数据优化应急筛选：一种用于电力系统安全的机器学习方法

摘要由 AI 生成

一项发表于 2026 年 9 月的研究提出利用机器学习算法对电力系统安全等级进行分级，旨在提升系统稳定性并预防大规模故障。该研究采用牛顿 - 拉夫逊法提取数据，结合 SMOTE 过采样与 PCA 降维技术处理样本不平衡问题，并在 IEEE-14 和 IEEE-30 测试系统中验证了 KNN、随机森林（RF）和支持向量机（SVM）三种模型的性能。评估结果显示，随机森林在 IEEE-30 系统中的 F1 分数最高，达到 0.97。研究发现 PCA 对模型整体性能贡献大于 SMOTE，而 SMOTE 虽能提升召回率但可能引入误报。该研究证实机器学习是替代传统 contingency 分析的有效方案，可实时优化安全评估。

全部报道（1）SOURCES

↗

A arXiv cs.AI en 2026-09-07 12:00

本研究利用机器学习算法对电力系统安全等级进行分级，旨在提升系统稳定性并预防大规模故障。研究采用牛顿 - 拉夫逊法提取数据，结合 SMOTE 与 PCA 技术处理样本不平衡及降维，在 IEEE-14 和 IEEE-30 系统中测试了 KNN、随机森林（RF）和支持向量机（SVM）三种模型。评估结果显示，随机森林在 IEEE-30 系统中的 F1 分数最高，达到 0.97；PCA 对模型整体性能贡献大于 SMOTE，而 SMOTE 虽能提升召回率但可能引入误报。该研究证实机器学习是替代传统 contingency 分析的有效方案，可实时优化安全评估。

存档