# Microsoft Research beschreibt lokale Weltraumwetterprognosen für Umspannwerke - Source: MechNext — https://mechnext.eu/de/article/26-microsoft-research-details-location-specific-space-weather-risk-forecasts-for-su - Published: 2026-10-01 - Updated: 2026-10-01 - Category: Industry News - Language: de (Markdown in other languages: ?lang=en, ?lang=sk, ?lang=pl, ?lang=zh, ?lang=ru) > Ein Modell schätzt Risiken für 66.935 Umspannwerke in den kontinentalen USA 30 bis 60 Minuten vor einer möglichen Auswirkung. Für den Netzbetrieb ist laut Microsoft Research weitere Validierung nötig. Microsoft Research veröffentlichte am 30. September 2026 den Beitrag [Forecasting space weather risks on power grids](https://www.microsoft.com/en-us/research/blog/forecasting-space-weather-risks-on-power-grids). Darin beschreibt die Organisation ein System für maschinelles Lernen, das ortsbezogene Risikoschätzungen für 66.935 Umspannwerke in den kontinentalen Vereinigten Staaten erstellt. Die Schätzungen sollen 30 bis 60 Minuten vor einer möglichen Auswirkung vorliegen. ### Wie die Schätzung entsteht Am Anfang der beschriebenen Verarbeitung stehen Messungen des Sonnenwinds am Lagrange-Punkt L1. Daraus prognostiziert das System die Indizes Auroral Electrojet und Disturbance Storm Time, kurz Dst. Ein Modell mit Gradient Boosting verbindet diese Prognosen anschließend mit ortsbezogenen Eingaben. Es schätzt daraus dB/dt, die Änderungsrate des Magnetfelds, die mit dem Risiko geomagnetisch induzierter Ströme zusammenhängt. Die einzelnen Größen erfüllen verschiedene Aufgaben. Die prognostizierten Indizes sind Eingaben für die weitere Modellierung; die Schätzung von dB/dt soll das Risiko räumlich genauer beschreiben. Ein Wert für ein Umspannwerk ist damit ein Modellergebnis. Aus der Beschreibung folgt weder eine Messung des tatsächlich fließenden Stroms an jedem Standort noch eine Aussage, dass ein bestimmtes Betriebsmittel beschädigt wird. Für das Projekt wurden laut Microsoft Research öffentliche Daten genutzt: NASA OMNI, von NASA zusammengeführte Daten des Kyoto World Data Center, Magnetometerbeobachtungen von INTERMAGNET und dem U.S. Geological Survey sowie aus GridSFM abgeleitete Netzdaten. Außerdem half ein System aus 50 KI-Agenten dabei, Merkmale, Validierungsstrategien und Modellkonfigurationen zu untersuchen. Diese Angabe beschreibt einen Teil der Entwicklung des Systems. ### Einordnung der Ergebnisse Im Bewertungszeitraum 2020 bis 2026 schnitt der Dst-Prädiktor mit maschinellem Lernen während der geomagnetisch aktivsten Phasen in 62,2 % der einzelnen Stunden besser ab als die Burton-Gleichung. Diese Prozentzahl bezieht sich auf genau diesen Vergleich unter den genannten Bedingungen. Sie ist keine Erfolgsquote für Eingriffe im Stromnetz und keine Angabe dazu, an wie vielen Umspannwerken ein Schaden verhindert wurde. Für große Ereignisse ab 10 nT/min nennt der Beitrag eine Erkennungsrate von 76,5 %. Für schwere Ereignisse ab 20 nT/min sind es 81,2 %, für extreme Ereignisse ab 50 nT/min 64,1 %. Die drei Werte gehören zu unterschiedlichen Schwellen. Wer die Zahlen vergleicht, muss daher die jeweilige Definition des Ereignisses mitlesen. Zusammen ergeben sie keine einzelne, für jede Lage gültige Genauigkeitszahl. Die gemessene Inferenz benötigte etwa 333 Millisekunden, um Schätzungen für alle 66.935 Umspannwerke zu erzeugen. Dieser Wert beschreibt die Rechenzeit. Die genannten 30 bis 60 Minuten beschreiben dagegen den zeitlichen Abstand zwischen einer Schätzung und einer möglichen Auswirkung. Beide Angaben sind für das Verständnis des Systems relevant, beantworten aber unterschiedliche Fragen. ### Stand der Anwendung Microsoft Research schreibt ausdrücklich, dass vor einem Einsatz im Netzbetrieb weitere Validierung mit Versorgungsunternehmen und Betriebsdaten erforderlich ist. Der veröffentlichte Beitrag beschreibt somit ein Forschungssystem und dessen berichtete Bewertung. Er belegt keinen Einsatz in der Netzsteuerung und keine bereits verhinderten Geräteschäden oder Stromausfälle. Der praktische Wert der ortsbezogenen Ausgabe hängt folglich an der noch ausstehenden Prüfung mit Daten und Fachleuten aus dem Betrieb. Die veröffentlichten Ergebnisse zeigen, welche Größen das Modell schätzt, welche Ereignisschwellen bewertet wurden und wie schnell die Schätzungen in der Messung berechnet wurden. Ob diese Ausgaben unter realen Betriebsbedingungen Entscheidungen unterstützen können, bleibt nach der eigenen Einordnung von Microsoft Research zu validieren.