微软研究院用机器学习预测电网空间天气风险，可提前 30-60 分钟预警
把太阳风观测、地磁指数预测和地质数据串成一条流水线，提前 30-60 分钟算出每座变电站的地磁暴风险，为电网调度争取响应时间。
微软研究院开发了一套机器学习流水线，用 L1 点的太阳风观测数据预测 AE（极光电急流）和 Dst（地磁暴时）指数，再结合每座变电站的纬度与地质电导率，估算与地磁感应电流（GIC，地磁暴在输电线中感应的电流）相关的磁场变化率，为美国本土 66,935 座变电站给出位置特定的风险估计，提前 30 到 60 分钟预警，重大事件检出率约 76.5%。
正文摘录
 概览 - 端到端预测：一条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 座变电站生成位置特定的风险估计。 - 物理与地理：该系统把极光电集流指数 (Auroral Electrojet，AE) 和环电流扰动指数 (Disturbance Storm Time，Dst) 的预测，同当地纬度、地质条件与地表电导率结合起来。 - 提前预警：在评估期内，该流水线检测到了近 80% 的重大空间天气事件，并能在具体风险出现前 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 月的地磁风暴期间，北美各地的公用事业公司为可能的冲击做准备，当时的极光出现范围远超其常规区域。这场风暴会降低 GPS 精度、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，但极端空间天气事件会在输电网络中感生电流，损坏设备并提高运行风险。挑战不仅在于知道风暴正在逼近，更在于估算其影响何时、何地最为严重，并留出足够预警时间供电网运营商响应。 在 Microsoft Research 的暑期实习期间，我开发了一套机器学习系统，可对美国本土的 66,935 座变电站预测空间天气风险。该系统量化太阳活动如何影响地球磁场，并最终影响电网。它综合了太阳风观测数据、AE 与 Dst 指数的预测、物理先验约束、当地地质电导率以及电网基础设施数据，在潜在影响发生前 30-60 分钟给出位置特定的风险估计。