Cet article développe un algorithme d'apprentissage compositionnel pour les systèmes dynamiques couplés, en se concentrant spécifiquement sur les réseaux électriques. Si l'apprentissage profond s'est avéré efficace pour modéliser des relations complexes à partir de données, le couplage compositionnel entre les composants du système pose un défi à de nombreuses approches de modélisation de systèmes dynamiques basées sur les données, qui imposent généralement des contraintes algébriques sur les variables d'état. Afin de développer un modèle d'apprentissage profond pour les systèmes dynamiques contraints, cet article introduit les équations algébriques différentielles hamiltoniennes à port neuronal (N-PHDAE), qui utilisent des réseaux de neurones pour paramétrer les termes inconnus dans les composantes différentielles et algébriques des équations algébriques différentielles hamiltoniennes à port. Pour entraîner ces modèles, nous effectuons une réduction d'indice par différentiation automatique et proposons un algorithme qui transforme automatiquement les équations algébriques différentielles ordinaires neuronales (N-ODE) équivalentes pour lesquelles il existe des méthodes conventionnelles d'inférence de modèle et de rétropropagation. Des expériences simulant la dynamique de circuits non linéaires démontrent les avantages de l'approche proposée. Le modèle N-PHDAE proposé permet d'améliorer d'un facteur dix la précision des prévisions et la satisfaction des contraintes sur un horizon de prévision long par rapport au modèle N-ODE de référence. De plus, nous validons la composabilité de l'approche par des expériences sur un micro-réseau CC simulé. Les modèles N-PHDAE individuels sont entraînés pour chaque composant du réseau, puis combinés pour prédire avec précision le comportement d'un réseau à grande échelle.
