基于内嵌物理知识卷积神经网络的电力系统暂态稳定评估

针对现有数据驱动的电力系统暂态评估方法依赖大规模数据集且可解释性不足的问题,文中将物理知识嵌入传统数据驱动方法,提出一种基于内嵌物理知识卷积神经网络的电力系统暂态稳定评估方法。该方法考虑大规模风电并网的电力系统,将电力系统暂态稳定物理方程内嵌至神经网络损失函数,通过神经网络直接逼近物理过程,使输出结果满足物理规律,提高暂态稳定评估的可靠性与可解释性。通过数据与知识双驱动,所提方法不依赖大规模训练数据集,依然具有较好的鲁棒性与泛化能力。此外,所提方法通过卷积神经网络进行特征提取与降维,解决拓扑数据无法直接作为神经网络输入的难题。在含风机的IEEE 9节点和IEEE 39节点测试系统上的实验结果表明,所提方法在准确率、计算效率、泛化能力等方面相较现有方法有显著提升。

深度学习在边界层流动稳定性分析中的应用

基于线性稳定性理论(linear stability theory,LST)的e^(N)方法是边界层转捩预测中比较可靠的方法之一。为了将传统LST特征值问题的求解过程大幅度简化和自动化,使用卷积神经网络(convolutional neural network,CNN)在边界层相似性解的LST分析样本集上进行训练,针对流向和横流不稳定性,分别在自然层流翼型和无限展长后掠翼上预测扰动的当地增长率、N因子和转捩位置,结果与标准LST一致性良好;验证了CNN可以将边界层剖面速度型导数信息编码为满足伽利略不变性的标量特征,在翼型边界层中起到了表征压力梯度的作用,在后掠翼边界层中起到了表征横流强度的作用;在CNN对LST特征值预测的基础上,以LST控制方程、边界条件和平凡解惩罚项构造总损失函数来训练内嵌物理信息神经网络(physics-informed neural network,PINN),实现了在不依赖样本的情况下对LST特征函数的准确预测,结果表明PINN可以为LST的特征函数问题提供有效的建模方法。

基于PINN的复合材料自动铺放轨迹整体规划

自动纤维铺放能有效地提高复材构件的制造效率和质量。为满足复材构件的力学性能要求及铺放质量要求,在给定曲面目标域内生成铺放轨迹时需要同时考虑转弯半径、纤维角偏差以及轨迹间距等工艺指标。现有铺放轨迹规划方法大多在对基准轨迹进行优化后,通过路径密化生成铺放轨迹。这仅能保证所生成的轨迹满足单一要求,难以整体满足多个优化目标。为实现多优化目标下的复合材料自动铺放轨迹整体规划,本文将轨迹规划问题转换成为目标域内的泛函优化问题,利用内嵌物理知识神经网络(Physics-informed neural network,PINN)实现目标函数的求解,并提取目标函数的等值线作为轨迹规划的结果。相较于现有策略,本文提出的方法能整体兼顾轨迹的方向性、可铺性以及间隙质量,为实现先进复合材料自动铺放轨迹整体规划提供新思路。