La operación de la red eléctrica ocurre en entornos complejos y dinámicos donde la identificación oportuna de violaciones por parte de los operadores es esencial para la seguridad. Los métodos tradicionales a menudo dependen de la supervisión manual y la detección basada en reglas, lo que conduce a ineficiencias. Los enfoques existentes de aprendizaje profundo, aunque potentes, requieren datos completamente etiquetados y largos tiempos de entrenamiento, lo que aumenta los costos. Para abordar estos desafíos, proponemos un método de aprendizaje activo de muestras difíciles específicamente para el reconocimiento de acciones de violación de los operadores en la operación de la red eléctrica. Diseñamos un módulo de muestreo de instancias difíciles con fusión de múltiples estrategias basado en el aprendizaje activo para mejorar la eficiencia del entrenamiento. Este módulo identifica muestras difíciles en función de la consistencia de los modelos o muestras, donde desarrollamos una evaluación de incertidumbre y una estrategia de discriminación de instancias para evaluar las contribuciones de las muestras de manera efectiva. Utilizamos arquitecturas ResNet50 y ViT con Faster-RCNN para la detección y el reconocimiento, desarrolladas utilizando PyTorch 2.0. El conjunto de datos comprende 2000 muestras, y se emplean datos etiquetados del 30% y del 60%. Los resultados experimentales muestran mejoras significativas en el rendimiento del modelo y la eficiencia del entrenamiento, demostrando la efectividad del método en entornos complejos de la red eléctrica. Nuestro enfoque mejora la supervisión de la seguridad y avanza en el aprendizaje activo y las técnicas de muestras difíciles en aplicaciones prácticas.