Este artículo desarrolla un algoritmo de aprendizaje compositivo para sistemas dinámicos acoplados, centrándose específicamente en redes eléctricas. Si bien el aprendizaje profundo ha demostrado su eficacia en el modelado de relaciones complejas a partir de datos, el acoplamiento compositivo entre los componentes del sistema plantea un desafío para muchos enfoques basados en datos para el modelado de sistemas dinámicos, que suelen imponer restricciones algebraicas a las variables de estado. Para desarrollar un modelo de aprendizaje profundo para sistemas dinámicos con restricciones, este artículo introduce ecuaciones diferenciales algebraicas neuronales port-hamiltonianas (N-PHDAE), que utilizan redes neuronales para parametrizar términos desconocidos en los componentes diferenciales y algebraicos de las DAE port-hamiltonianas. Para entrenar estos modelos, realizamos una reducción de índice mediante diferenciación automática y proponemos un algoritmo que transforma automáticamente las DAE neuronales en ecuaciones diferenciales ordinarias neuronales equivalentes (N-EDO) para las cuales existen métodos convencionales de inferencia de modelos y retropropagación. Experimentos que simulan la dinámica de circuitos no lineales demuestran las ventajas del enfoque propuesto. El modelo N-PHDAE propuesto logra una mejora de diez veces en la precisión de la predicción y el cumplimiento de las restricciones a largo plazo, en comparación con el modelo N-ODE de referencia. Además, validamos la componibilidad del enfoque mediante experimentos en una microrred de CC simulada. Los modelos N-PHDAE individuales se entrenan para componentes individuales de la red y luego se combinan para predecir con precisión el comportamiento de una red a gran escala.
