論文の概要: Learning by Examples: Power Grid Steady State Analysis with a Tabular Foundation Model

• arxiv url: http://arxiv.org/abs/2610.20462v1
• Date: Wed, 14 Oct 2026 16:44:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:16.256021
• Title: Learning by Examples: Power Grid Steady State Analysis with a Tabular Foundation Model
• Title（参考訳）: 例による学習: タブラル基礎モデルを用いた電力グリッド定常状態解析
• Abstract要約: 本研究では、電力グリッド定常状態解析のための汎用ニューラルネットワークとして、事前訓練基礎モデル(TFM)であるTabPFNが利用できるかどうかを検討する。 我々は,電力フロー(PF)予測,NCS(N-k Contingency screening)予測,電圧安定率(VSM)予測の3つのタスクでTFMを評価する。
• 参考スコア（独自算出の注目度）: 0.6299766708197883
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Foundation models have shown strong generalization across scientific domains, but their use in power systems remains largely task-specific. We investigate whether a pretrained tabular foundation model (TFM), TabPFN, can serve as a general-purpose neural solver for power grid steady-state analysis. We evaluate the TFM on three tasks: power flow (PF) prediction, N-k contingency screening (NCS), and voltage stability margin (VSM) prediction. We performed experiments on 118- and 2000-bus systems, comparing the TFM against task-specific neural baselines. Without retraining or fine-tuning, the TFM matches or outperforms the best task-specific model in several settings across the three tasks. For 118-bus PF prediction, a variant of the TFM achieves errors of $1\times 10^{-3}$ pu for voltage magnitudes and $0.30^\circ$ for voltage angles, outperforming all baselines. On unseen N-1 contingency and close-to-infeasible PF cases, the TFM is competitive with the DCPF approximation. For millions of unseen N-2 contingencies, the TFM achieves AUCs of 0.92 and 0.95 for branch and voltage violation screening, respectively. The TFM also attains accurate VSM prediction performance for the 2000-bus system with limited labelled data. The TFM attains strong results across the tested tasks despite pretraining without any power-system-specific dataset and requiring no fine-tuning step. These results offer a glimpse into the potential of pretrained TFMs as a neural solver for a range of power grid analysis tasks.
• Abstract（参考訳）: 基礎モデルは、科学領域全体にわたって強力な一般化を示してきたが、電力システムにおけるそれらの使用は、主にタスク固有のままである。 本研究では,電力グリッド定常状態解析のための汎用ニューラルネットワークとして,事前訓練された表層基礎モデル(TFM)であるTabPFNが有効であるかどうかを検討する。 我々は,電力フロー(PF)予測,NCS(N-k Contingency screening)予測,電圧安定率(VSM)予測の3つのタスクでTFMを評価する。 我々は118バスと2000バスの実験を行い、TFMとタスク固有の神経ベースラインを比較した。 再トレーニングや微調整がなければ、TFMは3つのタスクにまたがるいくつかの設定において、最高のタスク固有モデルにマッチしたり、性能を上回ります。 118バスのPF予測では、TFMの変種は電圧等級が1/times 10^{-3}$ pu、電圧角が0.30^\circ$の誤差を達成し、全てのベースラインを上回っている。 目に見えないN-1濃度と近近距離PFの場合、TFMはDCPF近似と競合する。 何百万もの未知のN-2事象に対して、TFMは分岐と電圧違反のスクリーニングのためにそれぞれ0.92と0.95のAUCを達成している。 TFMはラベル付きデータに制限のある2000バスシステムの正確なVSM予測性能も達成している。 TFMは、パワーシステム固有のデータセットなしで事前トレーニングし、微調整のステップを必要としないにもかかわらず、テストされたタスク全体で強力な結果を得る。 これらの結果は、様々な電力グリッド解析タスクのためのニューラルソルバとして、事前訓練されたTFMの可能性を垣間見ることができる。

関連論文リスト

• Revisiting data-driven dynamic security assessment with a tabular foundation model [6.878718937917184]
  データ駆動型プレフォールト動的セキュリティアセスメント(DSA)は,機械学習を用いた電力系統における信頼性の高い事象の動的リスクを急速に評価する。 既存のアプローチには2つの制限がある。 トレーニングには大きなラベル付きデータベースが必要で、個別のモデルでトレーニングされ、チューニングされ、各インスタンスのために維持される。
  論文  参考訳（メタデータ） (2026-07-17T15:06:11Z)
• Scalable Heterogeneous Graph Foundation Models for Data-Driven Optimal Power Flow in Smart Grids [7.737263980113792]
  本稿では,データ駆動型OPFサロゲートモデリングとOPF-GFM開発のためのスケーラブルなヘテロジニアスグラフニューラルネットワーク(GNN)ワークフローを提案する。 このワークフローは、異なるノードとエッジタイプの電力グリッドを保持し、リーダーシップクラスのスーパーコンピュータで分散前処理、トレーニング、下流の微調整をサポートする。
  論文  参考訳（メタデータ） (2026-05-22T03:25:25Z)
• Posterior Augmented Flow Matching [64.1559809786948]
  後拡張フローマッチング(PAFM)はフローマッチング(FM)の一般化である PAFMは、異なるモデルスケールで最大3.4FID50KでFMよりも改善されていることを示す。
  論文  参考訳（メタデータ） (2026-05-01T17:59:59Z)
• Earth System Foundation Model (ESFM): A unified framework for heterogeneous data integration and forecasting [52.53742727060265]
  地球系の基礎モデル(FM)は、大量のデータセットにわたる物理変数間の統計的関係を学習する。 本稿では,アース・システム・ファンデーション・モデル(ESFM)について紹介する。 本研究では,高密度グリッドデータ (ERA5, CMIP6) , 地域密集データ, 疎グリッドMODIS衛星データ, 局データを用いた。 結果は、最先端のベンチマークと比較して、競争力や優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2026-04-20T11:40:39Z)
• Multi-Scale Finetuning for Encoder-based Time Series Foundation Models [67.95907033226585]
  時系列基礎モデル (TSFM) は, 時系列予測において印象的なゼロショット性能を示す。 直感的な微調整はパフォーマンスの向上をもたらすが、TSFMの能力を完全に活用するには不十分である、と我々は主張する。 マルチスケール・ファインタニング(MSFT)は,マルチスケール・モデリングをファインタニング・プロセスに明示的に統合する,シンプルながら汎用的なフレームワークである。
  論文  参考訳（メタデータ） (2025-06-17T01:06:01Z)
• FedPFT: Federated Proxy Fine-Tuning of Foundation Models [55.58899993272904]
  フェデレートラーニング(FL)を通じて下流タスクにファンデーションモデル(FM)を適用することは、データプライバシと価値のあるFMを保護するための有望な戦略として現れます。 FLのクライアントにサブFMを割り当てることによる既存のFMの微調整手法は、チューニングが不十分で勾配の必然的エラー蓄積が避けられないため、最適以下の性能をもたらす。 本稿では,FedPFT(Federated Proxy Fine-Tuning)を提案する。
  論文  参考訳（メタデータ） (2024-04-17T16:30:06Z)
• Foundation Models for Structural Health Monitoring [14.36493796970864]
  本稿では,トランスフォーマーニューラルネットワークをMasked Auto-Encoderアーキテクチャを用いて,構造的健康モニタリングのための基礎モデルとして初めて利用することを提案する。 自己教師付き事前学習を通じて、複数の大規模データセットから一般化可能な表現を学習する能力を実証する。 本研究は,3つの運用用インダクトのデータを用いた基礎モデルの有効性を示す。
  論文  参考訳（メタデータ） (2024-04-03T13:32:44Z)
• Power Flow Analysis Using Deep Neural Networks in Three-Phase Unbalanced Smart Distribution Grids [0.7037008937757394]
  本稿では3つのディープニューラルネットワーク(DNN)を提案し,PF(Power Flow)ソリューションの予測を行った。 トレーニングデータとテストデータは、OpenDSS-MATLAB COMインターフェースを介して生成される。 提案手法の新規性は、モデルが不均衡分布格子に対するPF解を正確に予測できることである。
  論文  参考訳（メタデータ） (2024-01-15T04:43:37Z)
• Improving and generalizing flow-based generative models with minibatch optimal transport [90.01613198337833]
  連続正規化フロー(CNF)のための一般条件流整合(CFM)技術を導入する。 CFMは、拡散モデルのフローをトレーニングするために使用されるような安定した回帰目標を特徴としているが、決定論的フローモデルの効率的な推論を好んでいる。 我々の目的の変種は最適輸送CFM (OT-CFM) であり、訓練がより安定し、より高速な推論をもたらすより単純なフローを生成する。
  論文  参考訳（メタデータ） (2023-02-01T14:47:17Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。