Microsoft Research pronostica riesgos de clima espacial en redes eléctricas, pero los operadores aún necesitan pruebas

Microsoft Research ha desarrollado un sistema para pronosticar riesgos de clima espacial en redes eléctricas entre 30 y 60 minutos antes de que aparezcan peligros específicos. El proceso experimental estima el riesgo localizado en 66.935 subestaciones de los Estados Unidos continentales. Es un objetivo más preciso que una advertencia general de que se aproxima una tormenta geomagnética.

El sistema aborda una brecha persistente entre los pronósticos de clima espacial y las decisiones dentro de una sala de control de una empresa de servicios públicos. Los operadores necesitan saber qué ubicaciones afrontan la mayor presión, cuándo llegará y si se justifica tomar medidas de protección.

Microsoft afirma que su sistema detectó cerca del 80% de los eventos importantes durante la evaluación. Sin embargo, la empresa también reconoce que las empresas de servicios públicos deben validar el modelo con datos operativos antes de depender de él. La cuestión central ya no es si el aprendizaje automático puede producir un mapa continental de riesgos. Es si esas predicciones siguen siendo fiables durante tormentas poco frecuentes, cuando los errores tienen su mayor coste.

El pronóstico de riesgos de clima espacial en redes eléctricas se vuelve específico por ubicación

El principal avance de Microsoft es la conexión entre una perturbación solar entrante y una estimación de riesgo para una subestación individual.

El proceso de pronóstico de riesgos del 30 de septiembre de 2026 comienza con mediciones del viento solar desde el primer punto de Lagrange Sol-Tierra, conocido como L1. Este punto de observación se encuentra aguas arriba en el viento solar, lo que ofrece a los pronosticadores una breve visión de las condiciones que se desplazan hacia la Tierra.

El sistema pronostica dos medidas de actividad geomagnética. El índice de electrochorro auroral, o AE, registra la actividad magnética asociada con las corrientes eléctricas alrededor de la región auroral. El índice Disturbance Storm Time, o Dst, describe la intensidad de la corriente anular que rodea la Tierra durante una tormenta.

Esos indicadores globales no revelan el riesgo completo para un activo específico de la red. Por ello, Microsoft los combina con la latitud, la geología local, la conductividad del terreno y la infraestructura de red modelada. Después, un modelo de aumento de gradiente estima dB/dt, la velocidad a la que cambia con el tiempo el campo magnético local.

Esa velocidad importa porque los cambios magnéticos rápidos inducen campos eléctricos en el terreno. Estos campos pueden impulsar corrientes inducidas geomagnéticamente, o GIC, a través de equipos de transmisión conectados a tierra. Una GIC se comporta de forma muy similar a la corriente continua dentro de una red diseñada para corriente alterna.

El flujo resultante puede llevar el núcleo de un transformador a la saturación. Según la explicación federal sobre la saturación de transformadores, la saturación puede producir corrientes anómalas, problemas de tensión, calentamiento y una mayor demanda de potencia reactiva. Las condiciones severas pueden contribuir a daños en los equipos o interrupciones del servicio.

Esta cadena explica por qué una alerta general de tormenta tiene un valor operativo limitado. Dos subestaciones pueden afrontar exposiciones diferentes durante la misma tormenta porque difieren en latitud, geología, puesta a tierra y líneas de transmisión conectadas. La dirección también importa, ya que el campo eléctrico inducido interactúa con la orientación de las líneas.

El modelo de Microsoft intenta preservar esas diferencias locales mientras cubre un continente entero. Generó estimaciones para las 66.935 subestaciones en aproximadamente 333 milisegundos durante la inferencia medida. Esa velocidad permitiría a los analistas probar muchos escenarios sin esperar una simulación prolongada.

El resultado no es una medición directa de la corriente que fluye por cada transformador. Es una estimación modelada derivada de los cambios del campo magnético y de entradas específicas de cada ubicación. Esta distinción será importante cuando las empresas de servicios públicos evalúen si las advertencias son lo bastante precisas como para influir en las operaciones.

Aun así, el trabajo cambia la forma de un pronóstico de clima espacial de Microsoft. En lugar de detenerse en «se aproxima una tormenta fuerte», el proceso pregunta dónde es más probable que sus efectos en tierra se vuelvan peligrosos.

La ventana de advertencia es breve, pero tiene relevancia operativa

Entre treinta y 60 minutos no bastan para grandes obras, pero sí pueden respaldar decisiones operativas focalizadas.

La predicción del clima espacial tiene un problema de tiempo inevitable. Los pronosticadores pueden observar una erupción que abandona el Sol días antes de que llegue a la Tierra. Sin embargo, sus propiedades magnéticas más relevantes siguen siendo inciertas hasta que la perturbación se acerca a los instrumentos situados cerca de L1.

El viento solar también puede cambiar rápidamente. Su interacción con la magnetosfera terrestre depende de la velocidad, la densidad y la orientación magnética. Estas condiciones determinan con qué eficiencia entra energía en el entorno cercano a la Tierra.

La guía de NOAA indica que las mediciones cerca de L1 suelen proporcionar solo unos minutos de advertencia detallada antes de que las condiciones del viento solar alcancen la Tierra. Microsoft trabaja dentro de esa limitación física, no la elimina. Su contribución consiste en convertir esa advertencia limitada en estimaciones geográficamente específicas.

Un pronóstico útil podría ayudar a los operadores a revisar equipos expuestos, incrementar la atención sobre subestaciones seleccionadas o preparar ajustes específicos de la red. Microsoft identifica posibles medidas, como cambiar las reservas de potencia reactiva o reconfigurar temporalmente partes de la red.

Estas acciones no son triviales. Una respuesta conservadora puede generar costes, limitar transferencias y complicar las operaciones normales del sistema. No detectar un evento puede exponer los equipos a un estrés térmico y eléctrico inusual.

Esto crea un problema de decisión asimétrico. Las falsas alarmas pueden fomentar intervenciones innecesarias, mientras que los falsos negativos pueden dejar expuestos activos importantes. Por tanto, un sistema de advertencia útil debe ofrecer más que una tasa media de detección impresionante.

Debe comunicar confianza, tiempo, alcance geográfico y el umbral de severidad que se está pronosticando. También debe integrarse en los procedimientos existentes que definen quién puede actuar y bajo qué condiciones.

Los operadores norteamericanos ya trabajan bajo requisitos que abordan las perturbaciones geomagnéticas. La norma operativa aplicable exige planes, procesos y procedimientos destinados a reducir los efectos de esos eventos.

Ese marco existente ofrece a la investigación de Microsoft una posible vía hacia la práctica. El modelo no necesita sustituir las alertas oficiales ni los planes operativos. Podría convertirse en una capa adicional de decisión que ayude a las empresas de servicios públicos a dirigir la atención dentro de esos planes.

Sin embargo, los resultados de investigación y la autoridad operativa son cosas distintas. Un operador debe comprender el comportamiento de un modelo cuando fallan los sensores, las entradas llegan tarde o las condiciones de la tormenta quedan fuera de la distribución de entrenamiento.

La ventana de advertencia de 30 a 60 minutos hace que estos problemas sean más importantes. Los equipos no pueden dedicar la mayor parte de ese periodo a debatir si una predicción es fiable. Los procedimientos, umbrales y responsabilidades deben establecerse antes de que llegue la tormenta.

Por tanto, un pronóstico de clima espacial de Microsoft afrontaría tanto una prueba técnica como una institucional. Debe producir estimaciones locales precisas y luego entregarlas en una forma que los operadores capacitados puedan usar bajo presión de tiempo.

El modelo combina señales físicas con aprendizaje automático

La fortaleza del proceso proviene de combinar pronósticos globales de tormentas con las condiciones locales que determinan el riesgo a nivel del terreno.

Microsoft dividió el proceso de predicción en tres etapas. Primero, el sistema utiliza observaciones del viento solar para pronosticar AE y Dst. También prepara características geográficas y de conductividad para cada subestación modelada.

En segundo lugar, la etapa de aprendizaje automático combina esas entradas para estimar dB/dt. En tercer lugar, el proceso convierte esas predicciones en estimaciones de riesgo local y las agrega en una evaluación continental.

Se trata de un diseño centrado en mecanismos, en lugar de una única predicción opaca. Cada etapa corresponde a un paso físico entre la actividad solar y la exposición de la infraestructura. Esta estructura debería facilitar la investigación de errores frente a un único modelo que salta directamente de los datos del viento solar al riesgo para la red.

El proyecto utilizó datos públicos. Microsoft identificó registros del viento solar NASA OMNI, índices del Kyoto World Data Center, observaciones de INTERMAGNET, datos de magnetómetros del U.S. Geological Survey e información de infraestructura derivada de GridSFM.

La conductividad local es especialmente importante. La roca resistiva puede sostener campos geoeléctricos más fuertes que un terreno más conductor bajo una perturbación magnética comparable. Los límites costeros y las estructuras geológicas complejas pueden modificar aún más la respuesta.

El reciente mapeo de conductividad federal ilustra la escala de ese desafío. El United States Magnetotelluric Array recopiló datos en más de 1.800 estaciones entre 2006 y 2024.

Ese esfuerzo produjo un retrato eléctrico nacional de la corteza y el manto superior. Estas mediciones pueden revelar vulnerabilidades que supuestos de conductividad más simples y unidimensionales podrían sobrestimar o subestimar.

Las características de ubicación de Microsoft incorporan esta variación geográfica al sistema de pronóstico. También hacen más complicada la expansión más allá de los Estados Unidos continentales. Un modelo no puede simplemente reutilizar las mismas entradas locales en otro país con una geología y topología de red diferentes.

El proyecto también utilizó un sistema de 50 agentes de IA para explorar características, estrategias de validación y configuraciones de modelos. Ese detalle describe el flujo de trabajo de investigación, no el modelo de pronóstico que opera dentro de una empresa de servicios públicos.

La distinción importa porque el número de agentes no mide la calidad del pronóstico. La evidencia relevante procede del rendimiento en datos reservados, la detección de eventos, la comparación con líneas de base y la eventual validación frente a mediciones operativas.

Microsoft informó un error cuadrático medio de AE de 410,2 nanoteslas. El error cuadrático medio resume el tamaño típico de los errores de predicción y da mayor peso a los fallos grandes.

Para Dst, el error informado fue de 7,2 nanoteslas. Durante los periodos más activos de la evaluación de 2020 a 2026, Microsoft afirma que el modelo superó a la ecuación de Burton durante el 62,2% de las horas individuales.

La ecuación de Burton es un método empírico establecido para estimar el Dst durante tormentas a partir de entradas del viento solar. Superarla durante muchas horas activas es alentador, pero no resuelve todas las cuestiones operativas.

El rendimiento puede variar según la tormenta, la región, el umbral y el horizonte de pronóstico. Un modelo puede lograr un error agregado favorable y, aun así, pasar por alto un pequeño número de extremos peligrosos. Esos eventos de cola son los que más importan a los operadores de infraestructura.

El diseño escalonado del sistema ofrece una vía para diagnosticar esos fallos. Los investigadores pueden examinar si el error comenzó en el pronóstico del viento solar, los índices geomagnéticos, la estimación local de dB/dt o la conversión en riesgo para la infraestructura.

Las tasas de detección muestran potencial, no preparación operativa

Los resultados publicados establecen una señal de investigación creíble, pero todavía no demuestran una protección fiable de la red.

Microsoft evaluó la etapa final de riesgo en tres umbrales de dB/dt. La tasa de detección informada fue del 76,5% para eventos importantes de 10 nanoteslas por minuto o más. Alcanzó el 81,2% para eventos severos de 20 nanoteslas por minuto o más.

Para eventos extremos de 50 nanoteslas por minuto o más, la detección cayó al 64,1%. Esto significa que el modelo no detectó más de un tercio de los eventos de la categoría más extrema durante la evaluación informada.

Estas cifras no deben combinarse en una sola afirmación general de precisión. Cada umbral crea un subconjunto de evaluación diferente. La frecuencia de los eventos, el equilibrio entre clases, la ubicación y el momento pueden afectar a la tasa resultante.

Microsoft comparó la etapa de riesgo de GIC con una regresión lineal simple porque no encontró un sistema equivalente y ampliamente implantado que sirviera como referencia operativa directa. Esto hace que la comparación sea informativa, pero limitada.

Un modelo lineal puede probar si la estructura adicional de aprendizaje automático captura relaciones no lineales útiles. No demuestra que el sistema funcione mejor que todos los productos de previsión que ya utilizan las empresas de servicios públicos o los organismos gubernamentales.

NOAA ha operado versiones de su modelo Geospace durante años. Ese sistema basado en la física predice perturbaciones magnéticas regionales y respalda la conciencia situacional de los operadores de redes eléctricas.

Los dos enfoques no son sustitutos exactos. El sistema de NOAA modela la dinámica del geoespacio, mientras que la canalización de Microsoft conecta índices de previsión y características de ubicación con el riesgo modelado de las subestaciones. Pueden considerarse vías complementarias dentro del mismo problema de previsión.

Microsoft también informa de que añadir su predicción Dst a la previsión AE mejoró la detección de eventos graves en 1,2 puntos porcentuales. Esta mejora respalda el uso de múltiples indicadores físicos, aunque por sí sola no supone un cambio importante.

La cuestión más difícil es si las tasas de detección comunicadas se trasladan a las operaciones en tiempo real. Los conjuntos de datos históricos pueden contener lagunas, cobertura geográfica desigual y muy pocos ejemplos de las tormentas más raras.

Los investigadores también deben evitar la fuga de información, que ocurre cuando los datos de evaluación influyen indirectamente en el desarrollo del modelo. La publicación de Microsoft no ofrece detalles suficientes para que un lector externo reproduzca cada partición, umbral o condición de prueba.

Eso no invalida los resultados. Significa que la evidencia debe tratarse como un informe inicial de investigación, no como un registro de rendimiento replicado de forma independiente.

Los mapas actuales también son demostraciones, no registros de un evento operativo en directo. Microsoft afirma explícitamente que es necesaria una validación adicional con empresas de servicios públicos y datos operativos antes de su uso en la red.

Esa afirmación define el estándar adecuado. Prever los riesgos meteorológicos espaciales para las redes eléctricas requiere datos medidos de corriente, detalles de los activos y comentarios de los operadores que los conjuntos de datos públicos no pueden proporcionar por completo.

Las coordenadas de las subestaciones por sí solas no describen el diseño de los transformadores, la resistencia de puesta a tierra, el estado de la red ni la condición de los activos. Microsoft identifica el modelado a nivel de transformador como trabajo futuro, confirmando que el resultado actual carece de ciertos detalles específicos de los equipos.

También existe un riesgo de comunicación. Un mapa continental en colores puede parecer más certero que las estimaciones en las que se basa. Las pantallas operativas necesitan incertidumbre calibrada, marcas temporales claras, advertencias sobre la calidad de los datos y explicaciones de los cambios repentinos.

La investigación es más sólida cuando se entiende como un sistema de priorización. Puede identificar ubicaciones que justifican un análisis más detallado. No establece de forma independiente que un transformador concreto vaya a fallar.

La tormenta de mayo de 2024 muestra por qué importa la localización

La experiencia reciente demuestra que una sola tormenta geomagnética puede provocar fallos distintos en redes eléctricas, explotaciones agrícolas, satélites y sistemas de navegación.

La tormenta Gannon llegó a la Tierra entre el 10 y el 13 de mayo de 2024. Produjo las primeras condiciones geomagnéticas G5 en más de dos décadas y llevó las auroras mucho más allá de sus latitudes habituales.

Sus efectos fueron generalizados, pero desiguales. El análisis de NASA sobre la tormenta Gannon registró la desconexión de líneas de alta tensión, transformadores sobrecalentados, interrupciones en la guía de tractores y cambios en algunas rutas de vuelo.

Los tractores guiados por GPS en partes del Medio Oeste estadounidense se desviaron de su trayectoria o dejaron de funcionar. Estos fallos ocurrieron durante la temporada de siembra, cuando el posicionamiento preciso favorece unas operaciones agrícolas eficientes.

Otros sistemas experimentaron problemas diferentes. Los operadores de satélites gestionaron un mayor arrastre atmosférico, las señales de navegación se degradaron y algunas comunicaciones se volvieron menos fiables.

El registro de NASA sobre el evento indica que GOES-16 dejó de transmitir datos durante casi dos horas el 13 de mayo. También describe la degradación del servicio de Starlink y problemas eléctricos que afectaron a la nave Gaia de la Agencia Espacial Europea.

Sin embargo, la tormenta no provocó una emergencia eléctrica pública generalizada en Estados Unidos. Los informes gubernamentales señalaron irregularidades en la red sin un apagón importante a escala poblacional.

Ese contraste es fundamental para el análisis del impacto de la meteorología espacial en las redes eléctricas. Una perturbación planetaria grave no provoca daños uniformes. La infraestructura local, los controles de ingeniería, la geografía y las decisiones operativas determinan el resultado.

El colapso de Hydro-Québec de marzo de 1989 sigue siendo la advertencia histórica. Los rápidos cambios magnéticos indujeron corrientes que contribuyeron a un fallo de la red y dejaron sin electricidad a más de seis millones de personas.

Las empresas eléctricas modernas han mejorado la supervisión, las normas y los procedimientos operativos desde aquel evento. Sin embargo, las redes eléctricas también se han vuelto más interconectadas y dependientes de la sincronización por satélite, las comunicaciones digitales y la navegación precisa.

Esta combinación aumenta el valor de la localización. Una alerta continental puede indicar a los operadores que las condiciones son peligrosas. No puede identificar qué subestaciones merecen atención inmediata.

La canalización de Microsoft busca reducir esa brecha estimando dónde los cambios rápidos del campo magnético serán más relevantes. Su resultado para 66.935 ubicaciones ofrece mucho más detalle geográfico que una categoría nacional de tormenta.

Sin embargo, la tormenta de mayo de 2024 también demuestra por qué la evaluación no puede centrarse únicamente en la red eléctrica. El mismo evento solar puede afectar a la agricultura, la aviación, las naves espaciales, los enlaces de radio y los servicios de posicionamiento.

Esos sistemas generan dependencias. Los operadores de red utilizan servicios de comunicaciones y sincronización, mientras que los equipos de recuperación dependen del transporte y la navegación. Una previsión eléctrica localizada adquiere más valor cuando se combina con pronósticos para esos sistemas conectados.

El proyecto de Microsoft se centra actualmente en el riesgo de las subestaciones. No debe interpretarse como un modelo completo de todas las consecuencias económicas o de infraestructura.

Los sistemas futuros más sólidos probablemente conectarán varias capas. Combinarán la llegada de la tormenta, la respuesta magnética regional, la conductividad local, la topología de la red, las características de los activos y el estado operativo actual.

Es un objetivo exigente. La experiencia de mayo de 2024 demuestra por qué vale la pena perseguirlo y por qué un solo mapa impresionante no es suficiente.

Tres señales determinarán si las empresas eléctricas pueden utilizarlo

La siguiente fase debe sustituir los prometedores resultados retrospectivos por evidencia de nivel operativo para empresas eléctricas, estimaciones de incertidumbre y detalle a nivel de activo.

La primera señal es la validación con datos medidos de GIC y datos operativos de las empresas eléctricas. Microsoft debe comprobar si los valores altos previstos de dB/dt se alinean con las corrientes observadas en transformadores conectados a tierra durante múltiples tormentas.

Esta validación debería incluir distintas regiones, configuraciones geológicas, configuraciones de red e intensidades de tormenta. Una fuerte concordancia respaldaría las clasificaciones de riesgo local del modelo. Una concordancia débil revelaría características ausentes de la red o de la conductividad.

Las empresas eléctricas también deberían examinar por separado las falsas alarmas y los eventos no detectados. Un modelo que detecta la mayoría de las tormentas pero identifica repetidamente las ubicaciones equivocadas tendrá un valor operativo limitado.

La segunda señal es el paso de resultados a nivel de subestación al riesgo a nivel de transformador. Microsoft afirma que quiere añadir características de los activos para que las previsiones puedan distinguir entre equipos dentro del mismo sitio.

Ese trabajo requeriría información que a menudo es sensible o no está disponible en conjuntos de datos públicos. La construcción del transformador, la puesta a tierra, la carga, los ajustes de protección y la conectividad de la red pueden afectar a la corriente que experimenta un activo.

Por tanto, las asociaciones con empresas eléctricas serán tan importantes como un mayor desarrollo del modelo. Sin esos detalles, el sistema seguirá siendo una herramienta de evaluación geográfica, no un sistema de protección de equipos.

La tercera señal es la integración con los flujos de trabajo establecidos de previsión y operación. Los investigadores deberían comprobar si el resultado mejora las decisiones cuando se utiliza junto a alertas oficiales, mapas de campos geoeléctricos y procedimientos existentes.

Un piloto exitoso definiría los umbrales de alerta antes de un evento. Documentaría qué acciones están disponibles, quién las aprueba y cómo la incertidumbre afecta a la respuesta.

La integración también necesita resiliencia. El sistema debería informar de datos de entrada obsoletos, observaciones faltantes y menor confianza en las previsiones. Los operadores necesitan una alternativa segura cuando falla un sensor o una fuente de datos.

Los horizontes de previsión más largos atraerán atención, pero no deberían convertirse en la única medida de progreso. Más tiempo de aviso tiene poco valor si la incertidumbre crece demasiado rápido o las predicciones locales se vuelven poco fiables.

Microsoft ha propuesto métodos de transformadores temporales para aprender patrones más largos en los datos del viento solar. También quiere expandirse internacionalmente y conectar las previsiones con el análisis de flujo de potencia mediante GridSFM.

Estas direcciones tienen sentido desde el punto de vista técnico. Cada una también añade una nueva carga de validación. Otro país traerá una geología, modelos de red, regulaciones y calidad de datos diferentes.

Por ahora, la previsión de riesgos de meteorología espacial para redes eléctricas se considera mejor como un avance de investigación creíble con una brecha de despliegue claramente definida. La canalización es rápida, geográficamente detallada y se basa en señales físicas relevantes.

Su resultado más importante no es afirmar que el aprendizaje automático haya resuelto el riesgo geomagnético. Es demostrar que las alertas generales de tormentas pueden traducirse en miles de estimaciones locales en cuestión de segundos.

La próxima tormenta proporcionará otra prueba exigente. ¿Coincidirán los puntos críticos previstos con las corrientes medidas y encontrarán los operadores la advertencia con suficiente antelación para actuar? Esas respuestas determinarán si el sistema de Microsoft sigue siendo un prototipo de investigación o pasa a formar parte de la defensa de la red eléctrica.