已开发出一种用于电网资产管理的新概率故障（PoF）建模框架，整合了遥感数据以预测雷击和植被带来的风险。该模块化且可解释的系统设计用于可扩展性和可操作性维护，允许适应新的数据源和故障模式。该框架利用了一个统一的地理空间机器学习管道，其中包含地形、植被状况、雷击气候学和邻近特征等预测因子，以提供可操作的资产级风险分层，从而提高网络弹性和运营规划。 AI
影响 该框架通过实现更精确的风险评估和主动维护，有可能增强关键基础设施的可靠性和弹性。
排序理由 该集群包含一篇在arXiv上发表的研究论文，详细介绍了一个新的机器学习框架。[lever_c_demoted from research: ic=1 ai=1.0]
- Artur Sokolovsky
- arXiv
- LIS VHRMC
- Moderate-Resolution Imaging Spectroradiometer
- Normalized Difference Vegetation Index
- OpenStreetMap
- Shuttle Radar Topography Mission
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
