微软研究院：用机器学习预测电网空间天气风险

用途与变化

据微软研究院官方博客，该项目构建了一套端到端机器学习流水线，用于预测空间天气对电网的地磁感应电流（GIC）风险。系统以L1拉格朗日点的太阳风测量为输入，先预报极光电集流（AE）和地磁暴时（Dst）指数，再结合变电站的纬度、地质电导率与电网基础设施数据，估计磁场变化率dB/dt，最终输出美国本土66,935座变电站的位置级风险估计与大陆尺度风险汇总。

方法与评估要点

• 采用梯度提升模型融合预报指数与局地特征；AE预报在2020—2026评估期内覆盖较宽的观测活动范围，Dst预报在多数高活跃小时优于Burton方程（来源称62.2%），并提升严重事件检测1.2个百分点。
• GIC风险阶段缺乏成熟运行基线，故与简单线性回归比较：主要事件（≥10 nT/min）检出率76.5%，严重事件（≥20 nT/min）81.2%，极端事件（≥50 nT/min）64.1%；虚警率随风暴强度上升，高纬站点检出率更高。
• 来源称推理时全部变电站估计约需333毫秒，可快速评估多情景。

适用场景

面向电网规划与运行人员的风险筛查：在空间天气事件发生前识别可能受影响的区域，为工程审查、无功储备调整或网络重构等针对性措施提供参考。

限制与待核实

• 来源明确该系统尚未用于电网实际运行，需与电力公司和运行数据进一步验证后才可考虑部署。
• 评估结果基于公开数据，缺乏业界对标的运行系统；风险图示例为情景演示，并非实时运行事件记录。
• 该工作为实习生项目，涉及AI智能体辅助特征与模型探索，具体方法与复现细节需查阅原文。