論文の概要: RAPTOR: RAndom-projection Physics-informed Transient sOlveR

• arxiv url: http://arxiv.org/abs/2609.29714v1
• Date: Mon, 31 Aug 2026 14:59:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:56.116998
• Title: RAPTOR: RAndom-projection Physics-informed Transient sOlveR
• Title（参考訳）: RAPTOR:Random-Projection Physics-informed Transient sOlveR
• Abstract要約: 本稿では,電力系統の動的シミュレーションのための一級時間領域シミュレーションフレームワークであるRAPTORを紹介する。 RAPTORは、時間間隔でハイブリッド微分代数方程式(DAE)の未知の軌道を表す新しい積分手法を導入している。 RBFを広く局所化された形状と組み合わせることで、RAPTORは比較的長い時間間隔で複雑なマルチタイムスケールの振る舞いを表現できる。
• 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: The complexity of time-domain simulation of modern power systems has increased significantly because converter-based resources introduce control dynamics that must be simulated alongside slower system-level and fast electromagnetic dynamics. The resulting wide range of timescales may force classical time-domain solvers to use small timesteps, complicate the solution of nonlinear equations at each timestep, and reduce solver reliability under strongly nonlinear and multi-timescale transient conditions. This paper introduces RAPTOR, a first-of-its-kind time-domain simulation framework for power system dynamic simulations. At its core, RAPTOR introduces a new integration technique that represents the unknown trajectory of hybrid differential-algebraic equations (DAEs) over a time interval using a physics-informed random-projection neural network (PIRPNN) built from fixed Gaussian radial basis functions (RBFs). A nonlinear solver, e.g., Newton-Raphson, determines how to combine the fixed RBFs so that the resulting trajectory satisfies the governing equations. By combining RBFs with broad and localized shapes, RAPTOR can represent complex multi-timescale behavior over comparatively long time intervals. This enables larger effective simulation advances, fewer overall nonlinear solver iterations, and faster integration over long time horizons. Numerical studies on stiff RMS models, IEEE 9-, 14-, 39-, 57-, and 118-bus RMS simulation benchmarks, and EMT test cases show that RAPTOR accurately finds solutions with substantially fewer sequential simulation advances while offering superior accuracy-runtime performance. With speedups of over 10x in certain cases, these results showcase RAPTOR's potential to outperform long-standing and widely used integration methods, such as the Radau method and the trapezoidal rule.
• Abstract（参考訳）: 電力系統の時間領域シミュレーションの複雑さは、コンバータベースのリソースが、遅いシステムレベルと高速な電磁力学とともにシミュレートされなければならない制御ダイナミクスを導入し、大幅に増大している。 結果として生じる幅広い時間スケールは、古典的な時間領域ソルバに小さな時間ステップの使用を強制し、各時間ステップにおける非線形方程式の解を複雑にし、強い非線形およびマルチ時間スケールの過渡条件下でソルバの信頼性を低下させる。 本稿では,電力系統の動的シミュレーションのための一級時間領域シミュレーションフレームワークであるRAPTORを紹介する。 RAPTORは、物理インフォームドランダムプロジェクションニューラルネットワーク(PIRPNN)を用いて、時間間隔でハイブリッド微分代数方程式(DAE)の未知の軌道を表す新しい統合手法を導入した。 非線形解法、例えばニュートン=ラフソン (Newton-Raphson) は、固定されたRBFを結合して軌道が支配方程式を満たすようにする方法を決定する。 RBFを広く局所化された形状と組み合わせることで、RAPTORは比較的長い時間間隔で複雑なマルチタイムスケールの振る舞いを表現できる。 これにより、より大規模な効率的なシミュレーションの進歩、全体的な非線形解法イテレーションの削減、長い時間的地平線上での統合の高速化が可能になる。 強靭なRMSモデル,IEEE 9-, 14-, 39-, 57-, 118-bus RMSシュミレーションベンチマーク, EMTテストケースの数値実験により, RAPTORは精度と実行時の性能を向上しつつ, 極めて少ない逐次シミュレーションによる解を正確に見つけることができた。 特定のケースでは10倍以上のスピードアップにより、RapTORはRadau法やTrapezoidal法といった長年広く使われている積分法よりも優れている可能性が示された。

関連論文リスト

• Trajectory-Optimized Time Reparameterization for Learning-Compatible Reduced-Order Modeling of Stiff Dynamical Systems [0.2877671212386687]
  時間再パラメータ化(TR)は、ニューラルODEの低次モデリングのための剛性緩和機構である。 本研究では, TR をニューラルODE の低次モデリングのための剛性緩和機構として検討し, トラジェクトリ最適化TR (TOTR) の定式化を導入する。 ToTRは、パラメータ化された剛性線形系、ファンデルポル発振器、HIRES化学動力学モデルという3つの硬質問題で評価される。
  論文  参考訳（メタデータ） (2026-03-17T14:33:59Z)
• Time Marching Neural Operator FE Coupling: AI Accelerated Physics Modeling [3.0635300721402228]
  本研究は、物理インフォームド・ディープ・オペレーター・ネットワークをドメイン分解によりFEMと統合する新しいハイブリッド・フレームワークを導入する。 動的システムの課題に対処するため、DeepONetに直接タイムステッピングスキームを組み込み、長期エラーの伝搬を大幅に低減する。 提案手法は, 従来手法に比べて収束率を最大20%向上させるとともに, 誤差マージンが3%未満の解の忠実度を保ちながら, 収束率の高速化を図っている。
  論文  参考訳（メタデータ） (2025-04-15T16:54:04Z)
• MultiPDENet: PDE-embedded Learning with Multi-time-stepping for Accelerated Flow Simulation [48.41289705783405]
  マルチスケールタイムステップ(MultiPDENet)を用いたPDE組み込みネットワークを提案する。 特に,有限差分構造に基づく畳み込みフィルタを少数のパラメータで設計し,最適化する。 4階ランゲ・クッタ積分器を微細な時間スケールで備えた物理ブロックが確立され、PDEの構造を埋め込んで予測を導出する。
  論文  参考訳（メタデータ） (2025-01-27T12:15:51Z)
• On Fast Simulation of Dynamical System with Neural Vector Enhanced Numerical Solver [59.13397937903832]
  ニューラルベクトル(NeurVec)と呼ばれる深層学習に基づく補正手法を提案する。 NeurVecは、統合エラーを補償し、シミュレーションでより大きなタイムステップサイズを可能にする。 様々な複雑な力学系ベンチマークの実験により、NeurVecは顕著な一般化能力を示すことが示された。
  論文  参考訳（メタデータ） (2022-08-07T09:02:18Z)
• DiffPD: Differentiable Projective Dynamics with Contact [65.88720481593118]
  DiffPDは、暗黙の時間積分を持つ効率的な微分可能なソフトボディシミュレータである。 我々はDiffPDの性能を評価し,様々な応用における標準ニュートン法と比較して4～19倍のスピードアップを観測した。
  論文  参考訳（メタデータ） (2021-01-15T00:13:33Z)
• Fast and differentiable simulation of driven quantum systems [58.720142291102135]
  我々は、ダイソン展開に基づく半解析手法を導入し、標準数値法よりもはるかに高速に駆動量子系を時間発展させることができる。 回路QEDアーキテクチャにおけるトランスモン量子ビットを用いた2量子ゲートの最適化結果を示す。
  論文  参考訳（メタデータ） (2020-12-16T21:43:38Z)
• Hierarchical Deep Learning of Multiscale Differential Equation Time-Steppers [5.6385744392820465]
  本研究では,時間スケールの異なる範囲にわたる動的システムのフローマップを近似するために,ディープニューラルネットワークの時間ステップ階層を構築した。 結果のモデルは純粋にデータ駆動であり、マルチスケールのダイナミックスの特徴を活用する。 我々は,LSTM,貯水池計算,クロックワークRNNなどの最先端手法に対して,我々のアルゴリズムをベンチマークする。
  論文  参考訳（メタデータ） (2020-08-22T07:16:53Z)
• Liquid Time-constant Networks [117.57116214802504]
  本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。 暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。 これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
  論文  参考訳（メタデータ） (2020-06-08T09:53:35Z)

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。