Leakage-Safe K-Means-Assisted Multi-Objective Energy Management for a Solar and Wind–Battery Micro-grid

एक छोटे, आत्मनिर्भर बिजली तंत्र की कल्पना करें जो एक समुदाय या दूरस्थ सुविधा को चलाता है, बिना मुख्य विद्युत ग्रिड पर निर्भर रहे। यह प्रणाली, जिसे माइक्रो-ग्रिड कहा जाता है, तीन गतिशील हिस्सों को संतुलित करने की कोशिश करती है: सूर्य और हवा से उत्पन्न बिजली, बड़े बैटरियों में संग्रहीत बिजली, और एक बैकअप जनरेटर द्वारा उत्पादित बिजली। चुनौती यह है कि सूरज हमेशा चमकता नहीं है, हवा हमेशा चलती नहीं है, और लोग हमेशा एक ही समय पर बिजली का उपयोग नहीं करते हैं। लाइटों को चालू रखने और ईंधन बर्बाद करने या बैटरियों को खाली करने से बचने के लिए, एक कंप्यूटर सिस्टम को लगातार यह निर्णय लेना होता है कि बैटरी कब चार्ज करनी है, जनरेटर कब चलाना है, और नवीकरणीय ऊर्जा को बाद के लिए कब बचाना है। इस निर्णय लेने की प्रक्रिया को ऊर्जा प्रबंधन (energy management) कहा जाता है। यदि सिस्टम का अनुमान गलत हो जाता है, तो बिजली खत्म हो सकती है, या यह जनरेटर चलाकर महंगे ईंधन को बर्बाद कर सकता है जब वह सूरज की ऊर्जा का उपयोग कर सकता था।

तुर्की के कोकेली विश्वविद्यालय के शोधकर्ताओं ने इन निर्णयों को लेने का एक स्मार्ट तरीका बनाने का लक्ष्य रखा। वे एक ऐसा सिस्टम बनाना चाहते थे जो अतीत को देख सके और तत्काल भविष्य की भविष्यवाणी कर सके ताकि सौर और पवन ऊर्जा से चलने वाले एक माइक्रो-ग्रिड को प्रबंधित किया जा सके जो बैटरी से लैस हो। उनके दृष्टिकोण में दो मुख्य विचार शामिल थे। पहले, उन्होंने 'रैंडम फॉरेस्ट' (Random Forest) नामक एक कंप्यूटर पद्धति का उपयोग किया, जो एक प्रकार की मशीन लर्निंग है जो पिछले डेटा से सीखती है ताकि एक घंटे बाद की बिजली की मांग का पूर्वानुमान लगाया जा सके। दूसरा, उन्होंने समान मौसम और उपयोग पैटर्न को समूहों में बांटने के लिए 'के-मीन्स क्लस्टरिंग' (K-Means clustering) तकनीक का उपयोग किया। इन समूहों को उन विभिन्न "मोड्स" (modes) के रूप में सोचें जिनमें सिस्टम खुद को पा सकता है, जैसे कि कम बिजली उपयोग वाला एक धूप वाला दिन या उच्च मांग वाली एक हवादार रात। लक्ष्य यह देखना था कि क्या यह जानना कि सिस्टम किस "मोड" में है, कंप्यूटर को बैटरी के उपयोग और जनरेटर शुरू करने के बारे में बेहतर निर्णय लेने में मदद कर सकता है।

शोधकर्ता कंप्यूटर विज्ञान की एक आम गलती, जिसे 'डेटा लीकेज' (data leakage) कहा जाता है, से बचने के लिए बहुत सावधान रहे। यह तब होता है जब एक कंप्यूटर वर्तमान की भविष्यवाणी करने के प्रयास में भविष्य से सीख लेता है, जिससे परिणाम एकदम सही दिखते हैं लेकिन वास्तविक दुनिया में बेकार होते हैं। इसे रोकने के लिए, उन्होंने अपने डेटा को तीन अलग-अलग समय अवधियों में विभाजित किया जो कभी भी आपस में नहीं मिलती थीं। उन्होंने पहले कालखंड का उपयोग कंप्यूटर को बिजली की जरूरतों की भविष्यवाणी करना सिखाने और विभिन्न ऑपरेटिंग मोड्स की पहचान करने के लिए किया। उन्होंने दूसरे कालखंड का उपयोग कंप्यूटर द्वारा पालन किए जाने वाले नियमों को ट्यून करने के लिए किया, यह सुनिश्चित करने के लिए कि सिस्टम बिजली की कमी न होने दे या बैटरी को बहुत अधिक खाली न कर दे। अंत में, उन्होंने सिस्टम की सेटिंग्स को लॉक कर दिया और तीसरे कालखंड पर इसका परीक्षण किया, जिसे कंप्यूटर ने पहले कभी नहीं देखा था। इस सख्त अलगाव ने यह सुनिश्चित किया कि परिणाम यह दर्शाएं कि सिस्टम वास्तव में वास्तविक दुनिया में कैसा प्रदर्शन करेगा, न कि यह कि उसने पिछले डेटा को कितनी अच्छी तरह याद किया।

इस सावधानीपूर्वक परीक्षण के परिणामों ने दिखाया कि बिजली की मांग की भविष्यवाणी करने की कंप्यूटर की क्षमता काफी अच्छी थी। रैंडम फॉरेस्ट पद्धति का उपयोग करके, सिस्टम लगभग 2.3 किलोवाट की औसत त्रुटि के साथ अगले घंटे की बिजली जरूरतों का अनुमान लगा सकता था, जो केवल यह मान लेने की तुलना में काफी बेहतर था कि अगला घंटा ठीक वर्तमान घंटे जैसा ही होगा। हालांकि, अध्ययन में उनके दूसरे प्लान के बारे में कुछ चौंकाने वाला पता चला। के-मीन्स क्लस्टरिंग से प्राप्त "मोड" समूहों को जोड़ने से कंप्यूटर को बिजली की मांग की भविष्यवाणी करने में वास्तव में कोई अधिक मदद नहीं मिली। अतिरिक्त वर्गीकरण के बिना भी समूह उतने ही सटीक थे। इस कारण से, शोधकर्ताओं ने भविष्यवाणी को बेहतर बनाने के लिए समूहों का उपयोग न करने का निर्णय लिया। इसके बजाय, उन्होंने समूहों का उपयोग यह चुनने के लिए किया कि बिजली संभालने के लिए सही रणनीति क्या है। उदाहरण के लिए, यदि सिस्टम ने "धूप के अधिशेष" (sunny surplus) मोड को पहचाना, तो वह बैटरी चार्ज करना जान जाएगा; यदि उसने "कम बिजली" मोड देखा, तो वह जनरेटर का उपयोग करने के लिए तैयार रहेगा।

जब उन्होंने इस नए दृष्टिकोण का पुराने तरीकों के साथ परीक्षण किया, तो परिणामों ने एक स्पष्ट ट्रेड-ऑफ (trade-off) दिखाया। एक पुराना सिस्टम जो केवल इस बात पर प्रतिक्रिया करता था कि अभी क्या हो रहा है, बैटरी का बहुत अधिक उपयोग करता था, जनरेटर का उपयोग करने से बचने के लिए उसे जल्दी खाली कर देता था। एक अन्य सिस्टम जो केवल भविष्यवाणियों पर निर्भर था, बैटरी के प्रति बहुत सावधान था लेकिन उसने जनरेटर का बहुत अधिक उपयोग किया और बहुत सारी नवीकरणीय ऊर्जा बर्बाद कर दी जिसे स्टोर किया जा सकता था। नए सिस्टम ने, जो मांग की भविष्यवाणी और ऑपरेटिंग मोड्स का उपयोग निर्णय लेने के लिए करता था, विशिष्ट परिचालन ट्रेड-ऑफ प्रदर्शित किए। इसने केवल भविष्यवाणी वाले सिस्टम की तुलना में जनरेटर के लिए आवश्यक ईंधन की मात्रा को लगभग 60 प्रतिशत तक कम कर दिया, जबकि नवीकरणीय ऊर्जा की बर्बादी को लगभग 24 प्रतिशत तक कम कर दिया। साथ ही, इसने रिएक्टिव सिस्टम की तुलना में बैटरी का कम उपयोग किया, जिससे बैटरी का जीवनकाल बढ़ गया। हालांकि, इस सुधार के साथ एक लागत भी आई: रिएक्टिव बेसलाइन की तुलना में, नए सिस्टम ने जनरेटर की ऊर्जा का उपयोग लगभग 5,000 kWh बढ़ा दिया और नवीकरणीय ऊर्जा के नुकसान (curtailment) को लगभग 6,000 kWh बढ़ा दिया। रिएक्टिव दृष्टिकोण की तुलना में जनरेटर के उपयोग और बर्बादी में इस वृद्धि के बावजूद, नए सिस्टम ने बैटरी को लगभग हर समय सुरक्षित चार्ज स्तर पर बनाए रखा, जिससे बैटरी के बहुत कम होने की खतरनाक स्थिति से बचा जा सका।

हालांकि, परीक्षण चरण के दौरान एक महत्वपूर्ण विवरण सामने आया: सर्वोत्तम सिस्टम सेटिंग्स चुनने के लिए उपयोग की जाने वाली विधि ने वास्तव में एक अद्वितीय "सर्वश्रेष्ठ" समाधान की पहचान नहीं की। जब शोधकर्ताओं ने 81 अलग-अलग व्यवहार्य संयोजनों का परीक्षण किया, तो उन सभी ने समान प्रदर्शन स्कोर दिए। चूंकि परीक्षण डेटा इन विकल्पों के बीच अंतर नहीं कर सका, इसलिए शोधकर्ताओं ने अंतिम सिस्टम को एक अद्वितीय अनुकूलित समाधान के रूप में नहीं, बल्कि एक "व्यवहार्यता-स्क्रीन की गई प्रतिनिधि नीति" (feasibility-screened representative policy) के रूप में रिपोर्ट किया। इसका अर्थ है कि सिस्टम एक वैध, काम करने वाला उदाहरण है जो सभी सुरक्षा और विश्वसनीयता आवश्यकताओं को पूरा करता है, न कि एकमात्र गणितीय रूप से पूर्ण उत्तर। अध्ययन ने निष्कर्ष निकाला कि यह दृष्टिकोण उनके द्वारा बनाए गए सिम्युलेटेड वातावरण में अच्छी तरह काम करता है। सिस्टम ने सफलतापूर्वक बिजली आपूर्ति को विश्वसनीय बनाए रखा, परीक्षण अवधि के दौरान बिजली विफल होने की शून्य घटनाएं हुईं। इसने यह सुनिश्चित किया कि वह ऊर्जा को कब स्टोर करना है और कब उत्पन्न करना है, इसके बारे में स्मार्ट विकल्प बनाकर, न कि केवल क्षणिक स्थिति पर प्रतिक्रिया देकर या एकल भविष्यवाणी पर निर्भर होकर। शोधकर्ताओं ने उल्लेख किया कि हालांकि परिणाम आशाजनक हैं, वे एक विशिष्ट प्रकार की बैटरी और एक वर्ष के मौसम डेटा के सिमुलेशन पर आधारित हैं। उन्होंने इस बात पर जोर दिया कि इस पद्धति की ताकत इसके सख्त परीक्षण नियमों में निहित है, जिसने यह साबित किया कि सिस्टम भविष्य को देखे बिना अतीत से सीख सकता है। यह कार्य इस बात का एक ठोस ब्लूप्रिंट प्रदान करता है कि कैसे ऊर्जा प्रबंधन प्रणालियों को बनाया जाए जो कुशल और विश्वसनीय दोनों हों, बशर्ते उन्हें वास्तविक दुनिया में स्थापित करने से पहले उसी स्तर की सावधानी के साथ परखा जाए।