Die Studie präsentiert zwei tiefe Lernmodelle, ein bedingtes und ein unbedingtes Mehrschichtperceptron (MLP), zur stündlichen Vorhersage der Stromausfallwahrscheinlichkeit auf Ebene der Zensustrakts. Die Modelle nutzen eine Vielzahl von Eingabedaten, darunter Wetterdaten, Standorte von Wetterstationen, Karten der Strominfrastruktur, sozioökonomische und demografische Statistiken sowie Aufzeichnungen über Stromausfälle.
Das bedingte Modell passt den Einfluss des Wetters auf die Stromausfallwahrscheinlichkeit für einen bestimmten Zensustrack basierend auf dessen Infrastrukturbedingungen an, wie z.B. der Verteilung der Baujahre von Gebäuden und den Merkmalen der Strominfrastruktur. Das unbedingte Modell kombiniert alle Eingabemerkmale in einem einzigen Vektor.
Die Ergebnisse zeigen, dass das bedingte Modell mit einer gewichteten Kreuzentropieverlustfunktion eine um 0,4% geringere mittlere absolute Abweichung (MAE) aufweist als das unbedingte Modell. Die Einbeziehung sozioökonomischer Faktoren und Merkmale der Strominfrastruktur reduziert den Vorhersagefehler der Modelle deutlich.
다른 언어로
소스 콘텐츠 기반
arxiv.org
더 깊은 질문