在 2024 年 5 月的地球磁暴期間，北美各地的電力公司為可能造成的影響做準備，因為極光擴展到遠超出其常規範圍。這場風暴會降低 GPS 準確性和衛星運作，影響北美和歐洲的農業營運。現代社會依賴可靠的電力供應，然而極端的太空天氣事件可能在輸電網路中引發電流，損壞設備並增加營運風險。挑戰不僅在於知道風暴即將來臨，更在於預估其影響何時何地可能最嚴重，並提供足夠的預警時間讓電網營運商做出反應。

我在 Microsoft Research 實習期間，開發了一個機器學習系統，用於預測美國本土 66,935 個變電站的太空天氣風險。該系統測量太陽活動如何影響地球磁場，並最終影響電網。它結合了太陽風觀測數據、極光電急流 (AE) 和擾動磁暴指數 (Dst) 的預測、物理學限制、當地地質導電率以及電網基礎設施數據，以在潛在影響發生前 30-60 分鐘生成特定地點的風險評估。

太空天氣預測之所以困難，是因為它涉及多個相互耦合的系統。太陽風變化迅速，其與地球磁層的交互作用不規則，而由此產生的地面效應則取決於當地條件。具有高電阻基岩的地區，比地質導電性較強的地區，更容易受到更強的地磁感應電流 (GIC) 影響。輸電線路的方向、緯度和其他電力系統特性，進一步影響了個別資產的暴露程度。

該管線透過三個階段處理這種複雜性。首先，利用 L1 拉格朗日點的太陽風測量數據，生成 AE 和 Dst 指數的預測，同時為每個變電站收集地質導電率和位置特徵。其次，一個梯度提升模型結合這些預測和特定地點的輸入，估計與 GIC 風險相關的磁場變化率 dB/dt。最後，將所得預測轉換為特定地點的風險評估，並彙整成一份大陸級的風險評估。

一個由 50 個 AI 代理組成的系統，協助探索整個管線的特徵、驗證策略和模型配置。僅使用了公開數據源，包括 NASA OMNI 和 NASA 彙整的京都世界數據中心數據、INTERMAGNET 和美國地質調查局的磁力計觀測數據，以及 GridSFM 衍生的電網數據。

AE 預測器旨在預測罕見、高強度的地磁活動，這些活動會導致基礎設施風險。在 2020-2026 年的評估期間，該模型產生的預測幾乎涵蓋了 AE 活動的全部觀測範圍，並且優於多種基於太陽風的經驗方法。Dst 預測器提供了描述大規模地磁暴強度的額外訊號。

在 2020-2026 年評估期間地磁活動最活躍的時段，該機器學習模型在 62.2% 的個別小時內表現優於 Burton 方程式。該模型還產生了比 Burton 式方法更廣泛的預測範圍，並在與 AE 預測結合時，將端到端預測系統中嚴重事件的偵測率提高了 1.2 個百分點。

GIC 風險階段的評估方式有所不同。目前沒有廣泛部署的營運系統能為此計算提供直接的行業基準，因此該機器學習模型與簡單線性迴歸進行了比較。該系統在重大事件（≥10 nT/min）中實現了 76.5% 的偵測率，在嚴重事件（≥20 nT/min）中實現了 81.2%，在極端事件（≥50 nT/min）中實現了 64.1%。

誤報率隨風暴嚴重程度增加，這反映了漏報事件和謹慎警報之間的權衡。性能因緯度而異，地磁活動最強的北部站點偵測率最高。

最後階段將預測的地磁活動，轉換為特定地點的 dB/dt 估計值，即與 GIC 暴露相關的磁場變化率。該系統並非為美國本土發布單一警報，而是將風暴條件與每個變電站的緯度和地質因素結合。這產生了連續的風險評估，可以區分風險較低的地區與地質電阻較高、可能放大地面效應的地區。

該地圖展示了模型在大陸尺度的輸出能力，而非實際營運事件的記錄。它顯示了電網營運商或規劃人員如何從廣泛的太空天氣警告，轉向更具針對性的視角，以判斷哪些地點可能需要更仔細的分析。目前的管線在測量推論期間，約 333 毫秒內為所有 66,935 個變電站生成了估計值，從而能夠快速評估多種情境。

這項工作展示了基於物理學的機器學習，如何支援更具體、更及時的太空天氣暴露評估。更早、特定地點的資訊可以幫助電力公司優先進行工程審查，並考慮採取有針對性的保護措施，例如調整無功功率儲備或暫時重新配置部分電網。在該系統用於電網營運之前，還需要與電力公司和營運數據進行進一步驗證。

該專案也與 Microsoft Research 在電力系統 AI 方面的更廣泛工作相關。開放電網數據管線提供了真實的美國輸電模型，而 GridSFM 則將深度學習應用於交流最佳潮流計算，以進行快速情境分析。這些努力共同指向更豐富的規劃和韌性工作流程，結合了災害預測、電網拓撲和潮流分析。

未來展望包括延長預測時程，探索時間轉換器方法以捕捉太陽風數據中更長期的模式，並超越目前 30-60 分鐘的預測窗口。此外，還將系統擴展至國際，同時考慮不同的地質條件和電網拓撲。

整合至電網營運也是重要一步，在考慮更高程度的自動化之前，評估預測如何支援現有的決策和工程審查工作流程。最後，透過增加資產特定特性，從變電站級別的估計轉向對關鍵設備更細緻的變壓器級別風險評估。