发布于 2026 年 9 月 30 日

作者：Rohan Kannan，实习生

概览

• 端到端预测：一个机器学习流水线利用预测时刻的太阳风信息，为美国本土 66,935 个变电站生成特定位置的风险估计。
• 物理与位置：该系统将极光电急流（AE）和扰动风暴时间（Dst）预测与当地纬度、地质条件和地面电导率相结合。
• 提前预警：该流水线在评估期内检测到近 80% 的重大空间天气事件，并可在特定风险出现前 30 至 60 分钟向电网运营商发出预警。

预测对关键基础设施的威胁

在 2024 年 5 月的地磁风暴期间，随着极光延伸至远超其通常范围，北美各地的公用事业公司为可能的影响做好了准备。这场风暴会降低 GPS 精度和卫星运行，影响北美和欧洲的农业作业。现代社会依赖可靠的电力，然而极端空间天气事件可在输电网络中感应出电流，损坏设备并增加运营风险。挑战不仅在于知道风暴正在逼近，还在于估算其影响何时何地可能最为严重，并留出足够预警时间供电网运营商响应。

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 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、极光电急流（AE）和扰动风暴时间（Dst）指数的预测、物理信息约束、当地地质电导率以及电网基础设施数据，以在潜在影响发生前 30 至 60 分钟生成特定位置的风险估计。

构建端到端预测流水线

空间天气预测之所以困难，是因为它跨越多个耦合系统。太阳风变化迅速，其与地球磁层的相互作用不规则，由此产生的地面效应取决于当地条件。基岩电阻率高的地区可能比地质导电性更强的地区经历更强的地磁感应电流（GIC）。输电线路走向、纬度以及其他电力系统特征进一步影响单个资产的暴露程度。

该流水线分三个阶段应对这种复杂性，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 指数的预测，同时为每个变电站汇集地质电导率和位置特征。其次，梯度提升模型将这些预测输入和位置特定输入相结合，以估计 dB/dt，即与 GIC 风险相关的磁场变化率。最后，将所得预测转换为特定位置的风险估计，并汇总为大陆级风险评估。一个由 50 个 AI 智能体组成的系统帮助探索了流水线中的特征、验证策略和模型配置。仅使用了公开数据源，包括 NASA OMNI 和 NASA 汇总的京都世界数据中心数据、INTERMAGNET 和美国地质调查局磁力计观测数据，以及 GridSFM 衍生的电网数据。

评估地磁预测与基础设施风险

AE 预测器旨在预测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，该模型产生的预测覆盖了近全部观测到的 AE 活动范围，并优于若干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活跃的时段，该机器学习模型在 62.2% 的单个小时上优于 Burton 方程。与 Burton 式方法相比，该模型还产生了显著更宽的预测范围，并且在与 AE 预测结合时，将端到端预测系统中的严重事件检测率提高了 1.2 个百分点。

| 预测器 | 结果 | 基线对比 | 影响 |
| --- | --- | --- | --- |
| AE | 410.2 nT RMSE | RMSE 低于经验基线和仅太阳风基线 | 捕捉 GIC 预测系统所使用的极端事件活动 |
| Dst | 7.2 nT RMSE | 在 62.2% 的峰值活动时段优于 Burton，并提供更宽的预测范围 | 集成到最终 GIC 系统后，严重风暴检测率提升 1.2 个百分点 |

GIC 风险阶段的评估方式有所不同。目前没有广泛部署的等效业务系统可为该计算提供直接的行业基准，因此将机器学习模型与简单线性回归进行了比较。如图 2 所示，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%。虚警率随风暴严重程度上升，反映了漏报事件与谨慎告警之间的权衡。性能因纬度而异，在地磁活动最强的北部台站检测率最高。

将预测转化为大陆级风险评估

最后阶段将预测的地磁活动转化为特定位置的 dB/dt 估计值，即与 GIC 暴露相关的磁场变化率。该系统并非对美国大陆发布单一告警，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，可以区分较低风险位置与电阻性地层可能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的输出。该地图是模型大陆级输出的演示，并非实时业务事件的记录。它展示了电网运营商或规划人员如何从广泛的空间天气预警转向更有针对性的视图，以确定哪些位置可能需要更深入分析。在实测推理中，当前流程在大约 333 毫秒内为全部 66,935 个变电站生成了估计值，使许多情景可以快速评估。

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。更早的位置特定信息可以帮助公用事业公司优先安排工程审查，并考虑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。在系统可用于电网运营之前，还需要与公用事业公司和运营数据进行进一步验证。

该项目还与 Microsoft Research 在 AI for power systems 方面的更广泛工作相关联。开放电网数据流程提供了真实的美国输电模型，而 GridSFM 将深度学习应用于交流最优潮流，以实现快速情景分析。这些努力共同指向更丰富的规划和韧性工作流，将灾害预测、电网拓扑和潮流分析结合起来。

• 扩展预测时间范围：探索时间 Transformer 方法，以捕捉太阳风数据中更长程的模式，并超越当前 30-60 分钟窗口。
• 国际扩展：将系统适配到更多地区，同时考虑不同的地质条件和电网拓扑。
• 与电网运营集成：在考虑更高自动化水平之前，评估预测如何支持现有决策和工程审查工作流。
• 提供变压器级风险：添加资产特定特征，从变电站级估计转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 在整个项目中的指导，以及 Amber Hoak、Weishung Liu 和 Andrea Britto 的编辑和技术反馈。

转载声明：本文为转载整理，原文版权归原作者及原站点所有。

原文来源：Microsoft Research Blog

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