State Estimation as In-context Tabular Prediction

📄 arXiv: 2610.32487v1 📥 PDF

作者: Ayushi Jolotia, Parikshit Pareek

分类: eess.SY, cs.LG

发布日期: 2026-10-23

备注: 3 pages, 5 figures

💡 一句话要点

将状态估计视为上下文表格预测问题

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

关键词: 状态估计 上下文表格预测 电力系统 机器学习 数据稀缺

📋 核心要点

  1. 现有的状态估计方法在低可观测性和坏数据情况下表现不佳，导致估计精度下降。
  2. 本文提出将状态估计问题转化为上下文表格预测，通过历史数据作为上下文进行状态预测。
  3. 实验结果表明，ICTP在多种网络条件下的估计误差显著低于传统方法，尤其在数据稀缺时表现优异。

📝 摘要（中文）

本文将状态估计（SE）视为一种上下文表格预测（ICTP）问题。关键思想是通过历史测量向量和相应的状态估计形成上下文，而新的测量向量则作为查询以预测状态向量。我们提出使用在合成数据上预训练的表格基础模型（TFMs），其权重不进行更新，因此只需将电力系统数据作为上下文。在冻结TFM权重的情况下，我们对14、30、33、70和118个节点的传输和配电网络进行状态估计，并在低可观测性和存在坏数据的情况下超越加权最小二乘法（WLS）的表现。ICTP的误差在全量计量下比每个节点的平均值低11到57倍，仅在5%测量可用时也低1.3到4.0倍。在六个节点的测量受到8σ偏差影响时，ICTP的角度误差比无偏差值高1.8到5.0倍，而WLS在坏数据检测下则高出2.5到12.7倍。ICTP在不重新训练的情况下，其电压误差低于DSS²的两个馈线，并且在三种重配置集中的两个上低于重新训练的TAPINE。

🔬 方法详解

问题定义：本文旨在解决状态估计中的低可观测性和坏数据问题，现有的加权最小二乘法（WLS）在这些情况下表现不佳，导致状态估计的准确性下降。

核心思路：论文的核心思路是将状态估计视为上下文表格预测问题，通过使用历史测量数据作为上下文，利用预训练的表格基础模型（TFMs）进行状态预测，而不需要更新模型权重。

技术框架：整体架构包括数据预处理、上下文构建、TFM模型应用和状态预测四个主要模块。首先，收集历史测量数据并构建上下文表格，然后使用冻结的TFM进行状态估计。

关键创新：最重要的技术创新在于将状态估计问题转化为ICTP问题，并利用冻结的TFM权重进行预测，这与传统方法依赖于实时数据更新的方式本质不同。

关键设计：在模型设计中，TFM的权重在训练后保持不变，使用合成数据进行预训练，确保在实际应用中仅依赖于上下文数据进行状态估计。

📊 实验亮点

实验结果显示，ICTP在全量计量情况下的误差比每个节点的平均值低11到57倍，在仅有5%测量可用时也低1.3到4.0倍。此外，在存在坏数据的情况下，ICTP的角度误差显著低于WLS，展示了其在复杂环境下的优越性。

🎯 应用场景

该研究的潜在应用领域包括电力系统监控、智能电网管理以及其他需要实时状态估计的复杂网络系统。通过提高状态估计的准确性，能够有效提升电力系统的稳定性和可靠性，具有重要的实际价值和未来影响。

📄 摘要（原文）

This letter poses state estimation (SE) as an in-context tabular prediction (ICTP) problem. The key idea is a tabular arrangement in which historical measurement vectors and corresponding state estimates serve as the context, and a new measurement vector forms the query for which we predict a state vector. We propose to use tabular foundation models (TFMs), pretrained on synthetic data, whose weights are never updated, so power system data is needed only as context. With frozen TFM weights we estimate the state of 14-, 30-, 33-, 70-, and 118-bus transmission and distribution networks, and do so where weighted least squares (WLS) fails or degrades, under low observability and with bad data. ICTP errors are 11 to 57$\times$ below the per-bus average of the context at full metering, and 1.3 to 4.0$\times$ below it with only 5% of measurements available. With measurements at six buses biased by 8$σ$, the ICTP angle error rises 1.8 to 5.0$\times$ over its bias-free value against 2.5 to 12.7$\times$ for WLS with bad-data detection. Without retraining, ICTP has lower voltage error than DSS$^2$ on both of its feeders, and lower than a retrained TAPINE on two of three reconfiguration sets.