arXiv cs.AI· Mohammad Kian Golkar, Luciano Alves de Oliveira, Mohamad Alipour·· 2 天前AI 评分24
基于 AI 天气模型的停电预测：预报提前期与抢修队伍部署时机
Forecast lead time and the timing of crew deployment for weather-driven power outages using AI weather models
AI 导读
研究用 GraphCast 和 FourCastNet 两个 AI 天气模型预测美国本土各县 24 至 120 小时后的停电，以队伍部署所在县覆盖的停电负担比例评估预报价值。
正文 · AI 翻译
摘要：公用事业公司在强风暴后请求互助队伍以恢复供电，提前请求能确保获得更多队伍，但依赖的预报准确性较低。我们研究了预报提前时间如何影响停电预测对队伍部署的价值，使用两个 AI 天气模型 GraphCast 和 FourCastNet 的业务预报，预测美国本土各县未来 24 至 120 小时的停电发生情况。预报的评估依据是队伍驻扎县所覆盖的停电负担份额。覆盖的负担随提前时间下降：三天到五天之间的损失在所有分析中均显著，而三天内的损失仅对尚未开始的停电显著。提前部署全部请求的队伍优于延迟部署较少队伍，我们报告了两者持平的可用率。在预报有效时刻计算的前期陆面预测因子包含了预报时段内的天气，这使其技巧被高估 42% 至 53%，并逆转了其在长提前时间下相对于预报气象学的表面优势。正确计算后，它们在 24 小时将发生技巧提高了 17.5%，但未显著改变覆盖的负担，归因分析将这一差距与其静态分量联系起来。预测区间仅覆盖了 0.476 的热带气旋事件，而名义值为 0.90。按灾害类别校准以 11% 的区间宽度代价纠正了大部分缺口，仅作为诊断，因为灾害类别仅在事件发生后已知。
| 主题： | 大气与海洋物理（physics.ao-ph）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.20918 [physics.ao-ph] |
| （或 arXiv:2610.20918v1 [physics.ao-ph] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.20918 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Mohammad Kian Golkar [查看电子邮件]
[v1]
2026年10月14日星期三 20:48:59 UTC（5,654 KB）
来源：arXiv cs.AI · arxiv.org