Este estudio presenta los resultados del desarrollo y prueba de una metodología para seleccionar parámetros de las características de la válvula de corte rápido en una turbina de vapor para el manejo del sistema de energía de emergencia con el fin de mantener la estabilidad dinámica basada en algoritmos de aprendizaje automático. Los sistemas de energía modernos tienen una menor inercia y una mayor estocasticidad debido a la integración activa de fuentes de energía renovable. Como resultado, existe una mayor probabilidad de operación incorrecta en los dispositivos de automatización de emergencia tradicionales, desarrollados sobre la base de un análisis determinista de los procesos transitorios. Hasta la fecha, es posible aumentar la adaptabilidad y precisión del manejo del sistema de energía de emergencia a través de la aplicación de algoritmos de aprendizaje automático. En este trabajo, la válvula de corte rápido en una turbina de vapor fue elegida como el dispositivo considerado de automatización de emergencia. Para formar la muestra de datos, se utilizó el modelo matemático IEEE39, para el cual se seleccionaron leyes de referencia de cambio en la posición de la válvula de corte durante el corte rápido de una turbina de vapor. Se utilizaron los algoritmos de aprendizaje automático considerados para clasificar la ley de cambio en la posición de la válvula de corte de la turbina de vapor: k-vecinos más cercanos, máquina de vectores de soporte, árbol de decisión, bosque aleatorio y aumento extremo de gradiente. Los resultados muestran que la mayor precisión corresponde al aumento extremo de gradiente. Para el algoritmo de aumento extremo de gradiente seleccionado, la precisión de clasificación en el conjunto de entrenamiento fue del 98.17% y en el conjunto de prueba fue del 97.14%. El trabajo también propone una metodología para formar datos sintéticos para el uso de algoritmos de aprendizaje automático para el manejo de emergencias de sistemas de energía y sugiere direcciones para investigaciones futuras.