From Forecast to Action: A Deep Learning Model for Predicting Power Outages During Tropical Cyclones

📄 arXiv: 2512.06644v1 📥 PDF

作者: Yongchuan Yang, Naiyu Wang, Zhenguo Wang, Min Ouyang, Can Wan

分类: eess.SY

发布日期: 2025-12-07

备注: 24 pages, 15 figures, 4 tables. Under review

💡 一句话要点

提出STO-CAST模型，用于预测热带气旋期间高分辨率电力中断情况。

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 电力中断预测 热带气旋 深度学习 时空建模 GRU

📋 核心要点

  1. 热带气旋导致电力中断，对电力系统和社区构成严重风险，现有方法难以提供准确、高分辨率的电力中断预测。
  2. STO-CAST模型结合静态环境和基础设施数据，以及动态气象和中断序列，利用深度学习进行时空预测。
  3. 实验表明，STO-CAST模型能够有效预测电力中断，并支持短期临近预报和长期预测，提升电力系统弹性。

📝 摘要（中文）

本研究提出了时空中断预测模型(STO-CAST)，这是一个深度学习框架，用于在热带气旋事件期间进行实时的、区域尺度的电力中断预测，并提供高分辨率的时空输出。STO-CAST集成了静态环境和基础设施属性与动态气象和中断序列，使用了门控循环单元(GRU)和全连接层。该模型通过留一风暴交叉验证(LOSO)策略以及保持网格实验进行训练，以展示其对未见过的风暴和网格的初步泛化能力。该模型以4 km * 4 km的分辨率生成每小时的中断预测，并支持双重预测模式：通过同化实时观测数据进行6小时提前量的短期临近预报，以及基于不断演变的气象预测进行60小时提前量的长期预测。以2022年台风“梅花”为例的案例研究证明了STO-CAST的有效性，包括模型设计、气象不确定性和观测差距造成的误差分解，同时强调了实时数据同化的价值以及模型识别不断演变的中断热点的能力。STO-CAST提供了一个可扩展的、数据驱动的解决方案，以支持风险知情的应急响应，并增强在不断加剧的热带气旋威胁下的电力系统弹性。

🔬 方法详解

问题定义：论文旨在解决热带气旋期间电力中断预测的问题。现有方法可能无法提供足够高的时空分辨率，或者难以有效整合多种异构数据源，导致预测精度不足，无法有效支持应急响应和电力系统恢复。

核心思路：论文的核心思路是利用深度学习模型，特别是结合GRU的时空建模能力，将静态环境和基础设施数据与动态气象和中断数据相结合，从而实现高分辨率、实时的电力中断预测。这种方法能够捕捉复杂的时空依赖关系，并利用历史数据进行学习和泛化。

技术框架：STO-CAST模型的技术框架主要包括数据预处理、特征工程、模型构建和训练、以及预测和评估几个阶段。数据预处理涉及清洗、标准化和空间对齐等操作。特征工程包括提取静态环境特征（如地形、植被）和动态气象特征（如风速、降雨量）。模型构建采用GRU和全连接层构建时空预测模型。训练阶段采用LOSO交叉验证策略，并使用历史电力中断数据进行训练。

关键创新：STO-CAST模型的关键创新在于其能够有效整合多种异构数据源，并利用GRU进行时空建模，从而实现高分辨率的电力中断预测。此外，该模型还支持双重预测模式，包括短期临近预报和长期预测，能够满足不同时间尺度的需求。

关键设计：STO-CAST模型使用GRU来捕捉时间序列上的依赖关系，并使用全连接层进行最终的预测。模型的输入包括静态环境特征、动态气象特征和历史电力中断数据。损失函数采用均方误差（MSE）或类似的回归损失函数。模型的训练采用Adam优化器，并设置合适的学习率和batch size。具体网络结构和参数设置可能需要根据实际数据进行调整。

📊 实验亮点

论文通过对2022年台风“梅花”的案例研究，验证了STO-CAST模型的有效性。模型能够识别不断演变的中断热点，并支持短期临近预报和长期预测。误差分解分析表明，模型设计、气象不确定性和观测差距都会影响预测精度，但实时数据同化可以显著提高预测性能。具体的性能数据（如准确率、召回率等）未知。

🎯 应用场景

该研究成果可应用于电力系统的风险评估、应急响应和恢复规划。通过预测电力中断的范围和时间，电力公司可以提前部署资源，减少中断带来的损失，并更快地恢复供电。此外，该模型还可以用于城市规划和基础设施建设，提高城市应对极端天气的能力。

📄 摘要（原文）

Power outages caused by tropical cyclones (TCs) pose serious risks to electric power systems and the communities they serve. Accurate, high-resolution outage forecasting is essential for enabling both proactive mitigation planning and real-time emergency response. This study introduces the SpatioTemporal Outage ForeCAST (STO-CAST) model, a deep learning framework developed for real-time, regional-scale outage prediction during TC events with high-resolution outputs in both space and time. STO-CAST integrates static environmental and infrastructure attributes with dynamic meteorological and outage sequences using gated recurrent units (GRUs) and fully connected layers, and is trained via a Leave-One-Storm-Out (LOSO) cross-validation strategy along with holdout grid experiments to demonstrate its preliminary generalization capability to unseen storms and grids. The model produces hourly outage forecasts at a 4 km * 4 km resolution and supports dual forecasting modes: short-term nowcasting with a 6-hour lead time via assimilation of real-time observations, and long-term forecasting with a 60-hour lead time based on evolving meteorological projections. A case study on Typhoon Muifa (2022) demonstrates STO-CAST's operational effectiveness, including error decomposition across model design, meteorological uncertainty, and observation gaps, while highlighting the value of real-time data assimilation and the model's capacity to identify evolving outage hotspots. STO-CAST offers a scalable, data-driven solution to support risk-informed emergency response and enhance power system resilience under intensifying TC threats.