論文の概要: Tools to Explain Neural Networks for Power System Dynamics

• arxiv url: http://arxiv.org/abs/2608.08048v1
• Date: Sat, 08 Aug 2026 10:23:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:36.62215
• Title: Tools to Explain Neural Networks for Power System Dynamics
• Title（参考訳）: 電力系統ダイナミクスのためのニューラルネットワークの解説ツール
• Authors: Petros Ellinas, Johanna Vorwerk, Spyros Chatzivasileiadis,
• Abstract要約: 本稿では、電力系統力学のための機械学習サロゲートモデルのトレーニング性能を説明するための分析ツールを提案する。 本稿では,機械学習サロゲートの性能を解析・改善するために必要な分析ツールを提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This paper presents, for the first time in power systems literature to our knowledge, analytical tools to explain the training performance of machine learning surrogate models for power system dynamics. Power system simulations are increasingly challenged by stiff and multi-timescale dynamics arising from converter-interfaced resources and fast control loops. Machine learning surrogates emerge as promising tools to handle this complexity and accelerate dynamic simulations. However, their performance remains difficult to interpret, which limits their adoption. Building on the small-signal eigenvalue analysis in power systems, this paper uses the Neural Tangent Kernel (NTK) method. NTK delivers a modal interpretation of the learning performance, identifying error modes that decay rapidly versus others that converge slowly. This connection explains how physical stiffness and timescale separation in power system dynamic models appear as optimization stiffness during Neural Network (NN) training. Based on this analysis, we develop adaptive loss-weighting strategies to improve and explain why structure-aware neural architectures, such as ActNet, perform better than vanilla NNs. We assess the proposed approach on physics-informed machine learning surrogate models of \acp{SM} and power electronic converters. The methods introduced in this paper can deliver the necessary analytical tools to interpret and improve the performance of machine learning surrogates, paving the way for the systematic, physics-aware design of NN architectures and training strategies. By moving beyond trial-and-error development, these tools reveal training dynamics and failure modes, support more reliable design decisions, and strengthen confidence in machine-learning surrogates for engineering applications.
• Abstract（参考訳）: 本稿では、電力系統の文献の中で初めて、電力系統力学のための機械学習サロゲートモデルの訓練性能を説明するための分析ツールについて述べる。 電力系統シミュレーションは、コンバータインタフェースリソースと高速制御ループから生じる強固でマルチタイムなダイナミクスによって、ますます困難になってきている。 機械学習は、この複雑さに対処し、動的シミュレーションを加速する有望なツールとして浮上する。 しかし、彼らのパフォーマンスは解釈が難しいままであり、それが採用を制限している。 本稿では、電力系統における小信号固有値解析に基づいて、ニューラルタンジェントカーネル(NTK)法を用いる。 NTKは学習性能のモーダル解釈を提供し、ゆっくりと収束する他のものに対して急速に減衰するエラーモードを特定する。 この接続は、ニューラルネットワーク(NN)トレーニング中に、電力系統の動的モデルにおける物理的剛性と時間スケールの分離が最適化剛性としてどのように見えるかを説明する。 この分析に基づいて、ActNetのような構造認識型ニューラルネットワークがバニラNNよりも優れた性能を示す理由を改良し、説明するための適応的損失重み付け戦略を開発する。 本稿では, 物理インフォームド・マシンラーニング・サロゲートモデルである \acp{SM} とパワー・エレクトロニック・コンバータについて検討する。 本稿では,機械学習サロゲートの解釈と性能向上に必要な解析ツールを提供し,NNアーキテクチャとトレーニング戦略の体系的,物理学的設計の道を開く。 試行錯誤開発を超えて、これらのツールはトレーニングのダイナミクスと障害モードを明らかにし、より信頼性の高い設計決定をサポートし、エンジニアリングアプリケーションのための機械学習サロゲートの信頼性を強化する。

関連論文リスト

• Rethinking the Role of Dynamic Sparse Training for Scalable Deep Reinforcement Learning [58.533203990515034]
  ニューラルネットワークのスケーリングは機械学習における画期的な進歩をもたらしたが、このパラダイムは深層強化学習(DRL)では失敗している。 我々は、動的スパーストレーニング戦略が、アーキテクチャの改善によって確立された主要なスケーラビリティ基盤を補完するモジュール固有の利点を提供することを示す。 アーキテクチャ改善の利点を生かした実践的なフレームワークであるModule-Specific Training (MST) にこれらの知見を精査し、アルゴリズムの修正なしに様々なRLアルゴリズムをまたいだ大幅なスケーラビリティ向上を示す。
  論文  参考訳（メタデータ） (2025-10-14T03:03:08Z)
• Physics-Informed Neural Networks for Electrical Circuit Analysis: Applications in Dielectric Material Modeling [0.0]
  物理情報ニューラルネットワーク(PINN)は、物理法則を直接学習プロセスに組み込むことによって、有望なアプローチを提供する。 本稿では、PINNの実装に特化して設計されたDeepXDEフレームワークの機能と制限について説明する。 電流(ln(I))に対数変換を適用することにより,PINN予測の安定性と精度が著しく向上することを示す。
  論文  参考訳（メタデータ） (2024-11-13T19:08:36Z)
• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• 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)
• Physics-Informed Neural Networks for Time-Domain Simulations: Accuracy, Computational Cost, and Flexibility [0.0]
  物理インフォームドニューラルネットワーク(PINN)は,非線形力学系の計算を劇的に高速化するための,有望なソリューションである。 本研究では,負荷変動に対する動的応答に着目し,これらの手法の適用性について検討する。 そこで本研究では,損失関数に勾配に基づく項を導入することにより,ニューラルネットワーク(NN)トレーニングの新たな正規化を提案する。
  論文  参考訳（メタデータ） (2023-03-15T23:53:32Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Real-time Neural-MPC: Deep Learning Model Predictive Control for Quadrotors and Agile Robotic Platforms [59.03426963238452]
  モデル予測制御パイプライン内の動的モデルとして,大規模で複雑なニューラルネットワークアーキテクチャを効率的に統合するフレームワークであるReal-time Neural MPCを提案する。 ニューラルネットワークを使わずに、最先端のMPCアプローチと比較して、位置追跡誤差を最大82%削減することで、実世界の問題に対する我々のフレームワークの実現可能性を示す。
  論文  参考訳（メタデータ） (2022-03-15T09:38:15Z)
• 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)
• DAE-PINN: A Physics-Informed Neural Network Model for Simulating Differential-Algebraic Equations with Application to Power Networks [8.66798555194688]
  DAE-PINNは非線形微分代数方程式の解軌跡を学習し、シミュレーションするための最初の効果的なディープラーニングフレームワークである。 我々のフレームワークは、ペナルティベースの手法を用いて、DAEを(近似的に)厳しい制約として満たすためにニューラルネットワークを強制する。 DAE-PINNの有効性と精度を3バス電力ネットワークの解軌跡を学習・シミュレーションすることで示す。
  論文  参考訳（メタデータ） (2021-09-09T14:30:28Z)

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。