本研究利用物理信息神经网络（PINNs）的集成模型（E-PINNs）来解决具有缺失参数和摆动方程中的不确定性传播的电力系统的暂态稳定性挑战，并在提高准确性和降低计算负载方面估计关键参数的角度和惯性系数。E-PINNs 利用摆动方程的基本物理原理提供稳健的解决方案，不仅促进了高效的参数估计，还量化了不确定性，为系统行为提供了概率洞察。通过对一台和两台电力系统的分析，证明了 E-PINNs 的有效性，突出了该模型处理参数变异性和数据稀缺性的能力。该研究推动了机器学习在电力系统稳定性方面的应用，为可靠且计算效率高的暂态稳定性分析铺平了道路。

Nov, 2023

本文通过研究物理信息驱动的神经网络（PINNs）来编码控制方程，并评估其在两个不同系统的实验数据上的表现。我们发现，在简单的非线性摆系统中，PINNs 在理想数据情况下胜过了等效的无信息神经网络（NNs），在 10 个线性间隔和 10 个均匀分布的随机训练点上的准确度分别提高了 18 倍和 6 倍。在使用来自实验的真实数据进行类似测试的情况下，PINNs 相对于 NNs 的准确度提高了 9.3 倍和 9.1 倍，分别对应于 67 个线性间隔和均匀分布的随机点。此外，我们还研究了物理信息驱动模型在物理系统中的可行性，并选择 FPGA 作为部署计算的基板。鉴于此，我们使用了一台 PYNQ-Z1 FPGA 进行实验，并找出了与时间相干感知和空间数据对齐相关的问题。根据提出的系统架构和方法，我们讨论了从这项工作中获得的见解，并列出了未来工作计划。

Jan, 2024

通过物理信息神经网络（PINNs）整合物理规律的先验知识，本研究提出了一种新颖的方法用于加速电力系统状态估计，以监测电力系统的运行情况。该方法在保持高准确性的同时，显著降低了状态估计的计算复杂性，实验证明其准确度提高了 11％，结果的标准偏差降低了 75％，收敛速度提高了 30％。

Oct, 2023

本文介绍了基于物理知识的神经网络（Physics-Informed Neural Networks）可以用于预测无法通过物理工具观测到的关键参数，并提出了一种称为 AutoPINN 的框架，以自动化设计基于物理知识的神经网络模型，该模型结合了自动机器学习技术和针对特定资源限制的搜索策略，可以提高模型准确度，减少设计时间。

Dec, 2022

对物理启发机器学习中的物理信息神经网络和相关模型的数值分析结果进行综合评述，并重点阐述了在近似偏微分方程时 PINN 所产生的误差在各个组成部分的行为，以及与 PDE 类型和基础域维度相关的逼近、概括和训练误差的可用结果。同时阐明了解的稳定性和解的规则性对误差分析的作用，最后通过数值结果来说明训练误差对物理启发机器学习中各种模型整体性能的不利影响。

Jan, 2024

提出了一种结构保持的物理导向神经网络 (PINNs) 方法，通过设计结构保持的损失函数和利用系统的李雅普诺夫结构来提高 PINNs 的性能，从而改进了 PINNs 对偏微分方程的数值精度，并提高了模型对图像数据中对抗扰动的鲁棒性。

Jan, 2024

将机器学习与物理学相结合是一种研究未知动力学的热门方法，其中一种被广泛研究的框架是基于物理方程的神经网络（PINN）。此论文介绍了一种稳健的 PINN 训练方法，通过减少损失项，构建了一个较简化的优化过程，应用于电池模型以同时估计其状态和参数。

Nov, 2023

利用物理信息神经网络（PINN）解决离散时间的非线性观测者状态估计问题，通过解决一个非齐次泛函方程组来学习非线性状态转换映射。通过两个说明性案例研究评估了所提出的 PINN 方法的性能，并与传统的基于幂级数数值实现方法进行了不确定性量化分析。

Feb, 2024

提出了一种物理信息神经网络（PINN）方法，用于发现 ODEs 的一般类别快慢动力系统的缓慢不变流形（SIMs），通过将向量场分解为快慢分量并提供底层 SIM 的闭合形式泛函的方法

Mar, 2024

使用简化形式的 Vlasov-Poisson 系统（1D1V）作为物理启发神经网络（PINN）应用于波粒共振的测试样本。首先将 PINN 作为 Vlasov-Poisson 系统解法的压缩方法进行测试，并与标准神经网络进行比较。其次，还介绍了将 PINN 应用于 Vlasov-Poisson 系统求解，重点放在积分部分，这促使了基于自动微分求解偏微分方程和自动积分求解积分方程的 PINN 变体，称为可积性 PINN（I-PINN）的实现。

Aug, 2023