⚡ electrical engineering

Data-Efficient Physics-Informed Learning to Model Synchro-Waveform Dynamics of Grid-Integrated Inverter-Based Resources

यह शोध पत्र एक डेटा-कुशल भौतिकी-सूचित मशीन लर्निंग फ्रेमवर्क का प्रस्ताव करता है जो सिंक्रो-वेवफॉर्म मापों का उपयोग करके इन्वर्टर-आधारित संसाधनों की क्षणिक गतिशीलता (ट्रांजिएंट डायनेमिक्स) को सटीक रूप से मॉडल करने के लिए ज्ञात सर्किट संबंधों का लाभ उठाता है, जो प्रभावी रूप से डेटा की कमी को दूर करता है और सीमित विक्षोभ घटनाओं के साथ भी सिस्टम मापदंडों के संयुक्त अनुमान को सक्षम बनाता है।

मूल लेखक: Shivanshu Tripathi, Hossein Mohsenzadeh Yazdi, Maziar Raissi, Hamed Mohsenian-Rad

प्रकाशित 2026-01-27

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Shivanshu Tripathi, Hossein Mohsenzadeh Yazdi, Maziar Raissi, Hamed Mohsenian-Rad

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

बड़ी समस्या: अप्रत्याशित का पूर्वानुमान लगाना

कल्पना कीजिए कि इलेक्ट्रिकल ग्रिड एक विशाल, हाई-स्पीड हाईवे है। अतीत में, इस हाईवे को बड़े, भारी और अनुमानित इंजनों (पारंपरिक पावर प्लांट) द्वारा चलाया जाता था। आज, हम इसमें लाखों नई, हाई-टेक इलेक्ट्रिक कारें (जिन्हें इन्वर्टर-बेस्ड रिसोर्सेज या IBRs कहा जाता है, जैसे सोलर पैनल और बैटरी) जोड़ रहे हैं।

ये इलेक्ट्रिक कारें बेहतरीन हैं, लेकिन वे ट्रैफिक जाम (ग्रिड गड़बड़ी) के प्रति अविश्वसनीय रूप से तेज़ी से प्रतिक्रिया करती हैं—इतनी तेज़ी से कि मानक ट्रैफिक कैमरे (पारंपरिक सेंसर) विवरण देख ही नहीं पाते। वे "सब-साइकिल" की हलचल और अचानक होने वाली गतिविधियों को मिस कर देते हैं।

इसे ठीक करने के लिए, वैज्ञानिकों ने हाई-डेफिनिशन, GPS-सिंक्ड कैमरे लगाए हैं जिन्हें वेवफॉर्म मेजरमेंट यूनिट्स (WMUs) कहा जाता है। ये कैमरे अत्यधिक विस्तार के साथ कच्चे वोल्टेज और करंट तरंगों (waves) को रिकॉर्ड करते हैं। हालाँकि, एक पेंच है: दुर्घटनाएं (गड़बड़ी) दुर्लभ हैं। आप कंप्यूटर को यह सिखाने के लिए हर दिन दुर्घटना का इंतज़ार नहीं कर सकते कि उसे कैसे भविष्यवाणी करनी है। हमारे पास सीखने के लिए बहुत कम "क्रैश डेटा" है, लेकिन इन इलेक्ट्रिक कारों का भौतिक विज्ञान (physics) बहुत जटिल है।

समाधान: एक "फिजिक्स-स्मार्ट" ट्यूटर

लेखक कंप्यूटर को इन तेज़ प्रतिक्रियाओं की भविष्यवाणी करना सिखाने का एक नया तरीका प्रस्तावित करते हैं। वे इसे फिजिक्स-इन्फॉर्म्ड मशीन लर्निंग (PIML) कहते हैं।

इसे एक छात्र को ड्राइविंग सिखाने जैसा समझें:

पुराना तरीका (केवल डेटा-आधारित): आप छात्र को एक सिम्युलेटर में फेंक देते हैं और कहते हैं, "तब तक गाड़ी चलाओ जब तक कि तुम 1,000 बार क्रैश न हो जाओ, फिर हम तुम्हें दुर्घटनाओं से बचना सिखाएंगे।" इसके लिए भारी मात्रा में डेटा (कई दुर्घटनाओं) की आवश्यकता होती है और इसमें बहुत समय लगता है।
नया तरीका (फिजिक्स-इन्फॉर्म्ड): आप छात्र को वही सिम्युलेटर देते हैं, लेकिन साथ ही उन्हें भौतिकी की नियम पुस्तिका (न्यूटन के नियम, सर्किट समीकरण) भी थमा देते हैं। आप उनसे कहते हैं, "तुम्हें 1,000 बार क्रैश होने की ज़रूरत नहीं है। बस 10 बार क्रैश हो जाओ, लेकिन याद रखना: कारें टेलीपोर्ट नहीं कर सकतीं, और वे घर्षण (friction) के नियमों का पालन करती हैं।"

कंप्यूटर को बिजली के ज्ञात नियमों (जैसे कि वोल्टेज, करंट, रेजिस्टेंस और इंडक्टेंस एक-दूसरे से कैसे संबंधित हैं) का पालन करने के लिए मजबूर करके, यह मॉडल बहुत कम उदाहरणों के साथ भी बहुत तेज़ी से और अधिक सटीकता से सीखता है।

यह कैसे काम करता है: दो परिदृश्य

शोधकर्ताओं ने अपने "फिजिक्स-स्मार्ट ट्यूटर" का परीक्षण दो अलग-अलग स्थितियों में किया:

1. जब नक्शा ज्ञात हो (ज्ञात पैरामीटर्स)
कल्पना कीजिए कि आप जानते हैं कि सड़क कितनी ऊबड़-खाबड़ है और कार कितनी भारी है (पावर लाइनों का रेजिस्टेंस और इंडक्टेंस ज्ञात है)।

परिणाम: फिजिक्स-स्मार्ट ट्यूटर ने पुराने "डेटा-ओनली" तरीके की तुलना में 7 से 9 गुना कम दुर्घटनाओं का उपयोग करके कार की प्रतिक्रिया की भविष्यवाणी करना सीख लिया। यह अधिक सटीक भी था, भले ही कैमरा क्वालिटी (सैंपलिंग रेट) कम हो।

2. जब नक्शा अज्ञात हो (अज्ञात पैरामीटर्स)
कल्पना कीजिए कि आपको नहीं पता कि सड़क कितनी ऊबड़-खाबड़ है या कार कितनी भारी है।

परिणाम: फिजिक्स-स्मार्ट ट्यूटर ने केवल दुर्घटना की भविष्यवाणी करना ही नहीं सीखा; इसने एक ही समय में सड़क की स्थितियों का भी पता लगा लिया। इसने कार की प्रतिक्रिया को सीखा और कुछ घटनाओं को देखते हुए बिजली की लाइनों के सटीक रेजिस्टेंस और इंडक्टेंस की गणना भी की। इसने सटीक भविष्यवाणी करते हुए इन छिपे हुए नंबरों की सफलतापूर्वक पहचान की।

मुख्य निष्कर्ष

डेटा दक्षता: सबसे बड़ी जीत यह है कि इस पद्धति को बहुत कम डेटा की आवश्यकता होती है। वास्तविक दुनिया में, एक मानक AI को प्रशिक्षित करने के लिए पर्याप्त गड़बड़ियों का इंतज़ार करने में महीनों या साल लग सकते हैं। यह तरीका केवल कुछ घटनाओं के साथ काम करता है।
मजबूती (Robustness): यह तब भी अच्छा काम करता है जब डेटा परफेक्ट न हो या सेंसर उच्चतम गति से रिकॉर्डिंग न कर रहे हों।
दोहरा उद्देश्य: यह भविष्यवाणी की समस्या और "तारों के गुण क्या हैं?" की समस्या को एक साथ हल कर सकता है।

यह पेपर क्या दावा नहीं करता है

यह दावा नहीं करता कि यह तकनीक वर्तमान में ब्लैकआउट को रोकने के लिए वास्तविक पावर ग्रिड में उपयोग की जा रही है।
यह दावा नहीं करता कि यह हर प्रकार के पावर ग्रिड के लिए काम करता है (उन्होंने विशिष्ट सेटअप का परीक्षण किया है और भविष्य में अधिक जटिल सेटअप का परीक्षण करने की योजना बना रहे हैं)।
यह दावा नहीं करता कि यह कोई मेडिकल या क्लिनिकल टूल है; यह पूरी तरह से इलेक्ट्रिकल इंजीनियरिंग के लिए है।

संक्षेप में: यह पेपर दिखाता है कि वास्तविक दुनिया के थोड़े से डेटा को भौतिकी के अटूट नियमों के साथ जोड़कर, हम कंप्यूटर को आधुनिक सौर और बैटरी पावर सिस्टम के तेज़ और जटिल व्यवहार को पहले की तुलना में बहुत तेज़ी से और सस्ते में समझा सकते हैं।

तकनीकी सारांश: ग्रिड-एकीकृत इन्वर्टर-आधारित संसाधनों के सिंक्रो-वेवफॉर्म डायनेमिक्स को मॉडल करने के लिए डेटा-कुशल भौतिकी-सूचित शिक्षण (Physics-Informed Learning)

समस्या विवरण
इन्वर्टर-आधारित संसाधनों (IBRs) का बढ़ता प्रवेश बिजली प्रणालियों को सिंक्रोनस से पावर-इलेक्ट्रॉनिक्स-आधारित पीढ़ी में बदल रहा है। पारंपरिक जनरेटरों के विपरीत, IBRs नेटवर्क गड़बड़ियों के दौरान तेज़, नियंत्रण-संचालित क्षणिक डायनेमिक्स (transient dynamics) प्रदर्शित करते हैं, जिसमें अक्सर महत्वपूर्ण सब-साइकिल ट्रांजिएंट्स शामिल होते हैं। इन डायनेमिक्स को पारंपरिक फेजर और SCADA मापों का उपयोग करके कैप्चर करना कठिन है। जबकि वेवफॉर्म मेजरमेंट यूनिट्स (WMUs) उच्च-रिज़ॉल्यूशन, समय-सिंक्रनाइज़ किए गए कच्चे वोल्टेज और करंट सैंपल प्रदान करते हैं, इस डेटा से सटीक ट्रांजिएंट मॉडल सीखना चुनौतीपूर्ण बना हुआ है। केवल-भौतिकी (physics-only) मॉडल सब-साइकिल समय-पैमानों पर गणनात्मक रूप से बोझिल हो सकते हैं, जबकि पूरी तरह से डेटा-संचालित मॉडल को लेबल किए गए गड़बड़ी डेटा की बड़ी मात्रा की आवश्यकता होती है, जो नेटवर्क गड़बड़ियों की विरलता के कारण दुर्लभ है।

कार्यप्रणाली
लेखक सीमित संख्या में गड़बड़ी हस्ताक्षरों (disturbance signatures) का उपयोग करके IBR टर्मिनल करंट प्रतिक्रियाओं का अनुमान लगाने के लिए एक भौतिकी-सूचित मशीन लर्निंग (PML) ढांचे का प्रस्ताव करते हैं। यह दृष्टिकोण दो स्थानों से समय-सिंक्रनाइज़ वेवफॉर्म मापन का लाभ उठाता है: IBR टर्मिनल (वोल्टेज $v_1(t)$ और करंट $i_1(t)$ मापता है) और कनेक्टिंग लाइन के ग्रिड-साइड (वोल्टेज $v_2(t)$ मापता है)।

कच्चे वेवफॉर्म्स को मॉडल करने के बजाय, यह विधि प्रथम-क्रम के डिफरेंशियल वेवफॉर्म्स ( $\Delta x(t)$ ) पर कार्य करती है, जो गड़बड़ी से पूर्व की स्थिर अवस्थाओं से ट्रांजिएंट गड़बड़ी हस्ताक्षरों को अलग करते हैं। मुख्य कार्यप्रणाली में एक अज्ञात गैर-रेखीय फलन (nonlinear function) $f(\cdot)$ को सीखना शामिल है जो डिफरेंशियल टर्मिनल वोल्टेज को डिफरेंशियल टर्मिनल करंट ( $\Delta i_1 = f(\Delta v_1)$ ) से मैप करता है।

यह ढांचा ग्रिड-साइड सर्किट संबंध को लागू करके भौतिक नियमों को शामिल करता है:
$\Delta v_2(t) = \Delta v_1(t) - R \Delta i_1(t) - L \frac{d\Delta i_1}{dt}$
जहाँ $R$ और $L$ लाइन रेजिस्टेंस और इंडक्टेंस का प्रतिनिधित्व करते हैं। सीखने की प्रक्रिया को एक लॉस फंक्शन (loss function) के न्यूनीकरण के रूप में तैयार किया गया है जो जोड़ता है:

डेटा-संचालित लॉस (Data-driven loss): अनुमानित और प्रेक्षित डिफरेंशियल करंट के बीच मीन-स्क्वेयर्ड एरर (MSE)।
भौतिकी-सूचित लॉस (Physics-informed loss): एक रेगुलेराइजेशन टर्म जो सर्किट समीकरण (2) से विचलन को दंडित करता है।

पेपर दो विशिष्ट परिदृश्यों को संबोधित करता है:

ज्ञात पैरामीटर: $R$ और $L$ को ज्ञात माना जाता है। मॉडल दो न्यूरल नेटवर्क का उपयोग करता है: एक करंट प्रतिक्रिया की भविष्यवाणी करने के लिए और दूसरा सर्किट समीकरण बाधा को लागू करने के लिए।
अज्ञात पैरामीटर: $R$ और $L$ को सीखने योग्य स्केलर के रूप में माना जाता है (सॉफ्टप्लस एक्टिवेशन के माध्यम से गैर-ऋणात्मक होने के लिए बाधित)। ढांचा ग्रेडिएंट-आधारित अनुकूलन के माध्यम से ट्रांजिएंट डायनेमिक्स मैप $f(\cdot)$ और सर्किट पैरामीटर $R$ और $L$ को संयुक्त रूप से सीखता है।

प्रमुख योगदान

नवाचारी PIML ढांचा: पेपर IBRs के लिए सिंक्रो-वेवफॉर्म एनालिटिक्स में PIML के पहले अनुप्रयोग को पेश करता है। यह ग्रिड-साइड वेवफॉर्म मापन और सर्किट समीकरणों को बाधा के रूप में एकीकृत करता है।
डेटा दक्षता: प्रस्तावित पद्धति शुद्ध डेटा-संचालित बेसलाइन की तुलना में सटीक मॉडल प्राप्त करने के लिए आवश्यक लेबल किए गए गड़बड़ी डेटा की मात्रा को काफी कम कर देती है।
संयुक्त पैरामीटर अनुमान: यह ढांचा अनिश्चित लाइन पैरामीटर्स के साथ IBR ट्रांजिएंट डायनेमिक्स के साथ अज्ञात लाइन पैरामीटर्स ( $R, L$ ) के सफल अनुमान को सक्षम बनाता है, जो एक व्यावहारिक सीमा को संबोधित करता है।
सैंपलिंग दरों के प्रति मजबूती: विधि को कई सैंपलिंग दरों (32, 64, और 128 सैंपल्स प्रति 60 Hz साइकिल) पर मान्य किया गया है, जो निम्न रिज़ॉल्यूशन पर भी सुसंगत प्रदर्शन प्रदर्शित करती है।

प्रायोगिक परिणाम
लेखकों ने 80 गड़बड़ी घटनाओं के एक डेटासेट का उपयोग करके दृष्टिकोण का मूल्यांकन किया, जिसमें प्रशिक्षण घटनाओं की संख्या 3 से 50 तक भिन्न थी।

ज्ञात पैरामीटर के साथ प्रदर्शन: सभी सैंपलिंग दरों में, PIML मॉडल ने डेटा-ओनली बेसलाइन की तुलना में लगातार कम टेस्टिंग MSE प्राप्त किया। उदाहरण के लिए, 128 सैंपल्स/साइकिल की सैंपलिंग दर पर केवल 3 प्रशिक्षण घटनाओं के साथ, PML मॉडल ने डेटा-ओनली मॉडल की तुलना में त्रुटि को लगभग 58% कम कर दिया।
डेटा दक्षता लाभ: तुलनीय त्रुटि स्तर प्राप्त करने के लिए, जब पैरामीटर ज्ञात थे, तो भौतिकी-सूचित दृष्टिकोण को डेटा-ओनली मॉडल की तुलना में लगभग 7 से 9 गुना कम प्रशिक्षण घटनाओं की आवश्यकता थी। जब पैरामीटर अज्ञात थे, तो दक्षता लाभ कम था (लगभग 2.3x से 5.7x), लेकिन फिर भी महत्वपूर्ण था।
पैरामीटर पहचान: अज्ञात पैरामीटर वाले मामले में, मॉडल प्रशिक्षण के दौरान $R$ (10 $\Omega$ ) और $L$ (0.2 mH) के वास्तविक मानों तक सफलतापूर्वक अभिसरित (converge) हुआ, जैसा कि कन्वर्जेंस प्लॉट्स द्वारा दर्शाया गया है।
निम्न सैंपलिंग दरें: PML मॉडल ने सबसे कम परीक्षण की गई सैंपलिंग दर (32 सैंपल्स/साइकिल) पर भी मजबूत प्रदर्शन और कम त्रुटि दर बनाए रखी, जहाँ डेटा-ओनली बेसलाइन संघर्ष कर रही थी।

महत्व और दावे
पेपर का दावा है कि यह कार्य IBRs के लिए भौतिकी-आधारित और डेटा-संचालित मॉडलिंग के बीच के अंतर को पाटता है। मौजूदा लेकिन कम उपयोग किए गए ग्रिड-साइड वेवफॉर्म मापन का लाभ उठाकर, प्रस्तावित PIML ढांचा काफी कम गड़बड़ी घटनाओं के साथ तेज़ सब-साइकिल IBR डायनेमिक्स का सटीक मॉडलिंग करने की अनुमति देता है। यह विशेष रूप से महत्वपूर्ण है क्योंकि बड़े लेबल किए गए डेटासेट एकत्र करना अव्यवहार्य है। सर्किट पैरामीटर्स की संयुक्त पहचान करने की क्षमता अनिश्चित लाइन पैरामीटर्स वाले वास्तविक परिवेशों में ढांचे की उपयोगिता को और बढ़ाती है। लेखक निष्कर्ष निकालते हैं कि यह दृष्टिकोण सिंक्रो-वेवफॉर्म डायनेमिक्स को मॉडल करने के लिए एक डेटा-कुशल मार्ग प्रदान करता है, जिसके लिए भविष्य में जटिल नेटवर्क टोपोलॉजी, शोर और असंतुलित स्थितियों को संबोधित करने की योजना है।

बड़ी समस्या: अप्रत्याशित का पूर्वानुमान लगाना

समाधान: एक "फिजिक्स-स्मार्ट" ट्यूटर

यह कैसे काम करता है: दो परिदृश्य

मुख्य निष्कर्ष

यह पेपर क्या दावा नहीं करता है

इसी तरह के और पेपर