Microsoft Research 正在预测太空天气对电网的风险，但运营商仍需验证
Microsoft Research 构建了一套系统，可在特定风险出现前 30 至 60 分钟预测太空天气对电网的风险。这一实验性流程可评估美国本土 66,935 座变电站的本地化风险。这比仅仅提示地磁暴正在逼近更具针对性。
该系统旨在填补太空天气预测与公用事业控制室决策之间长期存在的缺口。运营人员需要了解哪些地点面临最大压力、压力何时到来，以及是否有必要采取保护措施。
Microsoft 表示，该系统在评估期间检测到了近 80% 的重大事件。但该公司也承认，公用事业机构在依赖该模型之前，必须使用运营数据对其进行验证。核心问题已不再是机器学习能否生成覆盖全大陆的风险地图，而是这些预测在罕见风暴期间能否保持可靠——因为此时失误的代价最高。
对电网太空天气风险的预测变得更具位置针对性
Microsoft 的主要进展在于，将即将到来的太阳扰动与单个变电站的风险估计联系起来。
2026 年 9 月 30 日发布的风险预测流程以第一太阳—地球拉格朗日点（L1）的太阳风测量数据为起点。这一观测点位于太阳风上游，使预测人员能够提前短暂观察正向地球移动的环境条件。
该系统预测两项地磁活动指标。极光电集流指数（AE）追踪与极光区域周围电流相关的磁活动。扰动风暴时间指数（Dst）则描述风暴期间环绕地球的环电流强度。
这些全球指标无法完整揭示特定电网资产面临的风险。因此，Microsoft 将其与纬度、当地地质条件、地面电导率以及建模的电网基础设施相结合。随后，梯度提升模型估计 dB/dt，即当地磁场随时间变化的速率。
这一变化速率之所以重要，是因为快速的磁场变化会在地面感应出电场。这些电场可通过接地输电设备驱动地磁感应电流（GIC）。GIC 的行为很像在为交流电设计的网络中流动的直流电。
由此产生的电流可能使变压器铁芯进入饱和状态。根据联邦机构对变压器饱和的说明，饱和可能导致异常电流、电压问题、发热以及更高的无功功率需求。严重情况下，可能造成设备损坏或服务中断。
这条因果链解释了为何笼统的风暴警报在运营层面的价值有限。同一场风暴期间，两座变电站可能面临不同程度的暴露风险，因为其纬度、地质条件、接地方式和相连输电线路各不相同。方向同样重要，因为感应电场会与线路走向相互作用。
Microsoft 的模型试图在覆盖整个大陆的同时保留这些本地差异。在测量推理中，它可在约 333 毫秒内为全部 66,935 座变电站生成估计结果。这一速度可让分析人员测试大量情景，而无需等待漫长的仿真过程。
其输出并非直接测量流经每台变压器的电流，而是基于磁场变化和位置特定输入得出的建模估计。这一区别将在公用事业机构评估预警是否足够准确、能否影响运营时变得重要。
不过，这项工作改变了 Microsoft 太空天气预测的形式。流程不再止于“强风暴即将到来”，而是进一步探究其地面效应最可能在哪些地区演变为危险。
预警窗口很短，但在运营上具有意义
30 至 60 分钟不足以开展重大建设工作，却足以支持聚焦的运营决策。
太空天气预测存在不可避免的时间难题。预测人员可在日冕喷发离开太阳后、抵达地球前数天观测到它。然而，最具后果性的磁学特性，直到扰动接近 L1 附近的仪器时才会逐渐明确。
太阳风也可能迅速变化。它与地球磁层的相互作用取决于速度、密度和磁场方向。这些条件决定能量进入近地环境的效率。
NOAA 指引称，L1 附近的测量通常只能在太阳风条件抵达地球前提供数分钟的详细预警。Microsoft 是在这一物理限制内开展工作，而非消除它。其贡献在于，将有限的预警转化为具有地理针对性的估计。
一项有用的预测可帮助运营人员检查暴露设备、加强对特定变电站的关注，或准备有针对性的网络调整。Microsoft 提出了一些可能措施，例如调整无功功率储备，或暂时重构网络的部分区域。
这些措施并不简单。保守的应对可能产生成本、限制输电，并使正常系统运行更加复杂。漏报事件则可能使重要设备暴露于异常的热应力和电应力之下。
这构成了一个非对称的决策问题。误报可能促成不必要的干预，而漏报则可能使重要资产失去保护。因此，有用的预警系统必须提供的不只是亮眼的平均检出率。
它还必须传达置信度、时间安排、地理范围以及所预测的严重程度阈值。它也必须融入既有程序，明确谁能够采取行动，以及在何种条件下行动。
北美运营商已在遵守应对地磁扰动的相关要求。适用的运行标准要求制定计划、流程和程序，以降低此类事件的影响。
这一既有框架为 Microsoft 的研究提供了一条可能走向实践的路径。该模型无需取代官方警报或运行计划；它可以成为额外的决策层，帮助公用事业机构在这些计划中更精准地配置注意力。
不过，研究输出与运营授权是两回事。运营人员必须了解，当传感器失效、输入延迟到达，或风暴条件超出训练分布时，模型会如何表现。
30 至 60 分钟的预警窗口使这些问题更加重要。团队无法把大部分时间都花在讨论某项预测是否可信上。程序、阈值和问责机制必须在风暴到来前就已确立。
因此，Microsoft 的太空天气预测将面临技术和制度两方面的考验。它既必须产生准确的本地估计，也必须以训练有素的运营人员能在时间压力下使用的形式交付。
该模型将物理信号与机器学习相结合
该流程的优势来自于将全球风暴预测与决定地面风险的本地条件相结合。
Microsoft 将预测过程分为三个阶段。首先，系统利用太阳风观测数据预测 AE 和 Dst，同时为每座建模变电站准备地理和电导率特征。
其次，机器学习阶段结合这些输入来估计 dB/dt。第三，流程将这些预测转化为本地风险估计，并汇总为覆盖全大陆的评估。
这是一种聚焦机制的设计，而非单一、不透明的预测。每个阶段都对应太阳活动与基础设施暴露之间的一个物理步骤。与直接从太阳风数据跳至电网风险的单一模型相比，这种结构应当更便于调查错误。
该项目使用了公开数据。Microsoft 指出了 NASA OMNI 太阳风记录、京都世界数据中心指数、INTERMAGNET 观测数据、美国地质调查局磁力计数据，以及源自 GridSFM 的基础设施信息。
当地电导率尤为重要。在可比的磁扰动下，电阻率更高的岩石可能比导电性更强的地面形成更强的地电场。海岸边界和复杂的地质结构还可能进一步改变响应。
近期联邦电导率测绘展示了这一挑战的规模。美国大地电磁阵列在 2006 年至 2024 年间收集了超过 1,800 个站点的数据。
这项工作绘制出地壳和上地幔的全国性电学图景。这类测量可揭示风险点，而更简单的一维电导率假设可能会高估或低估这些风险。
Microsoft 的位置特征将这种地理差异纳入预测系统。同时，这也让模型扩展至美国本土以外变得更加复杂。模型不能简单地在地质条件和电网拓扑不同的国家复用相同的本地输入。
该项目还使用了由 50 个 AI agents 组成的系统，探索特征、验证策略和模型配置。这一细节描述的是研究工作流，而非在公用事业机构内部运行的预测模型。
这一区别很重要，因为 agent 数量并不能衡量预测质量。关键证据来自留出集表现、事件检出率、与基线的比较，以及最终与运营测量结果的验证。
Microsoft 报告的 AE 均方根误差为 410.2 纳特斯拉。均方根误差概括了预测误差的典型大小，同时对较大的偏差赋予更高权重。
对于 Dst，报告的误差为 7.2 纳特斯拉。Microsoft 表示，在 2020 至 2026 年评估期间最活跃的时段中，该模型在 62.2% 的单个小时内优于 Burton 方程。
Burton 方程是一种既有的经验方法，用于根据太阳风输入估计风暴期间的 Dst。在许多活跃小时中优于该方程令人鼓舞，但并不能解决所有运营问题。
性能可能因风暴、区域、阈值和预测时长而异。一个模型可能实现较好的总体误差，却漏掉少数危险的极端情况。这些尾部事件对基础设施运营商最为重要。
该系统的分阶段设计为诊断此类故障提供了路径。研究人员可以检查错误究竟始于太阳风预测、地磁指数、本地 dB/dt 估计，还是转化为基础设施风险的环节。
检出率显示出潜力，而非运营就绪状态
已发布的结果确立了可信的研究信号，但尚未证明其能够提供可靠的电网保护。
Microsoft 在三个 dB/dt 阈值下评估了最终风险阶段。对于达到或超过每分钟 10 纳特斯拉的重大事件，报告的检出率为 76.5%。对于达到或超过每分钟 20 纳特斯拉的严重事件，检出率达到 81.2%。
对于达到或超过每分钟 50 纳特斯拉的极端事件，检出率降至 64.1%。这意味着，在报告的评估中，该模型漏掉了最极端类别中超过三分之一的事件。
这些数据不应合并为一个笼统的准确率声明。每个阈值都会形成不同的评估子集。事件频率、类别平衡、地点和时间都可能影响最终比率。
Microsoft 将 GIC 风险阶段与简单线性回归进行了比较，因为它发现没有可用于直接运营基准测试的、得到广泛部署的同类系统。这使该比较具有参考价值，但也存在局限。
线性模型可以检验额外的机器学习结构是否捕捉到了有用的非线性关系。它并不能证明该系统优于公用事业公司或政府机构目前使用的所有预测产品。
NOAA 多年来一直在运行不同版本的 Geospace 模型。这个基于物理学的系统可预测区域性地磁扰动，并为电网运营商提供态势感知支持。
这两种方法并非完全可以相互替代。NOAA 的系统对地球空间动力学进行建模，而 Microsoft 的管线则将预测指数和位置特征与建模得到的变电站风险关联起来。它们可以被视为应对同一预测问题的互补路径。
Microsoft 还表示，在 AE 预测中加入其 Dst 预测后，严重事件检测率提高了 1.2 个百分点。该提升支持采用多种物理指标，但其本身并不构成显著变化。
更棘手的问题是，报告的检测率能否迁移到实时运营中。历史数据集可能存在缺口、地理覆盖不均，以及极罕见风暴样本过少的问题。
研究人员还必须防止信息泄露，即评估数据间接影响模型开发的情况。Microsoft 的文章没有提供足够细节，让外部读者复现每一次划分、阈值或测试条件。
这并不意味着结果无效。它意味着这些证据应被视为初步研究报告，而非经过独立复现的性能记录。
当前地图也是演示结果，而非来自真实运营事件的记录。Microsoft 明确表示，在用于电网之前，仍需要与公用事业公司合作并使用运营数据进行进一步验证。
这一表述界定了恰当的标准。预测电网的空间天气风险，需要测得的电流数据、资产细节以及运营商反馈，而公共数据集无法完全提供这些信息。
仅凭变电站坐标无法描述变压器设计、接地电阻、网络状态或资产状况。Microsoft 将变压器级建模列为未来工作，这也确认当前输出缺少一些设备特定的细节。
还存在传播层面的风险。一张着色的大洲地图看起来可能比其底层估计更为确定。运营展示需要经过校准的不确定性信息、清晰的时间戳、数据质量警告，以及对突发变化的解释。
将这项研究理解为一个优先级排序系统时，它的价值最为突出。它可以识别值得深入分析的地点，但并不能独立证明某一台特定变压器会发生故障。
2024 年 5 月风暴说明了局地化为何重要
近期经验表明，一场地磁风暴可能在不同电网、农场、卫星和导航系统中造成不同类型的故障。
Gannon 风暴于 2024 年 5 月 10 日至 13 日抵达地球。它带来了二十多年来首次 G5 级地磁活动，并将极光推至远超其通常纬度的地区。
其影响广泛但并不均衡。NASA 对 Gannon storm 的回顾记录了高压线路跳闸、变压器过热、拖拉机导引中断，以及部分航线调整。
美国中西部部分地区依靠 GPS 导航的拖拉机偏离了路线，或停止工作。这些故障发生在播种季，而精确定位对于高效田间作业至关重要。
其他系统则遭遇了不同问题。卫星运营商需要应对增加的大气阻力，导航信号质量下降，部分通信服务的可靠性降低。
NASA 的事件记录称，GOES-16 在 5 月 13 日曾近两小时停止传输数据。记录还提到 Starlink 服务质量下降，以及影响欧洲航天局 Gaia 航天器的电气问题。
但这场风暴并未在美国引发大范围公共电力紧急事件。政府报告指出存在电网异常，但没有发生影响大量人口的重大停电。
这种反差是分析空间天气对电网影响的核心。一场严重的全球性扰动不会造成均匀损害。当地基础设施、工程控制措施、地理条件和运营决策共同塑造最终结果。
1989 年 3 月 Hydro-Québec 电网崩溃仍是历史上的警示。快速的磁场变化感应出电流，进而促成电网故障，导致超过 600 万人断电。
自那次事件以来，现代公用事业公司已改善监测、标准和运营流程。然而，电力网络也变得更加互联，并更依赖卫星授时、数字通信和精确导航。
这一组合提高了局地化的价值。大洲范围的预警可以告知运营商条件已具危险性，却无法指出哪些变电站应立即获得关注。
Microsoft 的管线旨在通过估计快速磁场变化将在哪些地点最为相关，来缩小这一差距。其覆盖 66,935 个地点的输出，提供了远比国家级风暴分类更细致的地理信息。
不过，2024 年 5 月风暴也表明，评估不能只关注电网。同一太阳活动事件还可能影响农业、航空、航天器、无线电链路和定位服务。
这些系统形成了相互依赖。电网运营商使用通信和授时服务，而抢修团队依赖交通和导航。当局地电力预测与这些关联系统的预测结合时，其价值会更高。
Microsoft 的项目目前聚焦变电站风险。它不应被解读为涵盖所有经济或基础设施后果的完整模型。
最强大的未来系统可能会连接多个层面。它们将结合风暴抵达时间、区域磁场响应、局地电导率、网络拓扑、资产特征和当前运行状态。
这是一个要求很高的目标。2024 年 5 月的经历说明了它为何值得追求，也说明了一张令人印象深刻的地图为何还不够。
三个信号将决定公用事业公司能否使用它
下一阶段必须以公用事业级证据、不确定性估计和资产级细节，取代充满希望的回顾性结果。
第一个信号是使用测得的 GIC 和公用事业运营数据进行验证。Microsoft 需要检验，在多次风暴中，预测的高 dB/dt 是否与接地变压器处观测到的电流相一致。
这种验证应涵盖不同地区、地质环境、网络配置和风暴强度。高度一致将支持模型的局地风险排序；一致性较弱则会暴露缺失的电网或电导率特征。
公用事业公司还应分别审视误报和漏报。一个模型即使捕捉到大多数风暴，却反复指向错误地点，其运营价值也会受到限制。
第二个信号是从变电站级输出转向变压器级风险。Microsoft 表示希望加入资产特征，使预测能够区分同一站点内的不同设备。
这项工作需要的信息往往敏感，或无法从公共数据集中获得。变压器结构、接地、负载、保护设置和网络连接性都会影响资产所承受的电流。
因此，与公用事业公司的合作将与进一步的模型开发同样重要。缺少这些细节，该系统仍只是一个地理筛选工具，而非设备保护系统。
第三个信号是与既有预测和运营工作流的整合。研究人员应测试，当该输出与官方预警、地电场地图和现有流程配合使用时，是否能够改善决策。
成功的试点应在事件发生前定义警报阈值，并记录可采取哪些行动、由谁批准，以及不确定性如何影响响应。
整合还需要具备韧性。系统应报告过时输入、缺失观测和预测置信度下降的情况。当传感器或数据源发生故障时，运营商需要安全的后备方案。
更长的预测时限会吸引关注，但不应成为衡量进展的唯一标准。如果不确定性增长过快，或局地预测变得不可靠，更多预警时间的价值也很有限。
Microsoft 已提出采用时序 Transformer 方法，从太阳风数据中学习更长期的模式。它还计划向国际范围扩展，并通过 GridSFM 将预测与潮流分析连接起来。
这些方向在技术上合理，但每一项也带来新的验证负担。另一个国家将面对不同的地质条件、电网模型、法规和数据质量。
目前，预测空间天气对电网的风险，最好被视为一项可信的研究进展，但其部署缺口也已被明确说明。该管线速度快、地理细节丰富，并以相关物理信号为基础。
其最重要的成果并非声称机器学习已经解决了地磁风险，而是证明了广泛的风暴预警可以在数秒内转化为数千项局地估计。
下一场风暴将提供又一次严苛测试。预测热点是否会与测得电流相符？运营商是否会足够早地收到预警并采取行动？这些答案将决定 Microsoft 的系统是继续停留在研究原型阶段，还是成为电网防御体系的一部分。
