Ин таҳқиқот як чаҳорчӯбаи қарормеҳвар ва мутобиқшавандаи зеҳни сунъиро пешниҳод мекунад, ки ҳадафаш дар шароити load shedding, вақте сохтори шабакаи барқ дар тӯли чанд дақиқа тағйир меёбад, аз нав муайян кардани он аст, ки воҳидҳои тавлидкунанда чӣ қадар нерӯ бояд таъмин кунанд. Модел маълумоти омӯзишии давраи 2015-2021, панели арзёбии 904-рӯзаи давраи 2022-2025, ошкоркунии аномалия бар асоси variational autoencoder, холи аҳамияти Jacobian дар фазои параметрҳо ва ҳамоптимизатсияи bioenergy-battery-ро муттаҳид мекунад. Таҳқиқот гузориш медиҳад, ки усули пешниҳодшуда хароҷоти умумии dispatch-ро нисбат ба model predictive control 23,4 фоиз кам кардааст, натиҷаҳои наздик ба омӯзиши пурраи моделро бо вақти мутобиқшавии 4,2 дақиқа ба даст овардааст ва вайроншавиҳои наздикшавандаро ба ҳисоби миёна 41,5 дақиқа пештар бо сатҳи 91,7 фоиз муайян кардааст. Бо вуҷуди ин, таҳқиқот preprint-и аз баррасии ҳамтоён нагузашта мебошад; маълумоти асосии SCADA дастрасии умумӣ надорад, фосилаҳои номуайянии натиҷаҳо дода нашудаанд ва баъзе натиҷаҳои иқтисодӣ, арифметикӣ ва андозагӣ бо маълумоти PDF мустақилона бозтавлид карда намешаванд.

Ғояи асосии чаҳорчӯба ин аст, ки ҳангоми ба вуҷуд омадани ҳолати ғайримуқаррарӣ дар шабака, ба ҷои чанд соат аз нав омӯзонидани ҳамаи параметрҳои модели AI, танҳо гурӯҳи хурди параметрҳое нав карда шавад, ки бештар барои хатои dispatch масъуланд. Дар кори муқаррарӣ 3 фоизи параметрҳо, дар ҳолати огоҳии асосӣ тақрибан 6 фоиз ва дар рӯйдодҳои зуд бадшаванда ҳадди аксар 15 фоиз нав карда мешаванд. Ҳамин тавр, донишҳои омӯхташуда дар бораи қисмҳои тағйирнаёбандаи система нигоҳ дошта шуда, ҳадаф мутобиқшавии тезтар ба topology-и тағйирёфта аз сабаби load shedding мебошад.

Таҳқиқот инчунин истеҳсоли офтобӣ, biogas, истеҳсоли эҳтиётии термалӣ ва захираи батареяро дар як функсияи умумии хароҷот танзим мекунад. Дастрасии мавсимии biogas бо Beta distribution, фарсудашавии батарея бо penalty function вобаста ба depth of discharge ва даромади landfill gas бо carbon-credit model ифода шудааст. Муаллиф гузориш медиҳад, ки ин тавсеа дар қисмҳои шабакае, ки ҳиссаи энергияи барқароршаванда баланд аст, 19,1 фоиз коҳиши иловагии хароҷот ва 2,3 сол дарозшавии calendar life-и батареяро таъмин кардааст. Ҳисобҳои муфассали умри батарея ва ҳамаи натиҷаҳои хоми таҷриба, ки ин арзишҳо ба онҳо такя мекунанд, дар PDF пешниҳод нашудаанд.

Масъалаи асосии таҳқиқот чист?

Economic dispatch масъалаест, ки муайян мекунад кадом воҳиди тавлидкунанда дар кадом лаҳза барои қонеъ кардани талаботи барқ чӣ қадар нерӯ таъмин кунад. Ҳадаф танҳо баробар кардани талабот ва истеҳсол нест. Хароҷоти истеҳсол, маҳдудиятҳои генераторҳо, амнияти басомад ва шиддат, талафоти интиқол, суръатҳои ramping, ҳолати захира ва энергияи қонеънашуда бояд ҳамзамон ба назар гирифта шаванд.

Ҳолати махсусе, ки таҳқиқот баррасӣ мекунад, татбиқи load shedding дар Африқои Ҷанубӣ мебошад. Load shedding — ҷудо кардани муваққатии минтақаҳои муайяни истеъмолӣ аз система дар ҳолатҳое мебошад, ки истеҳсол талаботро қонеъ карда наметавонад ё амнияти шабака зери хатар аст. Ин амал topology-и шабакаро тағйир медиҳад. Робитаҳои қаблан омӯхташудаи ҷараёни нерӯ, пайвастҳои хатҳо ва тавозуни истеҳсол-таъминот метавонанд дар чанд дақиқа эътибори худро гум кунанд.

Даъвои асосии муаллиф ин аст, ки моделҳои анъанавии AI барои dispatch чунин фарз мекунанд, ки сохтори омории маълумоти гузашта дар оянда низ бетағйир мемонад. Вақте намии biomass, истеҳсоли biogas, вайроншавии нерӯгоҳҳои ангиштӣ ва марҳилаҳои load shedding якҷо тағйир меёбанд, ин фарзияи stationarity вайрон мешавад. Аз нав омӯзонидани тамоми модел бошад, тибқи таҳқиқот 6,8 соат тӯл мекашад ва ба даври панҷдақиқаии қароргирии automatic generation control намерасад.

Холигии мавриди ҳадаф дар адабиёт

Таҳқиқот холигиро дар буриши се самти адабиёт ҳадаф мегирад:

• Economic dispatch дар шароити тағйирёбии мавсимӣ ва рӯзонаи захираҳои bioenergy,
• Мутобиқшавии онлайнии AI дар шароити load shedding, ки topology-и шабака пайваста тағйир меёбад,
• Системаҳои барқи Африқои Субсаҳроӣ бо маҳдудиятҳои инфрасохторӣ.

Дар PDF графики bibliometric бар асоси 156 таҳқиқоти нашршуда дар солҳои 2015-2025 пешниҳод шудааст. Дар график reinforcement-learning dispatch бо 62 нашр калонтарин cluster, adaptive methods бо 34 нашр, classical ва model-predictive methods бо 28 нашр, bioenergy-focused studies бо 21 нашр ва Sub-Saharan Africa context бо 11 нашр нишон дода шудаанд. Мавқеи амудии bubble-ҳо шумораи миёнаи citation ва андоза шумораи нашрҳоро ифода мекунад. Research gap дар буриши bioenergy, adaptive learning ва African grids муайян шудааст.

Бо вуҷуди ин, раванди муфассали screening, санҷиши duplicate records, арзёбии сифати таҳқиқот ё output-и пурраи базаи маълумоти bibliometric review пешниҳод нашудааст. Аз ин рӯ график бояд на ҳамчун systematic review, балки ҳамчун таҳлили пешакии тавсифкунандаи соҳаи таҳқиқот хонда шавад.

Саволҳои таҳқиқот ва гипотезаҳо

Дар таҳқиқот чор гипотезаи асосӣ гузошта шудааст:

1. Гипотезаи огоҳии барвақти VAS: Пешбинӣ шудааст, ки variational anomaly score нисбат ба traditional RMS voltage monitoring огоҳии барвақттар медиҳад.
2. Гипотезаи фурӯнишонии oscillation: Пешбинӣ шудааст, ки sparse proximal gradient updates тағйироти босуръати рафтуомадро дар фармонҳои истеҳсоли biogas кам мекунанд.
3. Гипотезаи шиддати stage: Пешбинӣ шудааст, ки бо баланд шудани load-shedding stage бартарии adaptive method нисбат ба fixed-parameter models зиёд мешавад.
4. Гипотезаи устуворӣ ба missing data: Даъво шудааст, ки ҳангоми гум шудани 20 фоизи SCADA channels коҳиши умумии performance аз чор percentage points кам мемонад.

PDF гузориш медиҳад, ки ҳамаи гипотезаҳо дастгирӣ шудаанд. Аммо натиҷаҳои гипотезаҳо асосан ба point estimates аз як experimental panel такя мекунанд. Multiple random starts, confidence intervals, hypothesis tests ё independent field replications пешниҳод нашудаанд.

Decision-aware objective function чиро тағйир медиҳад?

Моделҳои анъанавии AI аксаран кӯшиш мекунанд prediction error-и demand ё generation-ро кам кунанд. Таҳқиқот бар он аст, ки хатои хурди пешгӯӣ на ҳамеша маънои хароҷоти пасти operation-ро дорад. Ҳангоми тағйири topology-и шабака ду prediction error-и андозаашон монанд метавонанд ба хароҷоти хеле гуногуни fuel, voltage violation ё unmet energy оварда расонанд.

Аз ин рӯ модел мустақиман барои кам кардани total generation cost ва regulatory violations омӯзонида шудааст:

\[ \mathcal{L}_{DA}(\theta)=\mathbb{E}_{S}\left[C(P(\theta,S))\right]+\boldsymbol{\lambda}\,\mathbb{E}_{S}\left[\left\|R(P(\theta,S))\right\|_{1}\right] \]

• θ вектори параметрҳои модели AI мебошад.
• S ҳолати ҷории шабака ва SCADA measurements мебошад.
• P(θ,S) фармонҳои қудрат дар MW мебошанд, ки модел ба generation units медиҳад.
• C(P) total cost function мебошад, ки fuel ва operating cost-ро ифода мекунад.
• R(P) векторест, ки frequency, voltage ва unmet-energy violations-ро дар бар мегирад.
• λ cost weights-и дода ба ин violations-ро нишон медиҳад.

Дар таҳқиқот барои frequency deviation R 50.000/Hz, барои voltage violation R 20.000/percentage point ва барои unmet energy R 1.000.000/MWh penalty weights истифода шудаанд. Гуфта мешавад, ки ин арзишҳо аз NERSA grid code гирифта шудаанд.

Generation cost барои ҳар unit ҳамчун quadratic function муайян шудааст:

\[ C_i(P_i)=a_iP_i^2+b_iP_i+c_i \]

Дар ин ҷо P_i active power-и тавлидкардаи unit i-ро ва a_i, b_i ва c_i fuel ва operating cost coefficients-ро нишон медиҳанд.

Binary operating decisions чӣ гуна approximate шудаанд?

On/off будани generation unit одатан binary variable аст. Азбаски binary optimization барои real-time training душвор аст, таҳқиқот ин қарорҳоро тавассути sigmoid function continuous кардааст. Cost gap-и approximation бо upper bound-и зерин ифода шудааст:

\[ \left|C(P^{*})-C(P^{\sigma})\right|\leq L_C\left\|\delta^{*}-\sigma(v^{c})\right\|_2 \]

\[ L_C=\max_i\left(2a_iP_i^{\max}+b_i\right) \]

P^* ҳалли original binary problem ва P^σ ҳалли sigmoid approximation мебошад. δ^* actual on-off decision ва σ(v^c) continuous approximation мебошад. Таҳқиқот empirical relaxation gap-ро дар Eskom panel ҳамчун 0,4 фоизи total cost гузориш медиҳад.

Sparse gradient adaptation чӣ гуна кор мекунад?

Навоварии асосии модели пешниҳодшуда ин аст, ки ҳангоми ба вуҷуд омадани dispatch error, ба ҷои нав кардани ҳамаи artificial neural network parameters танҳо influential layers ё parameter blocks интихоб карда мешаванд. Jacobian matrix нисбат ба parameter block-и dispatch model чунин муайян шудааст:

\[ G_k(x;\theta)=\frac{\partial f(x;\theta)}{\partial\theta_k}\in\mathbb{R}^{N\times d_k} \]

Дар ин ҷо f(x;θ) model мебошад, ки grid state-ро ба generation commands табдил медиҳад. Ҳар элементи матритсаи G_k нишон медиҳад, ки ҳангоми тағйири parameter-и муайян power command-и generator-и муайян чӣ қадар тағйир меёбад.

Jacobian тавассути backpropagation chain ҳисоб шудааст:

\[ G_k=\frac{\partial f}{\partial a^{(K)}}\frac{\partial a^{(K)}}{\partial a^{(k)}}\frac{\partial a^{(k)}}{\partial\theta_k} \]

a^(k) activation vector дар layer k-и neural network мебошад.

Importance score-и ҳар parameter block ҳосили зарби ду component аст:

\[ S_k(\theta)=\left\|\frac{\partial\mathcal{L}_{DA}}{\partial\theta_k}\right\|_2\left\|G_k(x;\theta)\right\|_F \]

• Терми аввал чен мекунад, parameter block total operating loss-ро то чӣ андоза таъсир медиҳад.
• Терми дуюм sensitivity-и ҳамон parameter block-ро ба actual power-dispatch outputs чен мекунад.
• Ҳосили зарби ду term параметрҳоеро боло мебарад, ки ҳам бо cost ва ҳам бо physical dispatch command робитаи қавӣ доранд.

Blocks дар top r ratio интихоб ва нав карда мешаванд:

\[ \theta_k\leftarrow\theta_k-\eta\frac{\partial\mathcal{L}_{DA}}{\partial\theta_k},\quad k\in I_r \]

η learning step ва I_r маҷмӯи selected parameter blocks мебошад. Дар base alarm condition ratio-и истифодашуда r = 0,06, яъне 6 фоизи parameters аст.

Чаро adaptation ratio собит нест?

Азбаски ҳар anomaly бо як суръат инкишоф намеёбад, таҳқиқот ratio-и parameter-ҳои навшавандаро ба суръати тағйири anomaly score мепайвандад:

\[ \dot{F}(t)=F(x_t;\theta)-F(x_{t-1};\theta) \]

\[ r(t)= \begin{cases} r_{\min}, & F(t)\leq\tau_{95}\\ \min\left(r_{\max},r_0+\kappa\dot{F}(t)\right), & F(t)>\tau_{95} \end{cases} \]

• r_min = 0,03: 3 фоиз update ҳангоми normal operation,
• r₀ = 0,06: base alarm update,
• r_max = 0,15: upper bound-и 15 фоиз барои пешгирӣ аз catastrophic forgetting,
• κ = 0,5: response coefficient, ки дар validation data танзим шудааст.

Агар anomaly score босуръат боло равад, parameter-ҳои бештар нав мешаванд. Агар score ҳамвор шавад ё паст равад, model бо intervention-и камтар previous knowledge-ро дар бораи қисмҳои unaffected-и grid нигоҳ медорад.

Proximal gradient update

Таҳқиқот ба selected parameters қадами proximal gradient бо L1 penalty татбиқ мекунад:

\[ \theta_k^{(t+1)}=\operatorname{prox}_{\eta\lambda\|\cdot\|_1}\left(\theta_k^{(t)}-\eta\frac{\partial\mathcal{L}_{DA}}{\partial\theta_k}\left(\theta^{(t)}\right)\right),\quad k\in I_r \]

L1 penalty бо маҳдуд кардани ҷаҳишҳои калони parameter кӯшиш мекунад пешгирӣ кунад, ки model dispatch commands-ро дар як interval якбора зиёд карда, дар interval-и баъдӣ паст кунад. Ин behavior дар таҳқиқот “chattering”, яъне oscillation-и босуръати command, номида шудааст.

Дар PDF рамзи λ ҳам барои NERSA violation weights ва ҳам барои proximal L1 penalty истифода шудааст. Ин ду role аз ҷиҳати математикӣ фарқ мекунанд. Истифодаи як рамз барои ду parameter-и гуногун барои implementation ва reproduction номуайянӣ ба вуҷуд меорад.

Convergence theorem чиро кафолат медиҳад?

Теоремаи пешниҳодшуда пешбинӣ мекунад, ки агар objective function дар selected parameter subspace L-smooth ва μ-strongly convex бошад, linear convergence ба даст меояд:

\[ \left\|\theta^{(t+1)}-\theta^{*}\right\|_2^2\leq\left(1-\frac{\mu}{L}\right)^t\left\|\theta^{(0)}-\theta^{*}\right\|_2^2 \]

L smoothness constant-и gradient, μ strong-convexity coefficient ва θ^* best solution дар selected fixed subspace мебошад. Вақте strong convexity вуҷуд надорад, таҳқиқот мегӯяд convergence rate ба сатҳи O(1/T) паст мешавад.

Ин кафолат шартӣ аст. Three-layer neural network ва variational encoder-и истифодашуда умуман non-convex models мебошанд. PDF ба таври empirical нишон намедиҳад, ки decision-aware loss дар selected parameter subspace strongly convex аст. Аз ин рӯ theorem исбот намекунад, ки entire neural network ба global optimum мерасад; он behavior-и proximal optimization-ро дар fixed subspace ҳангоми дуруст будани assumptions шарҳ медиҳад.

Variational anomaly score чист?

Барои муайян кардани он ки grid аз normal state-и дар training дидашуда дур шудааст ё не, variational autoencoder (VAE) истифода шудааст. Encoder SCADA measurements-ро ба probability distribution дар 64-dimensional latent space табдил медиҳад.

Anomaly score ба negative evidence lower bound асос ёфтааст:

\[ F(x;\theta)=D_{KL}\left(q(z|x)\|p(z)\right)-\mathbb{E}_{q}\left[\log p(x|z)\right] \]

Closed-form Kullback-Leibler term чунин аст:

\[ D_{KL}[q\|p]=\frac{1}{2}\sum_{j=1}^{64}\left(\mu_j^2+\sigma_j^2-\log\sigma_j^2-1\right) \]

• q(z|x) approximate distribution-и current SCADA state дар latent space мебошад.
• p(z) standard normal prior distribution мебошад, ки аз training data омӯхта шудааст.
• KL term масофаи current grid state аз learned normal state-ро чен мекунад.
• Reconstruction term нишон медиҳад encoder current SCADA measurements-ро то чӣ андоза хуб шарҳ дода метавонад.

Вақте score аз 95-percentile threshold τ₉₅ дар validation set боло меравад, system anomaly alarm медиҳад, sparse update-ро оғоз мекунад ва command-ро барои human review flag мекунад.

Муаллиф махсус таъкид мекунад, ки бо мафҳуми “free energy” thermodynamic equivalence даъво намекунад. Operational signal дар ин ҷо negative ELBO value-и VAE аст ва ҳамчун statistical anomaly score барои detection-и distribution shift истифода мешавад.

Робитаи VAS бо physical grid measurements

Дар ҳоле ки RMS voltage monitoring тағйири voltage-ро дар як node пайгирӣ мекунад, VAS frequency slopes, inter-area power flows, biogas availability ва other SCADA channels-ро дар shared latent space якҷо арзёбӣ мекунад. Early-warning claim-и таҳқиқот ба ҳамин multivariate structure асос ёфтааст.

Model architecture

Дар Шакли 2 system бо панҷ main component нишон дода шудааст:

1. SCADA telemetry дар IEC 61968/61970 format,
2. Variational encoder,
3. Dispatch network, ки power commands тавлид мекунад,
4. Controller, ки anomaly score-ро арзёбӣ мекунад,
5. Generation command дар AGC format ва SHA-256 audit log.

Encoder 150-minute moving window-ро, ки 30 адад five-minute measurement-и охиринро фаро мегирад, коркард мекунад. One-dimensional convolution network мутаносибан 64, 128 ва 64 filter истифода мебарад ва kernel size 5 аст. Latent space 64-dimensional мебошад. Dispatch network аз ду hidden layer бо 256 ва 128 neuron ва N generation output иборат аст.

Bioenergy electrical output чӣ гуна модел шудааст?

Net electrical generation-и bioenergy plant бо relationship-и асосии зерин ифода шудааст:

\[ P_e(t)=F_{in}(t)\cdot LHV\cdot\left(1-M(t)\right)\cdot\eta_{plant}\cdot A(t) \]

• F_in(t) feedstock input flow rate мебошад.
• LHV lower heating value-и feedstock мебошад.
• M(t) moisture ratio мебошад.
• η_plant electrical-conversion efficiency-и plant мебошад.
• A(t) availability factor мебошад.

Бо зиёд шудани moisture, available energy дар ҳамон feedstock mass кам мешавад. PDF мегӯяд bagasse moisture вобаста ба storage duration метавонад байни 30 фоиз ва 52 фоиз тағйир ёбад ва ин метавонад effective energy content-ро дар fixed feedstock mass 30-40 фоиз тағйир диҳад.

Seasonality-и biogas

Biogas availability бо Beta distribution ва log-normal noise модел шудааст:

\[ Q_b(t)=A(t)\cdot W(t)\cdot\varepsilon(t) \]

\[ A(t)\sim\operatorname{Beta}(\alpha(t),\beta(t)),\qquad \varepsilon(t)\sim\operatorname{LogN}(0,\sigma_\varepsilon^2) \]

\[ \alpha(t)=\bar{\alpha}+\Delta\alpha\cos\left(\frac{2\pi t}{T_{yr}}\right) \]

\[ \beta(t)=\bar{\beta}+\Delta\beta\sin\left(\frac{2\pi t}{T_{yr}}\right) \]

Барои representative bagasse unit арзишҳои ᾱ = 2,31, β̄ = 1,87, Δα = 0,42 ва Δβ = 0,38 дода шудаанд. W(t) factor-и вобаста ба day of week дар диапазони 0,85-1,00 мебошад.

Дар Шакли 8 availability дар январ-феврал тақрибан 0,25-0,30 аст, аз апрел босуръат боло меравад, тақрибан июл дар сатҳи 0,9 ба peak мерасад ва дар ноябр-декабр боз паст мешавад. График фосилаи апрел-ноябрро ҳамчун bagasse crushing season нишон медиҳад.

Эзоҳи dimension: Дар nomenclature-и PDF Q_b(t) ҳамчун biogas injection бо воҳиди MW муайян шудааст. Аммо A(t), W(t) ва ε(t) дар Equation 13 dimensionless мебошанд ва дар formula nominal-capacity multiplier бо воҳиди MW дида намешавад. Агар values normalized набошанд, equation аз ҷиҳати dimensional analysis нопурра аст. Таҳқиқот ин scaling-ро возеҳ муайян накардааст.

Ҳамоптимизатсияи bioenergy ва battery

Solar, biogas, battery ва thermal backup generation дар rolling horizon-и яксоата ва 12 interval якҷо optimized шудаанд:

\[ \min_P\sum_{t=1}^{T}\left[C_gP_g(t)+C_dP_d(t)+\boldsymbol{\lambda}\|R(P(t))\|_1+\gamma D(E(t))\right] \]

Power balance:

\[ P_s(t)+P_b(t)+P_d(t)+P_g(t)-P_c(t)=P_D(t) \]

Battery energy state:

\[ E(t+1)=\eta E(t)+\eta_cP_c(t)-\frac{1}{\eta_d}P_d(t) \]

Bounds:

\[ E^{\min}\leq E(t)\leq E^{\max},\qquad P_c(t),P_d(t),P_g(t)\geq0 \]

• P_s solar generation мебошад.
• P_b biogas generation мебошад.
• P_c battery charging power мебошад.
• P_d battery discharging power мебошад.
• P_g thermal backup generation мебошад.
• E(t) battery energy state бо MWh мебошад.

Battery degradation model

Battery degradation вобаста ба depth of discharge модел шудааст:

\[ D(E)=\kappa_1\,DoD(E)^{\kappa_2} \]

\[ DoD(E)=\frac{E^{\max}-E}{E^{\max}} \]

Барои lithium iron phosphate cells κ₁ = 0,0031 ва κ₂ = 1,53 истифода шудаанд. Графики рости Шакли 7 нишон медиҳад, ки вақте state of charge аз 20 фоиз поён меравад, degradation penalty босуръат зиёд мешавад. Аз ин рӯ model кӯшиш мекунад deep discharge-и battery-ро маҳдуд кунад.

Муаллиф гузориш медиҳад, ки deep-discharge cycles 41 фоиз кам шуда, battery calendar life 2,3 сол зиёд шудааст. Аммо дар PDF initial battery life, temperature conditions, cycle count, capacity-loss curve ё detailed calculation table, ки ба натиҷаи 2,3 сол мерасонад, дода нашудааст.

Маҳдудиятҳои ramping ва operating duration-и biogas

Барои пешгирӣ аз тағйири ногаҳонии generation-и biogas plant ramping constraints илова шудаанд:

\[ P_b(t)-P_b(t-1)\leq R_b^{up}u_b(t)\Delta t \]

\[ P_b(t-1)-P_b(t)\leq R_b^{down}\left(1-u_b(t)\right)\Delta t \]

Minimum up ва down times:

\[ \sum_{\tau=t}^{t+T^{up}-1}u_b(\tau)\geq T^{up}\left(u_b(t)-u_b(t-1)\right) \]

\[ \sum_{\tau=t}^{t+T^{dn}-1}\left(1-u_b(\tau)\right)\geq T^{dn}\left(u_b(t-1)-u_b(t)\right) \]

Five-minute decision interval истифода шудааст; ramping limit 5 фоизи nominal capacity дар як дақиқа ва minimum up/down duration шаш interval, яъне 30 дақиқа, муайян шудааст.

Эзоҳи мутобиқати formula: Дар тарафи рости Equation 19 1-u_b(t) мавҷуд аст. Вақте unit on аст ва u_b(t)=1, тарафи рост zero мешавад ва unit наметавонад generation-ро дар operating state кам кунад. Дар standard ramping model интизор меравад operating unit тавонад controlled ramp-down кунад. Аз ин рӯ мумкин аст equation дорои typography, notation ё modeling issue бошад. PDF rationale-и ин choice-ро шарҳ намедиҳад.

Landfill gas ва carbon credit

Landfill gas бо IPCC first-order decay model ифода шудааст:

\[ Q_{LFG}(t)=L_0\sum_jm_je^{-k(t-t_j)}\left(1-e^{-k}\right) \]

• m_j waste mass-и deposited дар year j мебошад.
• L₀ = 170 m³/t methane generation potential мебошад.
• k = 0,057 year^-1 decay coefficient мебошад.

Carbon-credit revenue чунин дода шудааст:

\[ Rev_C(t)=\phi\cdot GWP_{CH_4}\cdot\pi_C\cdot Q_{LFG}(t) \]

φ = 0,50 methane fraction; GWP_CH4 = 28 global-warming potential-и methane; π_C carbon-credit price-ро нишон медиҳад.

Эзоҳи unit:Q_LFG cubic meters of gas аст, дар ҳоле ки carbon-credit price одатан ҳамчун currency per tonne CO₂-equivalent ифода мешавад. Дар equation methane density, volume-to-mass conversion ва tonne conversion factor дида намешавад. Аз ин рӯ revenue formula дар шакле, ки дар PDF навишта шудааст, аз ҷиҳати dimensional completeness нопурра аст.

Audit ва governance

Гуфта мешавад, ки барои ҳар adaptation event маълумоти зерин ба audit log-и SHA-256 linked сабт мешавад:

• Timestamp,
• VAS value,
• Updated parameter blocks,
• Gradient values,
• Dispatch cost пеш ва баъд аз update.

Агар record баъдан тағйир дода шавад, hash values-и баъдӣ invalid мешаванд ва тағйирот ошкор мегардад. Ин approach record integrity медиҳад; аммо model-и interpretable, ки шарҳ диҳад чаро decision дуруст аст, намесозад. Ғайр аз ин, SHA-256 log худ аз худ access control, cybersecurity, authentication ё regulatory approval маъно надорад.

Таҳқиқот инчунин equity term пешниҳод мекунад, ки дар минтақаҳои дорои energy access-и паст ба load shedding penalty-и иловагӣ медиҳад:

\[ \mathcal{L}_{equity}(\theta)=\mathcal{L}_{DA}(\theta)+\mu\sum_{a:CEA(a)<\tau}n_a\left(1-CEA(a)\right)\mathbf{1}[shed(a,\theta)] \]

CEA(a) community energy access index-и region, n_a population ва indicator function нишон медиҳад, ки дар region load shedding татбиқ шудааст ё не. Аз сабаби набудани necessary regional data, ин equity term дар таҳқиқот experimentally test нашудааст.

Dataset ва evaluation setup

Таҳқиқот Eskom panel бо 23 generation unit муайян мекунад:

• 14 coal units,
• 2 nuclear units,
• 3 gas ё diesel units,
• 3 REIPPPP bioenergy units,
• 1 pumped-storage unit.

Аз давраи 2015-2021 барои training 1.827 рӯз, аз дохили 2019-2021 барои validation 546 рӯз ва аз давраи 2022-2025 барои test 904 рӯз истифода шудааст. Test panel бо 288 five-minute interval дар як рӯз ба маҷмӯи 260.352 interval мувофиқ аст.

PDF мегӯяд cost coefficients аз annual reports ва energy-modeling databases, load-shedding stages аз open GitHub calendar archive гирифта шудаанд. Ҳамзамон навишта шудааст, ки actual Eskom SCADA data аз сабаби confidentiality public нест ва synthetic proxy data бо same statistical properties пешниҳод шудааст.

Ин explanation ба таври возеҳ ҷудо намекунад, ки actual five-minute measurements, values derived from annual reports ва synthetic data дар test panel бо чӣ proportions истифода шудаанд. Азбаски raw SCADA records shared нашудаанд, independent reproduction-и main Eskom results маҳдуд аст.

Моделҳои муқоисашуда

Натиҷаҳои асосии cost

Positive values нишон медиҳанд cost нисбат ба MPC пасттар аст, negative values cost-и баландтарро нишон медиҳанд. Overall difference байни adaptive model ва full retraining танҳо 0,7 percentage points аст. Муаллиф инро чунин тафсир мекунад, ки selecting small fraction of parameters қисми зиёди gain-и full retraining-ро нигоҳ медорад.

Дар text баъд аз истифодаи ибораи “1,6 фоиз cost reduction” барои merit-order method, гуфта мешавад method аз MPC 1,6 фоиз бадтар аст. Азбаски table value -%1,6 аст, тафсири дуруст cost reduction нест, балки 1,6 фоиз cost increase нисбат ба MPC мебошад.

Мушкилоти арифметикӣ дар adaptation time

PDF гузориш медиҳад, ки sparse adaptation-и 4,2-дақиқаӣ нисбат ба full training-и 6,8-соата 94 фоиз computational-cost reduction медиҳад. Аммо агар танҳо wall-clock times-и дода муқоиса шаванд:

\[ 1-\frac{4,2}{6,8\times60}\approx0,9897 \]

Ин ба тақрибан 98,97 фоиз time reduction мувофиқ аст. Агар 94 фоиз ба operation, hardware utilization ё overhead metric-и дигар асос ёбад, ин metric дар PDF шарҳ дода нашудааст. Ҳамин section theoretical operation reduction-ро 99,9 фоиз медиҳад.

Натиҷаҳои anomaly detection

Таҳқиқот бо detection-и 11 аз 12 pre-fault event 91,7 фоиз sensitivity ва 3,7 фоиз false-positive rate гузориш медиҳад. Average early warning 8,3 five-minute interval, яъне 41,5 дақиқа мебошад.

Дар Шакли 6 VAS score тақрибан 8,3 interval пеш аз load-shedding onset аз alarm threshold мегузарад, дар “critical slowing down” region боло меравад ва дар event onset peak мекунад. Ин graph representative most severe Stage 6 event-ро нишон медиҳад; distribution-и ҳамаи events-ро нишон намедиҳад.

Номувофиқии false alarm: Дар text навишта шудааст, ки 9.618 false-positive record тақрибан 1,2 alarm/day мебошад. Азбаски evaluation 904 рӯз аст, direct interval-level calculation:

\[ \frac{9.618}{904}\approx10,6 \]

Ин тақрибан 10,6 false-positive five-minute interval per day медиҳад. Агар consecutive alarms дар як event merge шуда бошанд, 1,2 alarm/day мумкин аст; аммо чунин alarm-merging rule дар PDF шарҳ дода нашудааст. Агар system ҳар alarm-ро ба human review равона кунад, ин difference метавонад operational workload-ро ҷиддӣ тағйир диҳад.

Илова бар ин, 91,7 фоиз detection rate танҳо аз 12 fault event ҳисоб шудааст. Илова ё хориҷ шудани як event rate-ро тақрибан 8,3 percentage points тағйир медиҳад. Аз ин рӯ result набояд пеш аз validation бо larger event sets ҳамчун stable field performance тафсир шавад.

Ablation analysis чиро нишон медиҳад?

Ҳангоми хориҷ кардани VAS, cost advantage 9,5 percentage points ва ҳангоми хориҷ кардани sparse parameter selection 4,1 percentage points кам шудааст. Ин results нишон медиҳанд, ки дар experimental setup-и худи таҳқиқот ҳам timing-и update ва ҳам selective parameter update ба performance саҳм мегузоранд.

Oscillation-и босуръат дар biogas commands

Шакли 5 се method-ро дар 20 interval баъд аз onset-и Stage 4 муқоиса мекунад. Red line, ки full gradient descent-ро ифода мекунад, байни normalized power-и тақрибан 0,3 ва 0,95 босуръат рафтуомад мекунад. Sparse method бо green line smooth trajectory дорад. MPC бо grey dashed line lowest variability-ро нишон медиҳад.

Sparse model total variation-ро нисбат ба full gradient descent тақрибан 4,2 маротиба кам кардааст. Бо вуҷуди ин, total variation-и MPC бо 0,08 аз sparse model пасттар аст. Хулосаи таҳқиқот ин нест, ки sparse method аз ҳамаи methods smooth-тар аст, балки он аст, ки нисбат ба full-network update oscillation-ро ба таври равшан кам мекунад.

Sparsity ratio sensitivity

Дар graph-и чапи Шакли 7 cost reduction дар атрофи r = 0,02 аз тақрибан 14 фоиз оғоз шуда, боло меравад, дар атрофи r = 0,06 бо тақрибан 23,4 фоиз peak мекунад ва дар higher ratios тадриҷан паст мешавад. Таҳқиқот мегӯяд performance дар диапазони 0,04-0,10 нисбатан robust аст.

Very low update ratios барои омӯхтани topology-и тағйирёбанда нокифоя мемонанд, very high ratios бошад метавонанд дар unaffected parameters forgetting ва computational load-и бештар ба вуҷуд оранд.

Устуворӣ ба missing SCADA channels

Вақте ҳангоми test 10 фоизи measurement channels random mask шуданд, overall cost reduction аз 23,4 фоиз ба 22,1 фоиз, ва ҳангоми mask кардани 20 фоиз ба 19,8 фоиз паст шуд. Азбаски 20 фоиз masking ба 3,6 percentage-point loss мувофиқ аст, таҳқиқот мегӯяд fourth hypothesis supported шудааст.

Гузориш шудааст, ки VAS detection rate дар 91,7 фоиз боқӣ мондааст. Аммо alarm threshold дар complete data calibrated шудааст. Худи таҳқиқот низ қабул мекунад, ки дар real missing-data environment threshold бояд бо masked validation data аз нав танзим шавад.

KKT feasibility check

Таҳқиқот гузориш медиҳад, ки ҳамаи solutions дар 904-day panel аз рӯи Karush-Kuhn-Tucker conditions санҷида шудаанд. Primal feasibility residual бо power balance ва bounds аз 10^-3 MW, dual feasibility residual аз 10^-2 ZAR/MW паст мондааст. Ramping constraints дар 99,97 фоизи intervals қонеъ шудаанд; 0,03 фоизи violations бо repair layer дар AGC module ислоҳ шудаанд.

Low KKT residuals numerical feasibility-и applied continuous ё relaxed optimization problem-ро дастгирӣ мекунанд. Аммо бояд ба назар гирифт, ки binary operating decisions бо sigmoid relaxed шудаанд ва таъсири repair operations ба cost ва optimality муфассал гузориш нашудааст.

Fuel-cost ва load-shedding-duration sensitivity

Дар Шакли 4 biofuel cost 20 фоиз, 50 фоиз ва 100 фоиз зиёд карда шуда; load-shedding duration дар base condition ва doubled condition муқоиса шудааст. Cost advantage дар color map байни 18,1 фоиз ва 24,9 фоиз мондааст.

Вақте biofuel cost 100 фоиз зиёд мешавад, economic advantage-и bioenergy кам шуда, thermal backup generation weight бештар мешавад. Вақте load-shedding duration ду баробар мешавад, VAS early warning аз 8,3 interval ба 6,1 interval кам шуда, detection rate 87,5 фоиз гузориш шудааст.

Validation дар Europe ва Ghana

Таҳқиқот дар German, French ва Iberian ENTSO-E data нисбат ба MPC 17,2 фоиз cost reduction гузориш медиҳад. Seasonal model, ки ба Ghana biogas data мутобиқ карда шудааст, дар 2023 test data 8,7 фоиз mean absolute percentage error тавлид кардааст.

Ин results дар PDF ҳамчун aggregate values дода шудаанд. Country-level sample counts, cost coefficients, training-test split, error distributions ва statistical uncertainties пешниҳод нашудаанд. Аз ин рӯ results preliminary demonstration барои cross-continent transferability мебошанд; comprehensive external validation нестанд.

Оё R 3,1 billion saving estimate бозтавлидшаванда аст?

Таҳқиқот гузориш медиҳад, ки 23,4 фоиз cost reduction ба R 3,1 billion saving нисбат ба MPC ва R 4,7 billion нисбат ба actual merit-order operation мувофиқ аст. Дар calculation explanation values-и зерин дода шудаанд:

• Average thermal backup cost: R 2.800/MWh,
• Peak system demand: 29 GW,
• Evaluation intervals: 130.176 five-minute intervals,
• Cost reduction: 23,4 фоиз.

Direct multiplication-и ин values чунин аст:

\[ 29.000\ \mathrm{MW}\times\frac{5}{60}\ \mathrm{saat}\times130.176\times2.800\ \mathrm{R/MWh}\times0,234 \]

\[ \approx \mathrm{R}\ 206,1\ \mathrm{milyar} \]

Ин result аз R 3,1 billion-и дода дар PDF хеле баландтар аст. Албатта, treating full 29 GW peak demand ҳамчун thermal backup generation дар ҳар interval realistic нест. R 3,1 billion result мумкин аст ба much smaller thermal-backup energy volume ё additional scaling coefficient такя кунад. Аммо available energy amount, capacity factor, load-shedding hours ё applicable cost base дар PDF дода нашудаанд; аз ин рӯ estimate-и R 3,1 billion аз inputs-и зикршуда мустақилона бозтавлид намешавад.

Илова бар ин, evaluation matrix 260.352 five-minute interval дорад, дар ҳоле ки economic-impact calculation 130.176 interval истифода мекунад. Сабаби ба нисф кам шудани ин number шарҳ дода нашудааст. Аз ин рӯ billion-Rand economic result бояд бо uncertainty-и баландтар аз method-performance table баррасӣ шавад.

Ҷиҳатҳои қавии таҳқиқот

• Decision-aware objective пешниҳод мекунад, ки ба ҷои prediction error мустақиман dispatch cost-ро ҳадаф мегирад.
• Anomaly detection-ро бо timing-и parameter update муттаҳид мекунад.
• Parameters-и навшавандаро ҳам аз рӯи loss sensitivity ва ҳам таъсир ба physical power output интихоб мекунад.
• Бо adaptive 3-15 фоиз update ratio response-и вобаста ба event severity тарҳрезӣ мекунад.
• Bioenergy seasonality, battery degradation, ramping ва carbon revenue-ро дар як model баррасӣ мекунад.
• Ablation, missing data, fuel cost ва sparsification-ratio sensitivity analyses пешниҳод мекунад.
• Audit log ва KKT feasibility check-ро ба model architecture дохил мекунад.
• Баъзе methodological limits-и худро ва инро, ки VAS thermodynamic free energy нест, возеҳ мегӯяд.

Маҳдудиятҳои асосии таҳқиқот

• Таҳқиқот preprint буда, аз peer review нагузаштааст.
• Actual Eskom SCADA data public нестанд ва separation-и real-synthetic data ба қадри кофӣ detailed пешниҳод нашудааст.
• Танҳо як random seed истифода шудааст; repetitions, standard deviations ва confidence intervals report нашудаанд.
• VAS detection rate танҳо аз 12 pre-fault event ҳисоб шудааст.
• Дар false alarms/day calculation, time-reduction percentage ва economic saving calculation arithmetic inconsistencies вуҷуд доранд.
• Дар biogas ва carbon-credit equations unit ё capacity scaling нопурра аст.
• Ramp-down constraint ба шакле навишта шудааст, ки гӯё unit ҳангоми on будан generation-ро кам карда наметавонад.
• Convergence theorem ба strong convexity assumption вобаста аст; ин assumption барои deep network-и истифодашуда нишон дода нашудааст.
• Detailed lifetime data барои бозтавлиди 2,3-year battery-life extension пешниҳод нашудааст.
• ENTSO-E ва Ghana results ҳамчун aggregate values бидуни detailed experimental tables дода шудаанд.
• Equity-weighted load-shedding function пешниҳод шудааст, вале аз сабаби data shortage test нашудааст.
• Field pilot танҳо дар discussion stage аст; actual operational success нишон дода нашудааст.
• Гуфта шудааст code ва баъзе calibrated parameters танҳо баъд аз acceptance нашр мешаванд.

Таҳқиқот чиро дастгирӣ мекунад?

• Дар evaluation panel-и пешниҳодшуда selective parameter update натиҷаҳои cost-и наздик ба full retraining додааст.
• Ҳангоми хориҷ кардани VAS trigger Stage 5-6 performance ба таври назаррас паст шудааст.
• Sparse proximal update нисбат ба full gradient descent oscillation-и biogas commands-ро кам кардааст.
• Бартарии model бо баланд шудани load-shedding severity зиёд шудааст.
• Ҳангоми 20 фоиз SCADA channel loss cost advantage пурра аз байн нарафтааст.
• Joint planning-и bioenergy ва storage дар model environment-и таҳқиқот additional cost advantage тавлид кардааст.

Таҳқиқот чиро исбот намекунад?

• Исбот намекунад, ки method дар actual Eskom control center бехатар ва муваффақ кор мекунад.
• R 3,1 billion saving воқеан ба даст меояд, боэътимод нишон намедиҳад.
• Исбот намекунад, ки SHA-256 log танҳо худ NERSA regulatory approval медиҳад.
• Нишон намедиҳад, ки AI model дар ҳамаи conditions ба global optimum converge мекунад.
• Нишон намедиҳад, ки VAS ҳамаи load-shedding ё plant faults-ро 41,5 дақиқа пештар муайян мекунад.
• Исбот намекунад, ки battery дар actual field ҳатман 2,3 сол бештар кор мекунад.
• Нишон намедиҳад, ки South Africa results мустақиман ба ҳамаи African ё European grids transfer мешаванд.
• Нишон намедиҳад, ки equity-weighted load shedding low-income areas-ро дар real operation муҳофизат мекунад.

Маънои эҳтимолӣ барои ҷомеа ва energy system

Агар method бо real field data validate шавад, метавонад ба bioenergy plants кӯмак кунад, ки сарфи назар аз variable feedstock conditions бо reliability бештар дар dispatch иштирок кунанд. Fast adaptation потенсиали кам кардани expensive thermal backup generation ва renewable curtailment-ро дар sudden topology changes during load-shedding stages дорад.

Илова кардани battery degradation ба objective function барои пешгирӣ аз overuse-и storage system ба хотири short-term cost gain равона шудааст. Equity weight бошад policy tool пешниҳод мекунад, ки метавонад disproportionate load shedding-и areas бо low energy access-ро маҳдуд кунад. Аммо ин social component ҳанӯз бо data test нашудааст.

Муҳимтарин current contribution-и таҳқиқот пешниҳод кардани роҳи сеюм байни full retraining ва no adaptation аст: танҳо parameters-еро нав кардан, ки барои decision error масъуланд, пеш аз он ки grid disruption пурра зоҳир шавад. Future research бояд ин approach-ро бо real SCADA streams, multiple independent test years, different hardware, field pilots ва reliable economic energy volumes санҷад.

Усул ва бозёфтҳои таҳқиқот

Хулосаи техникии усул

Бозёфтҳои асосии рақамӣ

Тафсири техникии натиҷаҳои таҷрибавӣ

• Нав кардани 6 фоизи parameters тақрибан 97 фоизи overall cost gain-и full retraining-ро нигоҳ доштааст.
• Бо зиёд шудани load-shedding severity relative performance-и fixed DQN, PPO ва LSTM models бадтар шуда, advantage-и adaptive model зиёд шудааст.
• Бе VAS fixed-time update advantage-и adaptation before event onset-ро аз даст додааст.
• Ҳангоми хориҷ кардани sparsity adaptation time аз 4,2 дақиқа ба 68 дақиқа зиёд шуда, performance 4,1 percentage points паст шудааст.
• Гузориш шудааст, ки 78 фоизи updated parameters дар bioenergy ва storage modules ҷойгиранд.
• Sparse model total variation-и biogas commands-ро нисбат ба full gradient descent аз 0,80 ба 0,19 p.u. паст кардааст.
• Performance дар атрофи r = 0,06 ба баландтарин арзиш расида, дар higher update ratios паст шудааст.

Арзёбии омодагӣ ба нашр

Таҳқиқот comprehensive theoretical ва computational framework пешниҳод мекунад, аммо results набояд бе peer review, open real-time data, multiple random repeats ва independent field testing ҳамчун final operational evidence қабул шаванд. Хусусан arithmetic inconsistencies дар economic saving, false-alarm frequency ва computational-time percentage бояд пеш аз published version равшан карда шаванд.

Гузориш шудааст, ки model бо 48-second margin ба five-minute AGC cycle ҷой мегирад. Агар ин margin real field delays, аз ҷумла network communication, data cleaning, security checks, KKT repair, human approval ва hardware load-ро дар бар нагирад, метавонад дар implementation нокифоя бошад. Pilot-site discussion field deployment нест ва latency, safety ва maintenance requirements дар actual dispatch system бояд separately test шаванд.

Эзоҳи манбаъ ва усул

Номи пурраи аслии таҳқиқот: Decision-Aware Adaptive Dispatch for Bioenergy-Integrated Power Systems Under Load-Shedding: A Sparse Gradient Framework with Variational Anomaly Detection and Adaptive Sparsity

Муаллиф: Ntebogang Dinah Moroke.

Тартиби муаллифон: Таҳқиқот якмуаллифа аст.

Co-first author: Маълумот дар бораи equal contribution ё co-first authorship вуҷуд надорад.

Муаллифи масъул: Ntebogang Dinah Moroke. Дар PDF contact address ҳамчун Ntebo.Moroke@nwu.ac.za дода шудааст.

Муассиса: Department of Statistics and Operations Research, Faculty of Economic and Management Sciences, North-West University, Mafikeng Campus, South Africa.

DOI:10.2139/ssrn.6947519.

Маҷалла: Verified peer-reviewed journal version вуҷуд надорад.

Платформаи нашр: SSRN.

Ношири аслӣ: Peer-reviewed journal publisher аз ин version тасдиқ карда намешавад. Таҳқиқоти баррасишуда SSRN preprint мебошад.

Соли нашр: 2026.

Ҳолати peer review: Ин таҳқиқот preprint буда, аз peer review нагузаштааст. Дар саҳифаҳои PDF огоҳии “This preprint research paper has not been peer reviewed” мавҷуд аст.

Навъи манбаъ: Preprint-и таҳқиқотии computational modeling, artificial intelligence, optimization ва energy-system data analysis.

Пайванди расмӣ:Саҳифаи abstract ва record-и SSRN.

Маблағгузорӣ: Муаллиф изҳор кардааст, ки таҳқиқот funding-и махсус нагирифтааст.

Бархӯрди манфиатҳо: Муаллиф гузориш додааст, ки conflict of interest вуҷуд надорад.

Маълумот ва код: PDF мегӯяд synthetic bioenergy-grid dataset бо 131.400 node-hour observation дар Zenodo бо MIT license пешниҳод шудааст. Actual Eskom SCADA data аз сабаби confidentiality shared намешавад. Навишта шудааст, ки code ва additional calibration information баъд аз acceptance-и таҳқиқот нашр мешаванд.

Изҳороти истифодаи AI: Изҳор шудааст, ки AI-assisted tools барои LaTeX typesetting ва narrative review истифода шудаанд; scientific content, mathematical derivations ва conclusions ба муаллиф тааллуқ доранд.

Усули омодасозии мундариҷа: Ин мақолаи туркӣ бо баррасии пурраи PDF-и боршуда — mathematical equations, tables, bibliometric graph, model architecture, cost graphs, VAS curve, sensitivity map, biogas-command graph, battery-degradation curve ва seasonal-availability graph — омода шудааст. Берун аз PDF scientific finding илова нашудааст. External verification танҳо барои DOI, author ва official SSRN source identity истифода шудааст.

Огоҳии асосии методологӣ: Натиҷаҳои асосӣ ба computational study-и аз peer review нагузашта такя мекунанд, ки actual SCADA data-и он public нест ва дар баъзе sections synthetic proxy data истифода кардааст. Cost reduction, early warning ва battery-life results набояд ҳамчун real field operational success тафсир шаванд.

Огоҳии асосии рақамӣ: 94 фоиз computational reduction-и гузоришшуда аз times-и дода, 1,2 false alarm per day аз confusion matrix ва R 3,1 billion saving аз economic inputs-и зикршуда мустақиман бозтавлид намешаванд. Ин results бе supporting additional calculation набояд ҳамчун definitive economic ё operational values истифода шаванд.