面向电力系统动力学的物理信息Kolmogorov-Arnold网络
系统与控制
2025-06-05 v1 系统与控制
摘要
本文首次提出了一种针对电力系统应用的Kolmogorov-Arnold网络（KAN）框架。灵感来自于近期提出的KAN架构，本文提出了物理信息Kolmogorov-Arnold网络（PIKANs），这是一种新颖的基于KAN的物理信息神经网络（PINN），旨在高效、准确地学习电力系统中的动力学行为。PIKANs为传统基于多层感知器（MLP）的PINN提供了一种具有优越预测精度的替代方案，同时采用更小的网络规模。在单机无穷母线系统和4总线2发电机系统上的仿真结果均表明，PIKANs在预测转子角和频率方面具有优越精度，且所需的可学习参数数量少于传统PINN。此外，仿真结果还表明PIKANs能够准确识别不确定的惯性和阻尼系数。本工作为KANs在电力系统中的应用开辟了一系列机遇，使其能够高效地确定电网动力学并实现精确的参数识别。
引用
@article{arxiv.2408.06650,
title = {Physics-Informed Kolmogorov-Arnold Networks for Power System Dynamics},
author = {Hang Shuai and Fangxing Li},
journal= {arXiv preprint arXiv:2408.06650},
year = {2025}
}
备注
10 pages, 12 figures