Ensemble-Based Anomaly Detection for Urban Power Efficiency Towards Sustainable Energy Management

शहर जीवित जीवों की तरह हैं जो बिजली से सांस लेते हैं। घर की रोशनी से लेकर अस्पताल में बहने वाली बिजली तक, ऊर्जा का प्रवाह आधुनिक जीवन को गतिमान रखता है। लेकिन किसी भी जटिल प्रणाली की तरह, यह प्रवाह हमेशा पूर्ण नहीं होता। कभी-कभी, छिपी हुई अक्षमताओं, उपकरणों की विफलता या अनियमित उपयोग के पैटर्न के कारण ऊर्जा बर्बाद हो जाती है, जो तब तक नज़र नहीं आते जब तक कि कोई बिल न आ जाए या कोई सिस्टम विफल न हो जाए। इन छिपी हुई समस्याओं को ढूंढना कठिन है क्योंकि स्मार्ट मीटरों और सेंसरों द्वारा उत्पन्न डेटा विशाल, अव्यवस्थित और निरंतर परिवर्तनशील होता है। त्रुटियों को खोजने के पारंपरिक तरीके, जैसे कि एक सरल सीमा निर्धारित करना और संख्या के उसे पार करने का इंतज़ार करना, अक्सर समस्याओं के सूक्ष्म संकेतों को पकड़ने में चूक जाते हैं या गलत अलार्म (false alarms) पैदा करते हैं। इसे हल करने के लिए, शोधकर्ता कंप्यूटर विज्ञान की एक शाखा की ओर मुड़ रहे हैं जिसे 'मशीन लर्निंग' कहा जाता है, जहाँ कंप्यूटर बिना यह बताए कि उन्हें क्या खोजना है, पैटर्न पहचानना सीख सकते हैं। इन प्रणालियों को यह समझने के लिए प्रशिक्षित करके कि "सामान्य" ऊर्जा उपयोग कैसा दिखता है, वे असामान्य व्यवहारों को पहचान सकते हैं जो बर्बादी या खतरे का संकेत देते हैं, जिससे स्वच्छ और अधिक टिकाऊ शहरों की ओर एक मार्ग प्रशस्त होता है।

भारत, इराक, मलेशिया और बहरीन के विश्वविद्यालयों के शोधकर्ताओं की एक टीम ने ठीक ऐसा ही करने के लिए एक प्रणाली बनाने का लक्ष्य रखा जो शहरी बिजली ग्रिडों के लिए काम कर सके। उनका लक्ष्य एक डिजिटल वॉचडॉग बनाना था जो कच्चे ऊर्जा उपभोग डेटा को छान सके और विसंगतियों (anomalies)—यानी उन अनियमित उछाल या गिरावटों—की पहचान कर सके जो संकेत देते हैं कि कुछ गलत है। उन्होंने इन त्रुटियों को खोजने के लिए केवल एक पद्धति पर भरोसा नहीं किया। इसके बजाय, उन्होंने चार अलग-अलग कंप्यूटर मॉडलों की एक टीम बनाई, जिनमें से प्रत्येक का डेटा को समझने का अपना तरीका है। एक मॉडल, जिसे 'आइसोलेशन फॉरेस्ट' (Isolation Forest) के रूप में जाना जाता है, डेटा को बेतरतीब ढंग से विभाजित करके यह देखता है कि कौन से बिंदु अकेले खड़े हैं। दूसरा, जिसे 'लोकल आउटलियर फैक्टर' (Local Outlier Factor) कहा जाता है, इस बात पर नज़र रखता है कि डेटा का एक विशिष्ट क्षेत्र कितना घना है, और उन बिंदुओं को चिह्नित करता है जो अपने पड़ोसियों से बहुत दूर हैं। तीसरा मॉडल 'वन-क्लास सपोर्ट वेक्टर मशीन' (One-Class Support Vector Machine) नामक तकनीक का उपयोग करता है जो सामान्य व्यवहार के चारों ओर एक सीमा खींचता है, और उस रेखा के बाहर की किसी भी चीज़ को संदिग्ध मानता है। चौथा और सबसे जटिल मॉडल 'ऑटोएन्कोडर' (Autoencoder) है, जो एक प्रकार का आर्टिफिशियल न्यूरल नेटवर्क है जो देखे गए डेटा को पुनर्गठित करने का प्रयास करता है; यदि इसे जानकारी के किसी हिस्से को फिर से बनाने में संघर्ष करना पड़ता है, तो यह मान लेता है कि वह हिस्सा असामान्य है।

शोधकर्ताओं ने नगरपालिका के बिजली रिकॉर्ड के एक डेटासेट को साफ करने से शुरुआत की, जिसमें गायब नंबरों को भरना, तिरछे (skewed) डेटा को समायोजित करना और मूल्यों को स्केल करना शामिल था ताकि कंप्यूटर उन्हें निष्पक्ष रूप से प्रोसेस कर सके। फिर उन्होंने इन चार मॉडलों को इस साफ किए गए डेटा पर प्रशिक्षित किया। यह परीक्षण करने के लिए कि वे कितने प्रभावी थे, उन्होंने एक परिदृश्य का अनुकरण किया जहाँ दस प्रतिशत डेटा ज्ञात रूप से असामान्य था, जो ऐसे सिस्टम के परीक्षण के लिए एक सामान्य दर है। परिणामों ने दिखाया कि जबकि सभी मॉडलों की अपनी ताकत थी, ऑटोएन्कोडर सबसे आगे रहा। इसने एक ऐसे मीट्रिक पर 0.9740 का स्कोर प्राप्त किया जो वास्तविक समस्याओं को खोजने और गलत अलार्म से बचने के बीच संतुलन बनाता है, जिससे अन्य तीन व्यक्तिगत मॉडलों को पछाड़ दिया गया। आइसोलेशन फॉरेस्ट और लोकल आउटलियर फैक्टर ने भी अच्छा प्रदर्शन किया, लेकिन ऑटोएन्कोडर सामान्य उतार-चढ़ाव और वास्तविक अक्षमताओं के बीच अंतर करने में सबसे सटीक था।

हालाँकि, शोधकर्ता जानते थे कि केवल एक मॉडल पर भरोसा करना जोखिम भरा हो सकता है। यदि वह एकल मॉडल गलती करता है, तो पूरी प्रणाली विफल हो जाएगी। समाधान को अधिक सुदृढ़ बनाने के लिए, उन्होंने इन चार मॉडलों को एक 'एन्सेम्बल सिस्टम' (ensemble system) में संयोजित किया। यह एक समिति की तरह काम करता है: डेटा को केवल तभी विसंगति के रूप में चिह्नित किया जाता है जब चार में से कम से कम दो मॉडल इस बात पर सहमत हों कि वह अजीब है। इस दृष्टिकोण ने गलत अलार्म की संख्या को नाटकीय रूप से कम कर दिया। अपने परीक्षणों में, इस संयुक्त प्रणाली ने पूर्ण सटीकता (perfect precision) प्राप्त की, जिसका अर्थ है कि जब भी इसने कोई अलर्ट जारी किया, तो वह सही था। हालाँकि इसकी समग्र सटीकता सबसे अच्छे एकल मॉडल की तुलना में थोड़ी कम थी, लेकिन वास्तविक दुनिया की प्रणाली के लिए यह समझौता सार्थक था जहाँ गलत अलार्म समय और संसाधनों को बर्बाद कर सकते हैं। टीम ने मॉडलों के निर्णयों को समझाने के लिए 'SHAP' नामक एक टूल का भी उपयोग किया। इस विश्लेषण से पता चला कि डेटा की विशिष्ट विशेषताएं, विशेष रूप से चरम उपयोग के समय और उच्च खपत के पैटर्न से संबंधित, अलर्ट के पीछे के प्राथमिक चालक थे।

अध्ययन यह निष्कर्ष निकालता है कि जबकि ऑटोएन्कोडर जैसे डीप लर्निंग मॉडल ऊर्जा की बर्बादी को पहचानने के लिए शक्तिशाली उपकरण हैं, उन्हें अन्य विधियों के साथ मिलाने से शहर के बुनियादी ढांचे के लिए एक सुरक्षित और अधिक विश्वसनीय सुरक्षा जाल बनता है। इस प्रणाली ने हर संभावित विफलता के पूर्व-लेबल वाले उदाहरणों की आवश्यकता के बिना अनियमित उपभोग पैटर्न की सफलतापूर्वक पहचान की, जो एक महत्वपूर्ण लाभ है क्योंकि वास्तविक दुनिया के शहरों के पास अतीत की हर समस्या का सटीक रिकॉर्ड शायद ही कभी होता है। शोधकर्ताओं ने उल्लेख किया कि उनका कार्य सिम्युलेटेड ग्राउंड ट्रुथ डेटा पर आधारित था और भविष्य के प्रयासों में लाइव पावर ग्रिड की गतिशील प्रकृति को संभालने के लिए रीयल-टाइम, टाइम-सीरीज डेटा को शामिल करने की आवश्यकता होगी। ऐसी प्रणालियों द्वारा इन अदृश्य अक्षमताओं को दृश्यमान बनाकर, वे संयुक्त राष्ट्र के किफायती और स्वच्छ ऊर्जा के लक्ष्य की ओर एक व्यावहारिक कदम प्रदान करते हैं, जिससे शहर के प्रबंधकों को संसाधनों की रक्षा करने और यह सुनिश्चित करने में मदद मिलती है कि उनकी सड़कों से बहने वाली बिजली का उपयोग समझदारी से किया जाए।