Data Scarcity in Gas Load Profiling: Generalized Proxy-Guided Load and Temporal Disaggregation

तकनीकी सारांश: सामान्यीकृत प्रॉक्सी-निर्देशित भार और कालिक विघटन (Generalized Proxy-Guided Load and Temporal Disaggregation)

समस्या विवरण
इमारतों के क्षेत्र का डीकार्बोनाइजेशन (वि-कार्बनिकरण), विशेष रूप से हीटिंग प्रणालियों के विद्युतीकरण के माध्यम से, सूक्ष्म तापीय भार प्रोफाइल (thermal load profiles) की गंभीर कमी के कारण बाधित है। जबकि उन्नत पूर्वानुमान मॉडल (डीप न्यूरल नेटवर्क से लेकर एनर्जीप्लस जैसे भौतिकी-आधारित उपकरणों तक) के लिए उच्च-रिज़ॉल्यूशन डेटा की आवश्यकता होती है, मौजूदा इमारतों के स्टॉक के लिए ऐसा डेटा शायद ही कभी उपलब्ध होता है। उच्च-रिज़ॉल्यूशन गैस मीटरिंग मानक उपयोगिता व्यावसायिक आवश्यकताओं के दायरे से बाहर है, जिससे शोधकर्ताओं के पास केवल निम्न-आवृत्ति, अनियमित और विरल मासिक बिलिंग डेटा ही बचता है। इस संदर्भ में पारंपरिक मशीन लर्निंग दृष्टिकोण अव्यवहारिक हैं क्योंकि डेटा की कमी है, जबकि पारंपरिक इनवर्स मॉडलिंग विधियाँ (जैसे डिग्री-डे विधियाँ) सटीक उपकरण आकार निर्धारण और स्टोकेस्टिक अधिभोगी व्यवहार मॉडलिंग के लिए आवश्यक इंट्रा-डे रिज़ॉल्यूशन की कमी रखती हैं।

कार्यप्रणाली
यह शोध पत्र सामान्यीकृत प्रॉक्सी-निर्देशित भार और कालिक विघटन (Generalized Proxy-Guided Load and Temporal Disaggregation) ढांचे का प्रस्ताव करता है, जो एक चार-चरणीय प्रक्रिया है जिसे निम्न-आवृत्ति वाले मासिक गैस बिलों और प्रति घंटा बिजली डेटा से उच्च-रिज़ॉल्यूशन (प्रति घंटा) गैस खपत प्रोफाइल को पुनर्गठित करने के लिए डिज़ाइन किया गया है। यह कार्यप्रणाली कुल प्राकृतिक गैस खपत ($G_{total}$) को दो विशिष्ट भौतिक व्यवस्थाओं में विभाजित करने पर आधारित है: स्पेस हीटिंग ($G_{heat}$) और डोमेस्टिक हॉट वॉटर ($G_{dhw}$), जहाँ बाद वाला स्टोकेस्टिक अधिभोगी व्यवहार द्वारा संचालित सिस्टम का बेसलोड (baseload) के रूप में कार्य करता है।

यह ढांचा निम्नलिखित क्रमिक चरणों के माध्यम से संचालित होता है:

1. मौसम सामान्यीकरण के माध्यम से सामान्यीकृत अधिभोगी प्रॉक्सी निष्कर्षण:
   बिजली डेटा ($E$) से व्यवहार संबंधी संकेतों को अलग करने के लिए, लेखक एक मल्टीपल लीनियर रिग्रेशन (MLR) ढांचे का उपयोग करके मल्टीवेरिएट वेदर नॉर्मलाइजेशन लागू करते हैं। यह चरण मौसम संबंधी चरों (हवा की गति, आर्द्रता, कूलिंग डिग्री ऑवर्स) और टेम्पोरल प्रायर्स (temporal priors) के विरुद्ध बिजली का रिग्रेशन करके मौसमी कूलिंग लोड (जो एयर कंडीशनिंग के कारण भ्रमित हो सकता है) को हटा देता है। परिणामी अधिभोगी प्रॉक्सी ($E_N$) एक स्वच्छ व्यवहार संबंधी संकेत है जो लाइटिंग और अप्लायंस उपयोग को दर्शाता है, जिसे रिग्रेशन मॉडल में थर्मल घटकों को शून्य करके प्राप्त किया जाता है।

2. एकीकृत विभाजन और सामान्यीकृत पूलिंग:
   विरल व्यक्तिगत रिकॉर्ड की सांख्यिकीय महत्वहीनता को संबोधित करने के लिए, ढांचा "गैर-हीटिंग" अवधियों (उन महीनों के रूप में परिभाषित जहाँ औसत हीटिंग डिग्री ऑवर्स < 5 है) की पहचान करता है। इन अवधियों से डेटा को 11 मल्टी-यूनिट आवासीय भवनों से एकत्रित (pool) किया जाता है। तुलनात्मकता सुनिश्चित करने के लिए, बिजली को फ्लोर एरिया के आधार पर सामान्यीकृत किया जाता है, और गैस खपत को भवन के विशिष्ट वॉल्यूम-टू-एरिया अनुपात ($\phi$) द्वारा सामान्यीकृत किया जाता है। यह एक एकीकृत डेटासेट ($D_{pool}$) बनाता है जो उन रुझानों को प्रकट करता है जो व्यक्तिगत भवन स्तर पर अदृश्य होते हैं।

3. एकीकृत बेसलोड पैरामीटर अनुमान और स्थानीय अंशांकन (Local Calibration):
   एक सामान्यीकृत ऑर्डिनरी लीस्ट स्क्वायर्स (OLS) मॉडल को पूल्ड डेटासेट पर प्रशिक्षित किया जाता है ताकि अधिभोगी प्रॉक्सी और डोमेस्टिक हॉट वॉटर खपत ($G_{dhw}$) के बीच एक वैश्विक संबंध स्थापित किया जा सके। उपकरण दक्षता में भवन-विशिष्ट विविधताओं को ध्यान में रखने के लिए, प्रत्येक भवन के लिए एक स्थानीय अंशांकन (Local Calibration) चरण लागू किया जाता है। एक स्केलर कैलिब्रेशन फैक्टर ($\kappa_i$) प्रत्येक भवन के लिए उस भवन के सबसे प्रतिनिधि गैर-हीटिंग महीने के दौरान देखे गए गैस खपत और सार्वभौमिक भविष्यवाणी के बीच अवशेष (residual) को न्यूनतम करके निकाला जाता है।

4. घटक-वार कालिक विघटन (Component-Wise Temporal Disaggregation):
   अंतिम चरण दोहरी स्ट्रीम अनुकूलन पद्धति का उपयोग करके दोनों घटकों के लिए प्रति घंटा प्रोफाइल को पुनर्गठित करता है।

• बेसलोड पुनर्निर्माण: अधिभोगी व्यवहार को मॉडल करने के लिए इलेक्ट्रिकल प्रॉक्सी फीचर्स ($X_{dhw}$) द्वारा संचालित।
• हीटिंग पुनर्निर्माण: थर्मोडायनामिक मांग को मॉडल करने के लिए मौसम संबंधी फीचर्स ($X_{heat}$) द्वारा संचालित।
  एक अनुकूलन एल्गोरिदम ज्ञात मासिक लक्ष्यों के साथ एकत्रित प्रति घंटा भविष्यवाणियों के बीच त्रुटि को कम करता है, यह सुनिश्चित करता है कि संश्लेषित प्रोफाइल मूल मासिक बिलों के ऊर्जा द्रव्यमान का सख्ती से संरक्षण करते हैं और विशिष्ट कालिक गतिशीलता का पालन करते हैं।

प्रमुख परिणाम
इस ढांचे को दो डेटासेट्स पर मान्य किया गया: 11 मल्टी-यूनिट आवासीय भवनों से 18 महीने का परिचालन डेटासेट और उच्च-रिज़ॉल्यूशन अलमानक ऑफ मिनटली पावर (AMPds) डेटासेट।

• प्रॉक्सी प्रभावशीलता: मौसम-सामान्यीकृत अधिभोगी प्रॉक्सी ($E_N$) ने गैर-हीटिंग गैस खपत के साथ 0.74 का माध्य पियर्सन सहसंबंध प्रदर्शित किया, जो कच्चे बिजली डेटा (औसत $r = 0.28$) की तुलना में एक महत्वपूर्ण सुधार है, जो व्यवहार संबंधी संकेतों के सफल अलगाव की पुष्टि करता है।
• बेसलोड सटीकता: एकीकृत पूलिंग और अंशांकन रणनीति ने पोर्टफोलियो में बेसलोड अवधि के लिए 8.58% का मीन स्क्वेर्ड परसेंटेज एरर (MSPE) प्राप्त किया।
• कुल भार पुनर्निर्माण: पुनर्गठित कुल गैस खपत ($\hat{G}_{total}$) ने औसत पोर्टफोलियो-व्यापी MSPE के 6.37% और नॉर्मलाइज्ड रूट मीन स्क्वायर एरर (NRMSE) के 0.20 को प्राप्त किया। मॉडल ने बिना किसी महत्वपूर्ण कालिक अंतराल के उच्च-आवृत्ति बेसलोड विविधताओं और हीटिंग पीक्स दोनों को सफलतापूर्वक ट्रैक किया।
• उच्च-रिज़ॉल्यूशन सत्यापन: जब AMPds डेटासेट (मिनट-स्तरीय डेटा) पर परीक्षण किया गया, तो ढांचे ने हीटिंग और बेसलोड घटकों को प्रभावी ढंग से अलग किया, जिससे घटक-वार MSPE लगभग 10–11% प्राप्त हुआ, जो मिनट-स्तरीय अंतराल पर भी मजबूती प्रदर्शित करता है।

महत्व और दावे
यह शोध पत्र दावा करता है कि यह ढांचा रिज़ॉल्यूशन गैप (resolution gap) को प्रभावी ढंग से पाटता है, जो निम्न-आवृत्ति उपयोगिता डेटा और डेटा-संचालित डीकार्बोनाइजेशन मॉडलिंग के लिए आवश्यक उच्च-निष्ठा (high-fidelity) प्रशिक्षण सेटों के बीच का अंतर है। अधिभोगी व्यवहार के लिए एक गतिशील, गैर-आक्रामक प्रॉक्सी के रूप में प्रति घंटा बिजली का उपयोग करके, यह विधि डेटा की कमी को दूर करती है जो आमतौर पर बिल्डिंग रेट्रोफिट्स में उन्नत AI एनालिटिक्स के अनुप्रयोग को रोकती है।

लेखक इस ढांचे को बिना किसी सब-मीटरिंग इंफ्रास्ट्रक्चर की आवश्यकता के सूक्ष्म डेटा उत्पन्न करने के लिए एक स्केलेबल समाधान के रूप में प्रस्तुत करते हैं। इसका महत्व विरल, मासिक बिलिंग रिकॉर्ड को विश्वसनीय, उच्च-रिज़ॉल्यूशन थर्मल प्रोफाइल में बदलने की इसकी क्षमता में निहित है, जिससे सटीक उपकरण आकार निर्धारण और मौजूदा भवन स्टॉक के लिए टिकाऊ विद्युतीकरण रणनीतियों का विकास संभव होता है। शोध पत्र निष्कर्ष निकालता है कि यह दृष्टिकोण भौतिक स्थिरता (physical consistency) के साथ ऊर्जा द्रव्यमान संतुलन बनाए रखते हुए बिल्डिंग विद्युतीकरण रेट्रोफिट्स को तेज करने के लिए एक व्यावहारिक उपकरण प्रदान करता है।