# Microsoft Research подробно описывает прогнозы рисков космической погоды для подстанций в зависимости от местоположения

- Source: MechNext — https://mechnext.eu/ru/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: ru (Markdown in other languages: ?lang=en, ?lang=de, ?lang=sk, ?lang=pl, ?lang=zh)

> Система машинного обучения оценивает риск для 66 935 подстанций в континентальной части США за 30–60 минут до потенциального воздействия. Microsoft Research утверждает, что проверка полезности и эксплуатационных данных по-прежнему необходима.

В статье [an, опубликованной 30 сентября 2026](https://www.microsoft.com/en-us/research/blog/forecasting-space-weather-risks-on-power-grids), компания Microsoft Research описывает систему машинного обучения для прогнозирования рисков космической погоды для электросетей. Он производит оценки для 66 935 подстанций по всей континентальной части Соединенных Штатов. Заявленное окно прогноза опережает потенциальное воздействие на 30–60 минут.

### От солнечного ветра к местной оценке

Конвейер начинается с измерений солнечного ветра из точки Лагранжа L1. Он использует эти измерения для прогнозирования индексов аврорального электроджета и времени возмущения, или Dst. Затем модель повышения градиента объединяет прогнозы с входными данными для конкретного местоположения для оценки dB/dt: скорости изменения магнитного поля, связанной в данном случае с риском геомагнитно-индуцированных токов.

Это отдельные шаги в описанной системе. Прогнозы индексов предоставляют входные данные; Оценка dB/dt добавляет представление о риске для конкретного местоположения. Таким образом, оценку для подстанции следует рассматривать как результат модели, а не как измерение тока на этой подстанции или прогнозирование отказа конкретной части оборудования. Указанные 30–60 минут описывают, насколько далеко вперед система оценивает потенциальное воздействие, а не сколько времени потребуется для работы модели.

Microsoft Research сообщает, что в проекте использовались общедоступные источники, включая NASA OMNI, агрегированные данные НАСА Киотского Всемирного центра данных, данные магнитометрических наблюдений INTERMAGNET и Геологической службы США, а также данные сетки, полученные из GridSFM. Также сообщается, что система из 50 агентов ИИ помогла изучить функции, стратегии проверки и конфигурации моделей. Это описание помещает агентов в процесс разработки; Опубликованный конвейер прогнозирования описывается с помощью входных данных и моделей.

### Какие показатели оценки представлены в отчете?

В течение наиболее геомагнитно активных периодов оцениваемого периода 2020–2026 годов предиктор Dst машинного обучения превосходил уравнение Бертона в 62,2% отдельных часов. Объем имеет значение: это сравнение прогноза Dst в течение указанных активных периодов. Это не измеренный уровень успешных вмешательств в сеть или процент подстанций, защищенных от последствий.

В статье сообщается о показателях обнаружения при трех пороговых значениях дБ/дт: 76,5% для серьезных событий при 10 нТл/мин или выше, 81,2% для серьезных событий при 20 нТл/мин или выше и 64,1% для экстремальных событий при 50 нТл/мин или выше. Каждый процент принадлежит своему именованному порогу. На рисунках показано, как детектор, о котором сообщается, работал при этих определениях событий; они не описывают все возможные условия эксплуатации с помощью одного универсального показателя точности.

Получение оценок для всех 66 935 подстанций заняло примерно 333 миллисекунды. Этот результат касается времени вычисления набора оценок. Его следует хранить отдельно от 30–60-минутного горизонта прогноза, который касается времени до потенциального воздействия. Оба числа помогают охарактеризовать исследовательскую систему, но отвечают на разные вопросы о ней.

### Что еще предстоит установить

Исследования Microsoft говорят, что необходима дальнейшая проверка с помощью утилит и эксплуатационных данных, прежде чем систему можно будет использовать в сетевых операциях. Эта квалификация имеет решающее значение для интерпретации результатов. В статье представлен исследовательский конвейер, опубликованные цифры оценки и измеренное время вывода; он не устанавливает оперативное развертывание и не показывает, что прогнозы предотвратили повреждение или сбои в работе оборудования.

Для читателя, оценивающего это объявление, полезно провести различие между прогнозом индикатора риска и продемонстрированным операционным результатом. Оценки для конкретного местоположения могут сделать сообщаемые результаты релевантными для отдельных подстанций, а заявленный горизонт описывает, когда эти оценки будут доступны относительно потенциального воздействия. Подтверждают ли оценки решения в реальных операциях с энергосистемой – это вопрос, который статья оставляет для проверки с помощью коммунальных предприятий и эксплуатационных данных.