arXiv cs.AI· Olayiwola Arowolo, Maosheng Yang, Jochen Cremer·· 10 小时前AI 评分29
表格基础模型重塑数据驱动动态安全评估：无需重训练即可跨故障泛化
Revisiting data-driven dynamic security assessment with a tabular foundation model
AI 导读
一项研究用表格基础模型（TFM）通过上下文学习完成电力系统动态安全评估，无需为每个故障单独训练分类器，也无需重训练或超参数调优。在 IEEE 68-bus 系统上，单个 TFM 每个故障仅用 120 个标注样本即达到约 90% 的平均 Macro F1，优于经典机器学习和深度学习基线。
正文 · AI 翻译
摘要：数据驱动的故障前动态安全评估（DSA）利用机器学习（ML）快速评估电力系统上可信故障的动态风险。现有方法面临两个局限。第一，它们需要大型标注数据库进行训练，并且需要为潜在长列表中的每个可信故障分别训练、调优和维护一个模型。第二，训练好的模型对未见过的故障泛化能力差。本工作通过使用表格基础模型（TFM）来解决这些局限，该模型通过上下文学习评估稳定性，且无需重新训练或超参数优化。我们使用单个 TFM 一次性评估多个故障，从而无需为每个故障训练一个分类器。我们还刻画了何时使用电气距离坐标（EDC）作为连续特征能使 TFM 泛化到未见过的故障，以及何时不能，并展示了少量标注样本如何可靠地提升泛化能力。通过在 IEEE 68 节点系统上的全面案例研究，我们表明单个 TFM 在每故障仅 120 个标注样本的情况下平均 Macro F1 分数约为 90\%，优于经典 ML 和深度学习基线，且无需任何模型重新训练或超参数调优。对于留出的故障，我们表明仅使用新故障的 10 个标注样本并配合修改后的 EDC 编码，即可达到最佳可实现的迁移学习 oracle 模型的平衡准确率，而该模型需要完全标注的数据且在实践中不可部署。总体而言，这项初步研究为开发和部署用于电力系统运行的基础模型铺平了道路，并可能应用于多个运行任务。
| 评论： | 14 页，12 幅图。论文正在审稿中 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2607.16031 [cs.LG] |
| （或此版本的 arXiv:2607.16031v2 [cs.LG]） | |
| https://doi.org/10.48550/arXiv.2607.16031 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Olayiwola Arowolo Mr [查看电子邮件]
[v1]
2026 年 7 月 17 日星期五 15:06:11 UTC（1,838 KB）
[v2]
2026 年 11 月 4 日星期三 11:58:45 UTC（1,861 KB）
来源：arXiv cs.AI · arxiv.org