Onweersbuien komen in de zomer overal ter wereld voor. Naast verwende middagen in het park, bliksem, regen en harde wind kunnen elektriciteitsnetten beschadigen en stroomuitval veroorzaken. Het is gemakkelijk te zien wanneer er een storm op komst is, maar elektriciteitsbedrijven willen kunnen voorspellen welke het potentieel hebben om hun infrastructuur te beschadigen.

Machine learning is ideaal om te voorspellen welke stormen black-outs kunnen veroorzaken. Roope Tervo, een software-architect bij het Fins Meteorologisch Instituut (FMI) en Ph.D. onderzoeker aan de universiteit van Aalto in de onderzoeksgroep van professor Alex Jung, heeft een machine learning-aanpak ontwikkeld om de ernst van stormen te voorspellen.

De eerste stap om de computer te leren hoe de stormen te categoriseren, was hen gegevens te verstrekken over stroomuitval. Drie Finse energiebedrijven, Järvi-Suomen Energia, Loiste Sähkoverkko, en Imatra Seudun Sähkönsiirto, die elektriciteitsnetten hebben via het stormgevoelige midden van Finland, verstrekten gegevens over het aantal stroomstoringen in hun netwerken. Stormen werden ingedeeld in vier klassen. Een storm van klasse 0 heeft de elektriciteit van geen enkele transformator uitgeschakeld. Een klasse 1 stormuitschakeling tot 10 procent van de transformatoren, een klasse 2 tot 50 procent, en een klasse 3 stormonderbreking voor meer dan 50 procent van de transformatoren.

De volgende stap was het nemen van de gegevens van de stormen die FMI had, en het gemakkelijk te maken voor de computer om te begrijpen. "We gebruikten een nieuwe objectgebaseerde benadering voor het voorbereiden van de gegevens, wat dit werk spannend maakt, " zei Roope. "Stormen bestaan ​​uit vele elementen die kunnen aangeven hoe schadelijk ze kunnen zijn:oppervlakte, windsnelheid, temperatuur en druk, om er een paar te noemen. Door 16 verschillende kenmerken van elke storm te groeperen, we hebben de computer kunnen trainen om te herkennen wanneer stormen schadelijk zullen zijn."

De resultaten waren veelbelovend:het algoritme was erg goed in het voorspellen welke stormen een klasse 0 zouden zijn en geen schade zouden veroorzaken, en welke stormen minimaal klasse 3 zouden zijn en veel schade zouden aanrichten. De onderzoekers voegen meer gegevens voor stormen toe aan het model om het vermogen om klasse 1 en 2 stormen van elkaar te onderscheiden te verbeteren, om de voorspellingstools nog nuttiger te maken voor de energiebedrijven.

"Onze volgende stap is om te proberen het model te verfijnen, zodat het werkt voor meer weer dan alleen zomerstormen, " zei Roep, "zoals we allemaal weten, er kunnen grote stormen zijn in de winter in Finland, maar ze werken anders dan zomerstormen, dus we hebben andere methoden nodig om hun potentiële schade te voorspellen."