基于物理信息神经网络模型的闭环 dc-dc 转换器仿真
系统与控制
2025-06-25 v1 机器学习
系统与控制
摘要
电力电子日益增长的依赖带来了新挑战，需要详细的时间域分析以实现快速和准确的电路仿真工具。当前的商业时间域仿真软件主要依赖基于物理的方法来模拟电力电子。最近的工作表明，数据驱动和基于物理的学习方法可以在准确性有限度的前提下提高仿真速度，但在部署到商业工具之前仍存在诸多挑战。在本文中，我们提出了一种基于物理信息的双向长短期记忆神经网络 (BiLSTM-PINN) 模型，用于模拟闭环 dc-dc 升压转换器的时间域响应，以各种运行点、参数和扰动为变量。我们还训练了一个基于物理的全连接神经网络 (FCNN) 和一个 BiLSTM 进行比较。随后对这三种方法进行比较，使用阶跃响应测试来评估其在准确性方面的性能和局限性。结果表明，BiLSTM-PINN 和 BiLSTM 模型分别在中位数 RMSE 上比 FCNN 模型高出 9 倍和 4.5 倍。它们的标准差分别比 FCNN 小 2.6 和 1.7，使其也更一致。这些结果表明，提出的 BiLSTM-PINN 是其他基于物理或数据驱动方法进行电力电子仿真的潜在替代方案。
引用
@article{arxiv.2506.19178,
title = {Simulation of a closed-loop dc-dc converter using a physics-informed neural network-based model},
author = {Marc-Antoine Coulombe and Maxime Berger and Antoine Lesage-Landry},
journal= {arXiv preprint arXiv:2506.19178},
year = {2025}
}
备注
8 pages, 6 figures, Paper submitted to the International Conference on Power Systems Transients (IPST2025) in Guadalajara, Mexico, June 8-12, 2025