Le tempeste tropicali possono spegnere intere città in pochi minuti, lasciando le persone al buio e i servizi essenziali paralizzati. Per affrontare questo problema, ricercatori hanno creato STO-CAST, un modello di deep learning che combina dati statici (come la posizione delle linee elettriche) e dinamici (previsioni meteo, segnalazioni di blackout) per prevedere, con una risoluzione di 4 km per 4 km, dove e quando si verificherà un’interruzione. Il sistema usa unità ricorrenti gated (GRU) per catturare l’evoluzione temporale degli eventi e strati fully‑connected per integrare le informazioni ambientali.
STO-CAST funziona in due modalità: ora‑casting, che fornisce previsioni a 6 ore di anticipo usando dati in tempo reale, e long‑term forecasting, che guarda fino a 60 ore avanti basandosi su modelli meteorologici. I ricercatori hanno testato il modello con la strategia “Leave‑One‑Storm‑Out”, cioè addestrandolo su tutti gli uragani tranne uno e verificandone la capacità di prevedere quello lasciato fuori. Il caso di studio sul tifone Muifa (2022) ha mostrato che STO-CAST individua con precisione i “hotspot” di blackout, riducendo gli errori legati a incertezze meteo e lacune di osservazione.
Grazie a queste previsioni ad alta risoluzione, le autorità possono attivare piani di emergenza prima che la tempesta colpisca, rinforzare le linee più vulnerabili e, in ultima analisi, rendere le reti elettriche più resilienti di fronte a uragani sempre più intensi.
