Trustworthiness Layer for Foundation Models in Power Systems: Application for N-k Contingency Assessment

📄 arXiv: 2602.07995v1 📥 PDF

作者: Antonio Alcántara, Spyros Chatzivasileiadis

分类: eess.SY

发布日期: 2026-02-08

💡 一句话要点

为电力系统基础模型引入可信层，用于N-k故障评估。

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

关键词: 电力系统 基础模型 可信层 共形预测 N-k故障评估

📋 核心要点

  1. 电力系统故障评估是NP-Hard问题，传统方法计算成本高昂，而现有基础模型缺乏可靠的不确定性估计。
  2. 论文提出基于分层共形预测的可信层，为基础模型的每个预测提供统计有效的置信区间，量化不确定性。
  3. 实验表明，增强后的GridFM在N-k故障评估中，精度优于直流潮流，速度快于交流潮流，并具备良好的泛化能力。

📝 摘要（中文）

本文首次提出为电力系统中的基础模型引入可信层。通过分层共形预测，我们为基础模型的每个输出设计了自适应的、统计上有效的置信界限。对于回归任务，这使得用户能够获得每个输出的不确定性估计；对于筛选任务，它支持保守决策，从而最大限度地减少假阴性。我们通过使用统计上有效的预测区间（而非启发式误差范围）来增强GridFM（首个电力系统开源基础模型）来演示我们的方法。我们将其应用于N-k故障评估，这是一个组合NP-Hard问题。结果表明，可信的GridFM可以提供比直流潮流更丰富、更准确的信息，精度提高2-3倍，并且对于高达118总线的系统，运行速度比交流潮流快18倍。更进一步，我们还研究了可信GridFM推广到未见高阶故障的能力：通过严格的分析，我们评估了在N-1或N-2停电情况下训练的模型如何外推到高达N-5的未见故障。

🔬 方法详解

问题定义：电力系统中的N-k故障评估是一个计算复杂度极高的NP-Hard问题。传统方法，如交流潮流计算，虽然精度高，但计算耗时，难以满足实时性要求。现有的电力系统基础模型，如GridFM，虽然速度快，但缺乏对预测结果不确定性的量化，难以在实际应用中获得信任。因此，需要一种既快速又可靠的故障评估方法，能够提供预测结果的置信度信息。

核心思路：论文的核心思路是利用分层共形预测（Stratified Conformal Prediction）为电力系统基础模型增加一个可信层。共形预测是一种与模型无关的方法，可以为任何预测模型提供具有统计有效性的置信区间。通过分层，可以针对不同的输入样本自适应地调整置信区间的大小，从而提高预测的精度和效率。这样，用户不仅可以获得预测结果，还可以知道预测结果的可信程度，从而做出更明智的决策。

技术框架：整体框架包括以下几个主要步骤： 1. 数据准备：收集电力系统运行数据，包括节点电压、线路潮流等，并构建N-k故障场景。 2. 基础模型训练：使用GridFM或其他电力系统基础模型进行训练，学习电力系统运行规律。 3. 分层共形预测：将训练数据划分为不同的层，例如根据负荷水平或故障类型进行分层。在每个层上，使用共形预测算法计算置信区间。 4. 可信层集成：将共形预测的结果集成到基础模型中，为每个预测结果提供置信区间。 5. 故障评估：使用增强后的基础模型进行N-k故障评估，并根据置信区间进行决策。

关键创新：论文的关键创新在于首次将分层共形预测应用于电力系统基础模型，构建了一个可信层。与传统的启发式误差范围相比，共形预测提供的置信区间具有统计有效性，能够保证在一定的置信水平下，真实值落在置信区间内的概率。此外，分层策略可以提高置信区间的精度，从而提高故障评估的可靠性。

关键设计： 1. 分层策略：论文根据电力系统的运行状态（如负荷水平、故障类型）对数据进行分层，以提高共形预测的精度。 2. 共形预测算法：论文采用了一种自适应的共形预测算法，可以根据输入样本的特征动态调整置信区间的大小。 3. 置信水平：论文选择合适的置信水平，以保证置信区间的统计有效性。置信水平的选择需要在精度和覆盖率之间进行权衡。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

实验结果表明，可信GridFM在N-k故障评估中，精度比直流潮流高2-3倍，运行速度比交流潮流快18倍（针对高达118总线的系统）。此外，该模型在N-1或N-2故障数据上训练后，能够较好地泛化到N-5故障场景，表明其具有良好的泛化能力。

🎯 应用场景

该研究成果可应用于电力系统运行的多个领域，例如在线安全评估、紧急控制和风险管理。通过提供快速且可靠的故障评估结果，可以帮助电力系统运营商及时发现潜在的安全隐患，并采取相应的措施，从而提高电力系统的安全性和可靠性。此外，该方法还可以用于电力系统规划，评估不同规划方案的风险。

📄 摘要（原文）

This work introduces for the first time, to our knowledge, a trustworthiness layer for foundation models in power systems. Using stratified conformal prediction, we devise adaptive, statistically valid confidence bounds for each output of a foundation model. For regression, this allows users to obtain an uncertainty estimate for each output; for screening, it supports conservative decisions that minimize false negatives. We demonstrate our method by enhancing GridFM, the first open-source Foundation Model for power systems, with statistically valid prediction intervals instead of heuristic error margins. We apply it for N-k contingency assessment, a combinatorial NP-Hard problem. We show that trustworthy GridFM can offer richer and more accurate information than DC Power Flow, having 2x-3x higher precision, while running up to 18x faster than AC Power Flow for systems up to 118 buses. Moving a step further, we also examine the ability of trustworthy GridFM to generalize to unseen high-order contingencies: through a rigorous analysis, we assess how a model trained on N-1 or N-2 outages extrapolates to unseen contingencies up to N-5.