模型提前预报电网空间天气

微软研究院博客在 9 月 30 日发表实习生 Rohan Kannan 的工作：一套机器学习系统，预报美国本土 66935 座变电站的空间天气风险。它估计太阳活动怎样影响地磁场，再影响到电网。输入包括太阳风观测、极光电集流指数（AE）和扰动风暴时间指数（Dst）的预报、物理约束、当地地质电导率，以及电网设施数据。输出是每个位置的风险，提前 30 到 60 分钟。

预报难在几套系统连在一起。太阳风变得快，它和磁层的作用不规则，地面效果又取决于当地条件。电阻较高的基岩上，地磁感应电流可以比导电更好的地质更强。线路走向、纬度和电力系统本身的特点，也会改变单个设备的暴露。

流程分三步。第一步用拉格朗日 L1 点的太阳风测量预报 AE 和 Dst，并为每座变电站配上地质电导率和位置特征。第二步用梯度提升模型，把这些预报和位置输入合成 dB/dt，也就是与感应电流风险相关的磁场变化率。第三步把预测换成各地的风险，再汇成全美评估。大约 50 个 AI 智能体参与了特征、验证策略和模型配置的探索。数据只用公开来源，包括 NASA OMNI、NASA 汇总的京都世界数据中心、INTERMAGNET、美国地质调查局的磁力计，以及来自 GridSFM 的电网数据。

AE 预报针对的是少见、高强度、会拉动基础设施风险的地磁活动。在 2020 到 2026 年的评估期里，预报几乎覆盖了观测到的 AE 全范围，均方根误差是 410.2 nT，低于文中列出的经验和仅用太阳风的基线。Dst 预报的均方根误差是 7.2 nT。在这段评估期里地磁最活跃的时段，机器学习模型在 62.2% 的单个小时上优于 Burton 方程，预测范围也比 Burton 一类方法宽。和 AE 预报合在一起后，终端系统的严重事件检出提高了 1.2 个百分点。

感应电流这一段没有现成的行业运行系统可直接对照，所以机器学习模型和简单线性回归比。重大事件（每分钟至少 10 nT）检出率 76.5%，严重事件（至少 20 nT）81.2%，极端事件（至少 50 nT）64.1%。误报率随风暴强度上升。作者把这写成漏报和谨慎告警之间的取舍，没有给出误报的百分比。检出率随纬度变化，最北的站点最高，那里的地磁活动也最强。

最后一步按每座变电站的纬度和地质，把预报变成当地的 dB/dt，而不是给整个美国发一条警报。文中的地图是一次代表性大磁暴情景下的演示，不是某次真实运行事件的记录。实测推理里，现有流程大约用 333 毫秒给全部 66935 座变电站算出估计。

作者写，更早、更针对位置的信息，可以帮助电力公司安排工程复查，并考虑调整无功备用或暂时改接部分网络。进电网运行之前，还需要用电力公司的运行数据做进一步验证。往后的方向包括把提前量做到超过现在的 30 到 60 分钟、换到地质和电网不同的地区、先接到现有的人工决策而不是更高的自动化，以及从变电站做到具体变压器。