[論文レビュー] How important are socioeconomic factors for hurricane performance of power systems? An analysis of disparities through machine learning

Alexys Herleym Rodríguez Avellaneda, Abdollah Shafieezadeh+1 more|arXiv (Cornell University)|Aug 18, 2022

Tropical and Extratropical Cyclones Research被引用数 5

ひとこと要約

本研究では、ランダムフォレスト機械学習と平均精度低下（MDA）を用いてフロリダ州におけるハリケーン発生時の停電性能を分析し、社会経済的要因（特に人種・民族、言語能力、失業率）がモデル重要度の48％を占めることが判明した。これは、電力網のレジリエンスに顕著な社会的格差が存在することを示している。

ABSTRACT

This paper investigates whether socioeconomic factors are important for the hurricane performance of the electric power system in Florida. The investigation is performed using the Random Forest classifier with Mean Decrease of Accuracy (MDA) for measuring the importance of a set of factors that include hazard intensity, time to recovery from maximum impact, and socioeconomic characteristics of the affected population. The data set (at county scale) for this study includes socioeconomic variables from the 5-year American Community Survey (ACS), as well as wind velocities, and outage data of five hurricanes including Alberto and Michael in 2018, Dorian in 2019, and Eta and Isaias in 2020. The study shows that socioeconomic variables are considerably important for the system performance model. This indicates that social disparities may exist in the occurrence of power outages, which directly impact the resilience of communities and thus require immediate attention.

研究の動機と目的

• フロリダ州におけるハリケーン発生時における電力系統の性能に社会経済的要因が影響を与えるかどうかを調査すること。
• ハリケーンの被害度と回復時間と比較して、社会経済的変数の相対的な重要度を定量的に評価すること。
• データ駆動型の機械学習的手法を用いて、電力系統レジリエンスにおける社会的格差を解消すること。
• 複数のハリケーンからの公開データを活用して、モデルの汎用性と透明性を確保すること。
• データの不均衡状態および異なる訓練・テスト分割条件下でのモデルの頑健性を評価すること。

提案手法

• 県レベルの入力変数に基づき、二値のシステム性能（損傷あり／損傷なし）を予測するため、ランダムフォレスト分類器を採用した。
• 変数の重要度を測定するために、従来のパーミュテーション重要度法に比べてバイアスが少ない平均精度低下（MDA）を用いた。
• 2018年から2020年の間に発生した5つのハリケーン（アルバートォ、マイケル、ドリアン、エータ、イザイアス）のデータを統合し、県レベルの停電閾値（2％の顧客が停電）を設定した。
• 社会経済的変数は5年間のアメリカ・コミュニティ・サーベイ（ACS）データ、風速はERA5再解析データ、回復時間指標を統合した。
• モデルの安定性と不均衡データ下での頑健性を評価するため、1000回のランダムな訓練・テスト分割を実施した。
• モデルの性能を評価する際、特に少数クラス「損傷あり」の検出精度に注目し、正解率、AUC、F1スコアを用いた。

Figure 1: System Performance at outages threshold of 2%. Damaged (1) and Undamaged (0) system at Maximum Power Outages (%)

実験結果

リサーチクエスチョン

• RQ1 社会経済的要因は、フロリダ州のハリケーン発生時における電力系統損傷の可能性にどの程度影響を与えるか？
• RQ2 停電性能の予測において、社会経済的変数は風害の強度や回復時間と比較してどの程度重要か？
• RQ3 複数回のランダムなデータ分割とモデル反復において、変数の重要度順位はどの程度安定しているか？
• RQ4 具体的な社会経済的指標（例：人種、言語能力、失業率）の中で、停電結果を最もよく予測できるものは何か？
• RQ5 データの不均衡は、特に「損傷あり」のシステム状態の検出において、モデルの性能と信頼性にどのように影響を与えるか？

主な発見

• 社会経済的変数は、モデルの予測的中度の48％を占めており、停電性能に顕著に影響を与えていることが示された。
• 上位の社会経済的予測要因は、その順に：その他の人口割合（6.31％ MDA）、英語使用制限（4.99％）、ラテン系人口（3.35％）、失業率（2.91％）、インド系アメリカ人人口（2.77％）であった。
• 風害関連変数は重要度の49％を占めており、過去最大風速が最も重要な要因（39.81％ MDA）であった。
• 平均的なモデル正解率は91％であったが、「損傷あり」クラスのF1スコアはわずか31％であり、深刻な停電の検出が不十分であることが示された。
• 1000回の反復においてモデル性能に顕著なばらつきが見られ、AUCは最低0.594（最悪）から最高0.995（最良）まで変動し、データの不均衡に起因する不安定性が浮き彫りになった。
• 全体の正解率は高かったが、「損傷あり」クラスの再現率が低く、深刻な停電を低予測していることが判明した。これは、緊急対応計画にリスクを伴う可能性がある。

Figure 2: ERA5 maximum wind gust Vs. NOOA-NHC best track. Alberto Hurricane. The best track is represented by the grey line with some intensity measures (points) along it, ranging from 18.92 (cyan) to 34.68 (dark blue) m/s.