Measurement Error Evaluation Method for Distribution Network Voltage Transformers Based on an Attention-RBF Physics-Informed Neural Network

एक शहर के पावर ग्रिड के जटिल जाल में, बिजली बड़े सबस्टेशनों से होकर छोटे स्विचिंग स्टेशनों की एक श्रृंखला के माध्यम से गुजरती है और अंततः उन मोहल्लों तक पहुँचती है जहाँ इसका उपयोग किया जाता है। यह सुनिश्चित करने के लिए कि हर किलोवाट-घंटा निष्पक्ष रूप से मापा जाए और सिस्टम सुरक्षित रहे, इंजीनियर वोल्टेज ट्रांसफॉर्मर नामक विशेष उपकरणों पर भरोसा करते हैं। ये उपकरण सटीक अनुवादकों की तरह कार्य करते हैं, जो उच्च-वोल्टेज बिजली को उस स्तर तक कम करते हैं जिसे मीटर सुरक्षित रूप से पढ़ सकें। हालाँकि, जिस तरह कोई भी यांत्रिक पुर्जा समय के साथ घिस जाता है, ये ट्रांसफॉर्मर भी अपने अंशांकन (कैलिब्रेशन) से भटक सकते हैं। जब वे ऐसा करते हैं, तो बिजली का बिल गलत हो सकता है, या ग्रिड अस्थिर हो सकता है। पारंपरिक रूप से, इन उपकरणों की जाँच करने के लिए बिजली बंद करनी पड़ती है, उपकरणों को अलग करना पड़ता है, और उन्हें एक मानक के साथ सावधानीपूर्वक तुलना करने के लिए लैब में ले जाना पड़ता है। यह प्रक्रिया धीमी, महंगी है और इससे मोहल्लों को बिजली खोनी पड़ती है, जिससे उन उपयोगिता कंपनियों पर एक बड़ा बोझ पड़ता है जिन्हें लाखों लोगों के लिए रोशनी बनाए रखनी होती है।

इंजीनियरों के लिए चुनौती एक ऐसा तरीका खोजने की रही है जिससे इन उपकरणों की जाँच तब की जा सके जब वे अभी भी चल रहे हों और ग्रिड से जुड़े हों। समस्या स्वयं वातावरण द्वारा जटिल बना दी जाती है: जैसे ही बिजली भूमिगत केबलों के माध्यम से यात्रा करती है, करंट के प्रवाह और आसपास की मिट्टी के तापमान के आधार पर तार गर्म और ठंडे होते हैं। यह ऊष्मीय परिवर्तन केबलों के विद्युत प्रतिरोध को बदल देता है, जिससे वोल्टेज में ऐसे उतार-चढ़ाव आते हैं जिनका पूर्वानुमान लगाना कठिन होता है। यदि कोई कंप्यूटर भौतिक नियमों को ध्यान में रखे बिना ट्रांसफार्मर के स्वास्थ्य का अनुमान लगाने की कोशिश करता है, तो वह एक सामान्य वोल्टेज गिरावट को खराब ट्रांसफार्मर समझ सकता है, या इसके विपरीत। वर्षों तक, शोधकर्ताओं ने इसे या तो शुद्ध भौतिकी सूत्रों का उपयोग करके हल करने का प्रयास किया, जो वास्तविक दुनिया की अराजकता के लिए बहुत कठोर हैं, या शुद्ध डेटा-संचालित कंप्यूटर मॉडल का उपयोग करके, जो असामान्य मौसम या अचानक लोड परिवर्तन से भ्रमित हो सकते हैं।

स्टेट ग्रिड वुहान पावर सप्लाई कंपनी के शोधकर्ताओं की एक टीम ने एक नया दृष्टिकोण विकसित किया है जो इस अंतर को पाटता है, जो भौतिकी के नियमों की विश्वसनीयता को आधुनिक कृत्रिम बुद्धिमत्ता (AI) की अनुकूलन क्षमता के साथ जोड़ता है। उनका तरीका, जिसका विवरण एक हालिया अध्ययन में दिया गया है, एक विशेष प्रकार के कंप्यूटर नेटवर्क का उपयोग करता है जो उस डेटा को समझने के लिए डिज़ाइन किया गया है जिसे वह देखता है और उन भौतिक नियमों को भी जो बहने वाली बिजली को नियंत्रित करते हैं। ग्रिड को एक 'ब्लैक बॉक्स' के रूप में मानने के बजाय, शोधकर्ताओं ने अपने कंप्यूटर मॉडल को बिजली के मौलिक नियमों का सम्मान करना सिखाया, विशेष रूप से यह नियम कि वोल्टेज को एक नेटवर्क में संतुलित होना चाहिए, और केबलों के गर्म होने और ठंडा होने की भौतिकी। इन नियमों को सीधे सीखने की प्रक्रिया में शामिल करके, मॉडल एक दोषपूर्ण ट्रांसफार्मर के कारण होने वाले वोल्टेज परिवर्तन और एक गर्म दिन पर गर्म केबल के कारण होने वाले परिवर्तन के बीच अंतर कर सकता है।

इस प्रणाली को बनाने के लिए, टीम ने प्रयोगशाला में एक भौतिक सिमुलेशन प्लेटफॉर्म बनाया जो एक वास्तविक मोहल्ले के पावर ग्रिड की नकल करता है। उन्होंने एक मुख्य बिजली स्रोत, एक स्विचिंग स्टेशन और विभिन्न कमरों तक जाने वाली कई वितरण लाइनों के साथ एक नेटवर्क स्थापित किया, जिसमें घरों और व्यवसायों की बदलती बिजली जरूरतों को दर्शाने के लिए समायोज्य लोड (adjustable loads) भी शामिल थे। उन्होंने ऐसे वोल्टेज ट्रांसफॉर्मर स्थापित किए जिन्हें विशिष्ट त्रुटियां उत्पन्न करने के लिए सटीक रूप से ट्यून किया जा सकता था, जिससे उन्हें नियंत्रित परिस्थितियों में परीक्षण करने की अनुमति मिली। उनके द्वारा बनाया गया कंप्यूटर मॉडल एक अद्वितीय संरचना का उपयोग करता है जो समय-आधारित डेटा को प्रोसेस करता है, और यह देखता है कि मिनटों और घंटों में वोल्टेज और करंट कैसे बदलते हैं। यह पृष्ठभूमि के शोर (noise) को अनदेखा करते हुए सबसे महत्वपूर्ण संकेतों पर विशेष ध्यान देता है, ठीक वैसे ही जैसे एक श्रोता भीड़ भरे कमरे में एक अकेली आवाज़ पर ध्यान केंद्रित करता है। यह इसे ग्रिड की बदलती स्थितियों के बीच भी ट्रांसफार्मर के प्रदर्शन में सूक्ष्म बदलावों को ट्रैक करने की अनुमति देता है।

जब शोधकर्ताओं ने अपनी नई विधि का मौजूदा तकनीकों के विरुद्ध परीक्षण किया, तो परिणाम स्पष्ट थे। उनके सिमुलेशन में, नए सिस्टम ने अगले सबसे अच्छे तरीके की तुलना में भविष्यवाणियों में औसत त्रुटि को एक-तिहाई से अधिक कम कर दिया। यह एक ऐसे ट्रांसफार्मर की पहचान करने में सक्षम था जिसे जानबूझकर 0.2 प्रतिशत की त्रुटि के लिए सेट किया गया था—जो एक छोटा लेकिन महत्वपूर्ण विचलन है—और यह एक ऐसे ट्रांसफार्मर को भी ट्रैक कर सका जिसका प्रदर्शन समय के साथ धीरे-धीरे कम हो रहा था। सिस्टम ने केबल के बदलते तापमान के शोर के बीच ट्रांसफार्मर की त्रुटि के संकेत को सफलतापूर्वक अलग कर लिया। यह सिद्ध करने के लिए कि यह वास्तविक दुनिया में काम करता है, टीम ने वुहान में एक लाइव वितरण क्षेत्र में इस प्रणाली को तैनात किया। उन्होंने कई दिनों तक चार ट्रांसफॉर्मरों की निगरानी की और हजारों डेटा पॉइंट एकत्र किए। सिस्टम ने एक ट्रांसफार्मर को चिह्नित किया जिसमें त्रुटि सुरक्षित सीमा से अधिक थी। जब उपयोगिता दल बिजली बंद करके भौतिक रूप से उपकरण को सत्यापित करने के लिए बाहर गया, तो उन्होंने पुष्टि की कि कंप्यूटर सही था: ट्रांसफार्मर वास्तव में सहनशीलता (tolerance) से बाहर था, जबकि अन्य ठीक थे।

यह सफलता बताती है कि ग्रिड रखरखाव के भविष्य के लिए बिजली की लाइनों को बंद करने की आवश्यकता नहीं हो सकती है। ग्रिड की भौतिकी को एकत्र किए गए डेटा के साथ समझने वाले एक मॉडल का उपयोग करके, इंजीनियर अब वास्तविक समय में महत्वपूर्ण उपकरणों के स्वास्थ्य की निगरानी कर सकते हैं। यह अध्ययन दिखाता है कि सेवा बाधित किए बिना दोषों और क्रमिक टूट-फूट का पता लगाना संभव है, जो बिजली को विश्वसनीय रूप से प्रवाहित रखने के साथ-साथ यह सुनिश्चित करने का एक तरीका है कि प्रत्येक ग्राहक को सटीक रूप से बिल भेजा जाए। हालांकि वर्तमान प्रणाली एकल-फेज माप पर केंद्रित है और उच्च-गुणवत्ता वाले डेटा पर निर्भर करती है, शोधकर्ताओं का मानना है कि यह दृष्टिकोण भविष्य में अधिक जटिल ग्रिड परिदृश्यों में विस्तार करने के लिए एक ठोस आधार प्रदान करता है। यह कार्य प्रदर्शित करता है कि जब कृत्रिम बुद्धिमत्ता को भौतिकी के अपरिवर्तनीय नियमों द्वारा निर्देशित किया जाता है, तो यह उन समस्याओं को हल कर सकती है जिन्हें न तो शुद्ध गणित और न ही शुद्ध डेटा अकेले हल कर सकता था।