Buchumschlag

Graph Neural Ordinary Differential Equations for Power System Identification

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wolf, Hannes M. H., Hans, Christian A.
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Systems and Control
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Augmented Neural Ordinary Differential Equations for Power System Identification
von: Wolf, Hannes M. H., et al.
Veröffentlicht: (2025)

Identification of Power Systems with Droop-Controlled Units Using Neural Ordinary Differential Equations
von: Wolf, Hannes M. H., et al.
Veröffentlicht: (2024)

Data-Driven Optimal Power Flow: A Behavioral Systems Approach
von: Otzen, Sebastian, et al.
Veröffentlicht: (2025)

The restrictive conditions to solve LTI Systems by Ordinary Differential Equations
von: Bazanella, Alexandre Sanfelici, et al.
Veröffentlicht: (2026)

TRASE-NODEs: Trajectory Sensitivity-aware Neural Ordinary Differential Equations for Efficient Dynamic Modeling
von: Al-Janahi, Fatima, et al.
Veröffentlicht: (2025)

$PG-NODE^{TB}$: Physics-Guided Neural Ordinary Differential Equations for Tuberculosis Transmission Dynamics
von: Kasereka, Selain K., et al.
Veröffentlicht: (2026)

Identifying Ordinary Differential Equations for Data-efficient Model-based Reinforcement Learning
von: Nagel, Tobias, et al.
Veröffentlicht: (2024)

Stable and Safe Human-aligned Reinforcement Learning through Neural Ordinary Differential Equations
von: Zhao, Liqun, et al.
Veröffentlicht: (2024)

Reformulating Parallel-Connected Lithium-Ion Battery Pack Dynamics with Interconnection Resistances as Ordinary Differential Equations
von: Lone, Jaffar Ali, et al.
Veröffentlicht: (2025)

Translation of Nagumo's Foundational Work on Barrier Functions: On the Location of Integral Curves of Ordinary Differential Equations
von: Menner, Marcel, et al.
Veröffentlicht: (2024)

Time Domain Differential Equation Based Fault Location Identification in Mixed Overhead-Underground Power Distribution Systems
von: Kahnamouei, Ali Shakeri, et al.
Veröffentlicht: (2025)

Bayesian Physics-informed Neural Networks for System Identification of Inverter-dominated Power Systems
von: Stock, Simon, et al.
Veröffentlicht: (2024)

Optimality Principles and Neural Ordinary Differential Equations-based Process Modeling for Distributed Control
von: Wartmann, Michael R., et al.
Veröffentlicht: (2025)

Performance Evaluation of Single-step Explicit Exponential Integration Methods on Stiff Ordinary Differential Equations
von: Fronk, Colby, et al.
Veröffentlicht: (2024)

Solving Differential-Algebraic Equations in Power System Dynamic Analysis with Quantum Computing
von: Tran, Huynh Trung Thanh, et al.
Veröffentlicht: (2023)

Graph Neural Networks for Fast Contingency Analysis of Power Systems
von: Nakiganda, Agnes M., et al.
Veröffentlicht: (2023)

Identification of Port-Hamiltonian Differential-Algebraic Equations from Input-Output Data
von: Hagelaars, N., et al.
Veröffentlicht: (2026)

Graph Analysis to Fully Automate Fault Location Identification in Power Distribution Systems
von: Kahnamouei, Ali Shakeri, et al.
Veröffentlicht: (2025)

Robust and Interpretable Graph Neural Networks for Power Systems State Estimation
von: Yaniv, Arbel, et al.
Veröffentlicht: (2026)

A Simultaneous Approach for Training Neural Differential-Algebraic Systems of Equations
von: Lueg, Laurens R., et al.
Veröffentlicht: (2025)

Physics-Informed Graph Neural Network for Dynamic Reconfiguration of Power Systems
von: Authier, Jules, et al.
Veröffentlicht: (2023)

Learning Stable and Passive Neural Differential Equations
von: Cheng, Jing, et al.
Veröffentlicht: (2024)

Topology-Aware Graph Neural Network-based State Estimation for PMU-Unobservable Power Systems
von: Moshtagh, Shiva, et al.
Veröffentlicht: (2025)

Correctness Verification of Neural Networks Approximating Differential Equations
von: Ellinas, Petros, et al.
Veröffentlicht: (2024)

Neural Identification of Feedback-Stabilized Nonlinear Systems
von: Boroujeni, Mahrokh G., et al.
Veröffentlicht: (2025)

Scalable Physics-Informed Neural Differential Equations and Data-Driven Algorithms for HVAC Systems
von: Zhai, Hanfeng, et al.
Veröffentlicht: (2026)

General Reference Frame Identification and Transformation in Unbalanced Power Systems
von: Montoya, Francisco G., et al.
Veröffentlicht: (2025)

A Screening Method for Power System Inertia Zones Identification
von: Prasad, {Rashmi, et al.
Veröffentlicht: (2024)

A Dual Ensemble Kalman Filter Approach to Robust Control of Nonlinear Systems: An Application to Partial Differential Equations
von: Joshi, Anant A., et al.
Veröffentlicht: (2025)

Meta-Learning for Physically-Constrained Neural System Identification
von: Chakrabarty, Ankush, et al.
Veröffentlicht: (2025)

A Privacy Preserving Distributed Model Identification Algorithm for Power Distribution Systems
von: Chang, Chin-Yao
Veröffentlicht: (2023)

A Differentially Private Quantum Neural Network for Probabilistic Optimal Power Flow
von: Cao, Yuji, et al.
Veröffentlicht: (2024)

Integrated Investment and Policy Planning for Power Systems via Differentiable Scenario Generation
von: Mieth, Robert
Veröffentlicht: (2026)

Neural Networks Enabled Discovery On the Higher-Order Nonlinear Partial Differential Equation of Traffic Dynamics
von: Wei, Zihang, et al.
Veröffentlicht: (2025)

Physics-informed Graphical Neural Network for Power System State Estimation
von: Ngo, Quang-Ha, et al.
Veröffentlicht: (2023)

Scalable Neural Dynamic Equivalence for Power Systems
von: Shen, Qing, et al.
Veröffentlicht: (2023)

Neural Operators for Power Systems: A Physics-Informed Framework for Modeling Power System Components
von: Karampinis, Ioannis, et al.
Veröffentlicht: (2025)

Data-Efficient System Identification via Lipschitz Neural Networks
von: Wei, Shiqing, et al.
Veröffentlicht: (2024)

Learning to Swarm with Knowledge-Based Neural Ordinary Differential Equations
von: Jiahao, Tom Z., et al.
Veröffentlicht: (2021)

Advancing Cyber-Attack Detection in Power Systems: A Comparative Study of Machine Learning and Graph Neural Network Approaches
von: Yin, Tianzhixi, et al.
Veröffentlicht: (2024)