Microsoft Research prévoit les risques liés à la météo spatiale sur les réseaux électriques, mais les opérateurs ont encore besoin de preuves

Microsoft Research a conçu un système capable de prévoir les risques liés à la météo spatiale sur les réseaux électriques 30 à 60 minutes avant l’apparition de dangers précis. Ce pipeline expérimental estime le risque localisé dans 66 935 postes électriques des États-Unis continentaux. C’est une cible plus précise qu’un simple avertissement général annonçant l’approche d’une tempête géomagnétique.

Le système cherche à combler un écart persistant entre les prévisions de météo spatiale et les décisions prises dans une salle de contrôle d’un service public. Les opérateurs doivent savoir quels sites subiront les contraintes les plus fortes, à quel moment elles se produiront et si une mesure de protection est justifiée.

Microsoft affirme que son système a détecté près de 80 % des événements majeurs lors de son évaluation. L’entreprise reconnaît toutefois que les services publics doivent valider le modèle à l’aide de données opérationnelles avant de s’y fier. La question centrale n’est plus de savoir si l’apprentissage automatique peut produire une carte des risques à l’échelle continentale. Elle est de déterminer si ces prévisions restent fiables lors de tempêtes rares, lorsque les erreurs ont le coût le plus élevé.

La prévision des risques liés à la météo spatiale sur les réseaux électriques devient spécifique à chaque lieu

La principale avancée de Microsoft réside dans le lien établi entre une perturbation solaire entrante et une estimation du risque pour un poste électrique individuel.

Le pipeline de prévision des risques du 30 septembre 2026 commence par des mesures du vent solaire recueillies au premier point de Lagrange Soleil-Terre, appelé L1. Ce point d’observation se situe en amont dans le vent solaire, offrant aux prévisionnistes une courte fenêtre sur les conditions se dirigeant vers la Terre.

Le système prévoit deux mesures de l’activité géomagnétique. L’indice Auroral Electrojet, ou AE, suit l’activité magnétique associée aux courants électriques autour de la région aurorale. L’indice Disturbance Storm Time, ou Dst, décrit l’intensité du courant annulaire entourant la Terre pendant une tempête.

Ces indicateurs mondiaux ne révèlent pas le risque complet pour un équipement particulier du réseau. Microsoft les associe donc à la latitude, à la géologie locale, à la conductivité du sol et à une modélisation des infrastructures du réseau. Un modèle de gradient boosting estime ensuite le dB/dt, soit la vitesse à laquelle le champ magnétique local évolue au fil du temps.

Cette vitesse est importante, car des changements magnétiques rapides induisent des champs électriques dans le sol. Ces champs peuvent générer des courants géomagnétiquement induits, ou GIC, dans les équipements de transport mis à la terre. Un GIC se comporte un peu comme du courant continu au sein d’un réseau conçu pour le courant alternatif.

Le flux résultant peut pousser le noyau d’un transformateur vers la saturation. Selon l’explication fédérale de la saturation des transformateurs, la saturation peut provoquer des courants anormaux, des problèmes de tension, un échauffement et une demande accrue de puissance réactive. Des conditions sévères peuvent contribuer à endommager les équipements ou à perturber le service.

Cette chaîne explique pourquoi une alerte générale de tempête offre une valeur opérationnelle limitée. Deux postes électriques peuvent subir des expositions différentes lors d’une même tempête, car leur latitude, leur géologie, leur mise à la terre et les lignes de transport auxquelles ils sont connectés diffèrent. L’orientation compte également, car le champ électrique induit interagit avec la direction des lignes.

Le modèle de Microsoft tente de préserver ces différences locales tout en couvrant un continent entier. Il a généré des estimations pour l’ensemble des 66 935 postes électriques en environ 333 millisecondes lors de l’inférence mesurée. Cette rapidité permettrait aux analystes de tester de nombreux scénarios sans attendre une longue simulation.

Le résultat n’est pas une mesure directe du courant circulant dans chaque transformateur. Il s’agit d’une estimation modélisée, dérivée des variations du champ magnétique et d’entrées propres à chaque lieu. Cette distinction comptera lorsque les services publics évalueront si les avertissements sont suffisamment précis pour influencer les opérations.

Pour autant, ces travaux transforment la forme d’une prévision de météo spatiale de Microsoft. Au lieu de s’arrêter à « une forte tempête arrive », le pipeline demande où ses effets au sol sont les plus susceptibles de devenir dangereux.

La fenêtre d’avertissement est courte, mais opérationnellement significative

Trente à 60 minutes ne suffisent pas pour de grands travaux, mais peuvent appuyer des décisions opérationnelles ciblées.

La prévision de la météo spatiale se heurte à un problème de calendrier inévitable. Les prévisionnistes peuvent observer une éruption quittant le Soleil plusieurs jours avant son arrivée sur Terre. Toutefois, ses propriétés magnétiques les plus déterminantes restent incertaines jusqu’à ce que la perturbation approche les instruments situés près de L1.

Le vent solaire peut également évoluer rapidement. Son interaction avec la magnétosphère terrestre dépend de sa vitesse, de sa densité et de son orientation magnétique. Ces conditions déterminent l’efficacité avec laquelle l’énergie pénètre dans l’environnement proche de la Terre.

Les recommandations de la NOAA indiquent que les mesures près de L1 ne fournissent généralement que quelques minutes d’avertissement détaillé avant que les conditions du vent solaire n’atteignent la Terre. Microsoft travaille dans le cadre de cette contrainte physique, sans l’éliminer. Sa contribution consiste à transformer cet avertissement limité en estimations géographiquement précises.

Une prévision utile pourrait aider les opérateurs à examiner les équipements exposés, à renforcer leur attention sur certains postes électriques ou à préparer des ajustements ciblés du réseau. Microsoft cite des mesures possibles, comme la modification des réserves de puissance réactive ou la reconfiguration temporaire de certaines parties du réseau.

Ces mesures ne sont pas anodines. Une réponse prudente peut engendrer des coûts, limiter les transferts et compliquer les opérations normales du système. Un événement manqué peut exposer les équipements à des contraintes thermiques et électriques inhabituelles.

Cela crée un problème de décision asymétrique. Les fausses alertes peuvent encourager des interventions inutiles, tandis que les faux négatifs peuvent laisser des actifs importants exposés. Un système d’alerte utile doit donc offrir davantage qu’un taux de détection moyen impressionnant.

Il doit communiquer le niveau de confiance, le calendrier, l’étendue géographique et le seuil de gravité prévu. Il doit aussi s’intégrer aux procédures existantes qui définissent qui peut agir et dans quelles conditions.

Les opérateurs nord-américains travaillent déjà selon des exigences portant sur les perturbations géomagnétiques. La norme d’exploitation applicable impose des plans, processus et procédures destinés à réduire les effets de tels événements.

Ce cadre existant offre aux recherches de Microsoft une voie possible vers la pratique. Le modèle n’a pas besoin de remplacer les alertes officielles ni les plans d’exploitation. Il pourrait devenir une couche décisionnelle supplémentaire aidant les services publics à orienter leur attention dans le cadre de ces plans.

Cependant, un résultat de recherche et une autorité opérationnelle sont deux choses différentes. Un opérateur doit comprendre le comportement d’un modèle lorsque les capteurs tombent en panne, que les données arrivent en retard ou que les conditions de tempête sortent de la distribution d’entraînement.

La fenêtre d’avertissement de 30 à 60 minutes rend ces enjeux encore plus importants. Les équipes ne peuvent pas consacrer l’essentiel de cette période à débattre de la fiabilité d’une prévision. Les procédures, les seuils et les responsabilités doivent être établis avant l’arrivée de la tempête.

Une prévision de météo spatiale de Microsoft serait donc confrontée à la fois à une épreuve technique et institutionnelle. Elle doit produire des estimations locales précises, puis les fournir sous une forme que des opérateurs formés peuvent utiliser sous pression temporelle.

Le modèle combine signaux physiques et apprentissage automatique

La force du pipeline tient à l’association de prévisions globales de tempête et de conditions locales qui façonnent le risque au niveau du sol.

Microsoft a divisé le processus de prédiction en trois étapes. Premièrement, le système utilise les observations du vent solaire pour prévoir AE et Dst. Il prépare également des caractéristiques géographiques et de conductivité pour chaque poste électrique modélisé.

Deuxièmement, l’étape d’apprentissage automatique combine ces données pour estimer le dB/dt. Troisièmement, le pipeline convertit ces prédictions en estimations de risque local et les agrège en une évaluation continentale.

Il s’agit d’une conception centrée sur les mécanismes, plutôt que d’une prédiction opaque unique. Chaque étape correspond à une phase physique entre l’activité solaire et l’exposition des infrastructures. Cette structure devrait faciliter l’analyse des erreurs par rapport à un modèle qui passerait directement des données du vent solaire au risque pour le réseau.

Le projet a utilisé des données publiques. Microsoft a identifié les relevés de vent solaire NASA OMNI, les indices du Kyoto World Data Center, les observations INTERMAGNET, les données de magnétomètres de l’U.S. Geological Survey et des informations sur les infrastructures dérivées de GridSFM.

La conductivité locale est particulièrement importante. Une roche résistive peut soutenir des champs géoélectriques plus forts qu’un sol plus conducteur sous une perturbation magnétique comparable. Les frontières côtières et les structures géologiques complexes peuvent encore modifier la réponse.

La récente cartographie de la conductivité menée par les autorités fédérales illustre l’ampleur de ce défi. Le réseau magnétotellurique des États-Unis a recueilli des données sur plus de 1 800 stations entre 2006 et 2024.

Cet effort a produit un portrait électrique national de la croûte terrestre et du manteau supérieur. De telles mesures peuvent révéler des vulnérabilités que des hypothèses de conductivité unidimensionnelles plus simples risqueraient de surestimer ou de sous-estimer.

Les caractéristiques géographiques de Microsoft intègrent cette variation dans le système de prévision. Elles compliquent également l’extension au-delà des États-Unis continentaux. Un modèle ne peut pas simplement réutiliser les mêmes entrées locales dans un autre pays doté d’une géologie et d’une topologie de réseau différentes.

Le projet a également utilisé un système de 50 agents d’IA pour explorer les caractéristiques, les stratégies de validation et les configurations de modèles. Ce détail décrit le flux de travail de recherche, et non le modèle de prévision fonctionnant au sein d’un service public.

Cette distinction importe, car le nombre d’agents ne mesure pas la qualité d’une prévision. Les éléments probants importants proviennent des performances sur des données non utilisées pour l’entraînement, de la détection d’événements, de la comparaison avec des références et, à terme, de la validation face à des mesures opérationnelles.

Microsoft a signalé une erreur quadratique moyenne AE de 410,2 nanoteslas. L’erreur quadratique moyenne résume l’ampleur typique des erreurs de prédiction tout en accordant davantage de poids aux écarts importants.

Pour Dst, l’erreur signalée était de 7,2 nanoteslas. Durant les périodes les plus actives de l’évaluation de 2020 à 2026, Microsoft affirme que le modèle a surpassé l’équation de Burton pendant 62,2 % des heures individuelles.

L’équation de Burton est une méthode empirique établie pour estimer le Dst en période de tempête à partir des données du vent solaire. La surpasser pendant de nombreuses heures actives est encourageant, mais cela ne résout pas toutes les questions opérationnelles.

Les performances peuvent varier selon la tempête, la région, le seuil et l’horizon de prévision. Un modèle peut obtenir une erreur agrégée favorable tout en manquant un petit nombre d’extrêmes dangereux. Ces événements de queue de distribution sont ceux qui comptent le plus pour les opérateurs d’infrastructures.

La conception par étapes du système offre un moyen de diagnostiquer ces échecs. Les chercheurs peuvent examiner si l’erreur a commencé dans la prévision du vent solaire, les indices géomagnétiques, l’estimation locale du dB/dt ou la conversion en risque pour les infrastructures.

Les taux de détection sont prometteurs, mais ne signifient pas une préparation opérationnelle

Les résultats publiés établissent un signal de recherche crédible, mais ne démontrent pas encore une protection fiable du réseau.

Microsoft a évalué l’étape finale de risque à trois seuils de dB/dt. Le taux de détection signalé était de 76,5 % pour les événements majeurs atteignant ou dépassant 10 nanoteslas par minute. Il atteignait 81,2 % pour les événements sévères atteignant ou dépassant 20 nanoteslas par minute.

Pour les événements extrêmes atteignant ou dépassant 50 nanoteslas par minute, la détection est tombée à 64,1 %. Cela signifie que le modèle a manqué plus d’un tiers des événements de la catégorie la plus extrême durant l’évaluation signalée.

Ces chiffres ne doivent pas être regroupés en une seule affirmation générale sur la précision. Chaque seuil crée un sous-ensemble d’évaluation différent. La fréquence des événements, l’équilibre des classes, le lieu et le moment peuvent tous influencer le taux obtenu.

Microsoft a comparé le stade de risque GIC à une simple régression linéaire, car l’entreprise n’a trouvé aucun système équivalent largement déployé permettant une référence opérationnelle directe. Cette comparaison est donc informative, mais limitée.

Un modèle linéaire peut vérifier si la structure supplémentaire d’apprentissage automatique capture des relations non linéaires utiles. Il ne démontre pas que le système surpasse tous les produits de prévision déjà utilisés par les services publics ou les agences gouvernementales.

NOAA exploite depuis des années différentes versions de son modèle Geospace. Ce système fondé sur la physique prévoit les perturbations magnétiques régionales et contribue à la connaissance de la situation pour les opérateurs de réseaux électriques.

Les deux approches ne sont pas des substituts exacts. Le système de NOAA modélise la dynamique géospatiale, tandis que le pipeline de Microsoft relie des indices de prévision et des caractéristiques géographiques à un risque modélisé au niveau des sous-stations. Elles peuvent être considérées comme des voies complémentaires pour aborder le même problème de prévision.

Microsoft indique également que l’ajout de sa prédiction Dst à la prévision AE a amélioré la détection des événements graves de 1,2 point de pourcentage. Ce gain soutient l’utilisation de plusieurs indicateurs physiques, même s’il ne constitue pas à lui seul un changement majeur.

La question plus difficile est de savoir si les taux de détection rapportés se transposent aux opérations en direct. Les jeux de données historiques peuvent comporter des lacunes, une couverture géographique inégale et très peu d’exemples des tempêtes les plus rares.

Les chercheurs doivent également prévenir les fuites d’information, qui se produisent lorsque les données d’évaluation influencent indirectement le développement du modèle. Le billet de Microsoft ne fournit pas suffisamment de détails pour qu’un lecteur extérieur puisse reproduire chaque répartition, seuil ou condition de test.

Cela n’invalide pas les résultats. Cela signifie que les éléments de preuve doivent être considérés comme un premier rapport de recherche, plutôt que comme un bilan de performances reproduit de manière indépendante.

Les cartes actuelles sont également des démonstrations, et non des relevés issus d’un événement opérationnel en direct. Microsoft affirme explicitement qu’une validation supplémentaire avec les services publics et des données opérationnelles est nécessaire avant toute utilisation sur le réseau.

Cette déclaration définit la norme appropriée. La prévision des risques météorologiques spatiaux pour les réseaux électriques exige des données de courant mesurées, des détails sur les actifs et les retours des opérateurs que les jeux de données publics ne peuvent pas fournir intégralement.

Les seules coordonnées des sous-stations ne décrivent ni la conception des transformateurs, ni la résistance de mise à la terre, ni l’état du réseau, ni l’état des équipements. Microsoft identifie la modélisation au niveau des transformateurs comme un travail futur, confirmant que la sortie actuelle manque de certains détails propres aux équipements.

Il existe aussi un risque de communication. Une carte continentale colorée peut sembler plus certaine que les estimations qui la sous-tendent. Les affichages opérationnels nécessitent une incertitude calibrée, des horodatages clairs, des avertissements sur la qualité des données et des explications en cas de changements soudains.

La recherche est la plus solide lorsqu’elle est comprise comme un système de priorisation. Elle peut identifier les emplacements qui méritent une analyse plus approfondie. Elle n’établit pas de manière indépendante qu’un transformateur particulier tombera en panne.

La tempête de mai 2024 montre pourquoi la localisation compte

L’expérience récente montre qu’une même tempête géomagnétique peut provoquer des défaillances différentes selon les réseaux, les exploitations agricoles, les satellites et les systèmes de navigation.

La tempête Gannon a atteint la Terre entre le 10 et le 13 mai 2024. Elle a produit les premières conditions géomagnétiques G5 depuis plus de deux décennies et a poussé les aurores bien au-delà de leurs latitudes habituelles.

Ses effets ont été étendus, mais inégaux. Le bilan de NASA sur la tempête Gannon a recensé des lignes à haute tension déclenchées, des transformateurs surchauffés, des perturbations du guidage des tracteurs et des modifications de certaines routes aériennes.

Des tracteurs guidés par GPS dans certaines régions du Midwest américain ont dévié de leur trajectoire ou cessé de fonctionner. Ces défaillances sont survenues pendant la saison des semis, lorsque le positionnement précis favorise l’efficacité des opérations agricoles.

D’autres systèmes ont rencontré des problèmes différents. Les opérateurs de satellites ont dû gérer une hausse de la traînée atmosphérique, les signaux de navigation se sont dégradés et certaines communications sont devenues moins fiables.

Le relevé de NASA indique que GOES-16 a cessé de transmettre des données pendant près de deux heures le 13 mai. Il décrit également une dégradation du service Starlink et des problèmes électriques touchant le vaisseau spatial Gaia de l’Agence spatiale européenne.

Pourtant, la tempête n’a pas provoqué de vaste urgence électrique publique aux États-Unis. Les rapports gouvernementaux ont signalé des irrégularités sur le réseau, sans panne majeure touchant la population.

Ce contraste est au cœur de l’analyse des impacts de la météo spatiale sur les réseaux électriques. Une perturbation planétaire grave ne produit pas des dommages uniformes. Les infrastructures locales, les protections d’ingénierie, la géographie et les décisions opérationnelles façonnent le résultat.

L’effondrement du réseau Hydro-Québec en mars 1989 reste l’avertissement historique. Des changements magnétiques rapides ont induit des courants qui ont contribué à une défaillance du réseau, privant d’électricité plus de six millions de personnes.

Les services publics modernes ont amélioré leur surveillance, leurs normes et leurs procédures opérationnelles depuis cet événement. Toutefois, les réseaux électriques sont aussi devenus plus interconnectés et plus dépendants de la synchronisation par satellite, des communications numériques et de la navigation de précision.

Cette combinaison renforce la valeur de la localisation. Une alerte continentale peut indiquer aux opérateurs que les conditions sont dangereuses. Elle ne peut pas identifier quelles sous-stations exigent une attention immédiate.

Le pipeline de Microsoft vise à réduire cet écart en estimant les endroits où les changements rapides du champ magnétique deviendront les plus pertinents. Sa sortie couvrant 66 935 emplacements fournit bien davantage de détails géographiques qu’une catégorie nationale de tempête.

Toutefois, la tempête de mai 2024 montre également pourquoi l’évaluation ne peut pas se concentrer uniquement sur le réseau électrique. Le même événement solaire peut affecter l’agriculture, l’aviation, les engins spatiaux, les liaisons radio et les services de positionnement.

Ces systèmes créent des dépendances. Les opérateurs de réseau utilisent les services de communication et de synchronisation, tandis que les équipes de rétablissement dépendent des transports et de la navigation. Une prévision électrique localisée gagne en valeur lorsqu’elle est combinée à des prévisions pour ces systèmes connectés.

Le projet de Microsoft se concentre actuellement sur le risque au niveau des sous-stations. Il ne doit pas être interprété comme un modèle complet de chaque conséquence économique ou infrastructurelle.

Les systèmes futurs les plus solides relieront probablement plusieurs couches. Ils combineront l’arrivée des tempêtes, la réponse magnétique régionale, la conductivité locale, la topologie du réseau, les caractéristiques des actifs et l’état opérationnel actuel.

C’est un objectif exigeant. L’expérience de mai 2024 montre pourquoi il mérite d’être poursuivi et pourquoi une seule carte impressionnante ne suffit pas.

Trois signaux détermineront si les services publics peuvent l’utiliser

La prochaine phase doit remplacer des résultats rétrospectifs prometteurs par des preuves de niveau service public, des estimations d’incertitude et des détails au niveau des actifs.

Le premier signal est la validation à l’aide de données GIC mesurées et de données opérationnelles de services publics. Microsoft doit vérifier si les valeurs élevées de dB/dt prédites correspondent aux courants observés dans les transformateurs mis à la terre lors de plusieurs tempêtes.

Cette validation doit inclure différentes régions, configurations géologiques, configurations de réseau et intensités de tempête. Une forte concordance soutiendrait les classements locaux de risque du modèle. Une faible concordance révélerait des caractéristiques manquantes du réseau ou de la conductivité.

Les services publics devraient également examiner séparément les fausses alertes et les événements manqués. Un modèle qui détecte la plupart des tempêtes mais identifie à plusieurs reprises les mauvais emplacements aura une valeur opérationnelle limitée.

Le deuxième signal est le passage d’une sortie au niveau des sous-stations à un risque au niveau des transformateurs. Microsoft indique vouloir ajouter les caractéristiques des actifs afin que les prévisions puissent distinguer les équipements situés sur un même site.

Ce travail nécessiterait des informations souvent sensibles ou indisponibles dans les jeux de données publics. La construction des transformateurs, la mise à la terre, la charge, les réglages de protection et la connectivité du réseau peuvent influencer le courant subi par un actif.

Les partenariats avec les services publics compteront donc autant que le développement supplémentaire du modèle. Sans ces détails, le système reste un outil de filtrage géographique plutôt qu’un système de protection des équipements.

Le troisième signal est l’intégration aux flux de travail établis de prévision et d’exploitation. Les chercheurs devraient vérifier si la sortie améliore les décisions lorsqu’elle est utilisée aux côtés des alertes officielles, des cartes de champ géoélectrique et des procédures existantes.

Un projet pilote réussi définirait les seuils d’alerte avant un événement. Il documenterait les actions disponibles, les personnes qui les approuvent et la manière dont l’incertitude affecte la réponse.

L’intégration doit aussi être résiliente. Le système devrait signaler les entrées obsolètes, les observations manquantes et une confiance de prévision dégradée. Les opérateurs ont besoin d’une solution de repli sûre lorsqu’un capteur ou un flux de données tombe en panne.

Des horizons de prévision plus longs attireront l’attention, mais ils ne doivent pas devenir l’unique mesure des progrès. Un délai d’alerte accru a peu de valeur si l’incertitude augmente trop vite ou si les prévisions locales deviennent peu fiables.

Microsoft a proposé des méthodes de transformeurs temporels pour apprendre des schémas plus longs dans les données de vent solaire. L’entreprise souhaite aussi s’étendre à l’international et relier les prévisions à l’analyse des flux de puissance via GridSFM.

Ces orientations sont techniquement cohérentes. Chacune ajoute aussi une nouvelle charge de validation. Un autre pays présentera une géologie, des modèles de réseau, des réglementations et une qualité de données différents.

Pour l’instant, la prévision des risques météorologiques spatiaux pour les réseaux électriques doit être considérée comme une avancée crédible de la recherche, avec un écart de déploiement clairement établi. Le pipeline est rapide, détaillé géographiquement et fondé sur des signaux physiques pertinents.

Son résultat le plus important n’est pas l’affirmation que l’apprentissage automatique a résolu le risque géomagnétique. Il s’agit de démontrer que de larges avertissements de tempête peuvent être traduits en milliers d’estimations locales en quelques secondes.

La prochaine tempête offrira un autre test exigeant. Les points chauds prédits correspondront-ils aux courants mesurés, et les opérateurs recevront-ils l’alerte suffisamment tôt pour agir ? Les réponses détermineront si le système de Microsoft demeure un prototype de recherche ou devient un élément de la défense des réseaux électriques.