.png){kind=icon}
返回
Physics-Informed Machine Learning for Power System Dynamics: A Framework Incorporating Trustworthiness
.png){kind=icon}
PRE
AI
DOI：10.1016/j.segan.2025.101818.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文介绍了一种应用于电力系统动态的值得信赖的物理信息机器学习（PIML）框架，强调用于安全关键应用中神经网络（NN）模型的透明性、可解释性和可说明性。随着换流器接口资源的大规模部署以及发电和需求方面不确定性的增加，迫切需要计算效率高且能可靠近似复杂动态行为的模型。通过将物理定律嵌入机器学习模型中，物理信息神经网络（PINNs）为更快速、更准确的动态模拟提供了潜力。我们提出了模型降阶和验证方法，引入了新颖的正确性验证技术和一种基于可解释性的架构，即科尔莫戈罗夫-阿诺德网络（KANs），以增强对NN近似的信任。此外，我们提出了PINNSim，一种利用PINNs进行大时间步长动态模拟的集成仿真工具，并通过降阶同步机（SM）模型展示了其性能。这项工作为设计透明、可解释且经过严格验证的PIML框架做出了贡献，以加速可靠AI工具在电力系统中的部署。
Keyword:
trustworthy machine learning
physics-informed neural networks
power system dynamics
interpretability
model validation
期刊
IF:
5.6
论文数:
614
被引数:
5.1K
机构
暂无机构信息
引用论文
Machine learning driven smart electric power systems: Current trends and new perspectives机器学习驱动的智能电力系统: 当前趋势和新视角.png)
APPLIED ENERGY
APPLIED ENERGYIF11
PREAI
分享收藏Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations物理信息神经网络: 一种用于解决涉及非线性偏微分方程的正反问题的深度学习框架
OAAI
OAAI分享收藏Explainable Machine Learning for Scientific Insights and Discoveries用于科学见解和发现的可解释机器学习IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏Guaranteed approximation error estimation of neural networks and model modificationNEURAL NETWORKSOAAI
NEURAL NETWORKSIF6.3
OAAI分享收藏MINN: Learning the Dynamics of Differential-Algebraic Equations and Application to Battery Modeling
PREAI
分享收藏Error estimates for physics-informed neural networks approximating the Navier–Stokes equations近似navier-stokes方程的物理通知神经网络的误差估计
OAAI
OAAI分享收藏
查看更多内容