Procjena prijelazne stabilnosti elektroenergetskog sustava (TSA) može se predstaviti kao problem binarne klasifikacije strojnog učenja (ML). Podaci mrežnih mjerenja, prikupljeni iz distribuiranih fazorskih mjernih jedinica tijekom poremećaja, čine veliki i neuravnoteženi skup podataka, na koji se može primijeniti ML kako bi se naučilo prepoznati gubitak stabilnosti od raznih incidenata TSA. Ovaj skup podataka, za stvarne energetske mreže, sadrži stotine značajki, od kojih mnoge mogu biti suvišne i/ili višestruko povezane. Ovaj rad predlaže pristup skupnom učenju problemu klasifikacije TSA, koji uključuje raznolik skup osnovnih učenika ujedinjenih glasačkim ansamblom. Razmatraju se neuravnotežena distribucija uzorka i nejednaki troškovi pogrešne klasifikacije. Predloženi pristup također razmatra odabir značajki kao korak predprocesiranja, koji se temelji na analizi važnosti iz različitih modela temeljenih na stablima odlučivanja. Predloženi model učenja ansambla primijenjen je na IEEE New England 39-bus test case sustav. Dobiveni rezultati simulacije potvrđuju izvrsne performanse i robusnost predloženog pristupa.