Revisiting data-driven dynamic security assessment with a tabular foundation model

📄 arXiv: 2607.16031 📥 PDF

作者: Olayiwola Arowolo, Maosheng Yang, Jochen Cremer

分类: cs.LG, cs.AI

发布日期: 2026-07-20

💡 一句话要点

提出基于表格基础模型的动态安全评估方法以解决数据需求问题

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

关键词: 动态安全评估 表格基础模型 电力系统 机器学习 泛化能力 故障检测 智能电网

📋 核心要点

  1. 现有动态安全评估方法需要大量标记数据，并且每个故障需单独训练模型，导致效率低下。
  2. 本文提出的表格基础模型（TFM）通过上下文学习实现多故障评估，无需重训练或超参数调整。
  3. 实验结果表明，TFM在仅使用120个标记样本时，Macro F1分数可达90%，显著优于传统方法。

📝 摘要（中文）

数据驱动的动态安全评估（DSA）利用机器学习快速评估电力系统中可信故障的动态风险。现有方法面临两个主要限制：首先，需要大量标记数据库进行训练，每个潜在故障都需单独训练和维护模型；其次，训练模型对未见故障的泛化能力较差。本文通过使用表格基础模型（TFM）解决这些限制，该模型通过上下文学习评估稳定性，无需重训练或超参数优化。单个TFM能够同时评估多个故障，显著减少模型数量。通过对IEEE 68-bus系统的案例研究，结果显示，TFM在仅有120个标记样本的情况下，平均Macro F1分数约为90%，且对新故障的评估仅需10个样本即可达到最佳迁移学习模型的效果。

🔬 方法详解

问题定义：本文旨在解决数据驱动动态安全评估中对大量标记数据的依赖，以及模型对未见故障的泛化能力不足的问题。现有方法需要为每个故障单独训练模型，导致资源浪费和效率低下。

核心思路：论文提出的表格基础模型（TFM）通过上下文学习来评估系统稳定性，允许在不重训练或调整超参数的情况下，使用单一模型评估多个故障。这种设计旨在提高模型的泛化能力和评估效率。

技术框架：TFM的整体架构包括数据输入模块、特征提取模块和评估模块。数据输入模块负责接收电力系统的状态信息，特征提取模块将电气距离坐标（EDC）作为连续特征进行处理，评估模块则基于TFM进行稳定性评估。

关键创新：最重要的创新在于使用TFM进行动态安全评估，显著减少了对标记样本的需求，并且能够在未见故障的情况下保持良好的评估性能。这与传统方法的逐个模型训练形成鲜明对比。

关键设计：在模型设计中，TFM采用了特定的损失函数和网络结构，以优化对电气距离坐标的处理。通过少量标记样本的有效利用，TFM能够实现较高的评估准确性。具体参数设置和网络结构细节在论文中进行了详细描述。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，单个TFM在仅使用120个标记样本的情况下，达到了约90%的平均Macro F1分数，显著低于传统方法所需的标记样本数量。此外，对于新故障，仅需10个样本即可达到最佳迁移学习模型的效果，展示了TFM的强大泛化能力。

🎯 应用场景

该研究的潜在应用领域包括电力系统的动态安全评估、故障检测与诊断以及智能电网的优化控制。通过减少对标记数据的需求，TFM可以在实际操作中更快速地部署，提升电力系统的安全性和可靠性。未来，该方法可能扩展到其他电力系统操作任务，促进智能电网的发展。

📄 摘要（原文）

Data-driven pre-fault dynamic security assessment (DSA) rapidly evaluates the dynamic risk of credible contingencies on a power system using machine learning. Existing approaches face two limitations. First, they require a large labelled database for training, with a separate model trained, tuned, and maintained for each contingency in a potentially long list of credible contingencies. Second, the trained models generalize poorly to unseen contingencies. This work addresses the limitations by using a tabular foundation model (TFM) that assesses stability through in-context learning, requiring no retraining or hyperparameter optimization. A single TFM can assess many contingencies at once, removing the need for one model per classifier. We also characterize when the use of electrical distance coordinates (EDC) as continuous features enables generalization of TFM to unseen contingencies and when they do not, demonstrating how a few labelled samples can reliably improve generalization. Through comprehensive case studies on the IEEE 68-bus system, we show that a single TFM attains an average Macro F1 score of about 90% with only 120 labelled samples per contingency, roughly two orders of magnitude fewer than conventionally assumed, without any model retraining or hyperparameter tuning. For new/unseen contingencies, we show that using just 10 labelled samples of the new contingency with EDC encoding matches the best achievable transfer learning oracle model, which requires fully labelled data and is not deployable in practice. Overall, this initial study paves the way towards developing and deploying foundation models for power system operations, with possible applications across multiple operational tasks.