该论文研究的是美国北弗吉尼亚地区超大规模数据中心快速扩张所带来的电力负荷激增问题。区域主要电力公司 Dominion Energy 必须对输电网进行加固和扩建以支撑这一增长，而此类工程依赖计划性停电（planned outage），需要提前数月完成评估，以便安排施工计划和停运协调，同时满足 NERC 与 PJM 的 N-1 可靠性准则。当前行业惯例是逐日开展长期停运研究，并采用月度或季节性的峰值负荷假设。作者指出，这种做法虽然简化了分析流程，却由于完全忽略细粒度的负荷波动而过度保守：一些在真实负荷条件下本可行的短时停运请求，会因此被推迟甚至直接否决，从而拖慢关键的输电扩建和电网现代化项目进度。为此，论文系统评估了将贴近实际的多粒度负荷预测引入长期、基于故障场景（contingency-based）的停运评估所能带来的运行价值，并与传统峰值法进行对比。方法上，作者使用统计模型与机器学习模型分别构建日、周、月三个时间尺度的负荷预测，具体包括 SARIMA、Prophet、梯度提升（Gradient Boosting）和随机森林（Random Forest），随后通过自底向上的时间层级协调（bottom-up temporal reconciliation）保证不同预测尺度之间的一致性。实验结果表明，采用细粒度负荷预测能够显著减少不必要的保守性，提高停运请求的获批率，对短时停运请求的改善尤为明显，并且这一过程并未放宽或改变既有的可靠性判定准则。论文认为该方法可强化长期停运协调流程，支持输电网及时加固与电网现代化，适合电网规划与调度工程师、ISO/RTO 可靠性分析人员以及能源负荷预测研究者参考。