Bài báo này phát triển một thuật toán học hợp thành cho các hệ thống động lực học kết hợp, tập trung cụ thể vào các mạng lưới điện. Mặc dù học sâu đã được chứng minh là hiệu quả trong việc mô hình hóa các mối quan hệ phức tạp từ dữ liệu, nhưng sự kết hợp hợp thành giữa các thành phần hệ thống đặt ra một thách thức đối với nhiều phương pháp tiếp cận dựa trên dữ liệu hiện có để mô hình hóa các hệ thống động lực học, vốn thường áp đặt các ràng buộc đại số lên các biến trạng thái. Để phát triển một mô hình học sâu cho các hệ thống động lực học có ràng buộc, bài báo này giới thiệu các phương trình vi phân đại số cổng-Hamilton thần kinh (N-PHDAE), sử dụng mạng nơ-ron để tham số hóa các số hạng chưa biết trong cả thành phần vi phân và đại số của các DAE cổng-Hamilton. Để huấn luyện các mô hình này, chúng tôi thực hiện giảm chỉ số bằng cách sử dụng phép tính vi phân tự động và đề xuất một thuật toán tự động biến đổi các DAE thần kinh thành các phương trình vi phân thường thần kinh (N-ODE) tương đương mà các phương pháp suy luận mô hình và lan truyền ngược thông thường đã tồn tại. Các thí nghiệm mô phỏng động lực học của các mạch phi tuyến tính chứng minh những lợi ích của phương pháp được đề xuất. Mô hình N-PHDAE được đề xuất đạt được độ chính xác dự đoán và thỏa mãn ràng buộc cao gấp mười lần trong một khoảng thời gian dự báo dài so với mô hình N-ODE cơ sở. Hơn nữa, chúng tôi xác nhận khả năng kết hợp của phương pháp này thông qua các thí nghiệm trên lưới điện DC siêu nhỏ mô phỏng. Các mô hình N-PHDAE riêng lẻ được huấn luyện cho từng thành phần lưới điện riêng lẻ và sau đó được kết hợp để dự đoán chính xác hành vi của một mạng lưới quy mô lớn.
