論文の概要: Verification and Validation of Physics-Informed Surrogate Component Models for Dynamic Power-System Simulation

• arxiv url: http://arxiv.org/abs/2603.17836v1
• Date: Wed, 18 Mar 2026 15:28:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-19 18:32:57.794102
• Title: Verification and Validation of Physics-Informed Surrogate Component Models for Dynamic Power-System Simulation
• Title（参考訳）: 動的パワーシステムシミュレーションのための物理インフォームド・サロゲート成分モデルの検証と検証
• Authors: Petros Ellinas, Indrajit Chaudhuri, Johanna Vorwerk, Spyros Chatzivasileiadis,
• Abstract要約: 物理インフォームド機械学習サロゲートは、ジェネレータ、コンバータ、その他の電力グリッドコンポーネントの動的シミュレーションを加速するために、ますます研究されている。 本稿では,シミュレーションにおける検証と検証の問題を定式化する。 次に、参照コンポーネントソルバに対するモデルベース検証と、シミュレータと交換されたコンポーネント出力変数の共形校正によるデータベース検証の2つの相補的な設定について検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Physics-informed machine learning surrogates are increasingly explored to accelerate dynamic simulation of generators, converters, and other power grid components. The key question, however, is not only whether a surrogate matches a stand-alone component model on average, but whether it remains accurate after insertion into a differential-algebraic simulator, where the surrogate outputs enter the algebraic equations coupling the component to the rest of the system. This paper formulates that in-simulator use as a verification and validation (V\&V) problem. A finite-horizon bound is derived that links allowable component-output error to algebraic-coupling sensitivity, dynamic error amplification, and the simulation horizon. Two complementary settings are then studied: model-based verification against a reference component solver, and data-based validation through conformal calibration of the component-output variables exchanged with the simulator. The framework is general, but the case study focuses on physics-informed neural-network surrogates of second-, fourth-, and sixth-order synchronous-machine models. Results show that good stand-alone surrogate accuracy does not by itself guarantee accurate in-simulator behavior, that the largest discrepancies concentrate in stressed operating regions, and that small equation residuals do not necessarily imply small state-trajectory errors.
• Abstract（参考訳）: 物理インフォームド機械学習サロゲートは、ジェネレータ、コンバータ、その他の電力グリッドコンポーネントの動的シミュレーションを加速するために、ますます研究されている。 しかし、重要な問題は、サロゲートがスタンドアローンのコンポーネントモデルに平均で一致するかどうかだけではなく、サロゲート出力がシステムの他の部分と結合する代数方程式に入るような微分代数シミュレータに挿入した後も正確であるかどうかである。 本稿では,シミュレーションが検証・検証(V\&V)問題として用いることを定式化する。 許容成分出力誤差を代数結合感度、動的誤差増幅、シミュレーション地平線にリンクする有限水平境界を導出する。 次に、参照コンポーネントソルバに対するモデルベース検証と、シミュレータと交換されたコンポーネント出力変数の共形校正によるデータベース検証の2つの相補的な設定について検討する。 フレームワークは一般的なものだが、このケーススタディでは、2階、4階、6階同期マシンモデルの物理インフォームドニューラルネットワークサロゲートに焦点を当てている。 以上の結果から, 優れたスタンドアローンサロゲート精度は, それ自体が正確なシミュレーション動作を保証するものではないこと, 最大の相違点がストレスのある動作領域に集中していること, 小さい方程式残差が必ずしも小さな状態軌道誤差を含まないこと, などが示唆された。

関連論文リスト

• Quantum Reservoir Computing with Neutral Atoms on a Small, Complex, Medical Dataset [5.786250122999547]
  Rydberg プロセッサ textitAquila 上でのノイズレスエミュレーションとハードウェア実行の両方を用いて量子貯水池計算(QRC)について検討する。 エミュレートされた量子特徴でトレーニングされたモデルは、古典的な特徴でトレーニングされたモデルに匹敵する平均的なテスト精度を達成するが、より高いトレーニング精度とデータ分割に対する大きなばらつきを持ち、オーバーフィッティングと整合する。 この精度の向上と安定性の向上の組み合わせは、ハードウェア実行によって引き起こされる正規化効果を示唆している。
  論文  参考訳（メタデータ） (2026-02-16T11:03:31Z)
• Equivariant Evidential Deep Learning for Interatomic Potentials [55.6997213490859]
  不確かさの定量化は、分子動力学シミュレーションにおける機械学習の原子間ポテンシャルの信頼性を評価するために重要である。 既存のMLIPのUQアプローチは、高い計算コストや準最適性能によって制限されることが多い。 我々は,原子間ポテンシャルの定量的深層学習(texte2$IP)を提案する。
  論文  参考訳（メタデータ） (2026-02-11T02:00:25Z)
• Physics-Informed Learning of Proprietary Inverter Models for Grid Dynamic Studies [0.5999777817331317]
  インバータの固有動力学をエミュレートする物理インフォームドニューラル常微分方程式に基づくフレームワークを開発した。 提案手法はグリッドフォーミングインバータ (GFM) のケーススタディを用いて検証した。
  論文  参考訳（メタデータ） (2025-07-21T05:48:31Z)
• SIMSHIFT: A Benchmark for Adapting Neural Surrogates to Distribution Shifts [10.815077158164684]
  ドメイン適応(DA)技術は、視覚や言語処理において、目に見えない構成に関する限られた情報から一般化するために広く使われている。 SIMSHIFTは,4つの産業シミュレーションタスクからなる新しいベンチマークデータセットと評価スイートである。 目的は、地上の真理シミュレーションデータにアクセスすることなく、ターゲットシミュレーションを正確に予測することである。
  論文  参考訳（メタデータ） (2025-06-13T17:56:49Z)
• G-Sim: Generative Simulations with Large Language Models and Gradient-Free Calibration [48.948187359727996]
  G-Simは、厳密な経験的校正によるシミュレータ構築を自動化するハイブリッドフレームワークである。 信頼性のある因果的インフォームドシミュレータを生成し、データ効率を軽減し、堅牢なシステムレベルの介入を可能にする。
  論文  参考訳（メタデータ） (2025-06-10T22:14:34Z)
• EqCollide: Equivariant and Collision-Aware Deformable Objects Neural Simulator [6.056458618771203]
  EqCollideは、変形可能な物体とその衝突に対する最初のエンドツーエンド同変ニューラルネットワークシミュレータである。 実験の結果、EqCollideは様々なオブジェクト構成に対して正確で安定でスケーラブルなシミュレーションを実現することがわかった。
  論文  参考訳（メタデータ） (2025-06-06T06:49:58Z)
• Addressing Misspecification in Simulation-based Inference through Data-driven Calibration [43.811367860375825]
  本研究は, モデル不特定性を克服するフレームワークであるロPEを導入し, 実世界の小キャリブレーションによる地下構造パラメータの測定を行った。 4つの合成課題と2つの実世界の問題により、RoPEはベースラインを上回り、情報的およびキャリブレーションされた信頼区間を一貫して返却することを示した。
  論文  参考訳（メタデータ） (2024-05-14T16:04:39Z)
• Reduced Simulations for High-Energy Physics, a Middle Ground for Data-Driven Physics Research [0.0]
  サブ原子粒子軌道再構成は高エネルギー物理実験において重要な課題である。 我々は,複雑性低減型検出器モデルとしてREDVID(REDuced VIrtual Detector)と粒子衝突イベントシミュレータコンボを提供する。
  論文  参考訳（メタデータ） (2023-08-30T12:50:45Z)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)
• Equivariant vector field network for many-body system modeling [65.22203086172019]
  Equivariant Vector Field Network (EVFN) は、新しい同変層と関連するスカラー化およびベクトル化層に基づいて構築されている。 シミュレーションされたニュートン力学系の軌跡を全観測データと部分観測データで予測する手法について検討した。
  論文  参考訳（メタデータ） (2021-10-26T14:26:25Z)

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。