論文の概要: Universal Differential Equations for Scientific Machine Learning of Node-Wise Battery Dynamics in Smart Grids
- arxiv url: http://arxiv.org/abs/2506.08272v1
- Date: Mon, 09 Jun 2025 22:24:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-11 15:11:40.859366
- Title: Universal Differential Equations for Scientific Machine Learning of Node-Wise Battery Dynamics in Smart Grids
- Title（参考訳）: スマートグリッドにおけるノード幅バッテリダイナミクスの科学的機械学習のための普遍微分方程式
- Authors: Tarushri N. S.,
- Abstract要約: 科学機械学習(SciML)の強力な枠組みとして、普遍微分方程式(UDE)が登場した。
この研究は、ニューラルネットワーク残基を物理的にインスパイアされたバッテリODEに埋め込むことで、ノード固有のバッテリ進化を学習するためのUDEベースのアプローチを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Universal Differential Equations (UDEs), which blend neural networks with physical differential equations, have emerged as a powerful framework for scientific machine learning (SciML), enabling data-efficient, interpretable, and physically consistent modeling. In the context of smart grid systems, modeling node-wise battery dynamics remains a challenge due to the stochasticity of solar input and variability in household load profiles. Traditional approaches often struggle with generalization and fail to capture unmodeled residual dynamics. This work proposes a UDE-based approach to learn node-specific battery evolution by embedding a neural residual into a physically inspired battery ODE. Synthetic yet realistic solar generation and load demand data are used to simulate battery dynamics over time. The neural component learns to model unobserved or stochastic corrections arising from heterogeneity in node demand and environmental conditions. Comprehensive experiments reveal that the trained UDE aligns closely with ground truth battery trajectories, exhibits smooth convergence behavior, and maintains stability in long-term forecasts. These findings affirm the viability of UDE-based SciML approaches for battery modeling in decentralized energy networks and suggest broader implications for real-time control and optimization in renewable-integrated smart grids.
- Abstract（参考訳）: ニューラルネットワークと物理微分方程式をブレンドするUniversal Differential Equations (UDEs)は、科学機械学習(SciML)の強力なフレームワークとして登場し、データ効率、解釈可能、物理的に一貫したモデリングを可能にしている。
スマートグリッドシステムでは、太陽熱入力の確率性と家庭用負荷プロファイルの変動性のために、ノードワイズ電池のダイナミクスをモデル化することは依然として困難である。
伝統的なアプローチは、しばしば一般化に苦しむが、モデルのない残留力学を捉えることに失敗する。
この研究は、ニューラルネットワーク残基を物理的にインスパイアされたバッテリODEに埋め込むことで、ノード固有のバッテリ進化を学習するためのUDEベースのアプローチを提案する。
合成でも現実的な太陽光発電と負荷需要データは、時間の経過とともにバッテリーのダイナミクスをシミュレートするために使用される。
ニューラルネットワークコンポーネントは、ノード要求と環境条件の不均一性から生じる未観測または確率的な補正をモデル化することを学ぶ。
総合的な実験により、訓練されたUDEは地平線電池軌道と密接に一致し、スムーズな収束挙動を示し、長期予測における安定性を維持することが明らかとなった。
これらの結果は, 分散型エネルギーネットワークにおける電池モデリングにおけるUDEベースのSciMLアプローチの実現可能性を確認し, 再生可能集積型スマートグリッドにおけるリアルタイム制御と最適化への広範な影響を示唆している。
関連論文リスト
- Scientific machine learning in ecological systems: A study on the predator-prey dynamics [1.4633779950109127]
我々は、学習データやニューラルネットワークにのみ依存して、システムの事前の知識なしに、基礎となる微分方程式を明らかにすることを目指している。
本稿では,LotkaVolterraシステムの予測と予測に,Neural ODEとUDEの両方を効果的に活用できることを実証する。
基礎となるダイナミクスを効果的に回復し、トレーニングデータを大幅に減らして正確な予測を行うことで、UDEがニューラルODEより優れているかを観察した。
論文 参考訳（メタデータ） (2024-11-11T10:40:45Z) - Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。
新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。
我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
論文 参考訳（メタデータ） (2024-02-20T15:23:24Z) - A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。
我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。
従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
論文 参考訳（メタデータ） (2024-01-26T09:35:17Z) - MINN: Learning the dynamics of differential-algebraic equations and application to battery modeling [2.1303885995425635]
モデル統合ニューラルネットワーク(MINN)と呼ばれる新しい機械学習アーキテクチャを提案する。
MINNは偏微分代数方程式(PDAE)からなる一般自律系または非自律系の物理に基づくダイナミクスを学ぶ
提案したニューラルネットワークアーキテクチャを用いてリチウムイオン電池の電気化学的ダイナミクスをモデル化する。
論文 参考訳（メタデータ） (2023-04-27T09:11:40Z) - Physics-Informed Neural Networks for Prognostics and Health Management
of Lithium-Ion Batteries [8.929862063890974]
物理インフォームドニューラルネットワーク(PINN)に基づくモデル融合方式を提案する。
半経験的半物理偏微分方程式(PDE)を開発し、リチウムイオン電池の劣化ダイナミクスをモデル化する。
発見されたダイナミクス情報は、PINNフレームワークのサロゲートニューラルネットワークがマイニングしたものと融合する。
論文 参考訳（メタデータ） (2023-01-02T17:51:23Z) - Capturing Actionable Dynamics with Structured Latent Ordinary
Differential Equations [68.62843292346813]
本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。
静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
論文 参考訳（メタデータ） (2022-02-25T20:00:56Z) - Constructing Neural Network-Based Models for Simulating Dynamical
Systems [59.0861954179401]
データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。
本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。
基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
論文 参考訳（メタデータ） (2021-11-02T10:51:42Z) - Physics-Integrated Variational Autoencoders for Robust and Interpretable
Generative Modeling [86.9726984929758]
我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。
本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。
合成および実世界のデータセットの集合に対して生成的性能改善を示す。
論文 参考訳（メタデータ） (2021-02-25T20:28:52Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。