基于深度神经网络的灰箱模型混合仿真
系统与控制
2024-10-23 v1 系统与控制
摘要
仿真对于工程学科至关重要，因为它使能够预测和设计物理系统。然而，大规模仿真所固有的计算挑战常源于复杂的器件模型，这些模型具有高度的非线性或隐藏的物理行为，这些行为未被首要原理捕获。灰箱模型将深度神经网络（DNN）与物理模型相结合，以解决物理系统建模中的计算挑战。一个精心构建的灰箱模型利用物理模型的可解释性和准确性，同时融合 DNN 以捕获隐藏的物理行为并减轻高度非线性组件相关的计算负担。之前的灰箱模型通过定义物理模型和 DNN 模型的显式组合来表示子系统的行为；然而，这无法表示物理系统中的耦合互动。我们探索了一种隐式灰箱模型，其中 DNN 和物理方程共享一组公共状态变量。虽然这种方法捕获了 DNN 和基于物理的模型之间边界的耦合互动，但对隐式灰箱模型的仿真仍是一个开放的问题。在本工作中，我们引入了一种新的混合仿真方法，将 DNN 集成到仿真引擎的数值求解器中，以完全仿真大型物理系统的隐式灰箱模型。这通过在数值方法的每个迭代步骤中反向传播通过 DNN 来计算 Jacobian 值来实现。混合仿真在物理仿真和运行时间方面提高了准确性，并可实现低数据需求的可重用 DNN 模型。我们探讨了本方法相对于物理仿真、黑箱模型以及其他灰箱方法仿真电力系统的稳态和瞬态行为的优势。
关键词
引用
@article{arxiv.2410.17103,
title = {A Hybrid Simulation of DNN-based Gray Box Models},
author = {Aayushya Agarwal and Yihan Ruan and Larry Pileggi},
journal= {arXiv preprint arXiv:2410.17103},
year = {2024}
}