Maskininlärning ett hjälpmedel för att förutsäga elavbrott vid stormar
Åskstormar är vanliga över hela världen på sommaren. Förutom att de kan förstöra en picknick i parken, så kan blixtar, regn och starka vindar skada elnätet och orsaka elavbrott.
Det är lätt att se när en storm nalkas, men elbolagen vill kunna förutsäga vilka stormar som riskerar att skada deras infrastruktur.
Maskininlärning - när datorer hittar mönster i befintliga data, vilket möjliggör förutsägelser av ny data - är ett idealt verktyg för att förutsäga vilka stormar som kan orsaka elavbrott. Roope Tervo, mjukvaruarkitekt vid Meteorologiska institutet och forskare i professor Alex Jungs forskningsgrupp vid Aalto-universitetet, har utvecklat en maskininlärningsmetod för att förutsäga hur kraftig en storm kommer att bli.
Första steget för att lära datorn att kategorisera stormarna var att ge dem data från elavbrott. Tre finska elbolag med elnät i centrala Finland där stormar är frekventa, Järvi-Suomen Energia, Loiste Sähköverkko och Imatra Seudun Sähkönsiirto, angav data om mängden elstörningar i deras nät. Stormarna sorterades sedan i 4 klasser. En storm i klass 0 slog inte ut elektriciteten i någon krafttransformator. En storm i klass 1 skar av strömmen till upp till 10 % av transformatorerna, en i klass 2 upp till 50 %, och en i klass 3 skar av strömmen till mer än 50 % av transformatorerna.
Nästa steg var att ta Meteorologiska institutets data från stormarna och göra den lätt för datorn att förstå. “Vi använde en ny objektbaserad metod för att bereda datan, vilket gör det här arbetet spännande”, säger Roope. “Stormar består av flera element som kan indikera hur stor skada de kan göra: ytstorlek, vindhastighet, temperatur och tryck, för att nämna några. Genom att gruppera 16 kännetecken för varje storm så kunde vi träna datorn att känna igen vilka stormar som kommer att åsamka skada.”
Resultatet var lovande: algoritmen var mycket bra på att förutsäga vilka stormar som skulle bli klass 0 och inte orsaka någon skada, och vilka stormar som skulle bli minst klass 3 och orsaka mycket stor skada. Forskarna lägger nu in mer data från stormar i modellen för att förbättra förmågan att särskilja stormar i klass 1 och 2, så att förutsägelserna blir ännu mer användbara för elbolagen.
“Vårt nästa steg är att försöka förfina modellen så att den fungerar för fler sorters väder än bara sommarstormar”, säger Roope. “Som vi alla vet kan det bli stormar även på vintern i Finland, men de beter sig annorlunda än sommarstormar, så vi behöver andra metoder för att förutsäga deras potentiella skadeverkan.”
Länk till artikeln:
R. Tervo, J. Karjalainen and A. Jung, "Short-Term Prediction of Electricity Outages Caused by Convective Storms," in IEEE Transactions on Geoscience and Remote Sensing.
doi: 10.1109/TGRS.2019.2921809 URL: http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8751131&isnumber=4358825
- Publicerat:
- Uppdaterad:
Läs fler nyheter
Ny studie: Individer i välmående team kan vara nära utbrändhet medan dysfunktionella team kan bestå av välmående individer
Det är mer sannolikt att både teamet och individerna mår bra om man reflekterar och delar med sig av sina problem inom teamet, och om det finns goda relationer mellan alla medlemmar. Långt ifrån alla team lyckas hitta rätt balans visar ny forskning.
Artificiell intelligens intresserar både elever och lärare
Hösten 2023 har grundskolorna och eleverna på andra stadiet fått bekanta sig med olika AI-verktyg under tekniksessionerna som ordnas av Aalto-universitetet Junior.
Renovering i Harald Herlin-lärcentrets K-våning
I Lärcentrets K-våning påbörjas den 5.2.2024 en renovering.