《Sustainable Computing: Informatics and Systems》：Smart Grid Stability Prediction Using Artificial Intelligence: A Study Based on the UCI Smart Grid Stability Dataset
编辑推荐：
针对传统监测难以及时捕捉智能电网（SG）不稳定初期迹象的问题，研究人员评估了 6 种机器学习（ML）算法，结合 GridSearchCV 与贝叶斯优化（BO）优化模型。结果显示 BO-SVM 准确率达 96%，CatBoost 和 XGBoost 表现稳定，为实时监测、提升电网韧性与能源效率提供有力支撑。
随着全球人口增长、经济活动扩张与城市化加速，能源需求尤其是电力需求持续攀升。传统电网因采用集中式模型，面临负荷过重、供电质量不佳、缺乏先进预测机制等问题，难以应对变量天气、组件故障及可再生能源整合带来的挑战。智能电网（SG）虽通过双向通信提升了安全性、效率与可靠性，但电网稳定性仍是核心难题，传统监测方式常错失不稳定初期迹象，亟需更智能的解决方案。在此背景下，研究人员开展了基于人工智能的智能电网稳定性预测研究，相关成果发表于《Sustainable Computing: Informatics and Systems》。
为解决上述问题，研究人员以 UCI 智能电网稳定性数据集为研究对象，该数据集包含 10000 个样本，涵盖评估电网稳定性所需的电气测量值、运行条件等关键属性。研究选取了 6 种机器学习（ML）算法，包括随机森林（RF）、极端梯度提升（XGBoost）、支持向量机（SVM）、K 近邻（KNN）、逻辑回归（LR）和分类 boosting（CatBoost）。通过 GridSearch 交叉验证（GridSearchCV）和贝叶斯优化（BO）两种技术对模型超参数进行优化，并采用准确率、精确率、召回率、F1 分数、ROC AUC、对数损失、Cohen Kappa 系数和马修斯相关系数（Matthews Correlation Coefficient）等指标评估模型性能。
研究结果
- 模型优化效果显著：经 GridSearchCV 和 BO 优化后，模型性能均有提升。其中，BO 优化的 SVM（BO-SVM）在准确率、精确率、召回率、F1 分数上均达到 96.00%，平衡准确率也最高，显著优于其他研究方法。
- 部分模型表现稳定：CatBoost 和 XGBoost 在两种优化技术下均展现出稳定且有效的结果，表明这两种 boosting 算法在智能电网稳定性预测中具有较好的适用性。
- 部分模型存在局限：KNN 算法出现过拟合现象，难以准确捕捉电网稳定性模式；LR 则因模型特性，无法有效捕捉复杂的稳定性模式，表现不佳。
研究结论与讨论部分强调，将机器学习应用于智能电网稳定性的分类与预测，可显著提升电网的可靠性和运行效率。优化后的 SVM 模型在实时监测电网稳定性方面极具实用价值，能助力决策者做出明智且及时的判断，增强智能电网的韧性与能源使用效率。同时，研究凸显了超参数调优对模型效果的重要影响，为智能电网系统的实际部署提供了宝贵参考。未来将这些模型部署于实时、嘈杂且动态的电网环境中，有望进一步拓展其应用范围，为构建安全、可持续且有韧性的能源未来奠定基础。
