预测加州电力基础设施引发的野火风险
系统与控制
2022-09-28 v2 机器学习
系统与控制
摘要
本文研究了利用风险模型预测电力基础设施引发野火的时间与地点。我们的数据包括 2015 至 2019 年间在太平洋天然气与电力公司（Pacific Gas & Electricity）辖区内收集的由电网基础设施引发的历史点火点与断线点，以及各类天气、植被和极高分辨率的电网基础设施数据（含位置、年限、材料）。利用这些数据，我们探索了一系列机器学习方法以及应对训练数据不平衡的策略。我们所获得的最佳受试者工作特征曲线下面积（AUC）为：配电馈线点火 0.776，输电线路断线事件 0.824，两者均使用基于直方图的梯度提升树算法（HGB）并结合欠采样。随后我们利用这些模型识别哪些信息最具预测价值。在线路长度之后，我们发现天气与植被特征在点火或断线风险的重要特征列表中占主导。配电点火模型显示出对缓变植被变量（如燃烧指数、能量释放量、树高）更强的依赖，而输电断线模型更依赖主要天气变量（如风速、降水）。这些结果指出了改进馈线点火风险模型的植被建模，以及改进输电断线模型的天气预报的重要性。我们观察到基础设施特征对风险模型预测能力有微小但有意义的提升。
引用
@article{arxiv.2206.02930,
title = {Predicting Electricity Infrastructure Induced Wildfire Risk in California},
author = {Mengqi Yao and Meghana Bharadwaj and Zheng Zhang and Baihong Jin and Duncan S. Callaway},
journal= {arXiv preprint arXiv:2206.02930},
year = {2022}
}