用于智能电网节点级电池动力学科学机器学习的通用微分方程
机器学习
2025-06-11 v1 信号处理
摘要
通用微分方程 (Universal Differential Equations, UDEs) 将神经网络与物理微分方程相融合，已成为科学机器学习 (SciML) 的强大框架，能够实现数据高效、可解释且物理一致的建模。在智能电网系统中，由于太阳能输入的随机性与家庭负荷曲线的多变性，对节点级电池动力学进行建模仍是一项挑战。传统方法通常难以泛化，且无法捕捉未建模的残差动力学。本工作提出了一种基于 UDE 的方法，通过将神经残差嵌入物理启发的电池常微分方程 (ODE) 中，来学习节点特定的电池演化。使用合成但逼真的太阳能发电与负荷需求数据来模拟电池随时间的动力学。神经组件学习对由节点需求与环境条件的异质性引起的未观测或随机校正进行建模。综合实验表明，训练后的 UDE 与真实电池轨迹高度吻合，展现出平滑的收敛行为，并在长期预测中保持稳定性。这些发现证实了基于 UDE 的 SciML 方法在去中心化能源网络电池建模中的可行性，并暗示了其在含可再生能源的智能电网中实时控制与优化方面的更广泛意义。
引用
@article{arxiv.2506.08272,
title = {Universal Differential Equations for Scientific Machine Learning of Node-Wise Battery Dynamics in Smart Grids},
author = {Tarushri N. S.},
journal= {arXiv preprint arXiv:2506.08272},
year = {2025}
}