极端空间天气事件会损坏地球上的电力系统，并降低 GPS 精度与卫星运行效能。一个新的机器学习系统能够在风暴来袭前 30 到 60 分钟预测出受损可能发生的地点：https://t.co/BXtASKr92b https://t.co/fxgX7CBNuD

为电网预测空间天气风险

来源：https://www.microsoft.com/en-us/research/blog/forecasting-space-weather-risks-on-power-grids/

GridSFM 流程示意图

概览

• **端到端预测：**一条机器学习管线利用预报时刻的太阳风信息，为美国本土 66,935 座变电站生成针对具体位置的风险估计。
• **物理与地域：**该系统将极光电磁流（AE）与磁暴环电流指数（Dst）的预报，与当地纬度、地质条件及地面电导率相结合。
• **提前预警：**在评估期内，该管线识别出了近 80% 的重大空间天气事件，并能在特定风险显现前 30 至 60 分钟向电网运营方发出预警。

预测对关键基础设施的威胁

在 2024 年 5 月的地磁暴期间，极光延伸到远超平常的范围，北美各地的电力公司纷纷为可能出现的影响做好准备。这场风暴会降低 GPS 精度并干扰卫星运行，进而影响北美和欧洲的农业作业。现代社会依赖可靠的电力供应，而极端空间天气事件可能在输电网络中感应出电流，损坏设备并抬升运行风险。难点不仅在于知道一场风暴正在逼近，还在于估算它何时、何地会产生最严重的影响，并为电网运营方留出足够的响应时间。

在微软研究院的暑期实习期间，我开发了一个机器学习系统，用于预测美国本土 66,935 座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。它将太阳风观测数据、极光电磁流（AE）与磁暴环电流指数（Dst）的预报、物理约束、当地地质电导率以及电网基础设施数据结合起来，在潜在影响发生前 30 到 60 分钟生成针对具体位置的风险估计。

构建端到端预测管线

空间天气预测之所以困难，是因为它横跨多个相互耦合的系统。太阳风变化迅速，它与地球磁层的相互作用并不规则，而由此产生的地面效应又取决于当地条件。基岩电阻率较高的地区，其地磁感应电流（GIC）可能强于地质导电性更好的地区。输电线路走向、纬度以及其他电力系统特征，还会进一步影响各设施的暴露程度。

视频系列

《换个角度想一想》（On Second Thought），主持人 Sinead Bovell（https://www.microsoft.com/en-us/research/story/on-second-thought/）

换个角度想一想

这是一档由 Sinead Bovell 主持的视频系列，围绕着所有人都在问的 AI 相关问题展开。借助微软内外部专家的声音，我们剖析这项快速变化技术中的张力与潜力，探讨正在发生的变化以及未来的可能性。

该管线通过三个阶段应对上述复杂性，如图 1 所示。首先，利用来自 L1 拉格朗日点的太阳风测量数据生成 AE 和 Dst 指数的预报，同时为每座变电站整理地质电导率与位置特征。其次，一个梯度提升模型将这些预报输入与位置特征结合起来，估算 dB/dt，即与 GIC 风险相关的磁场变化速率。最后，将预测结果转换为针对具体位置的风险估计，并汇总为覆盖整个大陆的风险评估。一个由 50 个 AI 智能体组成的系统协助探索了整条管线中的特征、验证策略与模型配置。仅使用了公开数据源，包括 NASA OMNI 与 NASA 整理的京都世界数据中心数据、INTERMAGNET 和美国地质调查局（U.S. Geological Survey）的磁力仪观测数据，以及由 GridSFM 派生的电网数据。

从 L1 太阳风测量到覆盖 66,935 座美国变电站的针对具体位置的风险估计的端到端预测管线。

图 1. 从 L1 太阳风测量到覆盖 66,935 座美国变电站的针对具体位置的风险估计的端到端预测管线。

评估地磁预报与基础设施风险

AE 预测器旨在预报那些驱动基础设施风险的罕见、高强度地磁活动。在 2020–2026 年评估期内，该模型生成的预报覆盖了几乎全部观测到的 AE 活动范围，并优于多种基于太阳风的经验方法。Dst 预测器提供了关于大规模地磁暴强度的额外信号。在 2020–2026 年评估期内地磁活动最活跃的时段中，该机器学习模型在 62.2% 的单个小时数上优于 Burton 方程。该模型产生的预测范围也比 Burton 类方法宽得多，并在与 AE 预报结合后，将端到端预报系统中对极端事件的识别率提升了 1.2 个百分点。

GIC 风险阶段采用了不同的评估方式。目前尚无同等规模且广泛部署的业务系统可为这项计算提供直接的行业基准，因此将机器学习模型与简单的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）的识别率达到 76.5%，对严重事件（≥20 nT/min）达到 81.2%，对极端事件（≥50 nT/min）达到 64.1%。误报率随风暴强度升高而增加，反映出漏报与谨慎告警之间的权衡。不同纬度下的表现有所差异，在地磁活动最强的北部站点识别率最高。

柱状图

图 2. 不同地区变电站在各风暴强度阈值下的识别率，并对比了每个强度等级的平均探测概率（POD）。

将预测结果转化为大陆尺度风险评估

最后一个阶段把预测的地磁活动转化为针对具体位置的 dB/dt 估计，即与 GIC 暴露相关的磁场变化速率。该系统并非对美国本土发布单一警报，而是将风暴状况与每座变电站的纬度和地质因子相结合，从而产生连续的风险估计，能够区分低风险地区与可能因电阻性地质而放大地面效应的区域。

图 3 展示了一个代表性重大风暴情景下的输出结果。该地图是模型大陆尺度输出的演示，并非实时业务事件的记录。它展示了电网运营方或规划者如何从一份笼统的空间天气预警，进一步走向更聚焦的视图，从而判断哪些地点可能需要更细致的分析。当前管线在实测推理中，仅用约 333 毫秒便为全部 66,935 座变电站生成了估计，因而可以快速评估许多情景。

地图、散点图

图 3. 代表性重大风暴情景下大陆尺度 GIC 风险评估的演示。颜色表示 66,935 座变电站的模型风险等级。

影响与展望

这项工作展示了基于物理约束的机器学习如何为更具体、更及时的空间天气暴露评估提供支持。更早获得针对具体位置的信息，可以帮助电力公司确定工程审查的优先级，并考虑有针对性的防护措施，例如调整无功储备或临时重构部分电网。在该系统投入电网运营之前，还需要与电力公司及业务数据开展进一步验证。

该项目还与微软研究院在电力系统 AI 方面的更广泛工作相呼应。开放的电网数据管线提供了逼真的美国输电模型，而 GridSFM 则将深度学习应用于交流最优潮流分析，实现快速的情景分析。这些工作共同指向了更丰富的规划与韧性工作流程，将灾害预报、电网拓扑与潮流分析融为一体。

• **延长预测时间跨度：**探索能够捕捉太阳风数据中更长程模式的时间 Transformer 方法，突破当前 30–60 分钟的窗口。
• **扩展到国际范围：**在考虑不同地质条件和电网拓扑的同时，将系统适配到更多地区。
• **与电网运营融合：**在考虑更高程度的自动化之前，先评估这些预报如何支撑现有的决策与工程审查流程。
• **提供变压器级风险评估：**引入设施的具体特征，从变电站级估计走向对关键设备更细粒度的评估。

致谢

特别感谢我的导师 Weiwei Yang 和 Spencer Fowers（https://www.microsoft.com/en-us/research/people/sfowers/）在整个项目中给予的指导，也感谢 Amber Hoak（https://www.microsoft.com/en-us/research/people/amhoak/）、Weishung Liu（https://www.microsoft.com/en-us/research/people/weisliu/）和 Andrea Britto（https://www.microsoft.com/en-us/research/people/andreabri/）提供的编辑与技术反馈。