本研究提出了一种新的神经端口-哈密顿微分代数方程（N-PHDAEs）方法，有效解决了耦合动力系统建模中的代数约束问题，显著提升了预测精度和约束满足度，尤其在电网络建模中表现突出。

介绍了连续深度模型，一种使用神经网络参数化隐藏状态导数的新型模型。利用黑箱微分方程求解器计算网络输出，构造连续正则化流模型，并实现端到端训练。

本文介绍了一种新颖的方法，利用最小二乘支持向量回归算法解决常微分代数方程组（DAEs）。通过建立最小二乘支持向量回归、加权残差法和Legendre正交多项式之间的联系，以算子形式求解DAEs。通过模拟各种DAE场景，评估了该方法的有效性，并与现有方法进行了比较，显示其可靠性和有效性。