使用可解释机器学习构建全美各县电力系统脆弱性指数
计算机与社会
2024-10-30 v2 机器学习
应用统计
摘要
由于气候变化、电网老化和能源需求上升，美国的停电变得越来越频繁、强烈和持久。然而，很大程度上由于缺乏细粒度的时空停电数据，我们缺乏数据驱动的证据和基于分析的指标来量化电力系统脆弱性。这一局限性阻碍了有效评估和解决美国社区停电脆弱性的能力。在此，我们收集了 2014 年至 2023 年期间美国本土 3022 个县（占面积 96.15%）以 15 分钟为间隔的约 1.79 亿条停电记录。我们基于强度、频率和持续时间三个维度开发了电力系统脆弱性评估框架，并应用可解释机器学习模型（XGBoost 和 SHAP）计算了县级电力系统脆弱性指数（PSVI）。我们的分析表明，过去十年中电力系统脆弱性持续增加。我们在 45 个州确定了 318 个县为电力系统高脆弱性热点，特别是在西海岸（加利福尼亚州和华盛顿州）、东海岸（佛罗里达州和东北部地区）、五大湖大都市区（芝加哥-底特律大都市区）和墨西哥湾（德克萨斯州）。异质性分析表明，城市县、电网互联的县以及太阳能发电量高的州表现出显著更高的脆弱性。我们的结果突出了所提出的 PSVI 在评估社区停电脆弱性方面的意义。研究结果强调了停电在全国范围内普遍而深远的影响，并为基础设施运营商、政策制定者和应急管理人员制定旨在增强美国电力基础设施韧性的政策和计划提供了重要见解。
引用
@article{arxiv.2410.19754,
title = {Establishing Nationwide Power System Vulnerability Index across US Counties Using Interpretable Machine Learning},
author = {Junwei Ma and Bo Li and Olufemi A. Omitaomu and Ali Mostafavi},
journal= {arXiv preprint arXiv:2410.19754},
year = {2024}
}