Maskinindlæring forudsiger blackouts forårsaget af storme

Tordenvejr er almindeligt overalt i verden om sommeren. Samt forkælelse af eftermiddage i parken, lyn, regn og stærk vind kan beskadige elnet og forårsage strømafbrydelse. Det er let at se, når en storm kommer, men elselskaber ønsker at kunne forudsige, hvilke der har potentiale til at skade deres infrastruktur.

Maskinlæring er ideel til at forudsige, hvilke storme der kan forårsage blackouts. Roope Tervo, en softwarearkitekt ved det finske meteorologiske institut (FMI) og ph.d. forsker ved Aalto -universitetet i professor Alex Jungs forskningsgruppe, har udviklet en machine learning -tilgang til at forudsige stormens sværhedsgrad.

Det første skridt til at lære computeren at kategorisere stormene var at give dem data fra strømafbrydelser. Tre finske energiselskaber, Järvi-Suomen Energia, Loiste Sähkoverkko, og Imatra Seudun Sähkönsiirto, som har strømnet gennem storm-udsatte centrale Finland, leveret data om antallet af strømafbrydelser til deres netværk. Storme blev sorteret i fire klasser. En klasse 0 storm slog ikke strøm ud til nogen transformere. En klasse 1 stormafbrydelse op til 10 procent af transformere, en klasse 2 op til 50 procent, og en klasse 3 storm afbrydede strømmen til over 50 procent af transformatorerne.

Det næste trin var at tage data fra de storme, som FMI havde, og gør det let for computeren at forstå. "Vi brugte en ny objektbaseret tilgang til at forberede dataene, hvilket gjorde dette arbejde spændende, "sagde Roope." Storme består af mange elementer, der kan indikere, hvor skadelige de kan være:overfladeareal, vindhastighed, temperatur og tryk, for at nævne et par stykker. Ved at gruppere 16 forskellige træk ved hver storm, vi var i stand til at træne computeren til at genkende, hvornår storme vil være skadelige. "

Resultaterne var lovende:Algoritmen var meget god til at forudsige, hvilke storme der ville være en klasse 0 og ikke forårsage skade, og hvilke storme der ville være mindst en klasse 3 og forårsage masser af skader. Forskerne tilføjer flere data for storme til modellen for at hjælpe med at forbedre evnen til at se klasse 1 og 2 storme adskilt fra hinanden, at gøre forudsigelsesværktøjerne endnu mere nyttige for energiselskaberne.

"Vores næste trin er at forsøge at forfine modellen, så den fungerer til mere vejr end bare sommerstorme, "sagde Roope, "som vi alle ved, der kan være store storme om vinteren i Finland, men de fungerer anderledes end sommerstorme, så vi har brug for forskellige metoder til at forudsige deres potentielle skade. "