电力系统事故AI分类准确率高达97%！随机森林模型秒判安全等级，预防大停电就靠它
Data-Optimized Contingency Screening: A Machine Learning Approach to Power System Security
📖 AI 总结
该研究探讨了利用机器学习算法对电力系统突发事件进行安全等级分类的方法，将系统状态划分为安全、中等和严重三类。研究采用牛顿-拉夫逊潮流法提取系统数据，并以总体性能指数作为安全度量指标。数据预处理结合了SMOTE过采样技术和PCA降维方法，以解决类别不平衡和维度问题。研究在IEEE-14和IEEE-30总线系统上，基于N-k（k=1,2,3）突发事件场景生成数据集，评估了KNN、随机森林和支持向量机三种模型在四种预处理配置下的表现。结果显示，随机森林在IEEE-30和IEEE-14系统上分别取得0.97和0.86的最高F1分数；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。研究验证了机器学习作为传统突发事件分析的可扩展替代方案，可提升电力系统安全性的实时评估能力。
🔑 关键词速览
| Contingency | 电力系统中的突发事件或故障，如线路断开或发电机停运，可能导致系统不稳定。 |
| Newton-Raphson load flow | 一种用于电力系统稳态分析的迭代数值方法，通过求解潮流方程确定系统状态。 |
| SMOTE | 合成少数类过采样技术，用于处理类别不平衡问题，通过生成合成样本增加少数类数量。 |
| PCA | 主成分分析，一种降维技术，通过线性变换提取数据的主要特征，减少特征维度。 |
| N-k contingency | 指电力系统中同时发生k个元件故障的事故场景，用于评估系统在多重故障下的安全性。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅