Virtual Temperature Sensors in Power Transformers Using Neural Ordinary Differential Equations

कल्पना कीजिए कि आप एक विशाल, चमकते हुए धातु के बक्से के अंदर के मौसम की भविष्यवाणी करने की कोशिश कर रहे हैं जो कभी सोता नहीं है। यह बक्सा एक पावर ट्रांसफार्मर है, बिजली ग्रिड का वह भारी-भरकम हृदय जो वोल्टेज को ऊपर या नीचे करता है ताकि आपकी लाइटें जलती रहें। लेकिन किसी भी मेहनती मशीन की तरह, यह भी गर्म होता है। यदि यह बहुत अधिक गर्म हो जाता है, तो इसके अंदर का इंसुलेशन तेजी से पुराना होने लगता है, और पूरी मशीन खराब हो सकती है, जिससे ब्लैकआउट हो सकते हैं। इसे सुरक्षित रखने के लिए, इंजीनियरों को इसके सबसे गर्म हिस्सों के तापमान को जानने की आवश्यकता होती है, लेकिन वे स्थान तेल और तांबे की परतों में बहुत गहराई में दबे होते हैं, जिससे वहां थर्मामीटर लगाना असंभव हो जाता है। इसलिए, उन्हें बाहर क्या हो रहा है, जैसे कि कितनी बिजली बह रही है और हवा कितनी गर्म है, इसके आधार पर तापमान का अनुमान लगाना पड़ता है।

लंबे समय तक, वैज्ञानिकों ने इस पहेली को हल करने के लिए दो मुख्य तरीकों का उपयोग किया। पहला तरीका ट्रांसफार्मर का कंप्यूटर में एक सटीक, लघु 3D मॉडल बनाने जैसा था और तेल की हर बूंद और हर तार का अनुकरण (सिमुलेशन) करना था। यह अविश्वसनीय रूप से सटीक था लेकिन इसमें इतनी अधिक कंप्यूटिंग शक्ति लगती थी कि यह वास्तविक समय के निर्णयों के लिए बेकार था। दूसरा तरीका औसत नियमों पर आधारित सरल गणितीय सूत्रों का उपयोग करना था, लेकिन वे अक्सर तब विफल हो जाते थे जब मौसम अचानक बदल जाता था या लोड अजीब हो जाता था। हाल ही में, लोगों ने "आर्टिफिशियल इंटेलिजेंस" (AI) का उपयोग करना शुरू किया ताकि पिछले डेटा से पैटर्न सीखे जा सकें। इसे हजारों उदाहरणों को सुनने के बाद सही उत्तर बोलने वाले एक तोते को सिखाने जैसा समझें। लेकिन ये AI तोते थोड़े चंचल हो सकते हैं; यदि आप उनसे ऐसी स्थिति के बारे में पूछते हैं जो उन्होंने पहले कभी नहीं देखी है, तो वे एक ऐसा जंगली अनुमान लगा सकते हैं जो सुनने में तो तर्कसंगत लगता है लेकिन भौतिक रूप से असंभव होता है।

यह शोध पत्र एक नए प्रकार के "स्मार्ट गेसर" (स्मार्ट अनुमान लगाने वाले) को पेश करता है जिसे "न्यूरल ऑर्डिनरी डिफरेंशियल इक्वेशन" (Neural ODE) कहा जाता है, जो एक वर्चुअल टेम्परेचर सेंसर के रूप में कार्य करता है। केवल पिछले डेटा को एक तोते की तरह रटने के बजाय, यह नया तरीका डेटा से सीखते समय भौतिकी के नियमों को भी सीखता है। इसे केवल गणित के टेस्ट के उत्तर याद करने के बजाय, छात्र को उन उत्तरों के पीछे के सूत्रों और तर्क को सिखाने जैसा समझें। यहाँ, शोधकर्ताओं ने केवल AI को अगला तापमान अनुमान लगाने के लिए नहीं छोड़ा, बल्कि उन्होंने AI को मजबूर किया कि वह वर्तमान स्थिति और ऊष्मा हस्तांतरण (हीट ट्रांसफर) की भौतिकी के आधार पर परिवर्तन की दर (तापमान कितनी तेजी से बढ़ या घट रहा है) का अनुमान लगाए।

• उपमा: कल्पना कीजिए कि आप कार चला रहे हैं। एक मानक AI आपकी पिछली गति को देखकर यह अनुमान लगाने की कोशिश करता है कि आप 10 मिनट में कहाँ होंगे। एक Neural ODE समझता है कि आप वर्तमान में एक्सीलेटर (लोड) दबा रहे हैं और कार का एक वजन (थर्मल मास) है। यह आपके त्वरण (एक्सेलरेशन) की गणना करता है और फिर अपने भविष्य के स्थान को खोजने के लिए उसे एकीकृत (इंटीग्रेट) करता है। यह सुनिश्चित करता है कि भविष्यवाणी भौतिकी के नियमों का पालन करे, भले ही डेटा अव्यवद्य हो।

उन्होंने इस मॉडल को वास्तविक दुनिया के डेटा को संभालने के लिए बनाया, जो अक्सर अस्त-व्यस्त होता है। सेंसर यहाँ-वहाँ से रीडिंग मिस कर सकते हैं, या डेटा अनियमित अंतराल पर आ सकता है। क्योंकि Neural ODEs "निरंतर समय" (एक स्मूथ मूवी की तरह) में काम करते हैं न कि "विभक्त समय" (एक फ्लिपबुक की तरह), वे इन अंतरालों को पुराने AI मॉडलों की तुलना में बहुत बेहतर तरीके से संभालते हैं।

समस्या: अदृश्य गर्मी

पावर ट्रांसफार्मर हमारे विद्युत ग्रिड के अनसुने नायक हैं। वे उच्च-वोल्टेज बिजली लेते हैं और उसे हमारे घरों और व्यवसायों के लिए सुरक्षित स्तर में बदलते हैं। लेकिन इस प्रक्रिया से बहुत अधिक गर्मी पैदा होती है। सबसे गर्म हिस्सा, जिसे "हॉटस्पॉट" कहा जाता है, आमतौर पर वाइंडिंग कॉइल्स के भीतर गहराई में होता है, जो तेल की परतों के नीचे छिपा होता है। यदि यह हॉटस्पॉट बहुत अधिक गर्म हो जाता है, तो इसके अंदर का पेपर इंसुलेशन तेजी से पुराना होने लगता है, जिससे ट्रांसफार्मर का जीवनकाल कम हो जाता है और विनाशकारी विफलता का खतरा बढ़ जाता है।

आदर्श रूप से, हम हॉटस्पॉट पर सीधे एक सेंसर लगा देंगे। लेकिन कई ट्रांसफार्मरों में, यह असंभव है। इसलिए, इंजीनियर "वर्चुअल सेंसर" का उपयोग करते हैं—एक ऐसा सॉफ्टवेयर जो उन चीजों के आधार पर छिपे हुए तापमान का अनुमान लगाता है जिन्हें हम माप सकते हैं, जैसे बाहरी हवा का तापमान और तारों के माध्यम से बहने वाली बिजली।

पुराने तरीके: बहुत भारी, बहुत सरल, या बहुत अनुमानित

इस नए दृष्टिकोण से पहले, इन वर्चुअल सेंसरों को बनाने के तीन मुख्य तरीके थे, और प्रत्येक में एक बड़ी खामी थी:

1. सुपर-कंप्यूटर सिमुलेशन: वैज्ञानिकों ने जटिल भौतिकी मॉडल (जैसे फाइनाइट एलीमेंट मेथड्स) का उपयोग किया जो तेल की हर बूंद और तार का अनुकरण करते थे। ये बहुत सटीक थे लेकिन इनके लिए इतनी अधिक कंप्यूटिंग शक्ति की आवश्यकता थी कि वे वास्तविक समय में नहीं चल सकते थे। यह वायुमंडल में हवा के हर अणु का अनुकरण करके मौसम की भविष्यवाणी करने जैसा था—तेजी से पूर्वानुमान लगाने के लिए बहुत धीमा।
2. सरल गणितीय मॉडल: ये प्रत्येक ट्रांसफार्मर के लिए निश्चित संख्याओं (स्थिरांकों) के साथ सरल समीकरणों का उपयोग करते थे। ये तेज़ थे लेकिन कठोर थे। यदि ट्रांसफार्मर पुराना था, या मौसम अजीब था, या कूलिंग सिस्टम अलग तरह से काम कर रहा था, तो ये मॉडल अक्सर गलत हो जाते थे क्योंकि वे अनुकूलित नहीं हो सकते थे।
3. शुद्ध AI मॉडल: हाल ही में, लोगों ने मानक AI (जैसे LSTM नेटवर्क) का उपयोग करने की कोशिश की जो डेटा से सीखता है। ये पैटर्न पहचानने में माहिर हैं लेकिन एक "ब्लैक बॉक्स" की तरह काम करते हैं। वे भौतिकी के नियमों को नहीं जानते। यदि आप उनसे उस दिन के तापमान की भविष्यवाणी करने के लिए पूछते हैं जो उन्होंने कभी नहीं देखा, तो वे असंभव क्षेत्र में जा सकते हैं, जैसे यह भविष्यवाणी करना कि लोड बढ़ने के साथ तेल ठंडा हो रहा है। उन्हें अच्छी तरह से काम करने के लिए भारी मात्रा में डेटा की आवश्यकता होती है और वे लंबे समय तक अस्थिर हो सकते हैं।

नया समाधान: भौतिकी-जागरूक AI

लेखकों ने एक हाइब्रिड दृष्टिकोण प्रस्तावित किया: न्यूरल ऑर्डिनेरी डिफरेंशियल इक्वेशंस (Neural ODEs)।

एक मानक AI को एक ऐसे छात्र के रूप में सोचें जो अभ्यास टेस्ट के उत्तर रट लेता है। यदि टेस्ट थोड़ा सा बदल जाता है, तो छात्र घबरा जाता है। एक Neural ODE उस छात्र की तरह है जो उत्तरों के पीछे के सूत्रों और तर्क को याद करता है।

इस विशिष्ट ढांचे में, शोधकर्ताओं ने केवल AI को अगला तापमान अनुमान लगाने के लिए नहीं छोड़ा। इसके बजाय, उन्होंने AI को वर्तमान स्थिति और ऊष्मा हस्तांतरण की भौतिकी के आधार पर परिवर्तन की दर (तापमान कितनी तेजी से बढ़ या घट रहा है) का अनुमान लगाने के लिए मजबूर किया।

• उपमा: कल्पना कीजिए कि आप कार चला रहे हैं। एक मानक AI आपकी पिछली गति को देखकर यह अनुमान लगाने की कोशिश करता है कि आप 10 मिनट में कहाँ होंगे। एक Neural ODE समझता है कि आप वर्तमान में एक्सीलेटर (लोड) दबा रहे हैं और कार का एक वजन (थर्मल मास) है। यह आपके त्वरण की गणना करता है और फिर अपने भविष्य के स्थान को खोजने के लिए उसे एकीकृत करता है। यह सुनिश्चित करता है कि भविष्यवाणी भौतिकी के नियमों का पालन करे, भले ही डेटा अव्यवद्य हो।

उन्होंने इस मॉडल को वास्तविक दुनिया के डेटा को संभालने के लिए बनाया, जो अक्सर अव्यवस्थित होता है। सेंसर यहाँ-वहाँ से रीडिंग मिस कर सकते हैं, या डेटा अनियमित अंतराल पर आ सकता है। क्योंकि Neural ODEs "निरंतर समय" (एक स्मूथ मूवी की तरह) में काम करते हैं न कि "विभक्त समय" (एक फ्लिपबुक की तरह), वे इन अंतरालों को पुराने AI मॉडलों की तुलना में बहुत बेहतर तरीके से संभालते हैं।

प्रयोग: वास्तविक ट्रांसफार्मरों पर परीक्षण

टीम ने केवल कंप्यूटर सिमुलेशन पर इसे नहीं चलाया; उन्होंने नॉर्वे के विभिन्न हिस्सों में स्थित 15 वास्तविक पावर ट्रांसफार्मरों पर इसका परीक्षण किया। इन ट्रांसफार्मरों के डिजाइन, कूलिंग सिस्टम और ऑपरेटिंग इतिहास अलग-अलग थे।

उन्होंने मॉडल को हर 900 सेकंड (15 मिनट) में रिकॉर्ड किया गया डेटा दिया। डेटा में शामिल थे:

• सक्रिय पावर लोड (कितनी बिजली बह रही थी)।
• परिवेश का तापमान (बाहर की हवा कितनी गर्म थी)।
• वास्तविक तेल और वाइंडिंग तापमान (मॉडल को प्रशिक्षित करने के लिए)।

उन्होंने यह देखने के लिए कि कौन भविष्य के तापमान की बेहतर भविष्यवाणी करता है, अपने नए Neural ODE मॉडल की तुलना एक मानक AI मॉडल (LSTM) से की। उन्होंने एक सप्ताह से लेकर दो साल तक के विभिन्न प्रशिक्षण डेटा और एक दिन से लेकर एक साल तक के विभिन्न पूर्वानुमान अवधियों का परीक्षण किया।

निष्कर्ष: धैर्य का फल मिलता है

परिणाम स्पष्ट थे, लेकिन एक शर्त के साथ।

1. "तीन महीने" का नियम:
इस मॉडल को सीखने के लिए समय चाहिए। यदि आप इसे केवल एक सप्ताह का डेटा देते हैं, तो यह बुरी तरह विफल हो जाता है। भविष्यवाणियां अराजक और भौतिक रूप से असंभव हो जाती हैं। लेखकों ने पाया कि मॉडल को स्थिर होने के लिए कम से कम तीन महीने के डेटा की आवश्यकता होती है। यह समझ में आता है क्योंकि तीन महीने नॉर्वे में एक पूर्ण मौसमी तिमाही को कवर करते हैं, जिससे मॉडल को सर्दियों से गर्मियों तक तापमान परिवर्तन की पूरी श्रृंखला को समझने का मौका मिलता है।

2. प्रतिस्पर्धा से बेहतर:
एक बार जब मॉडल के पास कम से कम तीन महीने का डेटा हो गया, तो इसने मानक AI (LSTM) को काफी बेहतर प्रदर्शन किया।

• सटीकता: "स्थिर" शासन (3 महीने के प्रशिक्षण) में, Neural ODE का माध्य त्रुटि (MAE) 2.04 °C था, जबकि LSTM का 2.45 °C था।
• विश्वसनीयता: लंबे पूर्वानुमान अवधियों (जैसे 30 से 365 दिन) पर, Neural ODE वास्तविक तापमान के बहुत करीब रहता है। मानक AI दूर जाने लगता है, जिससे "भौतिक रूप से असंगत" परिणाम मिलते हैं, जबकि Neural ODE की भविष्यवाणियां स्मूथ और वास्तविकता पर आधारित रहती हैं।
• निरंतरता: सभी 15 ट्रांसफार्मरों में, Neural ODE 64.8% मामलों में अधिक सटीक था और LSTM की तुलना में 64.8% मामलों में कम त्रुटि वाला था। इसने 15 में से 14 व्यक्तिगत ट्रांसफार्मरों पर बेहतर प्रदर्शन किया।

3. दीर्घकालिक दृष्टिकोण:
यह मॉडल "मध्यम-से-लंबे समय" के पूर्वानुमान (30 दिन से एक वर्ष) के लिए विशेष रूप से अच्छा है। जबकि मानक AI बिना भटके एक साल आगे की भविष्यवाणी करने में संघर्ष करता है, Neural ODE एक उचित सटीकता बनाए रखता है, यहाँ तक कि 365-दिवसीय पूर्वानुमान के लिए भी इसका माध्य त्रुटि लगभग 2 °C के आसपास रहता है। यह एसेट प्रबंधकों के लिए महत्वपूर्ण है जिन्हें रखरखाव कार्यक्रमों की योजना अग्रिम रूप से बनानी होती है।

यह क्यों मायने रखता है

यह केवल एक सैद्धांतिक जीत नहीं है; यह लाइट चालू रखने के लिए एक व्यावहारिक उपकरण है।

• वर्चुअल सेंसिंग: यह ग्रिड ऑपरेटरों को हर ट्रांसफार्मर के अंदर महंगे, नाजुक भौतिक सेंसर स्थापित किए बिना "हॉटस्पॉट्स" को "देखने" की अनुमति देता है।
• लागत बचत: यह सघन सेंसर नेटवर्क की आवश्यकता को कम करता है, जिससे रखरखाव लागत कम होती है।
• सुरक्षा: अधिक विश्वसनीय दीर्घकालिक पूर्वानुमान प्रदान करके, यह ट्रांसफार्मर के ओवरहीटिंग को रोकने में मदद करता है और उनके जीवन को बढ़ाता है।

लेखक सुझाव देते हैं कि हालांकि मॉडल को लगभग तीन महीने की "वार्म-अप" अवधि की आवश्यकता होती है, यह एक मजबूत, भौतिकी-जागरूक उपकरण है जो विभिन्न प्रकार के ट्रांसफार्मरों के लिए अच्छा काम करता है। यह धीमे, भारी भौतिकी सिमुलेशन और अविश्वसनीय, डेटा-भूखे शुद्ध AI के बीच एक "स्वीट स्पॉट" प्रदान करता है, जो स्मार्ट भी है और वैज्ञानिक रूप से भी आधारित है।

संक्षेप में, यह नया तरीका कंप्यूटर को केवल उत्तर नहीं, बल्कि ऊष्मा के नियम सिखाता है, जिससे यह हमारे पावर ग्रिड के अदृश्य ताप के लिए एक बहुत बेहतर मौसम भविष्यवक्ता बन जाता है।