Predictive Modeling of Urban Residential Power Consumption: An Explainable AI Approach to the Kenyan Prepaid Grid

तकनीकी सारांश: केन्याई प्रीपेड ग्रिड में शहरी आवासीय बिजली खपत का भविष्यवाणात्मक मॉडलिंग

समस्या विवरण
ग्रिड स्थिरता, राजस्व नियोजन और ऊर्जा प्रबंधन के लिए सटीक बिजली भार पूर्वानुमान (load forecasting) अत्यंत महत्वपूर्ण है, विशेष रूप से उन तेजी से शहरीकृत होते क्षेत्रों में जहाँ प्रीपेड मीटरिंग प्रमुख बिलिंग प्रणाली बन गई है। हालाँकि, मौजूदा पूर्वानुमान मॉडल अक्सर पश्चिमी बाजारों से प्राप्त धारणाओं पर निर्भर करते हैं—विशेष रूप से, मौसम के उतार-चढ़ाव (HVAC उपयोग के कारण) के प्रति उच्च संवेदनशीलता और महत्वपूर्ण अल्पकालिक मूल्य प्रतिक्रियाशीलता। ये धारणाएं उप-सहारा अफ्रीकी संदर्भों में लागू नहीं हो सकती हैं, जहाँ आवासीय खपत जलवायु नियंत्रण के बजाय आवश्यक आधारभूत (baseload) गतिविधियों और प्रीपेड क्रेडिट शेष द्वारा संचालित होती है। इसके अतिरिक्त, उन्नत मशीन लर्निंग (ML) मॉडल की "ब्लैक-बॉक्स" प्रकृति उन नीति निर्माताओं के लिए इसकी उपयोगिता को सीमित करती है जिन्हें मांग के चालकों के बारे में पारदर्शी अंतर्दृष्टि की आवश्यकता होती है। यह अध्ययन केन्याई प्रीपेड क्षेत्र के भीतर आवासीय मांग के वास्तविक चालकों को समझने के अंतर को संबोधित करता है और यह मूल्यांकन करता है कि क्या जटिल ML आर्किटेक्चर इस विशिष्ट वातावरण में सरल सांख्यिकीय दृष्टिकोणों की तुलना में सार्थक लाभ प्रदान करते हैं।

कार्यप्रणाली
यह अध्ययन जनवरी 2017 से अप्रैल 2026 तक के दीर्घकालिक डेटासेट का उपयोग करता है, जिसमें ऐतिहासिक खपत रिकॉर्ड, मौसम संबंधी चर (meteorological variables), और ऊर्जा एवं पेट्रोलियम नियामक प्राधिकरण (EPRA) से प्राप्त टैरिफ जानकारी को एकीकृत किया गया है।

• फीचर इंजीनियरिंग (Feature Engineering): यह ढांचा अल्पकालिक निरंतरता और वार्षिक मौसमी बदलाव को पकड़ने के लिए ऑटोरिग्रेसिव फीचर्स (Lag 1, Lag 2, और Lag 12 kWh) का उपयोग करता है। बहिर्जात चरों (Exogenous variables) में मासिक औसत तापमान, कूलिंग डिग्री डेज़ (CDD), और टैरिफ पैरामीटर (लाइफलाइन रेट और लिमिट) शामिल हैं।
• मॉडलिंग ढांचा: एक तुलनात्मक दृष्टिकोण एक्सट्रीम ग्रेडिएंट बूस्टिंग (XGBoost) मॉडल की तुलना पारंपरिक ऑर्डिनरी लीस्ट स्क्वायर्स (OLS) रिग्रेशन मॉडल से करता है।
• सत्यापन रणनीति: सूचना रिसाव (information leakage) को रोकने के लिए, एक सख्त कालानुक्रमिक सत्यापन रणनीति का उपयोग किया गया था। 2017-2024 के डेटा का उपयोग प्रशिक्षण और हाइपरपैरामीटर अनुकूलन के लिए किया गया, जबकि 2025-2026 के डेटा को विशेष रूप से आउट-ऑफ-सैंपल परीक्षण के लिए सुरक्षित रखा गया।
• व्याख्यात्मकता (XAI): अध्ययन फीचर योगदान को मापने और XGBoost मॉडल की व्याख्या करने के लिए SHapley Additive exPlanations (SHAP) को एकीकृत करता है।
• डायग्नोस्टिक्स: विश्लेषण में मल्टीकोलिनैरिटी के लिए वेरिएंस इन्फ्लेशन फैक्टर (VIF) जांच, ऑटोकोरिलेशन/पार्शियल ऑटोकोरिलेशन विश्लेषण (ACF/PACF), मौसमी अपघटन (seasonal decomposition), और विभिन्न प्रेडिक्टर समूहों के योगदान को अलग करने के लिए एब्लेशन अध्ययन शामिल हैं।

मुख्य परिणाम

1. ऐतिहासिक व्यवहार का प्रभुत्व: सहसंबंध विश्लेषण और SHAP मान प्रकट करते हैं कि भविष्य की मांग का प्राथमिक निर्धारक ऐतिहासिक खपत व्यवहार है। लैग-आधारित ऑटोरिग्रेसिव चर (विशेष रूप से Lag 1 और Lag 2) मौसम या टैरिफ चरों के प्रभाव से कहीं अधिक उच्च भविष्यवाणात्मक प्रभाव प्रदर्शित करते हैं।
2. मॉडल प्रदर्शन समानता: अपनी अधिक जटिलता के बावजूद, XGBoost मॉडल ने OLS मॉडल के लगभग तुलनीय पूर्वानुमान प्रदर्शन प्राप्त किया। XGBoost मॉडल ने मामूली रूप से कम मीन एब्सोल्यूट एरर (MAE) दिखाया, जबकि OLS ने थोड़ा कम रूट मीन स्क्वेर्ड एरर (RMSE) दिया। यह सुझाव देता है कि डेटासेट में मौजूद भविष्यवाणात्मक जानकारी काफी हद तक रैखिक है और इसे सरल ऑटोरिग्रेसिव संबंधों द्वारा पकड़ा जा सकता है।
3. बहिर्जात चरों का सीमित प्रभाव: मौसम (CDD) और टैरिफ चरों ने पूर्वानुमान सटीकता में केवल मामूली सुधार किया। एब्लेशन अध्ययनों ने पुष्टि की कि इन चरों को "लैग केवल" (Lag Only) मॉडल में जोड़ने से RMSE में नगण्य कमी आई।
4. व्यवहारगत निरंतरता: ऑटोकोरिलेशन डायग्नोस्टिक्स और मौसमी अपघटन संकेत देते हैं कि आवासीय मांग मजबूत टेम्पोरल पर्सिस्टेंस (temporal persistence) और आवर्ती खपत पैटर्न द्वारा शासित है, न कि मूल्य परिवर्तनों या मौसम की परिवर्तनशीलता के प्रति तत्काल प्रतिक्रिया द्वारा।

महत्व और दावे
यह शोध दावा करता है कि केन्याई प्रीपेड क्षेत्र के भीतर आवासीय बिजली की मांग मुख्य रूप से व्यवहारगत निरंतरता (behavioral persistence) और आवर्ती खपत पैटर्न द्वारा संचालित है, न कि उस मौसम संवेदनशीलता या मूल्य लोच (price elasticity) द्वारा जिसकी पश्चिमी साहित्य में अक्सर धारणा की जाती है।

• पद्धतिगत योगदान: यह अध्ययन प्रदर्शित करता है कि कुशल, पारदर्शी सांख्यिकीय मॉडल (जैसे OLS) प्रीपेड वातावरण में विश्वसनीय मांग अनुमान प्रदान कर सकते है, जो इस धारणा को चुनौती देते हैं कि हमेशा बेहतर प्रदर्शन के लिए जटिल ML आर्किटेक्चर आवश्यक होते हैं।
• नीतिगत निहितार्थ: निष्कर्ष बताते हैं कि अल्पकालिक आवासीय मांग टैरिफ समायोजन के प्रति अपेक्षाकृत अलोचदार (inelastic) है। नीति निर्माताओं को टैरिफ संशोधन के बाद तत्काल मांग में कमी की उम्मीद नहीं करनी चाहिए, क्योंकि परिवार आवश्यक सेवाओं को प्राथमिकता देते हैं और उपलब्ध क्रेडिट के आधार पर स्थिर उपयोग बनाए रखते हैं।
• परिचालन मूल्य: यह शोध व्याख्यात्मक पूर्वानुमान ढांचों के महत्व को रेखांकित करता है। यह पहचानकर कि ऐतिहासिक खपत मुख्य चालक है, उपयोगिता कंपनियाँ जटिल, अपारदर्शी मॉडलों को तैनात करने के बजाय पिछले उपयोग के सटीक रिकॉर्ड-कीपिंग को प्राथमिकता दे सकती हैं, जिससे परिचालन निर्णय लेने की क्षमता और हितधारक विश्वास बढ़ता है।

निष्कर्षतः, यह अध्ययन तर्क देता है कि केन्याई प्रीपेड ग्रिड के लिए, उन्नत AI का "ब्लैक बॉक्स" सरल ऑटोरिग्रेसिव मॉडल की तुलना में सीमित अतिरिक्त पूर्वानुमान कौशल प्रदान करता है, और अल्पकालिक लोड फोरकास्टिंग के लिए बाहरी आर्थिक या जलवायु चरों के बजाय प्रीपेड उपभोक्ताओं की व्यवहारगत जड़ता (behavioral inertia) को समझना अधिक महत्वपूर्ण है।