摘要
数据驱动的故障前动态安全评估（DSA）利用机器学习快速评估电力系统在可信故障下的动态风险。然而，现有方法存在两大局限：首先，它们需要大量标记数据进行训练，并且每个潜在故障都需要单独训练、调整和维护模型；其次，训练后的模型在未见过的故障上泛化能力较差。
本研究通过使用表格基础模型（TFM）来解决这些问题，该模型通过上下文学习评估稳定性，无需重新训练或超参数优化。单个TFM可以同时评估多个故障，消除了每个分类器需要一个模型的需求。我们还探讨了使用电气距离坐标（EDC）作为连续特征时，TFM在未见过的故障上泛化的情况，及其效果如何通过少量标记样本可靠提升泛化能力。
通过对IEEE 68-母线系统的综合案例研究，我们证明单个TFM在每个故障仅需120个标记样本的情况下，平均Macro F1得分约为90%，这比传统假设少了两个数量级，且无需任何模型的重新训练或超参数调整。对于新的/未见过的故障，我们展示了仅使用10个新故障的标记样本与EDC编码的情况下，模型的表现能够匹配最佳的迁移学习模型，而后者需要完全标记的数据并且在实际应用中不可部署。
总体而言，这项初步研究为电力系统操作中基础模型的开发和部署铺平了道路，并在多个操作任务中具有潜在应用价值。
博主点评： 本文提出的表格基础模型在动态安全评估中的应用，展示了机器学习在电力系统中的巨大潜力。通过减少标记样本的需求，TFM为实际部署提供了可行性，推动了电力系统操作的智能化进程。未来，如何进一步提升模型的泛化能力仍然是一个值得关注的研究方向。