이 연구는 전력계통의 상정사고(contingency)를 안전·보통·심각 등급으로 분류하는 머신러닝 기법을 제안한다. 뉴턴-랩슨 조류계산으로 상정사고 시나리오의 시스템 데이터를 추출하고 종합성능지수(OPI)를 안전성 척도로 사용했으며, 클래스 불균형과 차원 축소를 위해 SMOTE와 PCA를 적용한 4가지 전처리 조합에서 KNN, 랜덤포레스트(RF), SVM을 IEEE-14·IEEE-30 버스 시스템에 학습·평가했다. RF가 IEEE-30에서 F1 0.97, IEEE-14에서 0.86으로 가장 높은 성능을 보였고, SVM은 PCA 적용 시 정확도가 크게 개선됐으며 KNN은 SMOTE+PCA 조합에 가장 적합했다. PCA가 SMOTE보다 전반적 성능 향상에 더 크게 기여했으나 SMOTE는 재현율을 높이는 대신 오탐을 늘리는 트레이드오프가 있었다.

• •전력계통 상정사고를 안전·보통·심각으로 분류하는 머신러닝 프레임워크 제안
• •SMOTE(클래스 불균형 해소)와 PCA(차원 축소)를 결합한 4가지 전처리로 KNN·RF·SVM 비교
• •랜덤포레스트가 IEEE-30에서 F1 0.97로 최고 성능, IEEE-14에서도 0.86 기록
• •PCA가 SMOTE보다 전반적 성능 기여도가 크며, SMOTE는 재현율 개선 대신 오탐 증가 트레이드오프 존재