論文の概要: Early-Warning of Thunderstorm-Driven Power Outages with a Two-Stage Machine Learning Model

• arxiv url: http://arxiv.org/abs/2510.03959v1
• Date: Sat, 04 Oct 2025 21:59:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.359217
• Title: Early-Warning of Thunderstorm-Driven Power Outages with a Two-Stage Machine Learning Model
• Title（参考訳）: 2段階機械学習モデルによる雷雨による停電の早期発見
• Authors: Iryna Stanishevska,
• Abstract要約: 雷雨による停電は、ほとんどの嵐が損傷を起こさないため予測が困難であり、対流過程は急速にカオス的に発生し、利用可能な公開データはノイズと不完全である。 我々は,ミシガンの夏期早期警戒モデル,雷雨関連停電をオープンソース(EAGLE-I,気象用24-48R)のみを用いて開発した。 我々は、アメリカ合衆国エネルギー省のオークリッジ国立研究所(Oak Ridge National Laboratory)が管理している、公開されたMETA-I機能停止データセット(2014-2022)を使用します。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Thunderstorm-driven outages are difficult to predict because most storms do not cause damage, convective processes occur rapidly and chaotically, and the available public data are both noisy and incomplete. We develop a 24-48 h early-warning model for summer, thunderstorm-related outages in Michigan using only open sources (EAGLE-I for ground truth; METAR for weather). We use the publicly released EAGLE-I outage dataset (2014-2022), maintained by Oak Ridge National Laboratory for the U.S. Department of Energy. The pipeline preserves convective micro-signals from a sparse station network via parameter-specific kriging with hourly variograms and targeted overdrafting to retain extremes, and builds causal spatio-temporal features (lags/rolling statistics; k-NN/IDW spatial aggregates) capturing precursors of severe convection (moisture advection, wind shifts, and pressure drops). The two-stage model design, combining a logistic gate and an LSTM regressor, limits routine periods and reduces noise exposure. The study uses event-centric metrics (cluster-based hits/misses/false alarms) and peak-conditional MASE (cMASE) in +/-Delta-hour windows around state-level peaks (>= 50,000), with uncertainty quantified by hourly moving-block bootstrap. On the test sample, Two-Stage detects more reference peaks across all windows (e.g., at +/-48 h it records 3/4 vs. 2/4; F1 66.7% vs. 57.1%) with one extra false alarm. Near peaks, it shows modest amplitude gains (2-3% lower cMASE at +/-0-12 h; bootstrap medians +9-13% at +/-6-12 h) but small losses at +/-36-48 h (~3-4%). Overall, errors are comparable to the one-step LSTM baseline. SHAP analysis confirms moisture-advection and wind/gust precursors, underscoring the value of the feature engineering. Despite open-data noise, the feature-driven pipeline yields actionable, event-focused early warnings for thunderstorm outages.
• Abstract（参考訳）: 雷雨による停電は、ほとんどの嵐が損傷を起こさないため予測が困難であり、対流過程は急速にカオス的に発生し、利用可能な公開データはノイズと不完全である。 夏季の24-48時間早期警戒モデル, ミシガンで発生した雷雨関連停電について, 震源(EAGLE-I, METAR, 気象)のみを用いて検討した。 我々は、アメリカ合衆国エネルギー省のオークリッジ国立研究所が管理しているEAGLE-I機能停止データセット(2014-2022)を使用します。 このパイプラインは、時ごとのバリアグラムによるパラメータ特異的クリグと、極性を維持するために目標のオーバードラフトにより、スパースステーションネットワークからの対流微動を保存し、激しい対流の前駆体(水分対流、風速、圧力降下)を捕捉する因果時空間的特徴(ラグス/ローリング統計、k-NN/IDW空間集合体)を構築する。 ロジスティックゲートとLSTM回帰器を組み合わせた2段階のモデル設計は、定期的な周期を制限し、ノイズ露光を低減する。 この研究では、イベント中心のメトリクス(クラスタベースのヒット/ミス/偽アラーム)とピーク条件MASE(cMASE)を、州レベルのピーク(>=50,000)を囲む+//デルタ時間ウィンドウで使用し、時間移動ブロックブートストラップによって不確実性を定量化している。 テストサンプルでは、Two-Stageは全てのウィンドウ(例えば、+//-48 hで3/4 vs. 2/4; F1 66.7% vs. 57.1%)の参照ピークを検出する。 ピーク付近では、緩やかな振幅上昇(+/-0-12hで2-3%低いcMASE、+//-6-12hでブートストラップ中央値+9-13%低い)を示すが、+/-36-48h(~3-4%)での損失は少ない。 全体として、エラーは1ステップのLSTMベースラインに匹敵する。 SHAP分析では、水分対流と風とガスの前駆体が確認され、特徴工学の価値が強調される。 オープンデータノイズにもかかわらず、機能駆動パイプラインは、雷雨の停電に対するアクション可能なイベント中心の早期警告をもたらす。

関連論文リスト

• Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
  我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。 次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。 気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
  論文  参考訳（メタデータ） (2024-08-08T06:47:21Z)
• Huge Ensembles Part II: Properties of a Huge Ensemble of Hindcasts Generated with Spherical Fourier Neural Operators [1.8986950987113536]
  第1部では,球面ニューラル演算子に基づくアンサンブルを作成した。 第2部では,2023年夏の1日7,424人からなる巨大なアンサンブル(HENS)を生成している。 HENSは予測分布の尾部を正確にサンプリングし、内部変数の詳細なサンプリングを行う。
  論文  参考訳（メタデータ） (2024-08-02T21:31:34Z)
• Machine Learning Estimation of Maximum Vertical Velocity from Radar [0.0]
  ストームアップドラフトは、対流とそれに伴う深刻な気象の危険に固有の重要性にもかかわらず、運用上の予測では利用できないままである。 衛星画像からトップエリアをオーバーシュートするようなアップドラフトプロキシは、厳しい天候の危険性に結びついているが、全体のストームアップドラフトのごく一部にしか関係していない。 本研究では,3次元格子型レーダの反射率のみから,機械学習モデル,すなわちU-Netsが最大垂直速度とそのアレー範囲を巧みに取得できるかどうかを検討する。
  論文  参考訳（メタデータ） (2023-10-13T20:26:55Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
  深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。 MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。 MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
  論文  参考訳（メタデータ） (2023-06-06T07:07:54Z)
• An unsupervised learning approach for predicting wind farm power and downstream wakes using weather patterns [0.0]
  我々は,教師なしクラスタリング手法から得られた気象パターンと数値的な天気予報モデルを組み合わせた新しい風力エネルギーワークフローを開発した。 我々の長期予測は1年間のWRFシミュレーションと一致するが、計算時間は2%未満であることを示す。 提案手法は、高速で正確で柔軟な手法を提供することにより、出力および下流ファームウェイの複数年間の予測を容易にする。
  論文  参考訳（メタデータ） (2023-02-12T10:05:25Z)
• Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast [91.9372563527801]
  我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。 初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。 Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
  論文  参考訳（メタデータ） (2022-11-03T17:19:43Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)
• Using Machine Learning to Calibrate Storm-Scale Probabilistic Guidance of Severe Weather Hazards in the Warn-on-Forecast System [0.0]
  我々は,NOAAの厳しい天気予報を校正するための一連の機械学習(ML)アルゴリズムと,アップドラフトヘリシティを用いた簡単な手法のスキルを比較した。 その結果,MLによるダイナミックアンサンブル出力のキャリブレーションにより,短期的,ストームスケールの厳しい気象予測が向上することが示唆された。
  論文  参考訳（メタデータ） (2020-11-12T19:07:32Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。