.png){kind=icon}
返回
Modified hard-constrained PINNs for physically consistent microgrid transient response modeling
.png){kind=icon}
PRE
AI
DOI：10.1016/j.ijepes.2025.110726.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
微电网的精确动态等效建模对配网运营商至关重要，但现有方法在高维参数空间中面临物理一致性与可扩展性之间的权衡。本研究提出了一种物理一致的微电网暂态等效建模参数调优范式，其中灰箱模型结构作为先验物理知识，硬约束物理信息神经网络（PINN）实现了在非线性动力学下高维参数的自动化发现。与传统的用于暂态响应分析的“结构优先”灰箱模型相比，本方法统一了物理保真度与数据驱动的适应性，在微电网等效建模中实现了可解释性与泛化能力的新平衡。关键创新在于实现了物理一致的微电网暂态分析参数调优，其中硬约束PINN作为可微分仿真器，在严格遵循动态常微分方程（ODEs）的同时导航高维空间。该范式通过梯度感知探索非凸景观消除了传统手动调优问题，解决了保真度与测量噪声适应性之间的权衡。在实时数字仿真（RTDS）控制硬件在环（CHIL）平台上的实验验证表明，基于PINN的参数相较于传统方法提高了动态响应精度并减小了误差范围。
Keyword:
Physics-informed neural network
Microgrid
Equivalent model
Parameters estimation
Ordinary differential equation
期刊
I
IF:
5
论文数:
1.1W
被引数:
3.1W
机构
引用论文
Gradient-enhanced physics-informed neural networks for forward and inverse PDE用于正向和反向PDE的梯度增强物理通知神经网络
OAAI
OAAI分享收藏Energy management of a microgrid considering nonlinear losses in batteries through Deep Reinforcement Learning.png)
APPLIED ENERGYOAAI
APPLIED ENERGYIF11
OAAI分享收藏A method for estimating the state of health of lithium-ion batteries based on physics-informed neural network基于物理神经网络的锂离子电池健康状态估计方法ENERGY
ENERGYIF9.4
PREAI
分享收藏Two-stage optimal scheduling of an islanded microgrid considering uncertainties of renewable energy考虑可再生能源不确定性的孤岛微电网两阶段优化调度OAAI
OAAI分享收藏
查看更多内容