Bài báo này đánh giá ứng dụng của Mạng nơ-ron nhân tạo vật lý (PINN), tích hợp trực tiếp vật lý vào khuôn khổ học tập, vào mô hình lưới điện thông minh để giải quyết các vấn đề về khan hiếm dữ liệu và tính nhất quán vật lý. Thông qua ba thí nghiệm (nội suy, xác thực chéo và dự đoán đường dẫn theo từng giai đoạn), chúng tôi so sánh hiệu suất của PINN với XGBoost, Rừng ngẫu nhiên và hồi quy tuyến tính. PINN được đào tạo bằng các hàm mất mát dựa trên vật lý (cân bằng công suất, ràng buộc vận hành và tăng cường độ ổn định của lưới điện) chứng minh hiệu suất tổng quát hóa vượt trội về mặt giảm lỗi so với các mô hình dựa trên dữ liệu. Cụ thể, PINN duy trì MAE thấp trong điều kiện vận hành lưới điện động và nắm bắt đáng tin cậy các chuyển đổi trạng thái trong cả kịch bản điều khiển ngẫu nhiên và do chuyên gia điều khiển, trong khi các mô hình hiện tại cho thấy hiệu suất không ổn định. Mặc dù PINN thể hiện một số suy giảm hiệu suất trong điều kiện vận hành khắc nghiệt, chúng vẫn duy trì tính hợp lý về mặt vật lý, chứng minh vai trò thiết yếu của chúng trong các ứng dụng quan trọng đối với an toàn. Nghiên cứu này góp phần thiết lập PINN như một công cụ mô hình hóa lưới điện thông minh thay thế kết hợp tính linh hoạt dựa trên dữ liệu với tính nghiêm ngặt của nguyên tắc đầu tiên, thúc đẩy khả năng kiểm soát lưới điện theo thời gian thực và bản sao kỹ thuật số có khả năng mở rộng, đồng thời nhấn mạnh nhu cầu về kiến trúc nhận biết vật lý trong các hệ thống năng lượng quan trọng.
