Microsoft Research создала систему прогноза космической погоды для 66 935 подстанций США

В блоге Microsoft Research опубликован рассказ о системе машинного обучения, которую автор текста (имя в тексте не указано) разработал во время летней стажировки в компании. Система прогнозирует риск, который космическая погода создаёт для энергосетей: сильные геомагнитные бури наводят токи в линиях электропередачи, что может повредить оборудование и повысить эксплуатационные риски. Мотивирующий пример из текста, геомагнитная буря мая 2024 года, когда коммунальные компании Северной Америки готовились к возможным последствиям. Проблема, по словам автора, не только в том, чтобы знать о приближении бури, но и в том, чтобы понимать, когда и где её эффекты будут сильнее всего, и успеть предупредить операторов сетей.

Система выдаёт оценки риска для 66 935 подстанций континентальных США за 30, 60 минут до возможного воздействия. Она сочетает наблюдения солнечного ветра, прогнозы индексов AE (Auroral Electrojet, авроральный электроджет) и Dst (Disturbance Storm Time), физически обоснованные ограничения, местную геологическую проводимость и данные об инфраструктуре сети. Учитывается, что районы с плохо проводящей скальной породой испытывают более сильные геомагнитно-индуцированные токи (GIC), а на уязвимость влияют также ориентация линий и широта.

Конвейер состоит из трёх этапов. Сначала по измерениям солнечного ветра из точки Лагранжа L1 строятся прогнозы индексов AE и Dst, а для каждой подстанции собираются геологические признаки и данные о местоположении. Затем модель градиентного бустинга по этим входам оценивает dB/dt, скорость изменения магнитного поля, связанную с риском GIC. Наконец, предсказания превращаются в оценки риска по местам и сводятся в общую картину по континенту. В поиске признаков, схем валидации и конфигураций моделей помогала система из 50 ИИ-агентов. Использовались только открытые данные: NASA OMNI, данные Всемирного центра данных в Киото в агрегации NASA, наблюдения магнитометров INTERMAGNET и Геологической службы США (USGS), а также сетевые данные, полученные на основе GridSFM.

Результаты. Сводка в начале текста говорит, что система обнаружила почти 80% крупных космопогодных событий за период оценки 2020, 2026 годов; в подробной оценке этапа GIC доля обнаружения составила 76,5% для крупных событий (≥10 нТл/мин), 81,2% для сильных (≥20 нТл/мин) и 64,1% для экстремальных (≥50 нТл/мин). Доля ложных тревог росла с силой бури (цифры не приведены). Точность обнаружения зависела от широты: выше всего она на северных станциях, где геомагнитная активность сильнее. Предиктор AE давал прогнозы почти по всему наблюдаемому диапазону AE и превзошёл несколько эмпирических подходов на основе солнечного ветра. Модель Dst в самые активные периоды 2020, 2026 годов оказалась лучше уравнения Бёртона в 62,2% отдельных часов; в связке с прогнозами AE она улучшила обнаружение сильных событий на 1,2 процентного пункта. Для этапа GIC сопоставимой промышленной системы нет, поэтому модель сравнивали с простой линейной регрессией.

Оценки по подстанциям для всех 66 935 объектов считаются примерно за 333 миллисекунд (замер на этапе вывода), так что можно быстро проверять много сценариев. Карта в тексте, демонстрация для типового сценария сильной бури, а не запись реального события. Автор пишет, что такие данные могли бы помочь коммунальным компаниям расставлять приоритеты инженерных проверок и рассматривать целевые меры, например менять резервы реактивной мощности или временно перестраивать часть сети. Но для использования в работе сетей, подчёркивает текст, нужна дальнейшая проверка вместе с энергокомпаниями и на эксплуатационных данных.

Ключевые факты

Система машинного обучения оценивает риск от геомагнитных бурь для 66 935 подстанций континентальных США за 30, 60 минут до возможного воздействия.
Конвейер из трёх этапов: прогнозы индексов AE и Dst по данным солнечного ветра из точки L1, градиентный бустинг для оценки dB/dt, перевод в оценки риска по местам и сводка по континенту.
В сводке, почти 80% крупных событий обнаружено за 2020, 2026 годы; в подробной оценке: 76,5% для крупных (≥10 нТл/мин), 81,2% для сильных (≥20) и 64,1% для экстремальных (≥50). Ложные тревоги растут с силой бури.
Расчёт для всех подстанций занимает около 333 миллисекунд; использованы только открытые данные, а в подборе признаков и конфигураций помогала система из 50 ИИ-агентов.
До применения в сетях нужна дополнительная проверка вместе с энергокомпаниями и на эксплуатационных данных.

Почему это важно

Электроснабжение зависит от устойчивости сетей, а сильные геомагнитные бури могут наводить токи в линиях, повреждать оборудование и повышать эксплуатационные риски. Автор отмечает, что операторам нужно знать не только о приближении бури, но и когда и где она ударит сильнее всего, с запасом времени на реакцию. Работа показывает попытку перейти от общего предупреждения о буре к оценке по каждой из почти 67 тысяч подстанций с горизонтом 30, 60 минут. Это исследовательский результат: в тексте прямо сказано, что для использования в работе сетей нужна дальнейшая проверка.

Кому это важно

В первую очередь операторам и планировщикам энергосетей, инженерам по надёжности и специалистам по космической погоде. Интересна и исследователям, работающим на стыке физики и машинного обучения: в системе объединены физические ограничения, геология и градиентный бустинг. Автор также связывает проект с более широкой работой Microsoft Research по ИИ для энергосистем (GridSFM, открытый конвейер сетевых данных).

Как это применить

Готового продукта или развёртывания в энергокомпаниях в тексте не заявлено. Автор описывает, как такие оценки могли бы использоваться: приоритизировать инженерные проверки и рассматривать целевые меры, например корректировать резервы реактивной мощности или временно перестраивать части сети. Перед этим, как сказано, нужна проверка с энергокомпаниями и на эксплуатационных данных. Все использованные данные открытые: NASA OMNI, данные Киото в агрегации NASA, INTERMAGNET, USGS и сетевые данные на основе GridSFM. Планы развития по тексту: удлинить горизонт прогноза с помощью темпоральных трансформеров, адаптировать систему к другим регионам, встроить её в процессы принятия решений и перейти к оценкам риска для отдельных трансформаторов.

Можно ли доверять

Источник, блог Microsoft Research, текст написан самим стажёром-разработчиком, и все цифры, результаты его собственной оценки за 2020, 2026 годы. Для этапа GIC сопоставимой промышленной системы нет, поэтому сравнение шло лишь с простой линейной регрессией; численных результатов этого сравнения, а также сравнения предиктора AE с эмпирическими методами в тексте нет. Цифры ложных тревог не приведены. Заметьте и разницу в формулировках: «почти 80%» в сводке против 76,5% для крупных событий в детальной оценке. Показатель 62,2% относится только к самым активным периодам и к отдельным часам в сравнении с уравнением Бёртона. Карта, демонстрация сценария, а не реальное событие.

Риски и подводные камни

Доля ложных тревог растёт с силой бури, а обнаружение экстремальных событий (64,1%) слабее, чем сильных (81,2%): именно самые опасные случаи пропускаются чаще. Качество зависит от широты: лучше всего система работает на северных станциях. Прогноз ограничен окном 30, 60 минут, а для других регионов нужна отдельная адаптация с учётом иной геологии и топологии сетей. Без проверки на эксплуатационных данных нельзя считать систему готовой к работе в реальных сетях; в источнике не сказано, планирует ли Microsoft превращать её в продукт.