数据优化的应急筛查：电力系统安全的机器学习方法

arXiv:2609.04300v1 发布类型：新 摘要：确保电力系统的安全对于稳定性和可靠性至关重要，特别是在发生中断时。对电力系统中的意外事件进行有效分类可以实现主动决策并减少大规模故障和故障。本研究探索使用机器学习算法将电力系统突发事件的安全级别分为安全、中等或严重类别。对于这种方法，牛顿-拉夫森潮流法从应急场景中提取系统数据，使用总体性能指数（OPI）作为安全措施。对于数据预处理，合成少数过采样技术（SMOTE）和主成分分析（PCA）分别用于解决类别不平衡和降低维度。 K 最近邻 (KNN)、随机森林 (RF) 和支持向量机 (SVM) 在通过 IEEE-14 和 IEEE-30 总线系统上 k 等于 1、2 和 3 的 N-k 个应急场景生成的数据集上进行训练和评估，使用四种混合预处理配置：归一化、SMOTE 平衡、PCA 转换和组合 SMOTE PCA 转换。性能通过精确率、召回率和 F1 分数进行评估，优先考虑严重的意外事件类别。 RF 在 IEEE-30 中取得了最高的 F1 分数 0.97，在 IEEE-14 中取得了 0.86，SVM 显着受益于 PCA 并提高了分类的准确性，而 KNN 最适合 SMOTE 和 PCA 转换。研究结果表明，PCA 对模型整体性能的贡献大于 SMOTE。然而，SMOTE 提高了召回率，但可能会引入误报，因此会影响准确性。这项研究强调机器学习是传统应急分析的可扩展且强大的替代方案，可以改善实时安全评估。