論文の概要: Differentiable Modeling for Low-Inertia Grids: Benchmarking PINNs, NODEs, and DP for Identification and Control of SMIB System

• arxiv url: http://arxiv.org/abs/2602.09667v1
• Date: Tue, 10 Feb 2026 11:22:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-11 20:17:43.50893
• Title: Differentiable Modeling for Low-Inertia Grids: Benchmarking PINNs, NODEs, and DP for Identification and Control of SMIB System
• Title（参考訳）: 低慣性格子の微分モデリング:SMIBシステムの同定と制御のためのPINN,NODE,DPのベンチマーク
• Authors: Shinhoo Kang, Sangwook Kim, Sehyun Yun,
• Abstract要約: 本稿では、電力系統力学のモデリング、識別、制御のための異なる微分可能プログラミングパラダイムの比較研究を行う。 軌道外挿,パラメータ推定,線形擬似レギュレータ(LQR)合成における性能評価を行った。 我々の結果は、データ駆動の柔軟性と物理的構造との根本的なトレードオフを強調します。
• 参考スコア（独自算出の注目度）: 17.96236104895915
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The transition toward low-inertia power systems demands modeling frameworks that provide not only accurate state predictions but also physically consistent sensitivities for control. While scientific machine learning offers powerful nonlinear modeling tools, the control-oriented implications of different differentiable paradigms remain insufficiently understood. This paper presents a comparative study of Physics-Informed Neural Networks (PINNs), Neural Ordinary Differential Equations (NODEs), and Differentiable Programming (DP) for modeling, identification, and control of power system dynamics. Using the Single Machine Infinite Bus (SMIB) system as a benchmark, we evaluate their performance in trajectory extrapolation, parameter estimation, and Linear Quadratic Regulator (LQR) synthesis. Our results highlight a fundamental trade-off between data-driven flexibility and physical structure. NODE exhibits superior extrapolation by capturing the underlying vector field, whereas PINN shows limited generalization due to its reliance on a time-dependent solution map. In the inverse problem of parameter identification, while both DP and PINN successfully recover the unknown parameters, DP achieves significantly faster convergence by enforcing governing equations as hard constraints. Most importantly, for control synthesis, the DP framework yields closed-loop stability comparable to the theoretical optimum. Furthermore, we demonstrate that NODE serves as a viable data-driven surrogate when governing equations are unavailable.
• Abstract（参考訳）: 低慣性電力システムへの移行は、正確な状態予測だけでなく、制御のための物理的に一貫した感度を提供するモデリングフレームワークを必要とする。 科学的機械学習は強力な非線形モデリングツールを提供するが、異なる微分可能なパラダイムの制御指向の含意はいまだに十分に理解されていない。 本稿では,物理インフォームドニューラルネットワーク(PINN),ニューラル正規微分方程式(NODE),および電力系統力学のモデリング,識別,制御のための微分可能プログラミング(DP)の比較研究について述べる。 SMIB (Single Machine Infinite Bus) システムをベンチマークとして, 軌道外挿法, パラメータ推定, 線形擬似レギュレータ (LQR) 合成の性能評価を行った。 我々の結果は、データ駆動の柔軟性と物理的構造との根本的なトレードオフを強調します。 NODEは基礎となるベクトル場をキャプチャすることで優れた外挿を示すが、PINNは時間依存の解写像に依存するため、限定的な一般化を示す。 パラメータ識別の逆問題では、DPとPINNの両方が未知のパラメータを回復する一方、DPは厳密な制約として支配方程式を強制することにより、はるかに高速な収束を達成する。 最も重要なことは、制御合成において、DPフレームワークは理論的な最適値に匹敵する閉ループ安定性が得られることである。 さらに、NODEは、制御方程式が利用できない場合、データ駆動サロゲートとして機能することを示した。

関連論文リスト

• PINN-Obs: Physics-Informed Neural Network-Based Observer for Nonlinear Dynamical Systems [2.884893167166808]
  本稿では,非線形システムにおける状態推定のための新しい適応物理インフォームドニューラルネットワークベースオブザーバ(PINN-Obs)を提案する。 明示的なシステム変換や線形化を必要とする従来のモデルベースオブザーバとは異なり、提案フレームワークはシステムダイナミクスとセンサデータを物理インフォームド学習プロセスに直接統合する。
  論文  参考訳（メタデータ） (2025-07-09T10:09:45Z)
• Physics-Informed Neural Networks for Control of Single-Phase Flow Systems Governed by Partial Differential Equations [4.776073133338117]
  物理インフォームド・ニューラルネット・フォー・コントロール(PINC)フレームワークを拡張して,ニューラルネットワークと物理保存法則を統合する。 PDEのPINCモデルは、幅広い制御入力に対する平衡解を学習する定常ネットワークと、時間変化境界条件下で動的応答をキャプチャする過渡的ネットワークの2段階に構成されている。 本研究では,物理法則のみを用いてトレーニングされたPINCモデルを用いて,流れのダイナミクスを正確に表現し,リアルタイム制御が可能であることを実証し,数値実験により本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2025-06-06T15:50:19Z)
• Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
  本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。 具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。 ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
  論文  参考訳（メタデータ） (2025-03-24T03:19:45Z)
• Response Estimation and System Identification of Dynamical Systems via Physics-Informed Neural Networks [0.0]
  本稿では,物理インフォームドニューラルネットワーク(PINN)を用いた力学系の同定と推定について検討する。 PINNは、既知の物理法則をニューラルネットワークの損失関数に直接埋め込むことによって、複雑な現象の単純な埋め込みを可能にするユニークな利点を提供する。 その結果、PINNは上記のすべてのタスクに対して、たとえモデルエラーがあっても、効率的なツールを提供することを示した。
  論文  参考訳（メタデータ） (2024-10-02T08:58:30Z)
• LordNet: An Efficient Neural Network for Learning to Solve Parametric Partial Differential Equations without Simulated Data [47.49194807524502]
  エンタングルメントをモデル化するためのチューナブルで効率的なニューラルネットワークであるLordNetを提案する。 ポアソン方程式と(2Dおよび3D)ナビエ・ストークス方程式を解く実験は、長距離の絡み合いがロードネットによってうまくモデル化できることを示した。
  論文  参考訳（メタデータ） (2022-06-19T14:41:08Z)
• Auto-PINN: Understanding and Optimizing Physics-Informed Neural Architecture [77.59766598165551]
  物理インフォームドニューラルネットワーク(PINN)は、ディープラーニングのパワーを科学計算にもたらし、科学と工学の実践に革命をもたらしている。 本稿では,ニューラル・アーキテクチャ・サーチ(NAS)手法をPINN設計に適用したAuto-PINNを提案する。 標準PDEベンチマークを用いた包括的事前実験により、PINNの構造と性能の関係を探索することができる。
  論文  参考訳（メタデータ） (2022-05-27T03:24:31Z)
• Neural Operator with Regularity Structure for Modeling Dynamics Driven by SPDEs [70.51212431290611]
  偏微分方程式 (SPDE) は、大気科学や物理学を含む多くの分野において、力学をモデル化するための重要なツールである。 本研究では,SPDEによって駆動されるダイナミクスをモデル化するための特徴ベクトルを組み込んだニューラル演算子(NORS)を提案する。 動的Phi41モデルと2d Navier-Stokes方程式を含む様々なSPDE実験を行った。
  論文  参考訳（メタデータ） (2022-04-13T08:53:41Z)
• Data-Driven Optimized Tracking Control Heuristic for MIMO Structures: A Balance System Case Study [8.035375408614776]
  PIDは2入力の2アウトプットバランスシステムで示される。 自己調整型非線形しきい値とニューラルネットワークを統合し、所望の過渡特性と定常特性を妥協する。 ニューラルネットワークは、客観的コスト関数のような重み付き導関数の最適化を訓練する。
  論文  参考訳（メタデータ） (2021-04-01T02:00:20Z)

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。