Rapidity Prediction of Power Infrastructure Forced Outages: Data-Driven Approach for Resilience Planning
Notice bibliographique
Résumé
Power infrastructure is essential for the operation of almost all other critical infrastructure systems, including water, transportation, and telecommunications. Recently, there has been an increase in forced power outage frequency and extent due to infrastructure aging, extreme weather events, and deliberate attacks. To combat forced power outage risks, researchers have been focusing on improving the resilience of different power infrastructure systems. A key aspect of infrastructure resilience is the rapidity, defined as the time required to return to normal operation levels following functionality disruptions. This study developed a machine learning–based framework to predict the rapidity of power infrastructure following forced outages. The framework includes classification models such as bagging, random forests, and artificial neural networks to accommodate the categorical nature of typical power infrastructure component outage features. The framework also includes a genetic algorithm for optimized selection of such features in order to facilitate the model’s best prediction performance. The utility of the developed framework was demonstrated using actual transmission line forced outages data. Within the demonstration application, rapidity was split into two classes indicating short and extended outages, and the random forest classification model had the best rapidity prediction performance. In addition, the influence of key features on outage classification was explored using partial dependence analysis. Finally, insights for resilience-guided asset management were presented. The developed framework enables infrastructure stakeholders to predict forced outage rapidity classes soon after the occurrence of the former—subsequently enabling rapid identification of appropriate resources needed to promptly restore infrastructure functionality and thus ensuring infrastructure resilience.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».