Deep Learning-Based Weather-Related Power Outage Prediction with Socio-Economic and Power Infrastructure Data

本文提出了一种基于深度学习的方法，用于在覆盖公用事业公司服务区的人口普查区内预测每小时停电概率。该方法开发了两种不同的深度学习模型，有条件的多层感知机（MLP）和无条件的MLP，利用从公开来源收集的丰富的输入特征，包括天气数据，天气站点位置，电力基础设施地图，社会经济和人口统计数据以及停电记录。给定一个一小时前的天气预报，模型预测每个人口普查区的停电概率，考虑到天气预测和位置特征。深度学习模型采用不同的损失函数来优化预测性能。我们的实验结果强调了社会经济因素在提高人口普查区停电预测准确性方面的重要性。

论文旨在使用深度学习模型预测每个人口普查区内的停电概率，通过利用多种公开数据源，包括天气数据、天气站点位置、电力基础设施地图、社会经济和人口统计数据以及停电记录。

论文提出了两种不同的深度学习模型，有条件的多层感知器（MLP）和无条件的MLP，通过优化不同的损失函数来预测停电概率，利用天气预报和位置特征。

论文的亮点包括使用多种公开数据源以及考虑社会经济因素提高停电预测的准确性。实验结果表明，模型在人口普查区级别的停电预测方面表现良好。

最近的相关研究包括使用机器学习模型预测停电的研究，如基于支持向量机的停电预测和基于随机森林的停电预测等。