論文の概要: Neural Controlled Differential Equations for EMT-Level Surrogate Modeling of Grid-Forming Inverters

• arxiv url: http://arxiv.org/abs/2607.16258v1
• Date: Sun, 28 Jun 2026 10:47:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 00:46:13.061749
• Title: Neural Controlled Differential Equations for EMT-Level Surrogate Modeling of Grid-Forming Inverters
• Title（参考訳）: 格子形インバータのEMTレベルサーロゲートモデリングのためのニューラルネットワークによる微分方程式
• Authors: Jiagang Qu, Yong Tao, Dan Wang, Enyi Li, Jingjing Qi, Ding Wang,
• Abstract要約: 本稿では,電磁過渡(EMT)シミュレーションのためのグリッドフォーミングインバータの連続的サロゲートモデル学習のためのニューラル制御微分方程式フレームワークを提案する。 物理に着想を得た正則化法を用いて安定性とコヒーレンスを高める。 The results shows that Neural CDE-based component modeling provide a physically consistent surrogate modeling approach for EMT-level Simulation study。
• 参考スコア（独自算出の注目度）: 13.252561724661085
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The application of artificial intelligence methods in power electronic converter modeling is becoming increasingly widespread, but existing applications still face many challenges, such as difficulties in multi-time-scale hybrid analysis and the lack of physics-aware evaluation criteria and constraints, resulting in poor performance. This paper proposes a Neural Controlled Differential Equation (Neural CDE) framework for learning continuous-time surrogate models of grid-forming inverters for electromagnetic transient (EMT) simulation, which relaxes the constraint of fixed sampling rates and enables multi-time-scale control analysis. Then, an affine-control formulation with dual slow/fast pathways is proposed to capture the hierarchical and multiscale behavior of converter dynamics, and a physics-inspired regularization method is utilized to enhance stability and coherence. Evaluated on EMT-generated trajectories, the model accurately reproduces transient responses, preserves effective damping and the dominant oscillatory characteristics, and maintains bounded long-horizon rollouts. The results show that Neural CDE-based component modeling offers a physically consistent surrogate modeling approach for EMT-level simulation studies.
• Abstract（参考訳）: パワー・エレクトロニック・コンバータ・モデリングにおける人工知能の応用はますます広まりつつあるが、既存の応用は、マルチ・タイム・スケールのハイブリッド分析の難しさや、物理学的評価基準や制約の欠如など、多くの課題に直面している。 本稿では,電磁過渡法(EMT)シミュレーションのためのグリッドフォーミングインバータの連続的サロゲートモデル学習のためのニューラル制御微分方程式(Neural Controlled Differential Equation,Neural CDE)フレームワークを提案する。 そこで, コンバータ力学の階層的, マルチスケール的挙動を捉えるために, 二重低速経路をもつアフィン制御の定式化を提案し, 安定性とコヒーレンスを高めるために物理学に着想を得た正則化法を開発した。 EMT生成軌道の評価を行い, 過渡応答を正確に再現し, 有効減衰と支配振動特性を保ち, 境界長軸ロールアウトを維持する。 The results shows that Neural CDE-based component modeling provide a physically consistent surrogate modeling approach for EMT-level Simulation study。

関連論文リスト

• Time-Delayed Transformers for Data-Driven Modeling of Low-Dimensional Dynamics [0.0]
  非定常時間力学のデータ駆動モデリングのための時間遅延変換器(TD-TF)を提案する。 アーキテクチャは意図的に最小限であり、1つの自己アテンション層と1つの汎用層と1つのフィードフォワード層で構成されている。 数値実験により,TD-TFは線形に近い系において強い線形基底線の性能と一致し,非線形系やカオス系では著しく優れていた。
  論文  参考訳（メタデータ） (2026-02-09T10:22:43Z)
• Causal Multi-fidelity Surrogate Forward and Inverse Models for ICF Implosions [0.0]
  inertial confinement fusion (ICF) は、実験的な観測とシミュレーション入力パラメータに関する逆問題の解法を必要とする。 ここでは、ICFカプセルの重水素トリチウム(DT)界面を考察し、時間依存の放射温度駆動から界面の半径と速度のダイナミクスにマッピングする因果的、動的、多面的還元次代理を構築する。 我々は,高エネルギー密度システムの発見,設計,診断を加速するために,演算子学習,因果的アーキテクチャ,物理的帰納バイアスをいかに統合するかを示す。
  論文  参考訳（メタデータ） (2025-09-05T21:39:53Z)
• 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)
• Trajectory Flow Matching with Applications to Clinical Time Series Modeling [77.58277281319253]
  Trajectory Flow Matching (TFM) は、シミュレーションのない方法でニューラルSDEを訓練し、ダイナミックスを通してバックプロパゲーションをバイパスする。 絶対的性能と不確実性予測の観点から,3つの臨床時系列データセットの性能向上を実証した。
  論文  参考訳（メタデータ） (2024-10-28T15:54:50Z)
• Amortized Control of Continuous State Space Feynman-Kac Model for Irregular Time Series [14.400596021890863]
  医療、気候、経済などの現実世界のデータセットは、しばしば不規則な時系列として収集される。 本稿では,連続状態空間モデル (ACSSM) を時系列の連続的動的モデリングに用いるためのアモータイズ制御を提案する。
  論文  参考訳（メタデータ） (2024-10-08T01:27:46Z)
• Conditional Generative Models for Simulation of EMG During Naturalistic Movements [45.698312905115955]
  本稿では、運動単位活性化電位波形を生成するために、逆向きに訓練された条件付き生成ニューラルネットワークを提案する。 本研究では,より少ない数の数値モデルの出力を高い精度で予測的に補間できることを実証する。
  論文  参考訳（メタデータ） (2022-11-03T14:49:02Z)
• Data-driven Control of Agent-based Models: an Equation/Variable-free Machine Learning Approach [0.0]
  複雑/マルチスケールシステムの集合力学を制御するための方程式/変数自由機械学習(EVFML)フレームワークを提案する。 提案手法は3段階からなる: (A) 高次元エージェントベースシミュレーション、機械学習(特に非線形多様体学習(DM)) 創発力学の数値分岐解析を行うために方程式のない手法を用いる。 我々は,エージェントをベースとしたシミュレータを本質的で不正確に知られ,創発的なオープンループ定常状態に駆動する,データ駆動型組込み洗浄制御器を設計する。
  論文  参考訳（メタデータ） (2022-07-12T18:16:22Z)
• Dynamic Mode Decomposition in Adaptive Mesh Refinement and Coarsening Simulations [58.720142291102135]
  動的モード分解(DMD)はコヒーレントなスキームを抽出する強力なデータ駆動方式である。 本稿では,異なるメッシュトポロジと次元の観測からDMDを抽出する戦略を提案する。
  論文  参考訳（メタデータ） (2021-04-28T22:14:25Z)

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。