Predicting Power-System Dynamic Trajectories with Foundation Models

📄 arXiv: 2604.14991v1 📥 PDF

作者: Haoran Li, Lihao Mai, Chenhan Xiao, Erik Blasch, Yang Weng

分类: cs.AI

发布日期: 2026-04-16

备注: 10 pages

💡 一句话要点

提出LASS-ODE-Power，利用大规模预训练预测电力系统动态轨迹。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 电力系统动态分析 大规模预训练 零样本学习 时域预测 动态安全评估

📋 核心要点

  1. 现有电力系统动态分析方法难以应对未知参数、隐私约束和在线推理速度要求，且泛化能力不足。
  2. LASS-ODE-Power通过大规模预训练学习可迁移表示，实现零样本预测，并采用并行计算加速推理。
  3. 实验表明，LASS-ODE-Power在轨迹预测精度上优于现有方法，并具有高效的推理性能。

📝 摘要（中文）

随着电力系统向可再生能源和逆变器主导的运行模式转变，精确的时域动态分析变得至关重要。这种分析支持包括暂态稳定性评估、动态安全分析、故障筛选和故障后轨迹评估等关键运行任务。然而，实际应用中存在未知和时变系统参数、数据共享的隐私约束以及快速在线推理的需求等挑战。现有的基于学习的方法通常针对单个系统进行训练，缺乏跨运行条件和物理参数的泛化能力。因此，本文提出了LArge Scale Small ODE (LASS)-ODE-Power，一个用于通用时域预测的学习框架。该方法利用超过40GB的DAE或常微分方程(ODE)轨迹进行大规模预训练，以学习可迁移的表示。由此产生的模型支持从短测量前缀预测各种动态状态下的轨迹，包括机电系统和逆变器驱动系统。因此，该模型可以直接使用，无需数据共享。此外，该架构结合了并行和线性化计算，以实现快速推理。为了提高电力系统中特定任务的性能，还开发了一种基于约1GB异构电力系统动态数据的专用微调策略。在各种电力系统仿真场景下进行的大量实验表明，LASS-ODE-Power在轨迹预测精度方面始终优于现有的基于学习的模型，并具有高效的推理能力。

🔬 方法详解

问题定义：电力系统动态分析对于保障系统安全稳定运行至关重要。然而，现有方法在面对可再生能源渗透率提高、系统参数不确定、数据隐私限制以及在线应用需求时面临挑战。具体来说，现有基于学习的方法通常针对特定系统训练，难以泛化到不同的运行条件和物理参数，限制了其应用范围。

核心思路：LASS-ODE-Power的核心思路是利用大规模预训练学习通用的电力系统动态特性表示，从而实现零样本迁移和快速推理。通过在大量模拟数据上进行预训练，模型能够捕捉到不同类型电力系统动态行为的共性模式。然后，通过少量特定任务数据进行微调，可以进一步提升模型在特定场景下的性能。

技术框架：LASS-ODE-Power框架主要包含预训练和微调两个阶段。在预训练阶段，模型在大规模的DAE/ODE轨迹数据上进行训练，学习电力系统动态行为的通用表示。在微调阶段，使用少量特定电力系统的数据对模型进行微调，以适应特定任务的需求。该框架还采用了并行和线性化计算技术，以加速推理过程。

关键创新：LASS-ODE-Power的关键创新在于其大规模预训练策略和零样本迁移能力。与以往针对特定系统训练的模型不同，LASS-ODE-Power通过预训练学习通用的动态特性表示，从而能够直接应用于新的电力系统，无需重新训练。此外，该模型还采用了并行和线性化计算技术，以提高推理速度。

关键设计：LASS-ODE-Power的具体技术细节包括：使用超过40GB的DAE/ODE轨迹数据进行预训练；采用特定的网络结构来捕捉电力系统动态行为的特征；设计了一种基于少量异构数据的微调策略；利用并行和线性化计算技术加速推理。具体的网络结构和损失函数等细节在论文中未明确说明，属于未知信息。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

LASS-ODE-Power在多种电力系统仿真场景下进行了广泛的实验，结果表明该模型在轨迹预测精度方面始终优于现有的基于学习的模型。具体性能数据和提升幅度在摘要中未给出，属于未知信息。该模型还具有高效的推理能力，能够满足在线应用的需求。

🎯 应用场景

LASS-ODE-Power可应用于电力系统的暂态稳定性评估、动态安全分析、故障筛选和故障后轨迹评估等关键领域。该模型能够快速准确地预测电力系统动态轨迹，为电力系统的安全稳定运行提供保障，并可用于指导控制策略的制定和优化。随着可再生能源渗透率的不断提高，LASS-ODE-Power的应用前景将更加广阔。

📄 摘要（原文）

As power systems transition toward renewable-rich and inverter-dominated operations, accurate time-domain dynamic analysis becomes increasingly critical. Such analysis supports key operational tasks, including transient stability assessment, dynamic security analysis, contingency screening, and post-fault trajectory evaluation. In practice, these tasks may operate under several challenges, including unknown and time-varying system parameters, privacy constraints on data sharing, and the need for fast online inference. Existing learning-based approaches are typically trained for individual systems and therefore lack generalization across operating conditions and physical parameters. Hence, this paper proposes LArge Scale Small ODE (LASS)-ODE-Power, a learning framework for general-purpose time-domain prediction. The proposed approach leverages large-scale pretraining on more than 40 GB of DAE or ordinary differential-equation (ODE) trajectories to learn transferable representations. The resulting model supports trajectory prediction from short measurement prefixes across diverse dynamic regimes, including electromechanical and inverter-driven systems. Hence, the model can be directly used without data sharing in a zero-shot setting. In addition, the proposed architecture incorporates parallel and linearized computation to achieve fast inference. Moreover, to enhance task-specific performance in power systems, a specialized fine-tuning strategy is developed based on approximately 1 GB of heterogeneous power-system dynamic data. Extensive experiments over diverse power-system simulation scenarios demonstrate that LASS-ODE-Power consistently outperforms existing learning-based models in trajectory prediction accuracy with efficient inference.