本研究論文提出了一種基於機器學習的數據優化預想事故篩查框架，用以提升電力系統的安全評估效率。在現代電網面臨潛在大規模故障風險背景下，對預想事故的準確快速分類有助於運維人員提前決策，減少連鎖故障或大範圍停電的可能性。論文的目標是將電力系統擾動後的安全狀態劃分為安全、中等和嚴重三個等級。
在方法層面，作者利用牛頓-拉夫遜潮流法生成不同預想事故場景下的系統運行數據，並以總體性能指數（OPI）作為量化安全性的指標。為了提升模型訓練質量，數據預處理階段同時引入了合成少數類過採樣技術（SMOTE）和主成分分析（PCA），分別用於緩解類別不平衡問題以及降低特徵空間的維度。論文在IEEE-14和IEEE-30母線系統上，構建了N-k（k=1、2、3）預想事故場景數據集，並設計了四種混合預處理組合：歸一化、SMOTE平衡、PCA變換以及SMOTE+PCA聯合變換，在此之上訓練了K近鄰（KNN）、隨機森林（RF）和支持向量機（SVM）三種分類器。
實驗以精確率、召回率和F1分數作為評價指標，並特別關注嚴重事故類別的判別能力。結果顯示，隨機森林性能最佳，在IEEE-30上F1達到0.97，在IEEE-14上達到0.86；SVM在使用PCA後分類準確率大幅提升；KNN則較適合與SMOTE和PCA結合使用。總體而言，PCA對模型整體性能的貢獻大於SMOTE，而SMOTE可以提升少數類召回率，但同時也帶來了更多誤報，因此需要在準確度與完備性之間進行權衡。
該研究還指出，相比傳統的事故分析手段，機器學習方法具備更強的可擴展性，並且能支持近乎實時的安全等級評估，這對於未來電力系統的動態安全監控具有重要意義。論文已獲准在第三屆EIE International Conference on Computing, Networking, Robotics and Telecommunication (EIECon) 2025上進行展示，並將發表於IEEE Xplore。