⚡ electrical engineering

PowerSINDy: Identifying Nonlinear Time-Dependent Dynamics in Power Grid Frequency

यह शोध पत्र PowerSINDy को प्रस्तुत करता है, जो एक ऐसा ढांचा है जो महाद्वीपीय यूरोप और दक्षिण कोरिया के वास्तविक बिजली ग्रिड फ्रीक्वेंसी डेटा से गैर-रेखीय (nonlinear), समय-निर्भर गतिकी की सफलतापूर्वक पहचान करता है, और साथ ही स्पर्सिटी-प्रमोटिंग रिग्रेशन रणनीतियों का बेंचमार्किंग करते हुए यह निर्धारित करता है कि LASSO सबसे कम त्रुटि प्राप्त करता है और STLSQ सटीकता एवं स्थिरता के बीच सर्वोत्तम संतुलन प्रदान करता है।

मूल लेखक: Xinyi Wen, Xiao Li, Leonardo Rydin Gorjão, Veit Hagenmeyer, Benjamin Schäfer

प्रकाशित 2026-05-05

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Xinyi Wen, Xiao Li, Leonardo Rydin Gorjão, Veit Hagenmeyer, Benjamin Schäfer

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

कल्पना कीजिए कि इलेक्ट्रिकल पावर ग्रिड एक विशाल, जटिल ऑर्केस्ट्रा है। बिजली की "फ्रीक्वेंसी" (आमतौर पर 50 या 60 बीट्स प्रति सेकंड) कंडक्टर के टेम्पो (लय) की तरह है। यदि टेम्पो स्थिर रहता है, तो संगीत एकदम सटीक सुनाई देता है। यदि यह तेज या धीमा होता है, तो इसका मतलब है कि संगीतकार (पावर जनरेटर) और दर्शक (बिजली का उपयोग करने वाले लोग) पूरी तरह से तालमेल में नहीं हैं।

लंबे समय तक, वैज्ञानिकों ने इस ऑर्केस्ट्रा के लिए "शीट म्यूजिक" (गणितीय समीकरणों) को सरल नियमों का उपयोग करके लिखने की कोशिश की। लेकिन आधुनिक पावर ग्रिड बहुत जटिल होते हैं। इनमें पवन और सौर ऊर्जा आती और जाती रहती है, और वे जटिल, नॉन-लीनियर (गैर-रेखीय) तरीकों से प्रतिक्रिया करते हैं। पुराने, सरल नियम पूरी तस्वीर को नहीं पकड़ पाते।

यह पेपर PowerSINDy नामक एक नया टूल पेश करता है ताकि ऑर्केस्ट्रा की रिकॉर्डिंग सुनकर ही वास्तविक "शीट म्यूजिक" का पता लगाया जा सके, बिना पहले से यह जाने कि हर एक वाद्य यंत्र का विवरण क्या है।

उन्होंने इसे कैसे किया, यहाँ सरल भाषा में समझाया गया है:

1. चुनौती: एक शोर भरी रिकॉर्डिंग

कल्पना कीजिए कि आप स्टैटिक (चरचराहट), हवा के शोर और बैकग्राउंड में लोगों की बातचीत वाली एक रिकॉर्डिंग से गाना ट्रांसक्राइब (लिखने) करने की कोशिश कर रहे हैं। यदि आप तुरंत नोट्स लिखने की कोशिश करेंगे, तो आप गलतियाँ करेंगे।

पेपर का समाधान: नियमों को खोजने से पहले, उन्होंने डेटा को साफ करने के लिए एक "नॉइज़-कैंसलिंग हेडफ़ोन" (एक गणितीय फ़िल्टर जिसे गॉसियन फ़िल्टर कहा जाता है) का उपयोग किया। उन्होंने डेटा को साफ करने के विभिन्न स्तरों का परीक्षण किया ताकि वह "स्वीट स्पॉट" मिल सके जहाँ शोर तो खत्म हो गया हो, लेकिन संगीत की वास्तविक लय भी स्पष्ट बनी रहे। उन्होंने पाया कि 60 सेकंड की विंडो में डेटा को स्मूथ (चिकना) करना सबसे अच्छा काम करता है।

2. जासूसी का काम: PowerSINDy

एक बार जब डेटा साफ हो गया, तो उन्होंने SINDy (स्पार्स आइडेंटिफिकेशन ऑफ नॉनलीन डायनेमिक्स) नामक एक विधि का उपयोग किया।

उपमा: कल्पना कीजिए कि आपके पास हर उस संभावित गणितीय आकार का एक विशाल टूलबॉक्स है जिसका उपयोग आप मॉडल बनाने के लिए कर सकते हैं (सीधी रेखाएं, वक्र, लहरें, वर्ग, घन आदि)।
लक्ष्य: आप एक ऐसा मॉडल बनाना चाहते हैं जो ग्रिड के व्यवहार की भविष्यवाणी करे, लेकिन आप जितना संभव हो सके उतने कम टूल्स का उपयोग करना चाहते हैं। आप एक साधारण स्विंग (झूले) को समझाने के लिए 1,000 टूल्स वाला मॉडल नहीं चाहते; आप उन 3 या 4 टूल्स को चाहते हैं जो वास्तव में मायने रखते हैं। इसे "स्पैरसिटी" (विरलता) कहा जाता है।
अपग्रेड: लेखकों ने महसूस किया कि मानक उपकरण (केवल सीधी रेखाएं और सरल वक्र) पावर ग्रिड के लिए पर्याप्त नहीं थे। इसलिए, उन्होंने टूलबॉक्स में फूरियर टर्म्स (गणितीय लहरें) जोड़ दिए। इसने उन्हें ग्रिड की फ्रीक्वेंसी में होने वाले प्राकृतिक "उतार-चढ़ाव" और दोलनों (oscillations) को पकड़ने में मदद की, जिन्हें साधारण वक्र मिस कर देते हैं।

3. तीन जज (ऑप्टिमाइज़र)

यह तय करने के लिए कि कौन से टूल्स को रखना है और किन्हें फेंक देना है, उन्होंने सबसे अच्छे मॉडल को चुनने के लिए तीन अलग-अलग "जजों" (गणितीय रणनीतियों) का उपयोग किया। उन्होंने इन जजों का परीक्षण दो अलग-अलग "ऑर्केस्ट्रा" से प्राप्त वास्तविक डेटा पर किया:

कॉन्टिनेंटल यूरोप (CE): एक विशाल, आपस में जुड़ा हुआ ग्रिड जिसमें बहुत अधिक जड़त्व (इन्र्शिया) है (एक विशाल, भारी फ्लाईव्हील की तरह)।
दक्षिण कोरिया (SK): एक छोटा, अधिक सघन, केंद्रीय रूप से प्रबंधित ग्रिड।

तीनों जज थे:

LASSO: "प्रिसिजन स्नाइपर।" यह आक्रामक रूप से उन चीजों को काट देता है जो बिल्कुल आवश्यक नहीं हैं।
STLSQ: "स्थिर हाथ।" यह एक स्टेप-बाय-स्टेप दृष्टिकोण अपनाता है, यह सुनिश्चित करने के लिए बार-बार जांच करता है कि मॉडल विफल न हो जाए।
SR3: "लचीला विचारक।" यह डेटा के साथ पूरी तरह फिट होने और मॉडल को सरल रखने के बीच संतुलन बनाने की कोशिश करता है, लेकिन यह थोड़ा सनकी हो सकता है।

4. परिणाम: कौन जीता?

पेपर ने यह देखने के लिए हजारों परीक्षण किए कि किस जज ने सबसे सटीक और स्थिर "शीट म्यूजिक" तैयार किया।

सटीकता का विजेता (LASSO): LASSO ने लगातार सबसे सटीक समीकरण खोजे। इसने सबसे कम एरर रेट (त्रुटि दर) दी, जिसका अर्थ है कि इसके द्वारा बनाया गया मॉडल वास्तविक दुनिया के डेटा से बेहतर मेल खाता था। यह जटिल, नॉन-लीनियर इंटरैक्शन (जैसे कि कैसे ग्रिड के दो अलग-अलग हिस्से एक-दूसरे को प्रभावित करते हैं) को खोजने में विशेष रूप से अच्छा था।
स्थिरता का विजेता (STLSQ): जबकि LASSO सबसे सटीक था, STLSQ सबसे विश्वसनीय था। इसने शायद ही कभी ऐसे मॉडल बनाए जो भविष्य का अनुकरण (सिमुलेशन) करते समय "क्रैश" हो जाएं या अनियंत्रित हो जाएं। इसने सटीक होने और सुरक्षित होने के बीच सबसे अच्छा संतुलन प्रदान किया।
वाइल्डकार्ड (SR3): यह जज असंगत था। कभी-कभी यह ठीक काम करता था, लेकिन यह अपनी सेटअप प्रक्रिया के प्रति बहुत संवेदनशील था। इसने टूलबॉक्स में बहुत अधिक टूल्स को बनाए रखने की प्रवृत्ति दिखाई, जिससे मॉडल अधिक जटिल और समझने में कठिन हो गया।

5. उन्होंने क्या सीखा?

बड़ा होना हमेशा बेहतर नहीं होता: जब उन्होंने मॉडल को सुपर कॉम्प्लेक्स (क्यूबिक समीकरणों का उपयोग करके) बनाने की कोशिश की, तो मॉडल अस्थिर हो गए और "डाइवर्ज" (पटरी से उतरना) होने लगे।
लहरें मायने रखती हैं: लहरों जैसे (फूरियर) टर्म्स जोड़ने से मॉडल को ग्रिड के प्राकृतिक दोलनों को संभालने में मदद मिली, बिना गणित को बहुत अधिक उलझाए।
"सीक्रेट सॉस": सबसे अच्छे मॉडलों में, उन्होंने पाया कि ग्रिड के एंगल और उसकी स्पीड के बीच विशिष्ट इंटरैक्शन ( $\theta\omega$ और $\theta\omega^2$ ) अत्यंत महत्वपूर्ण थे। ये वे छिपे हुए नियम हैं जो ग्रिड को स्थिर रखते हैं।

निष्कर्ष

यह पेपर दिखाता है कि डेटा को सावधानीपूर्वक साफ करके और सही गणितीय "जासूस" (विशेष रूप से सटीकता के लिए LASSO या स्थिरता के लिए STLSQ) का उपयोग करके, हम उन छिपे हुए, नॉन-लीनियर नियमों को खोज सकते हैं जो पावर ग्रिड के व्यवहार को नियंत्रित करते हैं। यह हमें पुराने, सरलीकृत मॉडलों की तुलना में ग्रिड को बेहतर ढंग से समझने में मदद करता है, जो यूरोप और दक्षिण कोरिया के वास्तविक दुनिया के डेटा का उपयोग करता है।

तकनीकी सारांश: पावर ग्रिड फ्रीक्वेंसी डायनेमिक्स के लिए PowerSINDy

समस्या विवरण
आधुनिक पावर सिस्टम का स्थिर संचालन ग्रिड फ्रीक्वेंसी डायनेमिक्स के सटीक लक्षण वर्णन पर अत्यधिक निर्भर करता है, जो उत्पादन और मांग के बीच संतुलन को दर्शाते हैं। पारंपरिक मॉडलिंग दृष्टिकोण, जैसे कि एग्रीगेटेड स्विंग इक्वेशन, अक्सर रैखिक धारणाओं और सरलीकृत भौतिक मापदंडों पर निर्भर करते हैं जो उच्च नवीकरणीय ऊर्जा पैठ और स्टोकेस्टिक उतार-चढ़ाव द्वारा उत्पन्न जटिल, गैर-रैखिक और समय-निर्भर व्यवहारों को पकड़ने के लिए अपर्याप्त हैं। जबकि सिस्टम आइडेंटिफिकेशन विधियाँ, जैसे कि स्पार्स आइडेंटिफिकेशन ऑफ नॉनलीनर डायनेमिक्स (SINDy), शासन करने वाले समीकरणों को उजागर करने के लिए एक डेटा-संचालित विकल्प प्रदान करती हैं, वास्तविक दुनिया के पावर ग्रिड डेटा पर उनका अनुप्रयोग सीमित बना हुआ है। मौजूदा अध्ययन मुख्य रूप से सिंथेटिक डेटा पर केंद्रित रहे हैं, जिससे शोर युक्त, जटिल अनुभवजन्य (empirical) डेटासेट पर SINDy के प्रदर्शन और विभिन्न स्पर्सिटी-प्रमोटिंग रिग्रेशन रणनीतियों के बीच ट्रेड-ऑफ के संबंध में खुले प्रश्न बने हुए हैं।

कार्यप्रणाली: PowerSINDy फ्रेमवर्क
लेखक PowerSINDy का प्रस्ताव करते हैं, जो पावर सिस्टम फ्रीक्वेंसी डेटा में गैर-रैखिक, समय-निर्भर डायनेमिक्स की पहचान करने के लिए तैयार किया गया एक फ्रेमवर्क है। इस कार्यप्रणाली में तीन प्राथमिक चरण शामिल हैं:

डेटा प्रीप्रोसेसिंग और स्मूथिंग:
दो अलग-अलग सिंक्रोनस ग्रिडों—कॉन्टिनेंटल यूरोप (CE) ग्रिड (50 Hz) और दक्षिण कोरिया (SK) ग्रिड (60 Hz)—से उच्च-रिज़ॉल्यूशन फ्रीक्वेंसी डेटा (1-सेकंड रिज़ॉल्यूशन) का विश्लेषण किया गया। नियतात्मक (deterministic) डायनेमिक्स को स्टोकेस्टिक शोर से अलग करने के लिए, एक गॉसियन फ़िल्टर लागू किया गया। अनुकूलतम स्मूथिंग पैरामीटर ( $\sigma$ ) को SINDy-सिम्युलेटेड ट्राजेक्टरीज और मूल अनुभवजन्य डेटा के बीच रूट मीन स्क्वायर एरर (RMSE) को न्यूनतम करके निर्धारित किया गया। अध्ययन ने $\sigma = 60$ (एक 60-सेकंड विंडो) को शोर दमन और फीचर संरक्षण के बीच इष्टतम संतुलन के रूप में पहचाना।
कैंडिडेट लाइब्रेरी निर्माण:
मानक SINDy कार्यान्वयन के विपरीत, जो केवल पॉलिनोमियल पर निर्भर करते हैं, PowerSINDy कैंडिडेट फंक्शन लाइब्रेरी को पावर ग्रिड डायनेमिक्स को बेहतर ढंग से दर्शाने के लिए विस्तारित करता है। लाइब्रेरी में शामिल हैं:

पॉलिनोमियल टर्म्स: गैर-रैखिक कपलिंग को कैप्चर करने के लिए क्वाड्रेटिक ( $p2$ ) और क्यूबिक ( $p3$ ) ऑर्डर्स तक।
फूरियर टर्म्स: सिंक्रोनस ग्रिडों में अंतर्निहित दोलनीय (oscillatory) व्यवहारों को दर्शाने के लिए प्रथम-क्रम के साइन और कोसाइन फंक्शन ( $p2f1$ )।
समय-निर्भर टर्म्स: लोड कर्व्स और जनरेशन शेड्यूल्स द्वारा संचालित नियतात्मक संकेतों को ध्यान में रखने के लिए समय ( $T$ ) और समय से जुड़े इंटरैक्शन टर्म्स का स्पष्ट समावेश।

स्पार्स रिग्रेशन रणनीतियाँ:
यह फ्रेमवर्क स्पार्स रिग्रेशन समस्या $\dot{X} = \Theta(X)\Xi$ को हल करने के लिए तीन अलग-अलग ऑप्टिमाइज़ेशन रणनीतियों का बेंचमार्किंग करता है:

सीक्वेंशियलली थ्रेशोल्डेड लीस्ट स्क्वेयर्स (STLSQ): यह पुनरावृत्ति (iteratively) के साथ लीस्ट स्क्वेयर्स को हल करता है और छोटे गुणांकों को थ्रेशोल्ड करता है।
LASSO (लीस्ट एब्सोल्यूट श्रिंकेज एंड सिलेक्शन ऑपरेटर): गुणांकों को शून्य तक सिकोड़ने के लिए $L1$ पेनल्टी का उपयोग करता है।
स्पार्स रिलैक्स्ड रेगुलराइज्ड रिग्रेशन (SR3): डेटा फिटिंग को स्पर्सिटी प्रवर्तन से अलग करने के लिए एक सहायक चर और एक रिलैक्सेशन पैरामीटर पेश करता है, जिसका परीक्षण $L0$ , $L1$ , और $L2$ नॉर्म्स के साथ किया गया।

प्रमुख परिणाम
अध्ययन ने CE और SK डेटासेट से 15-मिनट की ट्राजेक्टरीज के माध्यम से फ्रेमवर्क का मूल्यांकन किया, जिसमें मॉडल सटीकता (स्थिर RMSE), स्थिरता अंश (गैर-विचलन वाली ट्राजेक्टरीज का प्रतिशत), और संरचनात्मक जटिलता (सक्रिय फीचर्स की संख्या) की तुलना की गई।

ऑप्टिमाइज़र प्रदर्शन:
- LASSO ने सभी कॉन्फ़िगरेशन में लगातार सबसे कम स्थिर RMSE प्राप्त किया। $p3$ के साथ CE डेटासेट के लिए, LASSO ने 0.0101 का न्यूनतम RMSE प्राप्त किया। इसने विशेष रूप से लोअर-ऑर्डर कॉन्फ़िगरेशन में सबसे स्पार्स मॉडल भी बनाए।
- STLSQ ने उच्चतम स्थिरता प्रदर्शित की, जिसमें स्थिरता अंश अक्सर क्वाड्रेटिक ( $p2$ ) सेटिंग्स में 0.79 से अधिक रहा। इसने सटीकता और विश्वसनीयता के बीच सर्वोत्तम संतुलन प्रदान किया, हालांकि इसका RMSE LASSO की तुलना में थोड़ा अधिक था।
- SR3 में उच्चतम परिवर्तनशीलता और हाइपरपैरामीटर्स एवं डेटासेट विशेषताओं के प्रति संवेदनशीलता देखी गई। विशेष रूप से, SR3 में $L0$ और $L1$ नॉर्म्स ने RMSE और स्थिरता के मामले में लगभग अविभेद्य परिणाम दिए। SR3 का प्रदर्शन क्यूबिक ( $p3$ ) कॉन्फ़िगरेशन में, विशेष रूप से SK डेटासेट के लिए, काफी खराब रहा, जहाँ स्थिरता अंश 0.52 से नीचे गिर गया।
मॉडल जटिलता और लाइब्रेरी चयन:
- क्वाड्रेटिक ( $p2$ ) मॉडल ने दोनों डेटासेट में कम RMSE (~0.016) के साथ स्थिर समाधान प्रदान किए।
- क्यूबिक ( $p3$ ) मॉडल ने CE डेटासेट के लिए सटीकता में सुधार किया (RMSE 0.0101) लेकिन स्थिरता को कम कर दिया, जिससे ट्राजेक्टरी विचलन तेजी से हुआ।
- फूरियर-ऑगमेंटेड मॉडल ( $p2f1$ ) ने एक मध्य मार्ग प्रदान किया, जो उच्च-क्रम पॉलिनोमियल से जुड़ी अस्थिरता के बिना दोनों डेटासेट में मजबूत प्रदर्शन (RMSE ~0.016) और स्थिरता बनाए रखता है।
- फीचर विश्लेषण: LASSO ने लगातार सबसे संक्षिप्त प्रतिनिधित्व (लगभग 6 सक्रिय फीचर्स $p2$ के लिए) लागू किया, जबकि SR3 ने अधिक सघन मॉडल (लगभग 14 सक्रिय फीचर्स $p3$ के लिए) चुनने की प्रवृत्ति दिखाई।
डेटासेट अंतर:
CE ग्रिड, जो उच्च जड़त्व (inertia) और इंटरकनेक्टिविटी द्वारा विशेषता रखता है, ने SK ग्रिड की तुलना में सामान्यतः कम RMSE और उच्च स्थिरता अंश प्रदर्शित किया, जिसमें कम जड़त्व और अधिक कॉम्पैक्ट टोपोलॉजी है। यह सुझाव देता है कि एल्गोरिथम अस्थिरता की तुलना में अंतर्निहित डेटा विशेषताएँ मॉडल रिकवरेबिलिटी को अधिक प्रभावित करती हैं।

महत्व और दावे
पेपर का दावा है कि PowerSINDy जटिल, वास्तविक दुनिया के पावर ग्रिड फ्रीक्वेंसी डेटा के लिए शासन करने वाले समीकरणों की सफलतापूर्वक पहचान करता है, जो पारंपरिक रैखिक मॉडलों की सीमाओं को पार करता है। अध्ययन दर्शाता है कि:

डेटा-संचालित पहचान स्टोकेस्टिक इंटीग्रेशन बेसलाइन (Euler–Maruyama) से बेहतर प्रदर्शन कर सकती है, जो कम RMSE मान (जैसे, CE बेसलाइन के लिए 0.0282 के मुकाबले 0.0101) प्राप्त करती है।
ऑप्टिमाइज़र का चुनाव महत्वपूर्ण है: सटीकता और स्पर्सिटी के लिए LASSO बेहतर है, जबकि जटिल कॉन्फ़िगरेशन में स्थिरता के लिए STLSQ को प्राथमिकता दी जाती है।
लाइब्रेरी डिज़ाइन मायने रखता है: फूरियर टर्म्स का समावेश उच्च-क्रम पॉलिनोमियल से जुड़े ओवरफिटिंग जोखिमों के बिना दोलनीय डायनेमिक्स के मजबूत प्रतिनिधित्व की अनुमति देता है।
भौतिक अंतर्दृष्टि: पहचाने गए मॉडल सिस्टम डायनेमिक्स को कैप्चर करने में विशिष्ट गैर-रैखिक इंटरैक्शन (जैसे, $\theta\omega$ और $\theta\omega^2$ ) के महत्व को उजागर करते हैं, जो ग्रिड फ्रीक्वेंसी व्यवहार को चलाने वाले तंत्रों में व्याख्या योग्य अंतर्दृष्टि प्रदान करते हैं।

लेखक निष्कर्ष निकालते हैं कि हालांकि यह फ्रेमवर्क आशाजनक है, लेकिन मॉडल अभिव्यक्ति (उच्च-क्रम टर्म्स) और स्थिरता के बीच का ट्रेड-ऑफ एक प्रमुख चुनौती बनी हुई है। भविष्य के कार्य के लिए समय-परिवर्तनीय मापदंडों, वास्तविक समय की निगरानी के लिए अनुकूली (adaptive) फॉर्मुलेशन और हाइब्रिड मॉडल बनाने के लिए भौतिक पूर्वग्रहों (physical priors) के एकीकरण की खोज करने का सुझाव दिया गया है।