Power poles affected by a power outage
Vorhersage von Stromausfällen
Hintergrund
Im Jahr 2019 war jeder Einwohner Berlins durchschnittlich 34 Minuten lang ohne Strom, was einen neuen Negativrekord darstellt. Der wirtschaftliche Schaden, der durch die Produktionsausfälle während des Stromausfalls verursacht wird, geht schnell in die Millionen und kann zu Gerichtsverfahren über die Haftung führen.
Herausforderungen
Stromausfälle hängen oft mit widrigen Wetterbedingungen, veralteten Infrastrukturkomponenten, überlasteten Netzen oder mit einer Veränderung von Vegetation und Landschaft zusammen. Um einen Datensatz zu erzeugen, der alle relevanten Merkmale abdeckt, müssen daher die Informationen über vergangene Ausfälle mit Wetter-, Infrastruktur- und Erdbeobachtungsdaten kombiniert werden.
Lösungsansatz
Als Erdbeobachtungsdaten eignen sich Satellitenbilder im Radar- und im sichtbaren Spektrum. Künstliche Neuronale Netze (z.B. Convolutional Neural Networks) können darauf Objekte erkennen und klassifizieren. Damit lassen sich Veränderungen der Vegetation und der Landschaft über die Zeit feststellen, beispielsweise können Bäume in der Nähe von Stromtrassen überwacht werden.
Für ein zuverlässiges Vorhersagemodell müssen die verschiedenen Datenquellen kombiniert werden. Um die Merkmale aus den Vegetationsbewertungen und Wettervorhersagedaten zu verarbeiten, eignen sich Modelle wie Decision Trees oder Regression Trees (z.B. BART). Das Training des kombinierten Modells erfolgt anhand des Datensatzes über historische Ausfälle. Das trainierte Modell ist dann in der Lage, aus aktuellen Daten vorherzusagen, wo die Wahrscheinlichkeit von Ausfällen am höchsten ist.