利用空间感知混合图神经网络与对比学习赋能停电预测
机器学习
2026-04-07 v1
摘要
极端天气事件（如严重风暴、飓风、暴风雪和冰暴）因气候变化而加剧，经常导致大规模停电。这些停运中断工业运营、影响社区、损坏关键基础设施、严重扰乱经济，并对各行各业产生深远影响。为减轻这些影响，康涅狄格大学与Eversource能源中心开发了停电预测建模（OPM）系统，以便在此类天气事件发生前为电力配电网络提供预先预测。然而，该系统中的现有预测模型并未纳入极端天气的空间效应。为此，我们开发了带有对比学习的空间感知混合图神经网络（SA-HGNN），以增强极端天气引发的停电预测。具体而言，我们首先通过空间感知混合图神经网络（SA-HGNN）对静态特征（如土地覆盖、基础设施）和事件特定的动态特征（如风速、降水）的空间关系进行编码。接下来，我们利用对比学习来处理不同类型极端天气事件之间的不平衡问题，并通过最小化相似位置之间的事件内距离、最大化所有位置之间的事件间距离来生成位置特定的嵌入。在康涅狄格州、马萨诸塞州西部、马萨诸塞州东部和新罕布什尔州四个公用事业服务区域的深入实证研究表明，SA-HGNN能够实现停电预测的最先进性能。
引用
@article{arxiv.2604.04916,
title = {Empowering Power Outage Prediction with Spatially Aware Hybrid Graph Neural Networks and Contrastive Learning},
author = {Xuyang Shen and Zijie Pan and Diego Cerrai and Xinxuan Zhang and Christopher Colorio and Emmanouil N. Anagnostou and Dongjin Song},
journal= {arXiv preprint arXiv:2604.04916},
year = {2026}
}