Космическая погода остаётся одним из наименее предсказуемых факторов риска для энергосистем. В мае 2024 года геомагнитная буря, вызвавшая полярные сияния далеко за пределами обычных широт, продемонстрировала уязвимость инфраструктуры: нарушилась работа GPS, возникли сбои в спутниковой связи, а операторы сетей в Северной Америке и Европе были вынуждены вводить превентивные меры. Теперь исследователи из Microsoft Research предложили подход, который может превратить хаотичное предупреждение о буре в локализованный прогноз риска.
В рамках летней стажировки в Microsoft Research анонимный разработчик создал систему машинного обучения, способную предсказывать, где именно геомагнитно-индуцированные токи (GIC) нанесут наибольший ущерб. Модель охватывает 66 935 подстанций на территории континентальных США и выдаёт оценку риска за 30–60 минут до прихода бури. Результаты опубликованы в официальном блоге Microsoft Research 30 сентября 2026 года.
Как устроен прогноз: от солнечного ветра до конкретной подстанции
Геомагнитные бури возникают, когда выбросы корональной массы или потоки солнечного ветра взаимодействуют с магнитосферой Земли. Изменения магнитного поля индуцируют токи в длинных линиях электропередачи, что может привести к перегрузке трансформаторов, ложным срабатываниям защитной автоматики и даже повреждению оборудования. Проблема в том, что последствия сильно зависят от локальных условий: регионы с резистивными (высокоомными) породами, например гранитом, усиливают эффект, а ориентация линий и широта подстанции определяют степень воздействия.
Разработанная система работает в три этапа. На первом этапе данные солнечного ветра с точки Лагранжа L1 (спутники NASA OMNI) используются для прогнозирования двух ключевых индексов геомагнитной активности: AE (Auroral Electrojet) и Dst (Disturbance Storm Time). Параллельно собираются данные о геологической проводимости и координатах каждой подстанции. На втором этапе градиентный бустинг (Gradient Boosting) объединяет прогнозы индексов с локальными характеристиками для оценки dB/dt — скорости изменения магнитного поля, которая напрямую коррелирует с риском GIC. Третий этап конвертирует эти оценки в категоризированный риск для каждой подстанции и агрегирует их в континентальную карту.
Для исследования архитектуры и валидации использовалась система из 50 AI-агентов, которые помогали перебирать признаки, стратегии валидации и конфигурации модели. Все данные — открытые: NASA OMNI, INTERMAGNET, Геологическая служба США и модель сети GridSFM.
Цифры точности и ограничения
Валидация проводилась на периоде 2020–2026 годов. Прогнозатор AE продемонстрировал способность покрывать почти весь наблюдаемый диапазон активности, превзойдя несколько эмпирических подходов. Для Dst-индекса модель показала лучшие результаты, чем классическое уравнение Бёртона, в 62,2% часов наиболее активных фаз бурь. При этом диапазон предсказаний оказался существенно шире, а совместное использование AE и Dst улучшило обнаружение сильных событий на 1,2 процентных пункта.
На этапе оценки риска GIC, где не существует общепринятого операционного бенчмарка, модель сравнивали с простой линейной регрессией. Результаты:
- обнаружение крупных событий (≥10 нТл/мин): 76,5%;
- обнаружение сильных событий (≥20 нТл/мин): 81,2%;
- обнаружение экстремальных событий (≥50 нТл/мин): 64,1%.
Частота ложных срабатываний росла с увеличением интенсивности бури, что отражает неизбежный компромисс между пропуском события и избыточными предупреждениями. Наибольшая точность достигалась на северных станциях, где геомагнитная активность максимальна.
Важное ограничение: система не прошла валидацию в реальных операционных условиях с данными от энергокомпаний. Как отмечают авторы, «для использования системы в управлении сетями потребуется дальнейшая валидация с коммунальными предприятиями и операционными данными».
Практическое значение для операторов и инженеров
Главное преимущество подхода — переход от регионального предупреждения к поточечному риску. Вместо того чтобы объявлять общую тревогу для всей континентальной сети, оператор может увидеть, какие именно подстанции находятся в зоне повышенного риска из-за сочетания геомагнитной активности и резистивной геологии. Это позволяет:
- приоритизировать инженерный анализ;
- скорректировать резервы реактивной мощности;
- временно изменить конфигурацию отдельных участков сети.
Время инференса — около 333 миллисекунд на все 66 935 подстанций, что позволяет быстро прогонять множество сценариев.
Независимый контекст: проблема реальнее, чем кажется
Исследование Microsoft Research не существует в вакууме. Работа Европейской комиссии (JRC Scientific and Policy Reports) и недавнее исследование, опубликованное в журнале PLOS ONE (2025), подтверждают корреляцию между геомагнитными бурями и необъяснимыми отключениями электроэнергии в США за период 2006–2023 годов. Анализ показал, что годы с большим количеством сильных и экстремальных бурь демонстрируют повышенную частоту отключений «неизвестного или необычного происхождения». Регрессионная модель подтвердила, что интенсивность бури (Dst) и средняя напряжённость магнитного поля являются статистически значимыми предикторами, в отличие от таких общих показателей, как число солнечных пятен.
Таким образом, ML-подход Microsoft Research решает не гипотетическую, а документированную проблему. Однако авторы справедливо отмечают, что до операционного внедрения необходима валидация с реальными данными энергосетей — пока система остаётся исследовательским прототипом.
Что дальше
Microsoft Research позиционирует эту работу как часть более широкой программы по применению ИИ для энергосистем. Ранее в рамках проекта GridSFM использовалось глубокое обучение для быстрого анализа оптимального потока мощности (AC OPF). Объединение прогнозов космической погоды, топологии сетей и анализа потоков мощности может привести к созданию комплексных инструментов для планирования и повышения устойчивости инфраструктуры.
Для читателей COMRAD404, интересующихся практическими применениями ML, этот кейс показателен: модель решает задачу, где традиционные физические симуляции либо слишком медленны, либо недостаточно точны для локального прогноза, а данные доступны из открытых источников. При этом ключевой элемент — не столько архитектура нейросети, сколько грамотная интеграция физических ограничений (геология, ориентация линий) и метеорологических данных. Это напоминает, что в инфраструктурных задачах инженерная постановка вопроса часто важнее выбора конкретного алгоритма.
