Predictive Modeling of Power Outages during Extreme Events: Integrating Weather and Socio-Economic Factors

📄 arXiv: 2512.22699v2 📥 PDF

作者: Antar Kumar Biswas, Masoud H. Nazari

分类: cs.LG, eess.SY

发布日期: 2025-12-27 (更新: 2026-01-16)

备注: This is a preprint of a manuscript currently under review at Electric Power Systems Research. The content may be subject to change following peer review

💡 一句话要点

提出一种融合天气与社会经济因素的预测模型，用于极端事件下的电力中断预测。

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 电力中断预测 极端事件 机器学习 社会经济因素 长短期记忆网络 LSTM 电力系统 风险评估

📋 核心要点

  1. 现有电力中断预测方法在应对极端事件时，缺乏对社会经济因素的有效整合，导致预测精度不足。
  2. 该论文提出了一种融合天气、社会经济等多维度数据的机器学习框架，以提升极端事件下电力中断预测的准确性。
  3. 实验结果表明，长短期记忆网络（LSTM）在该框架下表现出更高的预测精度，验证了该方法的有效性。

📝 摘要（中文）

本文提出了一种基于学习的全新框架，用于预测极端事件引起的电力中断。该方法针对低概率、高后果的中断场景，并利用从公开数据源获得的一系列综合特征。我们将2014年至2024年的EAGLE-I中断记录与天气、社会经济、基础设施和季节性事件数据相结合。纳入社会和人口统计指标揭示了社区脆弱性的模式，并提高了对极端条件下中断风险的理解。评估了四种机器学习模型，包括随机森林（RF）、图神经网络（GNN）、自适应增强（AdaBoost）和长短期记忆网络（LSTM）。实验验证在一个大规模数据集上进行，该数据集覆盖了密歇根州下半岛的县。在所有测试模型中，LSTM网络实现了更高的准确性。

🔬 方法详解

问题定义：论文旨在解决极端事件（如恶劣天气）下电力中断预测的问题。现有方法通常侧重于天气因素，忽略了社会经济因素对电力系统脆弱性的影响，导致预测精度不高，难以有效应对低概率高影响的中断事件。

核心思路：论文的核心思路是将天气数据、社会经济数据、基础设施数据和季节性事件数据等多源数据融合，构建一个更全面的特征集，从而更准确地预测电力中断。通过考虑社区的社会经济脆弱性，可以更好地理解中断风险。

技术框架：该框架主要包括数据收集与预处理、特征工程、模型训练与评估三个阶段。首先，从EAGLE-I、天气数据源、人口普查数据等获取数据，进行清洗和整合。然后，提取与电力中断相关的特征，包括天气指标、社会经济指标、基础设施状况和季节性因素。最后，使用随机森林（RF）、图神经网络（GNN）、自适应增强（AdaBoost）和长短期记忆网络（LSTM）等机器学习模型进行训练，并使用大规模数据集进行评估。

关键创新：该论文的关键创新在于整合了社会经济因素到电力中断预测模型中。传统方法主要关注天气和基础设施，忽略了不同社区的社会经济状况对电力系统脆弱性的影响。通过引入社会经济指标，可以更准确地识别高风险区域，提高预测精度。

关键设计：论文中，LSTM网络被证明具有更高的预测精度。具体设计细节可能包括LSTM的网络层数、隐藏单元数量、优化器选择、损失函数等。此外，特征工程也至关重要，需要选择合适的社会经济指标，并进行有效的特征组合和转换。具体参数设置和网络结构细节在论文中可能有所描述，但摘要中未明确提及。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，在密歇根州下半岛的大规模数据集上，长短期记忆网络（LSTM）在预测电力中断方面表现出更高的准确性。虽然摘要中没有给出具体的性能指标和提升幅度，但LSTM优于随机森林、图神经网络和自适应增强等其他模型，表明了其在处理时序数据和复杂特征关系方面的优势。

🎯 应用场景

该研究成果可应用于电力公司的应急响应和资源分配，帮助其在极端事件发生前更准确地预测电力中断风险，从而提前部署抢修队伍、优化电力网络配置，减少中断带来的损失，提高电力系统的可靠性和韧性。此外，该模型还可以为政府部门制定相关政策提供参考。

📄 摘要（原文）

This paper presents a novel learning based framework for predicting power outages caused by extreme events. The proposed approach targets low probability high consequence outage scenarios and leverages a comprehensive set of features derived from publicly available data sources. We integrate EAGLE-I outage records from 2014 to 2024 with weather, socioeconomic, infrastructure, and seasonal event data. Incorporating social and demographic indicators reveals patterns of community vulnerability and improves understanding of outage risk during extreme conditions. Four machine learning models are evaluated including Random Forest (RF), Graph Neural Network (GNN), Adaptive Boosting (AdaBoost), and Long Short Term Memory (LSTM). Experimental validation is performed on a large scale dataset covering counties in the lower peninsula of Michigan. Among all models tested, the LSTM network achieves higher accuracy.