본 논문은 결합된 동역학 시스템을 위한 구성적 학습 알고리즘을 개발합니다. 심층 학습은 데이터로부터 복잡한 관계를 모델링하는 데 효과적이지만, 시스템 구성 요소 간의 구성적 결합은 상태 변수에 대수적 제약 조건을 도입하여 기존의 데이터 기반 동역학 시스템 모델링 접근 방식에 어려움을 야기합니다. 제약 동역학 시스템을 위한 심층 학습 모델을 개발하기 위해, 본 논문은 신경망을 사용하여 포트-해밀토니안 DAE의 미분 및 대수 구성 요소 모두에서 알려지지 않은 항을 매개변수화하는 신경 포트-해밀토니안 미분 대수 방정식(N-PHDAE)을 도입합니다. 이러한 모델을 훈련하기 위해, 자동 미분을 사용하여 지수 감소를 수행하고, 기존의 모델 추론 및 역전파 방법이 존재하는 동등한 신경 상미분 방정식(N-ODE) 시스템으로 신경 DAE를 자동으로 변환하는 알고리즘을 제안합니다. 제안된 구성적 모델링 프레임워크와 학습 알고리즘은 다양한 응용 분야에서 동역학 시스템의 제어 지향 모델을 학습하는 데 광범위하게 적용될 수 있지만, 본 연구에서는 전기 네트워크 모델링에 대한 적용에 중점을 둡니다. 비선형 회로의 동역학을 시뮬레이션하는 실험은 제안된 접근 방식의 장점을 보여줍니다. 제안된 N-PHDAE 모델은 긴 예측 시간 지평에서 기준 N-ODE와 비교하여 예측 정확도와 제약 조건 만족도를 10배 향상시킵니다. 또한, 시뮬레이션된 DC 마이크로그리드에 대한 실험을 통해 접근 방식의 구성 능력을 검증합니다. 개별 그리드 구성 요소에 대해 개별 N-PHDAE 모델을 훈련한 다음, 이를 결합하여 대규모 네트워크의 동작을 정확하게 예측합니다.
