物理信息神经网络局限性：智能电网替代模型研究

物理信息神经网络（Physics-Informed Neural Networks, PINNs）通过将物理规律直接整合到学习框架中，为智能电网建模提供了一种变革性的方法，解决了传统数据驱动方法在数据稀缺和物理一致性方面的关键挑战。本文评估了PINNs作为智能电网动态替代模型的能力， 将其性能与 XGBoost、随机森林和线性回归进行比较，基于三个关键实验：插值、交叉验证和情景轨迹预测。通过仅使用基于物理的损失函数训练PINNs（强制执行功率平衡、运行约束和电网稳定性），我们展示了其在误差降低方面的优越性。值得注意的是，尽管在极端运行条件下略有性能下降，PINNs仍能可靠地捕捉动态电网操作中的状态转换，适用于随机和专家驱动的控制场景，而传统模型表现不稳定。尽管在极端运行条件下略有性能下降，PINNs始终能强制执行物理可行性，证明其在安全关键型应用中至关重要。我们的结果为建立PINNs作为智能电网替代工具的范式转变提供了依据，弥合了数据驱动灵活性与基本原理严谨性之间的鸿沟。这一工作推动了实时电网控制和可扩展的数字孪生体系，强调在关键能源系统中物理感知架构的必要性。