La dépendance croissante à l’électronique de puissance introduit de nouveaux défis nécessitant des analyses temporelles détaillées à l’aide d’outils de simulation de circuits rapides et précis. Actuellement, les logiciels commerciaux de simulation dans le domaine temporel s’appuient principalement sur des méthodes basées sur la physique pour simuler l’électronique de puissance. Des travaux récents ont montré que les méthodes d’apprentissage guidées par les données ou informées par la physique peuvent accélérer la simulation tout en ne compromettant que de manière limitée la précision, mais de nombreux défis subsistent avant une intégration possible dans des outils commerciaux.

Nous proposons un modèle de réseau de neurones bidirectionnel à mémoire long et court terme informé par la physique (BiLSTM-PINN) pour simuler la réponse temporelle d’un convertisseur élévateur (boost) CC-CC en boucle fermée, pour divers points de fonctionnement, paramètres et perturbations. Un réseau de neurones entièrement connecté informé par la physique (FCNN) ainsi qu’un BiLSTM sont également entraînés afin d’établir une comparaison. Les trois méthodes sont ensuite comparées à l’aide de tests de réponse indicielle pour évaluer leurs performances et leurs limites en termes de précision.

Les résultats montrent que les modèles BiLSTM-PINN et BiLSTM surpassent le modèle FCNN par des facteurs supérieurs à 9 et 4,5 respectivement, en termes de RMSE médian. Leurs écarts types sont également plus de 2,6 et 1,7 fois inférieurs à celui du FCNN, ce qui les rend aussi plus fiables. Ces résultats illustrent que le modèle BiLSTM-PINN proposé constitue une alternative prometteuse aux méthodes basées sur la physique ou sur les données pour la simulation de l’électronique de puissance.