Learning by Examples: Power Grid Steady State Analysis with a Tabular Foundation Model

📄 arXiv: 2610.20462v1 📥 PDF

作者: Olayiwola Arowolo, Oluwadara Adedeji, Peter Palensky, Jochen L. Cremer

分类: cs.LG

发布日期: 2026-10-14

备注: 12 pages, 8 figures, under review

💡 一句话要点

提出基于预训练表格基础模型的电网稳态分析方法

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

关键词: 电网分析 基础模型 稳态分析 功率流预测 应急筛查 电压稳定性 机器学习 神经网络

📋 核心要点

  1. 现有电力系统分析方法多为任务特定，缺乏通用性，限制了其应用范围。
  2. 本文提出利用预训练的表格基础模型TabPFN，作为电网稳态分析的通用神经求解器，旨在提高分析效率。
  3. 实验结果表明，TFM在多个任务上表现优异，尤其在118总线功率流预测中，误差显著低于所有基线模型。

📝 摘要（中文）

基础模型在科学领域展现出强大的泛化能力，但在电力系统中的应用仍然较为特定。本文探讨了预训练的表格基础模型（TFM）TabPFN作为电网稳态分析的通用神经求解器的可能性。通过在118和2000总线系统上进行实验，评估TFM在功率流预测、N-k应急筛查和电压稳定裕度预测等任务上的表现。结果显示，TFM在多个设置中与最佳任务特定模型相当或优于其表现，且无需重新训练或微调。这些结果展示了预训练TFM作为电网分析任务神经求解器的潜力。

🔬 方法详解

问题定义：本文旨在解决电网稳态分析中现有方法的局限性，尤其是任务特定模型的泛化能力不足，导致在不同任务间的应用受限。

核心思路：通过使用预训练的表格基础模型TabPFN，探索其在电力系统稳态分析中的通用性，避免了传统方法的重训练和微调过程。

技术框架：研究采用TabPFN模型，针对功率流预测、N-k应急筛查和电压稳定裕度预测三个任务进行评估，实验在118和2000总线系统上进行。

关键创新：TFM的最大创新在于其无需针对电力系统的特定数据集进行预训练，且在多个任务上表现出色，展示了基础模型在电力系统分析中的潜力。

关键设计：在实验中，TFM在118总线功率流预测中实现了$1 imes 10^{-3}$ pu的电压幅值误差和$0.30^ heta$的电压角误差，且在N-1应急和N-2应急筛查中表现出色，AUC值分别达到0.92和0.95。

🖼️ 关键图片

fig_0
img_1
img_2

📊 实验亮点

实验结果显示，TFM在118总线功率流预测中实现了最低误差，且在N-1和N-2应急筛查中表现优异，AUC值分别为0.92和0.95，显著优于传统任务特定模型，展示了其强大的泛化能力。

🎯 应用场景

该研究的潜在应用领域包括电力系统的实时监控、故障检测和应急响应等。通过提升电网稳态分析的效率和准确性，能够为电力系统的安全运行提供重要支持，未来可能推动智能电网的发展。

📄 摘要（原文）

Foundation models have shown strong generalization across scientific domains, but their use in power systems remains largely task-specific. We investigate whether a pretrained tabular foundation model (TFM), TabPFN, can serve as a general-purpose neural solver for power grid steady-state analysis. We evaluate the TFM on three tasks: power flow (PF) prediction, N-k contingency screening (NCS), and voltage stability margin (VSM) prediction. We performed experiments on 118- and 2000-bus systems, comparing the TFM against task-specific neural baselines. Without retraining or fine-tuning, the TFM matches or outperforms the best task-specific model in several settings across the three tasks. For 118-bus PF prediction, a variant of the TFM achieves errors of $1\times 10^{-3}$ pu for voltage magnitudes and $0.30^\circ$ for voltage angles, outperforming all baselines. On unseen N-1 contingency and close-to-infeasible PF cases, the TFM is competitive with the DCPF approximation. For millions of unseen N-2 contingencies, the TFM achieves AUCs of 0.92 and 0.95 for branch and voltage violation screening, respectively. The TFM also attains accurate VSM prediction performance for the 2000-bus system with limited labelled data. The TFM attains strong results across the tested tasks despite pretraining without any power-system-specific dataset and requiring no fine-tuning step. These results offer a glimpse into the potential of pretrained TFMs as a neural solver for a range of power grid analysis tasks.