本文研究利用机器学习对电力系统的应急情景进行安全等级分类，目标是将其划分为安全、适度和严重三类，以实现主动决策并降低大规模故障风险。首先采用Newton‑Raphson潮流计算获取每个应急场景的系统状态，并以整体性能指数（OPI）作为安全度量。为缓解类别不平衡并降低特征维度，分别引入SMOTE进行过采样和PCA进行降维，形成四种预处理组合：归一化、SMOTE、PCA以及SMOTE+PCA。随后在IEEE‑14和IEEE‑30总线系统上构造N‑k（k=1、2、3）应急数据集，使用K最近邻（KNN）、随机森林（RF）和支持向量机（SVM）进行训练与评估。模型性能通过精确率、召回率和F1分数衡量，重点关注严重应急类别。实验结果显示，RF在IEEE‑30上取得最高F1=0.97，在IEEE‑14上为0.86；SVM在加入PCA后分类精度显著提升；KNN在SMOTE+PCA组合下表现最佳。整体来看，PCA对模型性能的贡献大于SMOTE，后者虽能提升召回率，却可能引入误报，导致精度下降。研究表明，机器学习方法能够在实时条件下提供可扩展且高效的应急安全评估，作为传统应急分析的有力补充。
点评：该工作系统地比较了三类常用分类器及两种数据平衡/降维技术，揭示了特征降维在提升模型鲁棒性方面的关键作用，为电力系统安全监控提供了实用的机器学习框架。