机器学习实现电力系统事故筛查近实时响应

电网运行中的事故分析（Contingency Analysis）长期受限于传统潮流计算，N-k场景（同时失效k个元件）的计算量随k增长呈指数级上升，难以满足实时响应需求。而arXiv预印本2609.04300v1提出的新方法将事故筛查转化为机器学习分类问题，直接判断事故后果属于"安全"、"中等"或"严重"三类，避免了逐场景的物理推演。

该方法采用两阶段设计：首先使用Newton-Raphson潮流计算法生成基础数据集，并基于整体性能指标（OPI）为每个故障场景打标签，这些数据成为训练ML模型的"教科书"，帮助模型学习输入特征与系统稳定性之间的关系。随后，研究者使用IEEE-14和IEEE-30两个标准母线系统进行实验验证，覆盖k=1、2、3的多场景测试，证明模型能同时处理N-1、N-2和N-3事故。

为解决电力系统数据天然不平衡的问题（大多数场景安全，严重事故样本稀少），论文采用了SMOTE（合成少数类过采样技术）和PCA（主成分分析）两种技术。SMOTE通过插值合成新样本补齐"严重事故"类别，防止模型因数据偏差而忽略高风险场景；PCA则用于降维，剔除冗余信息并提升计算效率。实验中，K-Nearest Neighbours（KNN）、Random Forest（RF）和Support Vector Machines（SVM）等多种算法被训练和评估，性能通过精确率、召回率和F1分数来衡量，特别关注严重事故类别的识别效果。结果显示，Random Forest在IEEE-30系统中达到0.97的F1分数，在IEEE-14系统中为0.86；SVM从PCA中获益显著，提高了分类准确性；而KNN最适合处理经过SMOTE和PCA转换的数据。这种方法使调度员能够快速筛选出"中等"和"严重"风险点，实现近实时预警，有效预防大规模停电事故。