Microsoft Research opublikował 30 września 2026 r. artykuł Forecasting space weather risks on power grids. Opisuje w nim system uczenia maszynowego, który przygotowuje szacunki ryzyka związanego z pogodą kosmiczną dla konkretnych lokalizacji. Według publikacji obejmuje on 66 935 stacji elektroenergetycznych w kontynentalnej części Stanów Zjednoczonych, a szacunki dotyczą okresu 30–60 minut przed możliwym oddziaływaniem.

Od pomiaru do szacunku dla lokalizacji

Proces zaczyna się od pomiarów wiatru słonecznego z punktu Lagrange’a L1. Na ich podstawie system prognozuje indeksy Auroral Electrojet i Disturbance Storm Time, czyli Dst. Następnie model oparty na wzmacnianiu gradientowym łączy te prognozy z danymi dotyczącymi lokalizacji, aby oszacować dB/dt. Jest to szybkość zmian pola magnetycznego powiązana z ryzykiem prądów indukowanych geomagnetycznie.

Te etapy opisują różne wielkości. Prognozowane indeksy stanowią wejście do dalszego modelowania, a dB/dt jest lokalnym wynikiem związanym z rozpatrywanym ryzykiem. Wynik dla danej stacji pozostaje szacunkiem modelu. Z opisu nie wynika, że system mierzy rzeczywisty prąd w każdej stacji ani że przewiduje uszkodzenie konkretnego urządzenia.

Microsoft Research wymienia publiczne źródła danych wykorzystane w projekcie: NASA OMNI, dane Kyoto World Data Center zagregowane przez NASA, obserwacje magnetometrów INTERMAGNET i U.S. Geological Survey oraz dane sieciowe pochodzące z GridSFM. Publikacja podaje także, że system 50 agentów AI pomagał badać cechy, strategie walidacji i konfiguracje modeli. Jest to informacja o pracy nad rozwiązaniem, a nie o jego wykorzystaniu w bieżącym sterowaniu siecią.

Co pokazują podane wyniki

W najbardziej aktywnych geomagnetycznie okresach objętych oceną z lat 2020–2026 predyktor Dst oparty na uczeniu maszynowym przewyższał równanie Burtona w 62,2% pojedynczych godzin. Ten wynik dotyczy porównania prognozowania Dst w określonych warunkach. Nie oznacza odsetka skutecznych działań operatorów ani udziału stacji, w których uniknięto szkód.

Publikacja podaje trzy wskaźniki wykrywania: 76,5% dla dużych zdarzeń przy progu co najmniej 10 nT/min, 81,2% dla poważnych zdarzeń przy co najmniej 20 nT/min oraz 64,1% dla ekstremalnych zdarzeń przy co najmniej 50 nT/min. Każda wartość odnosi się do własnego progu. Dlatego odczytując te liczby, trzeba zachować przypisaną im definicję zdarzenia; nie tworzą one jednej miary skuteczności dla wszystkich sytuacji.

Zmierzony czas inferencji wyniósł około 333 milisekund dla przygotowania szacunków dotyczących wszystkich 66 935 stacji. To miara czasu obliczenia wyników. Wyprzedzenie 30–60 minut odnosi się natomiast do możliwego oddziaływania, którego dotyczy prognoza. Rozdzielenie tych dwóch liczb pozwala odróżnić szybkość obliczeń od horyzontu prognozy.

Granice obecnego zastosowania

Microsoft Research zaznacza, że przed wykorzystaniem systemu w operacyjnej pracy sieci konieczna jest dalsza walidacja z przedsiębiorstwami energetycznymi i z użyciem danych operacyjnych. Opublikowane liczby opisują więc badany system i przedstawioną ocenę. Nie potwierdzają wdrożenia w działaniach sieciowych ani zapobieżenia awariom urządzeń lub przerwom w dostawach energii.

Dla oceny praktycznej przydatności kluczowe jest właśnie sprawdzenie, o którym piszą autorzy. Lokalny charakter szacunków pokazuje, do jakich miejsc odnosi się wynik, a podany horyzont określa, jak wcześnie wynik ma być dostępny względem możliwego oddziaływania. To, jak takie szacunki sprawdziłyby się przy rzeczywistych decyzjach operacyjnych, pozostaje przedmiotem wymaganej walidacji.