预测电网面临的空间天气风险
概览
- 端到端预测：一套机器学习流水线利用预测时刻的太阳风信息，为美国大陆 66,935 座变电站生成位置级别的风险估计。
- 物理与地理结合：系统将极光电集流（AE）和扰场指数（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：在评估期间，该流水线检测到了近 80% 的重大空间天气事件，可在特定风险出现前 30 到 60 分钟向电网运营商发出预警。
预测关键基础设施面临的威胁
2024 年 5 月的磁暴期间，极光远远超出了平时的范围，北美各地的电力公司纷纷为可能的影响做准备。这场风暴降低了 GPS 精度并干扰卫星运行，影响了北美和欧洲的农业生产。现代社会高度依赖可靠的电力供应，而极端空间天气事件会在输电网络中感应出电流，损坏设备并增加运行风险。挑战不仅在于知道风暴即将来临，更在于及时估计其影响在何时何地最为严重，好让电网运营商有足够的时间做出应对。
在微软研究院暑期实习期间，我开发了一套机器学习系统，可以预测美国大陆 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，进而影响电网。它综合了太阳风观测数据、AE 和 Dst 指数预测、物理约束、当地地质电导率以及电网基础设施数据，在潜在影响到来前 30 到 60 分钟生成位置级别的风险估计。
构建端到端预测流水线
空间天气预测之所以困难，是因为它涉及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不规则，由此产生的地面效应又取决于当地条件。基岩电阻率高的地区，受到的地磁感应电流（GIC）影响可能比导电性更强的地质区域更严重。而输电线路走向、纬度等电力系统特性，也会进一步影响各个设施面临的暴露程度。
该流水线分三个阶段应对这种复杂性，如图 1 所示。第一阶段，利用 L1 拉格朗日点的太阳风测量数据生成 AE 和 Dst 指数预测，同时为每个变电站汇集地质电导率和位置特征。第二阶段，梯度提升模型将这些预测值和位置特征结合起来，估算 dB/dt——即与 GIC 风险相关的磁场变化率。最后，预测结果被转换为针对具体位置的风险估计，并汇总成覆盖整个大陆的风险评估。整个过程中，一套由 50 个 AI agent 组成的系统帮助探索了特征工程、验证策略和模型配置。项目仅使用公开数据源，包括 NASA OMNI 和 NASA 汇总的京都世界数据中心数据、INTERMAGNET 和美国地质调查局的地磁仪观测数据，以及基于 GridSFM 生成的电网数据。
评估地磁预测与基础设施风险
AE 预测器旨在预报驱动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，该模型的预报几乎覆盖了 AE 活动的全部观测范围，并优于多种基于太阳风的经验方法。Dst 预测器则提供了另一个信号，用于刻画大规模地磁暴的强度。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% 的小时上优于 Burton 方程。此外，模型的预测范围明显比 Burton 类方法更宽，与 AE 预报结合后，端到端预报系统对严重事件的检测率提升了 1.2 个百分点。
| 预测器 | 结果 | 基线对比 | 影响 |
|---|---|---|---|
| AE | RMSE 410.2 nT | RMSE 低于经验方法和仅用太阳风的基线 | 捕捉极端事件活动，供 GIC 预报系统使用 |
| Dst | RMSE 7.2 nT | 在 62.2% 的峰值活跃小时上优于 Burton 方法，预测范围更宽 | 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 风险阶段则采用了不同的评估方式。目前尚无广泛部署的同类业务化系统可作为这一计算的直接行业基准，因此将机器学习模型与简单的线性回归进行了对比。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）为 81.2%，对极端事件（≥50 nT/min）为 64.1%。误报率随风暴强度上升而增加，体现了漏报与谨慎预警之间的权衡。表现还随纬度变化，地磁活动最强的北方站点检测率最高。
将预测转化为大陆尺度的风险评估
最后一步是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速率。系统并不会对美国大陆发布单一警报，而是将风暴状况与每个变电站的纬度和地质因素相结合，生成持续的风险估计，从而区分风险较低的地区和电阻性地质会放大地面效应的高风险区域。
图 3 展示了一个代表性重大风暴情景下的输出结果。这张地图展示的是模型在大陆尺度上的输出能力，而非某次实际运行事件的记录。它表明电网运营商或规划者可以从宽泛的空间天气预警，转向更具针对性的视角，判断哪些位置值得进一步深入分析。在实测推理中，当前流程对全部 66,935 个变电站完成估计仅用了约 333 毫秒，可以快速评估多种情景。
意义与展望
这项工作展示了基于物理的机器学习如何支持更具体、更及时的空间天气风险评估。更早获得特定位置的信息，可以帮助电力公司优先安排工程审查，并考虑针对性的保护措施，例如调整无功功率储备或临时重构部分电网。在正式用于电网运行之前，还需要与电力公司合作，利用运行数据做进一步验证。
该项目也与 Microsoft Research 在电力系统 AI 方面更广泛的工作相呼应。开放的电网数据管道提供了真实的美国输电模型，而 GridSFM 则将深度学习应用于交流最优潮流，实现快速情景分析。这些工作共同指向更丰富的规划与韧性工作流，将灾害预测、电网拓扑和潮流分析结合在一起。
- 延长预测时间范围：探索 temporal-transformer 方法，捕捉太阳风数据中更长周期的规律，突破当前 30-60 分钟的预测窗口。
- 国际化扩展：根据不同地区的地质条件和电网拓扑结构，将系统适配到更多区域。
- 与电网运营集成：在考虑更高程度的自动化之前，先评估预测结果如何支持现有的决策流程和工程审查工作。
- 提供变压器级风险：加入具体资产的特性信息，从变电站级估算推进到对关键设备更细粒度的评估。