本研究论文提出了一种基于机器学习的数据优化预想事故筛查框架，用以提升电力系统的安全评估效率。在现代电网面临潜在大规模故障风险背景下，对预想事故的准确快速分类有助于运维人员提前决策，减少连锁故障或大范围停电的可能性。论文的目标是将电力系统扰动后的安全状态划分为安全、中等和严重三个等级。
在方法层面，作者利用牛顿-拉夫逊潮流法生成不同预想事故场景下的系统运行数据，并以总体性能指数（OPI）作为量化安全性的指标。为了提升模型训练质量，数据预处理阶段同时引入了合成少数类过采样技术（SMOTE）和主成分分析（PCA），分别用于缓解类别不平衡问题以及降低特征空间的维度。论文在IEEE-14和IEEE-30母线系统上，构建了N-k（k=1、2、3）预想事故场景数据集，并设计了四种混合预处理组合：归一化、SMOTE平衡、PCA变换以及SMOTE+PCA联合变换，在此之上训练了K近邻（KNN）、随机森林（RF）和支持向量机（SVM）三种分类器。
实验以精确率、召回率和F1分数作为评价指标，并特别关注严重事故类别的判别能力。结果显示，随机森林性能最佳，在IEEE-30上F1达到0.97，在IEEE-14上达到0.86；SVM在使用PCA后分类准确率大幅提升；KNN则较适合与SMOTE和PCA结合使用。总体而言，PCA对模型整体性能的贡献大于SMOTE，而SMOTE可以提升少数类召回率，但同时也带来了更多误报，因此需要在准确度与完备性之间进行权衡。
该研究还指出，相比传统的事故分析手段，机器学习方法具备更强的可扩展性，并且能支持近乎实时的安全等级评估，这对于未来电力系统的动态安全监控具有重要意义。论文已获准在第三届EIE International Conference on Computing, Networking, Robotics and Telecommunication (EIECon) 2025上进行展示，并将发表于IEEE Xplore。