使用表格基础模型重新审视数据驱动的动态安全评估

数据驱动的故障前动态安全评估 (DSA) 使用机器学习快速评估电力系统中可信意外事件的动态风险。现有方法面临两个限制。首先，它们需要一个大型标记数据库进行训练，并为可能很长的可信意外事件列表中的每个意外事件训练、调整和维护一个单独的模型。其次，经过训练的模型对于看不见的突发事件的泛化能力很差。这项工作通过使用表格基础模型（TFM）解决了这些限制，该模型通过上下文学习来评估稳定性，无需重新训练或超参数优化。单个 TFM 可以同时评估许多意外事件，从而无需每个分类器使用一个模型。我们还描述了何时使用电距离坐标（EDC）作为连续特征能够将 TFM 泛化到看不见的意外事件，以及何时不能泛化，从而展示一些标记样本如何能够可靠地提高泛化能力。通过对 IEEE 68 总线系统的综合案例研究，我们表明，单个 TFM 的平均 Macro F1 分数约为 90%，每个意外事件仅需要 120 个标记样本，比传统假设的值大约低两个数量级，并且无需任何模型重新训练或超参数调整。对于新的/未见过的突发事件，我们表明仅使用 EDC 编码的新突发事件的 10 个标记样本就可以匹配可实现的最佳迁移学习预言机模型，该模型需要完全标记的数据，并且在实践中无法部署。总体而言，这项初步研究为开发和部署电力系统运行基础模型铺平了道路，并可能在多个运行任务中应用。