用于参数识别的物理信息神经网络：变压器案例研究
信号处理
2025-04-30 v1
摘要
系统级条件监测方法估计变压器器中多个组件的电气参数，以评估其健康状态。估计的准确性和变化率在不同参数之间差异显著。例如，变压器中电感估计通常比电感电阻更准确且更稳定。然而，这些性能差异尚未以更系统的方法进行分析，否则条件监测结果可能不可靠。因此，本文分析了训练损失景观对于变压器器的多个参数，以提供不同性能的系统性解释。如果训练损失较高且平滑，则估计的电路参数通常是准确的，且具有较低的变化率。此外，提出了一种新颖的物理信息神经网络 (PINN)，相对于现有 PINN 方法具有更快的收敛速度和更低的计算要求。该方法通过仿真进行验证，其中损失景观识别不可靠的参数估计，而 PINN 能够估计剩余参数。
引用
@article{arxiv.2504.20528,
title = {Physics-Informed Neural Network for Parameter Identification: a Buck Converter Case Study},
author = {Shuyu Ou and Subham Sahoo and Ariya Sangwongwanich and Frede Blaabjerg and Mahyar Hassanifar and Martin Votava and Marius Langwasser and Marco Liserre},
journal= {arXiv preprint arXiv:2504.20528},
year = {2025}
}
备注
This paper is accepted by ECCE Asia 2025. This project is supported by the European Union Horizon 2020 research and innovation program under the Marie Sklodowska-Curie grant agreement No. 955614, SMARTGYSUM