Nadir ve yıkıcı kesinti olaylarının makine öğrenmesi modellemesinde veri dengesizliği sorununu ele almak

Niçin daha iyi fırtına tahminleri sizin için önemli

Büyük bir fırtına elektriği kestiğinde bunu çok kişisel şekillerde yaşarız: ışık yok, ısı yok, bozulmuş yiyecekler ve kesintiye uğramış iletişim. Kamu hizmetleri, onarım ekiplerini yönlendirebilmek ve insanları güvende tutabilmek için bu kesintileri önceden tahmin etmeye çalışır. Ancak en kötü fırtınalar nadirdir, bu da onlar hakkında şaşırtıcı derecede az veri olduğu anlamına gelir. Bu makale, yeni bir yapay zeka türünün gerçekçi nadir fırtınaları “tasavvur edebileceğini”, kayıtlarımızdaki boşlukları doldurabileceğini ve en çok ihtiyaç duyulduğunda kesinti tahminlerini daha doğru hâle getirebileceğini gösteriyor.

Nadir felaketlerden öğrenmenin zorluğu

Çoğu elektrik kesintisi hava koşullarından kaynaklanır; özellikle kasırgalar, Nor’easter tipi fırtınalar, kar ve buz fırtınaları ile şiddetli gök gürültülü fırtınalar. İklim ısındıkça bu olaylar daha şiddetli hâle geliyor ve yaşlanan elektrik şebekeleri üzerinde ekstra baskı oluşturuyor. Yine de en zarar verici fırtınalar tanım gereği nadirdir. Geleneksel istatistiksel araçlar ve makine öğrenmesi modelleri genellikle çok sayıda hafif ve orta şiddette fırtınadan en iyi şekilde öğrenir; gerçekten aşırı birkaç olgu ile başa çıkmakta zorlanırlar. Verideki bu dengesizlik, kamu hizmetlerinin en çok güvenilir rehberliğe ihtiyaç duyduğu anda zarar tahminlerinin eksik kalmasına yol açar.

Bilgisayarlara yeni fırtınalar yaratmayı öğretmek

Bu dengesizliğin üstesinden gelmek için yazarlar, sentetik fırtınalar üreten bir sistem kuruyor—yani gerçek fırtınalar gibi görünen ve davranan ama tek bir geçmiş olgunun kopyası olmayan bilgisayar tarafından yaratılmış olaylar. Connecticut’a odaklanıyorlar ve her fırtınayı rüzgâr, yağmur, basınç, türbülans, bitki örtüsü ve enerji hattı düzeni gibi hücre başına 19 bilgi türünü içeren 815 hücrelik bir ızgara olarak temsil ediyorlar. Önce 294 tarihsel fırtınayı, ekiplerin onarması gereken hasar noktalarının sayısına ve yerine göre 12 kümeye ayırıyorlar. Nadir, yüksek etkili fırtınalar, güçlendirme gerektiren dört küçük kümeye düşüyor.

Yeni yapay zeka modeli gerçekçi ekstremleri nasıl oluşturuyor

Çerçevenin çekirdeği iki modern yapay zeka aracını birleştiriyor. Bir varyasyonel otoenkoder, her çok katmanlı fırtına haritasını kıyı yakınlarındaki güçlü rüzgârlar gibi önemli desenleri koruyan daha düşük boyutlu bir “gizli” gösterime sıkıştırıyor. Bu sıkıştırılmış uzayda, bir difüzyon modeli rasgele gürültüden başlayıp istenen kesinti şiddeti kümesine koşullandırılarak kademeli biçimde gerçekçi bir fırtınaya dönüştürmeyi öğreniyor. Sistem daha sonra üretilen fırtınaları, istatistiklerini gerçek olaylarla karşılaştıran bir dizi metrikle süzüyor—sadece rüzgâr hızı gibi bireysel özellikleri değil, aynı zamanda korelasyon desenleriyle yakalanan özelliklerin birlikte nasıl hareket ettiğini de kontrol ediyor. Belirli bir kümeye ait gerçek fırtınaların fiziksel ve istatistiksel davranışlarına yakın olan sentetik fırtınalar korunuyor.

Sentetik fırtınaları teste sokmak

Yazarlar sonra kritik soruyu soruyor: bu sentetik fırtınalar gerçekten kesinti tahminlerine yardımcı oluyor mu? Mevcut bir kesinti tahmin modelini iki kez eğitiyorlar—ilk olarak yalnızca gerçek fırtınalarla, sonra aynı veriyi nadir, yüksek etkili kümeler için dikkatle süzülmüş sentetik olaylarla zenginleştirerek. Performansı, yeni ve görülmemiş olayların tahminini taklit eden katı bir “her seferinde bir fırtına çıkartma” testiyle değerlendiriyorlar. Sentetik zenginleştirmeyle modelin yapısal hatası keskin şekilde düşüyor ve genel uyum iyileşiyor. Nadir, en yıkıcı fırtınalar için ortalama karekök hatası yaklaşık %45 azalıyor ve Nash–Sutcliffe verimliliği gibi yetenek özet ölçüleri, başlangıç seviyesinden daha kötü durumdan açıkça faydalı performansa yükseliyor. Kalite denetimi olmadan rastgele ekleme yapan “rastgele” bir zenginleştirme ile karşılaştırma, çok daha küçük veya hatta negatif kazançlar gösteriyor; bu da titiz filtrelemenin önemini vurguluyor.

Gelecek fırtınalar için bunun anlamı

Basitçe söylemek gerekirse, bu çalışma yapay zekanın fiziksel olarak tutarlı ekstrem fırtınaları tasavvur etmesine izin vermenin—ve hangi tasavvur edilmiş fırtınalara güveneceğiniz konusunda seçici olmanın—en büyük zarara yol açan olaylar için kesinti tahminlerini daha güvenilir hale getirebileceğini gösteriyor. Nadir ama yıkıcı hava olaylarına ilişkin seyrek verileri zenginleştirerek bu yaklaşım, kamu hizmetlerinin kaç hasar noktasıyla karşılaşacaklarını ve bunların nerede olacağını daha iyi öngörmelerine yardımcı oluyor. Bir eyalet ve bir tehlike türü için gösterilmiş olsa da, aynı strateji orman yangınları, seller ve diğer doğal tehditlere genişletilebilir ve büyüyen iklim aşırılıkları dünyasında altyapı planlamasını güçlendirmenin yeni bir yolunu sunar.

Atıf: Azizi, M., Zhang, X., Yasenpoor, T. et al. Addressing the data imbalance issue in machine learning modeling of rare and disruptive outage events. Sci Rep 16, 8876 (2026). https://doi.org/10.1038/s41598-026-41838-z

Anahtar kelimeler: sentetik fırtına verisi, elektrik kesintisi tahmini, difüzyon modelleri, aşırı hava olayları, veri dengesizliği