक्षण समय उचित था (जैसे, 14-बस के लिए ~34s, 118-बस के लिए ~40s)।
- इन्फरेंस समय (Inference time) अत्यंत तेज़ था (~0.035–0.040 ms), जो इस दृष्टिकोण को वास्तविक समय के अनुप्रयोगों के लिए उपयुक्त बनाता है।

5. महत्व और निष्कर्ष (Significance and Conclusion)

यह शोध पत्र स्थापित करता है कि फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क पावर सिस्टम स्टेट एस्टिमेशन के लिए पारंपरिक पुनरावृत्ति विधियों और शुद्ध डेटा-संचालित मशीन लर्निंग दोनों के लिए एक बेहतर विकल्प हैं।

सुरक्षा: भौतिक कानूनों से भविष्यवाणियों को जोड़कर, PINNs स्वाभाविक रूप से उन साइबर-हमलों का पता लगाने और उन्हें कम करने में सक्षम हैं जो इन नियमों का उल्लंघन करते हैं, जिससे ग्रिड सुरक्षा के लिए एक महत्वपूर्ण रक्षा परत मिलती है।
सामान्यीकरण (Generalization): यह दृष्टिकोण उच्च सटीकता प्राप्त करने के लिए कम डेटा की आवश्यकता रखता है और अनदेखे दोष स्थितियों और सिस्टम टोपोलॉजी पर बेहतर सामान्यीकरण करता है।
भविwi प्रभाव: यह अध्ययन सुझाव देता है कि अगली पीढ़ी के लचीले, साइबर-भौतिक पावर सिस्टम के लिए भौतिक बाधाओं को एकीकृत करना आवश्यक है। भविष्य के कार्य विसंगति का पता लगाने की क्षमताओं को और बढ़ाने के लिए स्थानीयकृत क्लस्टरिंग और ट्रांसफर लर्निंग के लिए मल्टी-PINN आर्किटेक्चर की खोज कर सकते हैं।