# 微软研究院介绍面向变电站的空间天气风险预测系统

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

> 该机器学习系统为美国本土连续地区的66,935座变电站提供分地点风险估计，预测潜在影响前30至60分钟的情况。微软研究院表示，投入电网运行前仍需结合公用事业单位及运行数据进一步验证。

微软研究院于2026年9月30日发表[《Forecasting space weather risks on power grids》](https://www.microsoft.com/en-us/research/blog/forecasting-space-weather-risks-on-power-grids)，介绍一套用机器学习估计空间天气对电网风险的系统。按照文章的描述，系统能够针对美国本土连续地区的66,935座变电站分别生成估计，给出的时间窗口是潜在影响发生前30至60分钟。这是研究团队对系统功能和评估结果的说明；理解这些数字时，需要把预测范围、计算过程和实际运行验证分别看待。

### 系统估计的是什么

这套系统的输出针对地点，而不是只给整个区域一个统一数值。对读者来说，地点这一维度意味着文章讨论的是各座变电站所对应的风险估计。文中的30至60分钟则说明估计相对于潜在影响的提前量。它并不表示每个地点必然会出现损坏，也不是每次计算必须运行这么长时间。文章报告的是模型依据输入信息形成的风险指标估计，不能把它直接读成某座变电站已经发生事件的记录。

处理流程从L1拉格朗日点取得的太阳风测量数据开始。系统利用这些测量结果，预测Auroral Electrojet指数和Disturbance Storm Time指数，后者通常简称Dst。接着，梯度提升模型把这些指数的预测结果与地点相关的输入结合，估计dB/dt。这里的dB/dt是磁场变化的速率，文章将它与地磁感应电流风险联系起来。因而，预测指数与估计某一地点的dB/dt，是流程中前后相连、但含义不同的步骤。

这一顺序也决定了应如何解读最终数字。指数预测为后续模型提供信息，而针对地点的dB/dt估计更接近文章所讨论的变电站风险。即使输出对应一座具体变电站，它仍是模型计算所得的估计。已给出的描述并没有说系统在每座变电站都直接测量了实际电流，也没有说模型能确定某件设备会受损。把指标、风险估计和设备后果区分开，有助于保持文章所报告结果的原有边界。

### 数据来源与开发方式

微软研究院列出的项目数据来源均为公开来源，包括NASA OMNI、由NASA汇集的Kyoto World Data Center数据、INTERMAGNET与美国地质调查局的磁力仪观测，以及由GridSFM衍生的电网数据。这份清单说明，项目结合了用于描述空间天气和磁场情况的信息，也采用了与电网位置有关的资料。清单本身只是交代所用数据的出处，不能单凭数据来源推断模型已经在电网日常运行中得到验证。

文章还说，一个由50个人工智能代理组成的系统帮助探索特征、验证策略以及模型配置。这里的作用是辅助研究和开发过程中的探索。对于理解已发布的预测系统，更直接的技术描述仍是前述流程：由L1处太阳风测量数据预测两个指数，再由梯度提升模型结合地点输入估计dB/dt。代理数量说明开发工作的一项安排，不应被理解为50个代理正在分别指挥变电站，文章也没有给出这样的运行结论。

### 评估数字各自说明什么

文章报告，在2020年至2026年的评估时段内，选取地磁活动最强的那些时期进行比较时，机器学习Dst预测器在62.2%的单独小时里优于Burton方程。这个百分比有明确的对象：它比较的是所述条件下逐小时的Dst预测表现。它不是电网操作成功率，也不是66,935座变电站中有多少座避免了损失的比例。若脱离评估时期、比较对象和逐小时这一单位，数字就会被赋予文章没有提供的含义。

关于事件识别，文章列出三个阈值及对应的检出率：对于达到或超过10 nT/min的重大事件，检出率为76.5%；对于达到或超过20 nT/min的严重事件，检出率为81.2%；对于达到或超过50 nT/min的极端事件，检出率为64.1%。这些结果必须连同各自阈值一起阅读。三个数字分别描述按不同事件定义得到的检出情况，不能任意挑选其中一个作为系统在所有情形下的统一准确率，也不能据此推断事件发生后的设备结果。

微软研究院同时给出一项计算速度测量：生成全部66,935座变电站的估计，推理大约用了333毫秒。这回答的是模型生成这一组输出需要多长时间的问题。前述30至60分钟回答的则是估计针对潜在影响提前多长时间的问题。一个是计算耗时，一个是预测时间窗口。两者都描述系统能力，但计量的环节不同；将它们分开，才能准确理解文章所称的快速推理与提前预报。

地点覆盖数量、事件检出率、Dst比较结果和推理耗时，也各有不同的适用范围。66,935是生成分地点估计的变电站数量；检出率按三个dB/dt阈值分别报告；62.2%来自特定活跃时期的逐小时Dst比较；333毫秒来自生成整组估计的耗时测量。这些指标共同构成文章呈现的研究结果，却没有任何一个单独证明系统已经适合直接参与电网运行决策。阅读时保留各项指标原本的对象和条件，比把它们合并成一个笼统的成功率更能反映所提供的证据。

### 距离运行使用还有什么步骤

微软研究院明确表示，系统在用于电网运行之前，还需要与公用事业单位合作，并使用运行数据进一步验证。这一限定是文章结论的一部分。现有报道说明了研究系统的输入、建模流程、覆盖地点和所报告的评估结果；它没有证实系统已经部署于电网运行，也没有证实预测已经阻止设备损坏或停电。尤其是针对具体变电站的估计，能否支持真实运行环境中的决定，仍属于文章指出需要验证的问题。

因此，读者可以把这项工作理解为一套具有明确地点范围和时间窗口的研究性风险预测流程。它以L1处的测量为起点，经过指数预测和地点相关建模，形成与地磁感应电流风险有关的磁场变化速率估计。公开的检出率、Dst比较以及推理耗时，分别说明文章评估了哪些方面。真正的运行适用性还需按微软研究院提出的方向，结合公用事业单位及运行数据检验；在完成这一步之前，研究结果应按其已报告的范围解读。