← 返回信息流

精选Microsoft Research短讯

预测电网的空间天气风险

microsoft.com作者：Rohan Kannan模型AI评分：70/100

微软研究院发布新的机器学习系统，可在风暴抵达前30-60分钟预测极端空间天气事件对地球电力系统的潜在损害位置。该系统旨在帮助缓解此类事件对电网、GPS精度及卫星运行的影响。

GridSFM diagram depicting the workflow
GridSFM diagram depicting the workflow

概览

  • 端到端预测：机器学习流程利用预报时刻的太阳风信息，为美国本土的 66,935 个变电站生成特定地点的风险评估。
  • 物理与地域结合：该系统将极光电流（AE）和暴时环电流指数（Dst）的预报与当地纬度、地质结构和地面电导率相结合。
  • 提前预警：在评估期间，该流程检测到了近 80% 的重大空间天气事件，并能在特定风险出现前 30 至 60 分钟向电网运营商发出警告。

预测对关键基础设施的威胁

在 2024 年 5 月的地磁风暴期间，随着极光范围远超往常，北美各地的公用事业公司做好了应对潜在影响的准备。此次风暴将降低 GPS 精度并影响卫星运行，进而波及北美和欧洲的农业作业。现代社会依赖可靠的电力供应，但极端的空間天气事件会在输电网络中感应出电流，损坏设备并增加运营风险。挑战不仅在于知晓风暴即将来临，更在于估算其影响最严重的时刻和地点，并为电网运营商提供足够的响应时间。

在微软研究院实习期间，我开发了一套机器学习系统，用于预测美国本土 66,935 个变电站的空间天气风险。该系统衡量太阳活动如何影响地球磁场，并最终影响电网。它结合了太阳风观测数据、极光电流（AE）和暴时环电流指数（Dst）的预报、物理约束条件、局部地质电导率以及电网基础设施数据，从而在潜在影响发生前 30 至 60 分钟生成特定地点的风险评估。

构建端到端的预测流程

空间天气预测之所以困难，是因为它涉及多个耦合系统。太阳风变化迅速，其与地球磁层的相互作用不规则，且由此产生的地面效应取决于当地条件。基岩电阻率较高的地区比地质导电性较强的地区更容易经历更强的地磁感应电流（GICs）。输电线路的方向、纬度以及其他电力系统特性进一步影响了单个资产的暴露程度。

如图 1 所示，该流程分三个阶段解决这一复杂性。首先，利用 L1 拉格朗日点的太阳风测量数据生成 AE 和 Dst 指数的预报，同时为每个变电站汇编地质电导率和位置特征。其次，梯度提升模型将这些预报数据和特定地点的输入结合起来，估计与 GIC 风险相关的磁场变化率 dB/dt。最后，将生成的预测结果转换为特定地点的风险评估，并汇总为大陆范围的风险分析。由 50 个 AI 智能体组成的系统帮助探索了流程中的特征、验证策略和模型配置。仅使用了公开数据源，包括 NASA OMNI 和 NASA 汇总的世界地磁中心（Kyoto World Data Center）数据、INTERMAGNET 和美国地质调查局（USGS）的地磁仪观测数据，以及基于 GridSFM 的电网数据。

Figure 1. End-to-end forecasting pipeline from L1 solar-wind measurements to location-specific risk estimates across 66,
Figure 1. End-to-end forecasting pipeline from L1 solar-wind measurements to location-specific risk estimates across 66,

评估地磁预报与基础设施风险

AE预测器旨在预报可能引发基础设施风险的罕见高强度地磁活动。在2020-2026年的评估期内，该模型生成的预报覆盖了几乎整个观测到的AE活动范围，并优于几种基于太阳风的经验方法。Dst预测器提供了描述大规模地磁风暴强度的额外信号。在2020-2026年评估期内地磁活动最剧烈的时期，机器学习模型在62.2%的单个小时内优于Burton方程。与Burton式方法相比，该模型还生成了显著更宽的预测范围；当与AE预报结合时，它在端到端预报系统中将严重事件的检测率提高了1.2个百分点。

GIC风险阶段的评估方式不同。目前缺乏广泛部署的等效业务系统来为此计算提供直接的行业基准，因此将该机器学习模型与简单线性回归进行了比较。如图2所示，该系统对重大事件（≥10 nT/min）的检测率为76.5%，对严重事件（≥20 nT/min）的检测率为81.2%，对极端事件（≥50 nT/min）的检测率为64.1%。误报率随风暴严重程度而增加，反映了漏报事件与谨慎警报之间的权衡。性能因纬度而异，在地磁活动最强的北部站点检测率最高。

Figure 2. Detection rates across storm-severity thresholds for regionally different substations, with a comparison betwe
Figure 2. Detection rates across storm-severity thresholds for regionally different substations, with a comparison betwe

将预报转化为大陆风险评估

最后阶段将预测的地磁活动转化为特定地点的dB/dt估计值，即与GIC暴露相关的磁场变化率。该系统不是针对美国大陆发布单一警报，而是将风暴条件与每个变电站的纬度和地质因子相结合。这产生了连续的风险估计，能够区分低风险区域和电阻性地质可能放大地面效应的区域。

图3说明了代表性重大风暴场景的输出结果。该地图展示了模型的大陆规模输出示例，而非实时业务事件的记录。它显示了电网运营商或规划者如何从宽泛的空间天气警告转向更具针对性的视角，以确定哪些位置可能需要更仔细的分析。在测量推理过程中，当前流水线在约333毫秒内为所有66,935个变电站生成了估计值，从而能够快速评估多种场景。

Figure 3. Demonstration of a continental GIC risk assessment under a representative major-storm scenario. Colors indicat
Figure 3. Demonstration of a continental GIC risk assessment under a representative major-storm scenario. Colors indicat

影响与展望

这项工作展示了基于物理的机器学习如何支持更具体、更及时的空间天气暴露评估。此前，特定地点的信息可帮助公用事业公司优先进行工程审查，并考虑采取有针对性的保护措施，例如调整无功功率储备或临时重新配置部分网络。在使用该系统进行电网操作之前，还需要通过公用事业公司和运营数据进行进一步验证。

该项目还与微软研究院在电力系统人工智能方面的更广泛工作相联系。开放的电网数据管道提供了真实的美国输电模型，而GridSFM则应用深度学习于交流最优潮流分析以实现快速场景分析。这些努力共同指向更丰富的规划和韧性工作流程，这些流程结合了灾害预报、电网拓扑结构和潮流分析。

  • 延长预测时间范围：探索采用时间Transformer方法，以捕捉太阳风数据中更长周期的模式，突破当前30至60分钟的预测窗口。
  • 实现国际化扩展：在适应不同地质条件和电网拓扑结构的前提下，将该系统推广至更多地区。
  • 与电网运行整合：在考虑更高级别自动化之前，评估这些预测如何支持现有的决策流程和工程审查工作流。
  • 提供变压器级别的风险评估：加入设备特定属性，从变电站级别的估算转向对关键设备更精细化的风险评估。

致谢

特别感谢我的导师杨薇薇（Weiwei Yang）和斯宾塞·福尔斯（Spencer Fowers）在整个项目中的指导，以及Amber Hoak、刘伟雄（Weishung Liu）和Andrea Britto提供的编辑和技术反馈。

译文已达到本站中文翻译的字数上限，剩余内容请查看原文。

阅读原文