从预测到行动：热带气旋期间停电预测的深度学习模型
系统与控制
2025-12-09 v1 系统与控制
摘要
热带气旋（TC）引发的停电对电力系统及其所服务的社区构成严重风险。准确、高分辨率的停电预测对于实现主动减缓规划和实时应急响应至关重要。本研究提出了 STO-CAST（SpatioTemporal Outage ForeCAST）模型，这是一个深度学习框架，用于在 TC 事件期间进行实时、区域规模的停电预测，输出具有高空间和时间分辨率。STO-CAST 将静态环境和基础设施属性与动态气象和停电序列通过门控循环单元（GRU）和全连接层进行整合，并通过留一风暴交叉验证（LOSO）以及保留电网实验进行训练，以展示其对未见风暴和电网的初步泛化能力。该模型以 4 km × 4 km 的分辨率生成每小时停电预测，并支持两种预测模式：通过同化实时观测进行 6 小时提前期的短期临近预报，以及基于演化气象预测进行 60 小时提前期的长期预报。对 2022 年台风 Muifa 的案例研究展示了 STO-CAST 的运行有效性，包括对模型设计、气象不确定性和观测缺口之间的误差分解，同时突显了实时数据同化的价值以及模型识别演化停电热点的能力。STO-CAST 提供了一个可扩展的、数据驱动的解决方案，以支持风险知情型应急响应，并在 TC 威胁加剧的背景下增强电力系统韧性。
引用
@article{arxiv.2512.06644,
title = {From Forecast to Action: A Deep Learning Model for Predicting Power Outages During Tropical Cyclones},
author = {Yongchuan Yang and Naiyu Wang and Zhenguo Wang and Min Ouyang and Can Wan},
journal= {arXiv preprint arXiv:2512.06644},
year = {2025}
}
备注
24 pages, 15 figures, 4 tables. Under review