Koneoppiminen auttaa ennustamaan myrskyjen aiheuttamia sähkökatkoja
Kesäiset ukkosmyrskyt ovat yleisiä kaikkialla maailmassa. Myrskyn saapumisajan ennustaminen on helppoa, mutta sähköyhtiöiden on tärkeää myös tietää, milloin salamointi, rankat sateet ja kovat tuulet voivat vahingoittaa niiden infrastruktuuria ja aiheuttaa sähkökatkoksia.
Ilmatieteen laitoksen ohjelmistoarkkitehti Roope Tervo on kehittänyt haasteen ratkaisemiseen koneoppimista hyödyntävän lähestymistavan. Koneoppiminen tarkoittaa, että tietokoneet löytävät olemassa olevista tiedoista malleja, joiden avulla ne voivat tehdä ennusteita uuden tiedon tuottamiseksi.
”Koneoppiminen on erinomainen tapa ennustaa, mitkä myrskyt voivat aiheuttaa sähkökatkoja”, kertoo Tervo, joka työskentelee myös tutkijatohtorina Aalto-yliopiston professori Alex Jungin ٳٰܳ쾱ܲää
Opetusmateriaalia myrskyherkiltä alueilta
Tutkimuksen ensimmäisessä vaiheessa tietokoneet opetettiin luokittelemaan myrskyt syöttämällä niille tiedot sähkökatkoista. Tiedot saatiin Järvi-Suomen Energialta, Loiste Sähköverkolta ja Imatran Seudun Sähkönsiirrolta, joilla on sähköverkkoja Keski-Suomen myrskyherkillä alueilla.
Myrskyt jaettiin neljään luokkaan. Luokan 0 myrsky ei katkaissut sähköjä yhdestäkään muuntajasta. Luokan 1 myrsky katkaisi sähköt enintään 10 prosentista, luokan 2 myrsky enintään 50 prosentista ja luokan 3 myrsky yli 50 prosentista muuntajista.
Seuraava vaihe oli muokata Ilmatieteen laitoksen tiedot tietokoneen helposti ymmärrettävissä olevaan muotoon.
”Käytimme tietojen valmistelussa uutta oliopohjaista lähestymistapaa, mikä teki työstä jännittävää”, Roope Tervo kertoo.
”Myrskyt koostuvat useista elementeistä, jotka osoittavat, kuinka vahingollisia ne voivat olla. Tällaisia elementtejä ovat esimerkiksi pinta-ala, tuulen nopeus, lämpötila ja ilmanpaine. Ryhmittelemällä 16 erilaista ominaisuutta kustakin myrskystä pystyimme kouluttamaan tietokoneen tunnistamaan, milloin myrskyt ovat tuhoisia.”
Tulokset olivat lupaavia: algoritmi ennusti erittäin hyvin sen, mitkä myrskyt olisivat luokkaa 0 eivätkä aiheuttaisi vahinkoja, ja sen, mitkä myrskyt olisivat vähintään luokkaa 3 ja aiheuttaisivat paljon vahinkoja. Jatkossa tutkijat lisäävät malliin myrskyjä koskevia tietoja helpottaakseen luokkien 1 ja 2 myrskyjen erottamista toisistaan, jolloin ennakoimistyökaluista saadaan vielä hyödyllisempiä energiayhtiöille.
”Seuraava askeleemme on kokeilla ja tarkentaa mallia niin, että se toimii muidenkin säiden kuin vain kesämyrskyjen osalta. Suomessa voi olla suuria myrskyjä talvella, mutta ne ovat erilaisia kuin kesämyrskyt, joten tarvitsemme erilaisia menetelmiä mahdollisten vahinkojen ennakoimiseksi”, Tervo kertoo.
äپٴᲹ:
suunnittelija Roope Tervo, Ilmatieteen laitos
p. 029 539 3651
roope.Tervo@fmi.fi
Artikkeli:
R. Tervo, J. Karjalainen and A. Jung, "Short-Term Prediction of Electricity Outages Caused by Convective Storms," in IEEE Transactions on Geoscience and Remote Sensing.
doi: 10.1109/TGRS.2019.2921809 URL:
Lue lisää uutisia
Miljoonarahoitus uuden sukupolven koneteknologian kehittämiseen – tavoitteena tuottavuusloikka useilla vientialoilla
BEST-hankkeessa kehitetään uudenlaisia tiiviste-, laakerointi- ja vaimennusteknologioita useiden teollisuudenalojen käyttöön.
TAIMI-hanke rakentaa tasa-arvoista työelämää – kuusivuotinen konsortiohanke etsii ratkaisuja rekrytoinnin ja osaamisen haasteisiin
Tekoäly muuttaa osaamistarpeita, väestö ikääntyy ja työvoimapula syvenee. Samalla kansainvälisten osaajien potentiaali jää Suomessa usein hyödyntämättä. Näihin työelämän haasteisiin vastaa Strategisen tutkimuksen neuvoston rahoittama kuusivuotinen TAIMI-hanke, jota toteuttaa laaja konsortio.
Unite! Seed Fund 2026: Hakukierros avautuu 20. tammikuuta 2026
Tutustu ennakkoon Unite! Seed Fund 2026 -hakukierrokseen. Haku sisältää kolme rahoituslinjaa: opiskelijatoiminta, opetus ja oppiminen sekä tutkimus ja tohtorikoulutus.