基于开放数据的雷暴驱动停电运行性早期预警：两种阶段的机器学习方法
机器学习
2026-01-08 v4
摘要
雷暴驱动的停电难以预测，因为大多数风暴不会造成损害，导电过程快速而混沌，以及可用公共数据噪声且不完整。严重的对流气象风暴已占美国天气损失的很大比例，但仍未充分研究雷暴性停电。我们开发了一个针对密歇根州夏季雷暴相关停电的 48 小时早期预警模型，仅使用开源停电 (EAGLE-I) 和天气 (METAR) 数据。相对于 prior work，我们（i）仅依赖公共数据，（ii）通过参数化克里金法和因果时空特征保留稀疏站点网络中的对流极端值，（iii）使用多层 LSTM 架构并在事件中心的峰值指标上进行评估。该管道构建滚动和 k 近邻逆距离聚合来捕获水汽输送、风向变化和压力下降。两种阶段的设计使用 logistic 门 followed by long short-term memory (LSTM) 回归器以过滤常规时段并限制噪声暴露。评估聚焦于至少 50,000 客户无电的州级峰值，使用命中、漏检、误报和峰值条件 MASE (cMASE) 在 48 小时窗口内进行，采用块自助法量化不确定性。在测试样本上，Two-Stage 模型在检测更多峰值方面表现更好，仅增加一个额外的误报，同时在峰值附近降低了 cMASE，提供面向事件的早期预警，而无需特定于 utility 的数据。
引用
@article{arxiv.2510.03959,
title = {Operational early warning of thunderstorm-driven power outages from open data: a two-stage machine learning approach},
author = {Iryna Stanishevska and Seth Guikema},
journal= {arXiv preprint arXiv:2510.03959},
year = {2026}
}
备注
24 pages (main), 80 pages incl. appendices; figures & tables as in manuscript. Code (main figure, synthetic data): https://github.com/IrynaStanishevska/peak-outage-forecasting- License: CC BY 4.0 (preprint)