NEO-Grid: A Neural Approximation Framework for Optimization and Control in Distribution Grids

तकनीकी सारांश: NEO-Grid

समस्या विवरण
वितरित ऊर्जा संसाधनों (DERs), जैसे कि सौर फोटोवोल्टिक और बैटरी स्टोरेज का प्रसार, वितरण ग्रिडों को बदल रहा है, जिससे महत्वपूर्ण परिवर्तनशीलता और विषमता आ रही है जो वोल्टेज स्थिरता के लिए चुनौती पेश करती है। प्रभावी प्रबंधन के लिए सटीक मॉडलिंग की आवश्यकता होती है (पावर फ्लो या PF मॉडल)। पारंपरिक दृष्टिकोण रैखिक सन्निकटन (जैसे, LinDistFlow) पर निर्भर करते हैं, जो अक्सर भारी लोडिंग या अत्यधिक प्रतिरोधी फीडरों के तहत महत्वपूर्ण गैर-रैखिकता (nonlinearities) को पकड़ने में विफल रहते हैं। इसके अलावा, जबकि वोल्ट-वार ऑप्टिमाइज़ेशन (VVO) केंद्रीकृत समाधानों की तलाश करता है और वोल्ट-वार कंट्रोल (VVC) स्थानीय स्वायत्त नीतियों की तलाश करता है, दोनों ही गैर-रैखिक PF समीकरणों को हल करने की कम्प्यूटेशनल जटिलता और VVC डायनेमिक्स की पुनरावर्ती (recursive), क्लोज्ड-लूप प्रकृति से बाधित होते हैं। मौजूदा विधियाँ, जैसे अनरोल्ड रिकरेंट न्यूरल नेटवर्क (RNNs), मेमोरी के बोझ और ग्रेडिएंट वैनिशिंग (gradient vanishing) की समस्याओं से ग्रस्त हैं।

कार्यप्रणाली
यह शोध पत्र NEO-Grid का प्रस्ताव करता है, जो एक एकीकृत लर्निंग-आधारित फ्रेमवर्क है जो अनुकूलन (optimization) और नियंत्रण (control) दोनों के लिए पारंपरिक रैखिक सन्निकटन के स्थान पर न्यूरल नेटवर्क सरोगेट्स का उपयोग करता है।

1. न्यूरल पावर फ्लो सरोगेट (NEO-Grid मॉडल):

   • लेखक एक न्यूरल नेटवर्क (विशेष रूप से एक सिंगल-हिडन-लेयर नेटवर्क जिसमें ReLU एक्टिवेशन है) का निर्माण करते हैं जो गैर-रैखिक AC पावर फ्लो मैपिंग $v = f(p, q)$ का सन्निकटन करता है।
   • इस सरोगेट को विविध परिचालन स्थितियों के तहत उत्पन्न डेटा पर प्रशिक्षित किया जाता है, जिसमें रिएक्टिव पावर कंपनसेशन परिदृश्य भी शामिल हैं।
   • चूंकि ReLU नेटवर्क पीसवाइज-लीनियर (PWL) फंक्शन उत्पन्न करते हैं, इसलिए इस सरोगेट को मिक्सड-इंटीजर लीनियर (MIL) या मिक्सड-इंटीजर क्वाड्रेटिक (MIQP) फॉर्मुलेशन में एम्बेड किया जा सकता है, जिससे गैर-रैखिक भौतिकी को मानक सॉल्वर के लिए सुलभ बनाया जा सके।

2. मिक्सड-इंटीजर प्रोग्रामिंग के माध्यम से VVO:

   • वोल्ट-वार ऑप्टिमाइज़ेशन के लिए, प्रशिक्षित न्यूरल सरोगेट अनुकूलन समस्या में गैर-रैखिक PF बाधाओं (constraints) को प्रतिस्थापित करता है।
   • इसका उद्देश्य номинаल 1.0 p.u. प्रोफाइल से वोल्टेज विचलन को कम करना है। नेटवर्क की PWL प्रकृति के कारण, समस्या को MIQP के रूप में हल किया जा सकता है या MILP के रूप में शिथिल (relaxed) किया जा सकता है।

3. डीप इक्विलिब्रियम मॉडल्स (DEQ) के माध्यम से VVC:

   • वोल्ट-वार कंट्रोल के लिए, लेखक स्थानीय नियंत्रण नियम $q_i = g(v_i)$ डिजाइन करने की चुनौती का समाधान करते हैं जो क्लोज्ड-लूप में कार्य करते हैं।
   • सिस्टम डायनेमिक्स को समय के साथ अनरोल करने के बजाय (जैसा कि RNNs में होता है), NEO-Grid सिस्टम को एक डीप इक्विलिब्रियम मॉडल (DEQ) के रूप में मॉडल करता है।
   • नियंत्रण नियम को एक स्ट्रक्चर्ड ReLU-आधारित फंक्शन के रूप में पैरामीटराइज किया जाता है (जो IEEE 1547 मानक के पीसवाइज-लीनियर ड्रॉप कर्व्स की नकल करता है)।
   • सिस्टम स्टेट को एक फिक्स्ड पॉइंट $v^* = F_\phi(v^*)$ के रूप में परिभाषित किया जाता है, जहाँ $F_\phi$ न्यूरल PF सरोगेट और VVC नियम का संयोजन है।
   • प्रशिक्षण के लिए इम्प्लिसिट डिफरेंशिएशन और रूट-फाइंडिंग एल्गोरिदम (जैसे एंडरसन एक्सेलरेशन) का उपयोग किया जाता है ताकि इक्विलिब्रियम पॉइंट पर सीधे कंट्रोल पैरामीटर्स $\phi$ के सापेक्ष ग्रेडिएंट्स की गणना की जा सके। यह लंबी ट्रेजेक्टरीज को स्टोर करने की आवश्यकता को समाप्त करता है, जिससे मेमोरी उपयोग और कम्प्यूटेशनल लागत में काफी कमी आती है।

प्रमुख योगदान
यह शोध पत्र तीन प्राथमिक योगदानों को रेखांकित करता है:

1. एकीकृत PF डिज़ाइन: एक एकल न्यूरल पावर फ्लो सरोगेट का निर्माण जो केंद्रीकृत अनुकूलन (VVO) और विकेंद्रीकृत नियंत्रण (VVC) दोनों के लिए एक सुलभ "न्यूरो-सिम्युलेटर" के रूप में कार्य करता है।
2. सामान्यीकरण (Generalizability): फ्रेमवर्क को एक "यूनिवर्सल" न्यूरो-सिम्युलेटर के रूप में डिज़ाइन किया गया है जो डेटा फ्यूजन, प्रेडिक्टिव एनालिसिस और डिस्ट्रीब्यूशन सिस्टम के भीतर डिजिटल-ट्विन अनुप्रयोगों सहित विविध कार्यों का समर्थन कर सकता है।
3. इक्विलिब्रियम-आधारित VVC लर्निंग: DEQ-आधारित इम्प्लिसिट डिफरेंशिएशन के माध्यम से अनुकूलित, PWL कंट्रोल रूल रिप्रेजेंटेशन के साथ एकीकृत DEQ-आधारित VVC। यह दृष्टिकोण अनरोल्ड रिकरेंट आर्किटेक्चर के कम्प्यूटेशनल ओवरहेड के बिना क्लोज्ड-लूप कंट्रोल प्रदर्शन के कुशल अनुकूलन की अनुमति देता है।

प्रायोगिक परिणाम
फ्रेमवर्क का मूल्यांकन IEEE 33-बस रेडियल डिस्ट्रीब्यूशन सिस्टम पर किया गया।

• पावर फ्लो सन्निकटन: NEO-Grid न्यूरल सरोगेट ने टेस्ट सेट पर $1.81 \times 10^{-6}$ का मीन स्क्वेर्ड एरर (MSE) प्राप्त किया। यह लीनियर रिग्रेशन ($3.16 \times 10^{-5}$) की तुलना में एक क्रम (order) बेहतर और LinDistFlow मॉडल ($1.95 \times 10^{-4}$) की तुलना में 100 गुना से अधिक सटीक था।
• VVO प्रदर्शन: वोल्टेज रेगुलेशन कार्यों में, NEO-Grid-आधारित अनुकूलन ने लीनियर रिग्रेशन और LinDistFlow बेसलाइन्स की तुलना में सबसे कम औसत वोल्टेज विचलन (0.94%) और सबसे कम बड़े उल्लंघन (>3% विचलन) दर्ज किए।
• VVC प्रदर्शन: DEQ-प्रशिक्षित NEO-Grid कंट्रोलर ने 3.63% का औसत वोल्टेज विचलन प्राप्त किया, जो लीनियर और ह्यूरिस्टिक बेसलाइन्स से बेहतर प्रदर्शन करता है। महत्वपूर्ण रूप से, इसने उन सभी वोल्टेज प्रविष्टियों को समाप्त कर दिया जिनमें 7% से अधिक विचलन था, जबकि अन्य ऑप्टिमाइज़ेशन-आधारित विधियों में अभी भी महत्वपूर्ण बड़े विचलन दिखाई दिए।
• तुलना: जबकि VVO (केंद्रीकृत) अधिक लचीलेपन के कारण स्वाभाविक रूप से VVC (विकेंद्रीकृत) की तुलना में बेहतर रेगुलेशन प्राप्त करता है, NEO-Grid VVC दृष्टिकोण ने मौजूदा लीनियर/RNN-आधारित विधियों की तुलना में बेहतर मजबूती और निरंतरता प्रदर्शित की।

महत्व और दावे
लेखक दावा करते हैं कि NEO-Grid लर्निंग-आधारित वोल्टेज रेगुलेशन के लिए एक स्केलेबल, सटीक और व्याख्या योग्य (interpretable) समाधान स्थापित करता है। गैर-रैखिक भौतिकी की सटीकता और अनुकूलन एवं नियंत्रण के लिए आवश्यक सुलभता के बीच के अंतर को पाटकर, यह फ्रेमवर्क रैखिक सन्निकटन के लिए एक व्यावहारिक विकल्प प्रदान करता है। क्लोज्ड-लूप कंट्रोल डिजाइन के लिए DEQs का उपयोग विशेष रूप से कम्प्यूटेशनल बाधाओं को संबोधित करता है, जो ट्रेजेक्टरी अनरोलिंग के मेमोरी बोझ के बिना सिंगल-लेयर पॉलिसी के कुशल प्रशिक्षण को सक्षम बनाता है। यह पेपर NEO-Grid को केवल एक कंट्रोल एल्गोरिदम के रूप में नहीं, बल्कि एक मौलिक "न्यूरो-सिम्युलेटर" के रूप में प्रस्तुत करता है जिसे डिस्ट्रीब्यूशन ग्रिड के व्यापक डिजिटल-ट्विन उपयोग के मामलों, संवेदनशीलता विश्लेषण (sensitivity analysis) और "व्हाट-इफ" अध्ययनों के भीतर विस्तारित किया जा सकता है।