Badacze zaproponowali algorytm uczenia maszynowego do klasyfikacji stanu bezpieczeństwa sieci elektroenergetycznych podczas potencjalnych awarii na trzy kategorie: bezpieczne, umiarkowane i poważne. System wykorzystuje metodę Newton-Raphson do ekstrakcji danych z scenariuszy uszkodzeń, używając Overall Performance Index jako miary bezpieczeństwa systemu.
W badaniu porównano trzy popularne algorytmy - Random Forest, Support Vector Machines i K-Nearest Neighbours - na dwóch standardowych konfiguracjach sieci: IEEE-14 i IEEE-30 bus. Kluczową część pracy stanowiło przetwarzanie danych przy użyciu technik SMOTE do zbalansowania klas, PCA do redukcji wymiarowości, oraz ich kombinacji. Random Forest wykazał najlepszą wydajność z wynikami F1 na poziomie 0.97 dla IEEE-30 i 0.86 dla IEEE-14, podczas gdy SVM znacznie poprawił się dzięki transformacji PCA.
Efektywna klasyfikacja zagrożeń w sieciach energetycznych umożliwia operatorom podejmowanie proaktywnych decyzji i zapobieganie masowym awariom. Takie rozwiązania AI są szczególnie ważne w erze rosnącej złożoności systemów zasilania z rozproszonymi źródłami energii odnawialnej, gdzie tradycyjne metody mogą być niewystarczające.