Åskväder är vanliga över hela världen på sommaren. Förutom att skämma bort eftermiddagarna i parken, blixt, regn och hård vind kan skada elnäten och orsaka strömavbrott. Det är lätt att säga när en storm kommer, men elbolagen vill kunna förutse vilka som har potential att skada deras infrastruktur.

Maskininlärning är idealiskt för att förutsäga vilka stormar som kan orsaka strömavbrott. Roope Tervo, en mjukvaruarkitekt vid Meteorologiska institutet (FMI) och Ph.D. forskare vid Aalto-universitetet i professor Alex Jungs forskargrupp, har utvecklat en maskininlärningsmetod för att förutsäga hur allvarliga stormar är.

Det första steget för att lära datorn hur man kategoriserar stormarna var att förse dem med data från strömavbrott. Tre finska energibolag, Järvi-Suomen Energia, Loiste Sähkovrko, och Imatra Seudun Sähkönsiirto, som har elnät genom stormutsatta centrala Finland, tillhandahållit uppgifter om antalet strömavbrott i deras nätverk. Stormar sorterades in i fyra klasser. En klass 0 storm slog inte ut elektricitet till några krafttransformatorer. En klass 1 stormavstängning upp till 10 procent av transformatorerna, en klass 2 upp till 50 procent, och en klass 3 storm bröt strömmen till över 50 procent av transformatorerna.

Nästa steg var att ta data från stormarna som FMI hade, och gör det enkelt för datorn att förstå. "Vi använde en ny objektbaserad metod för att förbereda data, vilket gör detta arbete spännande, ", sa Roope. "Stormar består av många element som kan indikera hur skadliga de kan vara:yta, vindhastighet, temperatur och tryck, för att nämna några. Genom att gruppera 16 olika egenskaper hos varje storm, vi kunde träna datorn att känna igen när stormar kommer att skada."

Resultaten var lovande:Algoritmen var mycket bra på att förutsäga vilka stormar som skulle vara en klass 0 och inte orsaka skada, och vilka stormar som skulle vara minst en klass 3 och orsaka massor av skador. Forskarna lägger till mer data för stormar i modellen för att förbättra förmågan att skilja klass 1 och 2 stormar från varandra, för att göra prognosverktygen ännu mer användbara för energibolagen.

"Vårt nästa steg är att försöka förfina modellen så att den fungerar för mer väder än bara sommarstormar, sa Roope, "som vi alla vet, det kan bli stora stormar på vintern i Finland, men de fungerar annorlunda än sommarstormar så vi behöver olika metoder för att förutsäga deras potentiella skada."