Les entreprises de services publics sont généralement bien équipées pour faire face aux pannes de courant de routine, mais elles sont souvent confrontées à des événements météorologiques extrêmes comme les ouragans.
Les modèles conventionnels de prévision des pannes de courant en cas d’ouragan produisent souvent des résultats incomplets ou incorrects, ce qui entrave la capacité des entreprises à se préparer à rétablir le courant le plus rapidement possible, en particulier dans les villes sujettes à des pannes de courant prolongées induites par les ouragans.
Nouvelle recherche de la NYU Tandon School of Engineering peut aider à résoudre ce problème.
En combinant les données sur la vitesse du vent et les précipitations avec des données sur les modèles d’utilisation des terres d’une zone (qui reflètent les variations des infrastructures électriques entre les zones rurales et urbaines) et la densité de population (comme indicateur du nombre de transformateurs présents), les chercheurs s’orientent vers une physique plus précise. modèle de prévision des pannes de courant induites par les ouragans que les techniques actuellement largement utilisées.
Luis Ceferino, professeur adjoint en génie civil et urbain (CUE) et Prateek Arora, titulaire d’un doctorat au CUE. candidat, a présenté ses recherches à la 14e Conférence internationale sur les applications des statistiques et des probabilités en génie civil (ICASP 14), qui s’est tenue du 9 au 13 juillet 2023 à Dublin, en Irlande.
En mai 2023, Risques naturels et sciences du système terrestre a publié l’article du duo évaluant les limites des modèles existants de prévision des pannes de courant. Le document discute de l’applicabilité limitée de ces modèles en raison de la dépendance à l’égard de données provenant de régions et de sociétés de services publics spécifiques ; prédictions illimitées ; difficultés d’extrapolation à des conditions de vent fort ; et une gestion inadéquate des incertitudes et de la variance des données de panne lors d’événements météorologiques extrêmes.
Pour compenser ces contraintes, l’équipe de recherche entraîne son modèle avec les données historiques de pannes des ouragans Harvey (2017), Michael (2018) et Isaias (2020). Le modèle prend en compte les relations non linéaires entre les paramètres d’entrée (c’est-à-dire les changements dans une variable qui n’entraînent pas de changements proportionnels ou cohérents dans une autre variable) et la probabilité de pannes de courant.
Dans son article ICASP 14, l’équipe s’est concentrée sur deux indices de performance clés : l’indice de fréquence moyenne des interruptions du système (SAIFI) et l’indice de durée moyenne des interruptions du système (SAIDI). SAIFI mesure la fréquence à laquelle les clients subissent des pannes de courant et SAIDI reflète le temps total que les clients passent sans électricité au cours d’une année. Ces indices sont essentiels pour déterminer l’efficacité et la résilience des systèmes électriques lors d’événements météorologiques extrêmes.
L’équipe de recherche a utilisé une modélisation probabiliste pour calculer/obtenir le SAIFI et le SAIDI pour une période de retour de 10 ans dans le New Jersey. Elle a révélé que les zones rurales sont confrontées à un plus grand risque de pannes que les zones urbaines, lorsque la vitesse du vent est le seul facteur dommageable. L’équipe continue de développer le modèle et les recherches à venir intégreront les effets des ondes de tempête, particulièrement pertinents pour les prévisions de pannes d’électricité côtières.
En cartographiant les scénarios potentiels et les probabilités de pannes de courant, ce projet de recherche peut fournir aux parties prenantes, notamment aux sociétés de services publics et aux organismes de réglementation, des informations pour la prise de décision stratégique. Cela pourrait inclure une allocation ciblée de ressources, des améliorations des infrastructures et même l’élaboration de plans d’intervention d’urgence qui atténuent l’impact négatif des ouragans sur les systèmes électriques.
Plus d’information:
Papier: www.researchgate.net/publicati… tems_from_hurricanes