← IBR 动态与物理信息学习

IBR 动态与物理信息学习

面向 IBR 动态的物理信息 Neural ODE

C3 · 核心课程 · 9 个模块

结合数据、物理约束与残差模型学习连续时间动态。

当前提供模块框架；完整讲义、可运行实验与练习解答逐步开发。

先修知识与学习路径

Python、ODE 入门与简单 GFM swing model；进阶项目需要详细变流器建模基础。

模块目录

  1. 动力系统与轨迹数据

    建立简单参考系统并构造有意义的训练轨迹。

    模块提纲

  2. 神经网络基础

    理解用于学习向量场的函数近似器。

    模块提纲

  3. Neural ODE 与学习向量场

    学习导数规律，再通过积分预测轨迹。

    模块提纲

  4. 导数匹配与轨迹匹配

    比较含噪导数标签与穿过数值求解器的梯度。

    模块提纲

  5. 物理约束与残差骨架

    把物理知识放入损失函数或模型架构。

    模块提纲

  6. 连续时间 PINN 与 Neural ODE

    区分学习解函数与学习动态规律。

    模块提纲

  7. 参数辨识与泛化

    区分未知参数估计与给定参数下的预测。

    模块提纲

  8. 学习模型的稳定性诊断

    在形成结论前检查平衡点、局部模态与有限时域恢复。

    模块提纲

  9. 从 Swing Model 到变流器动态

    设计含变流器状态、端口输出与事件的学习实验。

    模块提纲

结课项目

在独立测试轨迹上比较 pure NODE、grey-box 与结合物理的模型。

交付内容

  • 按完整轨迹划分训练、验证与测试集。
  • 明确观测与损失的可复现训练。
  • 附适用限制的轨迹预测与稳定性诊断。