Exact and Evolutionary Algorithms for Sequential Multi-Objective Transmission Topology Planning

तकनीकी सारांश: क्रमिक बहु-उद्देश्यीय ट्रांसमिशन टोपोलॉजी नियोजन के लिए सटीक और विकासवादी एल्गोरिदम

समस्या का निरूपण
यह शोध पत्र डे-अहेड (day-ahead) ट्रांसमिशन टोपोलॉजी नियोजन को एक क्रमिक, बहु-उद्देश्यीय अनुकूलन समस्या के रूप में संबोधित करता है। इसका लक्ष्य ग्रिड कंजेशन (भीड़) को प्रबंधित करने के लिए 24 घंटे के क्षितिज (24 समय अंतराल) में नेटवर्क टोपोलॉजी का एक क्रम निर्धारित करना है। यह समस्या चार परिचालन उद्देश्यों द्वारा परिभाषित है जो वास्तविक ट्रांसमिशन सिस्टम ऑपरेटर (TSO) के निर्णय मानदंडों को दर्शाते हैं, और इन सभी को न्यूनतम किया जाना है:

1. सबसे खराब स्थिति में लाइन लोडिंग ($LF_1$): पूरे क्षितिज में $N-1$ सुरक्षा आकस्मिकताओं (contingencies) के तहत किसी भी ट्रांसमिशन लाइन का अधिकतम क्षमता उपयोग।
2. टोपोलॉजिकल गहराई ($d$): संदर्भ टोपोलॉजी (सभी कपलर बंद होने पर) के सापेक्ष बसबार कपलर खोलने (नोड स्प्लिटिंग) से निर्मित अतिरिक्त बसबारों की अधिकतम संख्या।
3. स्विचिंग क्रियाओं की संख्या ($w$): 24 घंटे की अवधि में किए गए टोपोलॉजी परिवर्तनों (स्विच) की कुल संख्या।
4. गैर-संदर्भ टोपोलॉजी का उपयोग ($z$): उन समय अंतरालों की संख्या जहाँ नेटवर्क डिफ़ॉल्ट संदर्भ टोपोलॉजी से भिन्न विन्यास में संचालित होता है।
   यह अध्ययन डच हाई-वोल्टेज ग्रिड (जिसे TenneT TSO द्वारा प्रबंधित किया जाता है) के वास्तविक परिचालन डेटा का उपयोग करता है, जो एक अत्यधिक कंजेशन वाले दिन पर केंद्रित है जहाँ संदर्भ टोपोलॉजी $N-1$ स्थितियों में अक्सर 100% लोडिंग से अधिक हो जाती है।

कार्यप्रणाली
लेखक दो पूरक एल्गोरिदम का प्रस्ताव करते हैं और उनकी तुलना करते हैं: एक सटीक गणना विधि (exact enumeration method) और एक विशेष रूप से तैयार किया गया विकासवादी ह्यूरिस्टिक (evolutionary heuristic)।

1. ब्लॉक एल्गोरिदम (सटीक विधि):

   • मुख्य अवधारणा: यह एल्गोरिदम व्यवहार्य रणनीतियों की टेम्पोरल ब्लॉक संरचना का लाभ उठाता है। प्रत्येक समय अंतराल का स्वतंत्र रूप से मूल्यांकन करने के बजाय, यह 24-घंटे के क्षितिज को निरंतर, गैर-अतिव्यापी अंतरालों (ब्लॉक्स) में विभाजित करता है जहाँ टोपोलॉजी स्थिर रहती है।
   • तंत्र: यह सभी संभावित ब्लॉक विन्यासों, संदर्भ टोपोलॉजी असाइनमेंट और गहराई स्तरों को व्यवस्थित रूप से सूचीबद्ध करता है। प्रत्येक समय अंतराल के लिए उपलब्ध सभी टोपोलॉजी के लोड-फ्लो मानों को पूर्व-गणना (pre-computing) करके, एल्गोरिदम पूर्ण पारेटो फ्रंट (Pareto front) की पहचान करने के लिए ब्लॉक्स के संयोजनों का मूल्यांकन करता है।
   • जटिलता: अधिकतम गहराई ($d_{max}$) और अधिकतम स्विचिंग गणना ($s_{max}$) पर निश्चित परिचालन सीमाओं के लिए, मूल्यांकन की संख्या नियोजन क्षितिज के साथ बहुपद (polynomially) रूप से बढ़ती है। एल्गोरिदम गैर-प्रभावी सॉर्टिंग (non-dominated sorting) के आधार पर रणनीतियों को फ़िल्टर करता है, यह लाभ उठाते हुए कि चार में से तीन उद्देश्य पूर्णांक (integers) हैं, जिससे इष्टतम पारेटो समाधानों को कुशलतापूर्वक पहचानना संभव होता है।

2. बहु-उद्देश्यीय विकासवादी एल्गोरिदम (MOEA):

   • फ्रेमवर्क: NSGA-III पर आधारित, जिसे कई-उद्देश्यीय समस्याओं (चार उद्देश्यों) के लिए इसकी प्रभावशीलता के कारण चुना गया है।
   • प्रतिनिधित्व (Representation): यह प्रत्यक्ष वेरिएबल-लेंथ एनकोडिंग का उपयोग करता है जहाँ प्रत्येक जीन एक विशिष्ट समय अंतराल के लिए टोपोलॉजी का प्रतिनिधित्व करता है।
   • आरंभीकरण (Initialization): यूनिफॉर्म रैंडम इनिशियलाइजेशन के बजाय एक "स्ट्रक्चर-गाइडेड" सैंपलिंग रणनीति का उपयोग करता है। यह विशिष्ट स्विच काउंट और टोपोलॉजिकल गहराई को संतुलित करके प्रारंभिक आबादी उत्पन्न करता है ताकि प्रासंगिक उद्देश्य-स्थान आयामों में विविधता सुनिश्चित की जा सके।
   • वैरिएशन (Variation): टेम्पोरल कोहेरेंस (सामयिक सुसंगतता) को बनाए रखने के लिए $k$-पॉइंट क्रॉसओवर (जहाँ $k=2$) और उपलब्ध टोपोलॉजी के सेट के भीतर व्यवहार्यता सुनिश्चित करने के लिए रैंडम-रीसेट म्यूटेशन का उपयोग करता है।

प्रमुख योगदान

1. औपचारिकीकरण: इस समस्या को चार विशिष्ट TSO-प्रासंगिक उद्देश्यों के साथ एक क्रमिक बहु-उद्देश्यीय अनुकूलन के रूप में औपचारिक रूप से परिभाषित किया गया है, जो एकल-उद्देश्य या अलग-थलग समय-अंतराल वाले प्रारूपों से आगे बढ़ता है।
2. सटीक गणना (Exact Enumeration): "ब्लॉक एल्गोरिदम" का विकास, जो एक वास्तविक दुनिया के कंजेशन वाले दिन के लिए पूर्ण पारेटो फ्रंट को तीन मिनट से कम समय में गणना करता है। यह इस समस्या वर्ग के लिए एक 'ग्राउंड-ट्रुथ' बेंचमार्क प्रदान करता है।
3. अनुकूलित ह्यूरिस्टिक: एक विशेष MOEA का डिज़ाइन जिसमें स्ट्रक्चर-गाइडेड इनिशियलाइजेशन और समस्या-विशिष्ट वैरिएशन ऑपरेटर्स शामिल हैं, जिसका मूल्यांकन इनवर्टेड जेनरेशनल डिस्टेंस प्लस (IGD+) और एक नवीन मल्टी-फ्रंट कवरेज मेट्रिक का उपयोग करके सटीक फ्रंट के विरुद्ध किया गया है।
4. अनुभवजन्य सत्यापन: TenneT डेटा का उपयोग करके एक तुलनात्मक अध्ययन, जो दर्शाता है कि सटीक गणना (exact enumeration) विकासवादी खोज (evolutionary search) की तुलना में इष्टतम रणनीतियों को पुनः प्राप्त करने में बेहतर है।

परिणाम

• ब्लॉक एल्गोरिदम का प्रदर्शन: सटीक विधि ने पूर्ण पारेटो फ्रंट को सफलतापूर्वक सूचीबद्ध किया, जिससे ऑब्जेक्टिव स्पेस में 83 अद्वितीय बिंदु मिले (जो 163,807,652 विशिष्ट रणनीतियों का प्रतिनिधित्व करते हैं)। इसने पाया कि $LF_1 < 100\%$ (पूर्ण $N-1$ सुरक्षा) प्राप्त करने के लिए कंजेशन वाले घंटों के दौरान संदर्भ टोपोलॉजी को पूरी तरह से छोड़ना और उच्च टोपोलॉजिकल गहराई पर संचालित होना आवश्यक है।
• MOEA का प्रदर्शन: विकासवादी एल्गोरिदम पारेटो फ्रंट की ओर तो बढ़ा लेकिन पूर्ण सेट को पुनः प्राप्त करने में विफल रहा।
  • सबसे अच्छा प्रदर्शन करने वाला विन्यास (जनसंख्या आकार 1,621, म्यूटेशन दर 0.10) ब्लॉक एल्गोरिदम द्वारा खोजे गए अद्वितीय पारेटो-इष्टतम बिंदुओं में से केवल लगभग 6% को ही पुनः प्राप्त कर सका।
  • MOEA उन समाधानों को खोजने में संघर्ष करता रहा जहाँ $LF_1 < 100\%$ था, जिन्हें सटीक विधि द्वारा पहचाना गया था।
  • कवरेज विशेष रूप से उन रणनीतियों के लिए कम था जिनमें कई गैर-संदर्भ टोपोलॉजी शामिल थे (सर्च स्पेस के चरम क्षेत्र)।
• तुलना: जबकि MOEA ने तीव्र प्रारंभिक अभिसरण (5 मिनट के भीतर) दिखाया, यह एक पठार (plateau) पर पहुँच गया और पूर्णता के मामले में ब्लॉक एल्गोरिदम की बराबरी नहीं कर सका। ब्लॉक एल्गोरिदम की सभी व्यवहार्य रणनीतियों को सूचीबद्ध करने की क्षमता ने उन ट्रेड-ऑफ्स को पहचानने में मदद की जिन्हें ह्यूरिस्टिक चूक गया था।

महत्व और दावे
यह शोध पत्र दावा करता है कि 24-घंटे के क्षितिज पर टोपोलॉजिकल रणनीतियों को अनुकूलित करने की कॉम्बिनेटरियल जटिलता, जिसे अक्सर अव्यवहार्य (intractable) माना जाता है, समस्या की टेम्पोरल ब्लॉक संरचना का लाभ उठाकर सटीक रूप से और कुशलता से हल की जा सकती है।

• निर्णय समर्थन: ब्लॉक एल्गोरिदम TSOs को पूर्ण पारेटो-इष्टतम रणनीतियों का एक मेनू प्रदान करता है, जिससे ऑपरेटरों को विशिष्ट दैनिक प्राथमिकताओं (जैसे स्विचिंग को न्यूनतम करना बनाम सुरक्षा को अधिकतम करना) के आधार पर कार्रवाई चुनने की अनुमति मिलती है।
• बेंचमार्किंग: सटीक फ्रंट भविष्य के ह्यूरिस्टिक और लर्निंग-आधारित तरीकों का मूल्यांकन करने के लिए एक कठोर ग्राउंड-ट्रुथ बेंचमार्क के रूप में कार्य करता है।
• व्यवहार्यता: यह अध्ययन प्रदर्शित करता है कि सटीक गणना न केवल सैद्धांतिक रूप से संभव है बल्कि वास्तविक दुनिया के अत्यधिक कंजेशन वाले ग्रिड परिदृश्यों के लिए व्यावहारिक रूप से भी व्यवहार्य है, जो इस धारणा को चुनौती देता है कि ऐसे समस्याओं के लिए ह्यूरिस्टिक्स अनिवार्य हैं।

लेखक सीमाओं को स्वीकार करते हैं, जिसमें DC पावर फ्लो अनुमानों, नियत (deterministic) पूर्वानुमानों और पूर्व-गणना किए गए डेटासेट पर निर्भरता शामिल है। वे सुझाव देते हैं कि भविष्य के कार्य में स्टोकेस्टिक फॉर्मुलेशन, रोबस्ट ऑप्टिमाइज़ेशन और प्रीकंप्यूटेशन बाधा को दूर करने के लिए इमिटेशन लर्निंग का अनुप्रयोग शामिल हो सकता है। हालाँकि, इस अध्ययन के दायरे के भीतर, ब्लॉक एल्गोरिदम को इसकी सटीकता, गति और पूर्णता के कारण पसंदीदा विधि के रूप में प्रस्तुत किया गया है।