Các nhà nghiên cứu vừa công bố phương pháp ứng dụng học máy nhằm sàng lọc và phân loại mức độ rủi ro sự cố lưới điện (contingency screening), đạt chỉ số F1 lên tới 0,97 trên hệ thống thử nghiệm chuẩn IEEE-30. Nghiên cứu đăng tải trên arXiv (mã số 2609.04300) đề xuất quy trình kết hợp các thuật toán tối ưu dữ liệu nhằm hỗ trợ hệ thống điện phát hiện nguy cơ và đưa ra quyết định chủ động, giảm thiểu nguy cơ mất điện diện rộng.
Phương pháp nghiên cứu tập trung phân loại trạng thái an ninh của hệ thống điện khi xảy ra sự cố thành ba cấp độ: an toàn (safe), trung bình (moderate) và nghiêm trọng (severe). Để tạo tập dữ liệu, nhóm nghiên cứu sử dụng phương pháp phân tích dòng công suất Newton-Raphson nhằm trích xuất thông số vận hành từ các kịch bản sự cố N-k với giá trị k bằng 1, 2 và 3. Chỉ số Hiệu suất Tổng thể (Overall Performance Index - OPI) được sử dụng làm thước đo an toàn cho từng kịch bản trên hai lưới điện thử nghiệm chuẩn gồm IEEE-14 và IEEE-30 bus.
Về xử lý dữ liệu, nghiên cứu thử nghiệm bốn cấu hình tiền xử lý kết hợp: dữ liệu chuẩn hóa, cân bằng mẫu bằng SMOTE (Synthetic Minority Over-Sampling Technique), giảm chiều dữ liệu bằng PCA (Principal Component Analysis), và kết hợp đồng thời cả SMOTE lẫn PCA. Ba mô hình học máy gồm Rừng ngẫu nhiên (Random Forest - RF), Máy vector hỗ trợ (Support Vector Machines - SVM) và K láng giềng gần nhất (KNN) được huấn luyện để so sánh độ chính xác (precision), độ thu hồi (recall) và điểm F1, trong đó ưu tiên cao nhất cho nhóm sự cố nghiêm trọng.
Theo kết quả công bố trong bài báo, Random Forest đạt hiệu quả phân loại cao nhất với điểm F1 đạt 0,97 trên hệ thống IEEE-30 và 0,86 trên hệ thống IEEE-14. Thuật toán SVM hưởng lợi đáng kể khi kết hợp với PCA để nâng cao độ chính xác, trong khi KNN đạt hiệu năng tốt nhất khi áp dụng đồng thời cả SMOTE và PCA. Đáng chú ý, phân tích dữ liệu cho thấy PCA đóng góp vào hiệu năng chung của mô hình nhiều hơn SMOTE. Mặc dù SMOTE giúp cải thiện độ thu hồi đối với các sự cố nghiêm trọng, kỹ thuật này lại làm gia tăng số trường hợp dương tính giả (false positive), buộc hệ thống phải đánh đổi về độ chính xác tổng thể.
Nghiên cứu nhấn mạnh tiềm năng của học máy trong việc thay thế hoặc bổ trợ các công cụ phân tích sự cố truyền thống để đánh giá an ninh lưới điện theo thời gian thực. Tuy nhiên, bài báo chưa công bố kết quả kiểm nghiệm trên các lưới điện thực tế có quy mô lớn hơn chuẩn IEEE-30, cũng như thời gian xử lý thực tế khi tích hợp vào hệ thống điều hành điện lưới trực tiếp.