预测电网面临的空间天气风险
微软研究院博客介绍了实习生Rohan Kannan开发的一套机器学习流程，用于预测美国本土66,935座变电站的空间天气风险。
具体内容
微软研究院博客介绍了实习生Rohan Kannan开发的一套机器学习流程，用于预测美国本土66,935座变电站的空间天气风险。系统先用L1拉格朗日点的太阳风观测生成AE与Dst指数预报，再结合各变电站纬度、地质电导率等特征，用梯度提升模型估计磁场变化率dB/dt，并转化为地点级风险。作者称在2020至2026年评估期内，该流程可提前30至60分钟预警，并检出近80%的重大空间天气事件；但博客明确表示，投入电网实际运行前仍需与电力公司及运行数据进一步验证。
- 系统覆盖美国本土66,935座变电站，输出地点级风险估计，而非单一全国警报。
- 评估期内检出率：≥10 nT/min事件76.5%，≥20 nT/min事件81.2%，≥50 nT/min事件64.1%。
- Dst预测在62.2%的峰值活动小时优于Burton方程，集成后使严重风暴检出率提升1.2个百分点。
官方研究或发布信息；实验结果、评测和研究系统不等于已获独立验证或已经面向所有用户开放。
用户标记：未标记
固定编号：b81a93219c880735
原文来源