«Предупреждение за 30–60 минут»: Microsoft Research оценила геомагнитный риск для 66 935 подстанций США

Зачем прогнозировать космическую погоду

Ставки показал май 2024 года: во время геомагнитной бури энергокомпании Северной Америки готовились к возможным последствиям, а полярные сияния вышли далеко за привычные широты. Буря ухудшала точность GPS и работу спутников, что затронуло сельскохозяйственные операции в Северной Америке и Европе. Экстремальные события космической погоды наводят токи в передающих сетях, повреждают оборудование и повышают операционный риск.

Сложность задачи авторы описывают так: недостаточно знать, что буря приближается, — нужно оценить, когда и где её последствия будут наиболее сильными, причём с таким запасом времени, чтобы оператор сети успел отреагировать. Предсказание космической погоды охватывает несколько связанных систем сразу: солнечный ветер меняется быстро, его взаимодействие с магнитосферой Земли неравномерно, а наземные эффекты зависят от локальных условий.

Опасность зависит от геологии: в районах с резистивной коренной породой геомагнитно-индуцированные токи (GIC) могут быть сильнее, чем там, где породы проводят лучше. На подверженность конкретных объектов влияют также ориентация линий электропередачи, широта и другие характеристики энергосистемы.

Как устроен конвейер

Работа идёт в три шага. Сначала измерения солнечного ветра из точки L1 используются для прогноза индексов AE и Dst, а для каждой подстанции собираются геологическая проводимость и локальные признаки. Затем модель градиентного бустинга объединяет прогнозные и локальные входы, чтобы оценить dB/dt — скорость изменения магнитного поля, связанную с риском GIC. На третьем шаге предсказания переводятся в локальные оценки риска и агрегируются в континентальную картину.

Использовались только публичные источники: NASA OMNI и агрегированные NASA данные Kyoto World Data Center, магнитометры INTERMAGNET и Геологической службы США, а также данные о сетке на основе GridSFM. Отдельно авторы отмечают, что исследовать признаки, стратегии валидации и конфигурации моделей помогла система из 50 ИИ-агентов.

Точность и охват

Индекс AE прогнозировался с RMSE 410,2 нТ — ниже, чем у эмпирических бейзлайнов и моделей, использующих только солнечный ветер. Dst-предиктор дал RMSE 7,2 нТ и в наиболее геомагнитно активные периоды превзошёл уравнение Бёртона на 62,2% часов; добавление AE-прогноза улучшило обнаружение сильных событий в сквозной системе на 1,2 процентного пункта.

Стадию GIC оценивали иначе: прямого отраслевого бенчмарка для неё нет, поэтому модель сравнивали с простой линейной регрессией. Система обнаружила 76,5% крупных событий (≥10 нТ/мин), 81,2% сильных (≥20 нТ/мин) и 64,1% экстремальных (≥50 нТ/мин). Доля ложных тревог росла вместе с силой бури, а лучшие результаты достигались на северных станциях, где геомагнитная активность выше.

От одного предупреждения к карте рисков

Вместо единственного оповещения на все континентальные США система сопоставляет условия бури с широтой и геологическим фактором каждой подстанции. На выходе получаются непрерывные оценки риска, которые отделяют относительно спокойные площадки от районов, где резистивная геология усиливает наземные эффекты.

Такая карта показывает, как оператор или проектировщик может перейти от общего предупреждения о космической погоде к более точечному взгляду на то, какие площадки требуют дополнительного анализа. Счёт идёт на миллисекунды: оценки для всех 66 935 подстанций конвейер выдал примерно за 333 миллисекунды, что позволяет быстро просчитывать множество сценариев.

Оговорки и планы

Авторы прямо предупреждают: до применения в управлении сетью системе нужна дальнейшая валидация вместе с энергокомпаниями и на операционных данных. Показанная карта — демонстрация континентального масштаба вывода модели, а не запись реального операционного события. При этом более ранняя информация о конкретных площадках могла бы помочь энергокомпаниям приоритизировать инженерную проверку и рассмотреть точечные защитные меры — например, пересмотр резервов реактивной мощности или временную перенастройку участков сети.

Работа связана с другими проектами Microsoft Research по ИИ для энергосистем: открытый конвейер данных о сетке дал реалистичные модели передачи США, а GridSFM применяет глубокое обучение к задаче оптимального потока мощности переменного тока для быстрого анализа сценариев.

Среди следующих шагов авторы называют четыре направления. Первое — расширить горизонт прогноза с помощью временных трансформеров, которые улавливают более длинные закономерности в данных о солнечном ветре и выходят за пределы нынешнего окна в 30–60 минут. Второе — масштабировать систему на другие регионы с учётом иной геологии и топологии сетей. Третье — оценить, как прогнозы могут встроиться в существующие процессы принятия решений и инженерной проверки, прежде чем говорить о более высокой автоматизации. Четвёртое — перейти от уровня подстанций к оценкам риска для конкретного критичного оборудования.

Работу выполнил Rohan Kannan во время летней стажировки в Microsoft Research; в публикации он описывает систему как прогноз риска космической погоды по 66 935 подстанциям континентальной части США. Отдельно он благодарит наставников Weiwei Yang и Spencer Fowers за сопровождение проекта.