Прогноз рисков космической погоды для электросетей

Прогноз угрозы для критической инфраструктуры

Во время геомагнитной бури в мае 2024 года энергокомпании Северной Америки готовились к возможным последствиям: полярные сияния наблюдались далеко за пределами привычных широт. Буря могла ухудшить точность GPS и работу спутников, повлияв на сельское хозяйство в Северной Америке и Европе. Современная жизнь зависит от стабильного электроснабжения, однако сильные события космической погоды способны вызывать токи в линиях передачи, повреждать оборудование и повышать риски для энергосистем. Операторам важно знать не только о приближении бури, но и о том, где и когда её последствия могут оказаться серьёзнее всего, чтобы успеть принять меры.

Во время летней стажировки в Microsoft Research автор проекта создал систему машинного обучения для прогноза рисков космической погоды на 66 935 подстанциях континентальной части США. Она оценивает, как активность Солнца влияет на магнитное поле Земли и, в конечном счёте, на энергосеть. Для расчёта система использует наблюдения солнечного ветра, прогнозы индексов аврорального электроджета AE и времени возмущения Dst, физические ограничения, данные о местной геологической проводимости и сведения об электросетевой инфраструктуре. Риск для конкретных мест она оценивает за 30–60 минут до возможного воздействия.

Сборка пайплайна прогноза

Прогнозировать космическую погоду сложно: здесь связаны несколько систем. Солнечный ветер быстро меняется, его взаимодействие с магнитосферой Земли происходит нерегулярно, а воздействие на поверхность зависит от местных условий. В районах с плохо проводящей коренной породой геомагнитно-индуцированные токи (GIC) могут быть сильнее, чем в местах с более проводящей геологией. На воздействие для отдельных объектов также влияют ориентация линий электропередачи, широта и другие характеристики энергосистемы.

В пайплайне три этапа. Сначала по измерениям солнечного ветра в точке Лагранжа L1 строятся прогнозы индексов AE и Dst, а для каждой подстанции собираются данные о местоположении и геологической проводимости. Затем модель градиентного бустинга объединяет прогнозы с данными о конкретном месте и оценивает скорость изменения магнитного поля dB/dt, связанную с риском GIC. Наконец, эти оценки преобразуются в локальные уровни риска и объединяются в общую картину для континентальной части США.

Сквозной конвейер прогнозирования: от измерений солнечного ветра в точке L1 до оценок риска для конкретных местоположений 66 935 подстанций в США

Источник: microsoft.com

В работе над признаками, способами проверки и настройками моделей на разных этапах пайплайна помогали 50 ИИ-агентов. Использовались только открытые источники данных: NASA OMNI и данные Kyoto World Data Center, агрегированные NASA, наблюдения магнитометров INTERMAGNET и Геологической службы США, а также данные об электросетях, полученные из GridSFM.

Проверка геомагнитных прогнозов и риска для инфраструктуры

Модель для индекса AE разрабатывали для прогноза редкой, но интенсивной геомагнитной активности, опасной для инфраструктуры. В период оценки с 2020 по 2026 год она выдавала прогнозы почти для всего наблюдавшегося диапазона AE и превзошла несколько эмпирических методов, основанных на солнечном ветре. Модель Dst дополняла прогноз сведениями о силе геомагнитной бури в крупном масштабе. В наиболее активные геомагнитные периоды 2020–2026 годов модель машинного обучения превзошла уравнение Бёртона в 62,2% отдельных часов. Она также охватывала заметно более широкий диапазон прогнозов, чем методы на основе подхода Бёртона. В сочетании с прогнозами AE это повысило выявление сильных событий в общем пайплайне на 1,2 процентного пункта.

Этап оценки риска GIC проверяли иначе: широко используемой рабочей системы для прямого сравнения в отрасли нет, поэтому модель машинного обучения сопоставили с простой линейной регрессией. Система выявляла 76,5% крупных событий (≥10 нТ/мин), 81,2% сильных (≥20 нТ/мин) и 64,1% экстремальных (≥50 нТ/мин). По мере роста силы бури увеличивалась и доля ложных тревог — это отражает компромисс между пропущенными событиями и более осторожными предупреждениями. Результаты различались в зависимости от широты: лучше всего система обнаруживала события на северных станциях, где геомагнитная активность сильнее.

Показатели обнаружения при разных пороговых значениях интенсивности бурь для подстанций в различных регионах; сравнение среднего POD для каждого уровня интенсивности

Источник: microsoft.com

Карта риска для континентальной части США

На заключительном этапе прогноз геомагнитной активности переводится в локальные оценки dB/dt — скорости изменения магнитного поля, связанной с воздействием GIC. Вместо единого предупреждения для всей континентальной части США система учитывает условия бури, широту каждой подстанции и геологический фактор. Благодаря этому она строит непрерывную карту риска, на которой можно отличить менее опасные места от районов, где плохо проводящая геология способна усилить воздействие на поверхности.

Демонстрация оценки риска геомагнитно-индуцированных токов (GIC) на континенте в репрезентативном сценарии крупной бури. Цветами обозначены смоделированные уровни риска для 66 935 подстанций

Источник: microsoft.com

На карте показан пример крупной бури. Это результат моделирования для всего континента, а не запись реального события в действующей энергосистеме. Такой прогноз позволяет перейти от общего предупреждения о космической погоде к оценке мест, которым может потребоваться дополнительный анализ. При измерениях инференса текущий пайплайн рассчитал оценки для всех 66 935 подстанций примерно за 333 миллисекунды — этого достаточно, чтобы быстро проверять множество сценариев.

Дальнейшая работа

Проект показывает, как машинное обучение с опорой на физические закономерности может помочь точнее и своевременнее оценивать воздействие космической погоды. Более ранние оценки для конкретных мест могут помочь энергокомпаниям расставлять приоритеты при инженерной проверке и рассматривать защитные меры — например, менять резервы реактивной мощности или временно перенастраивать участки сети. До применения системы в управлении электросетями потребуется дополнительная проверка с энергокомпаниями и на рабочих данных.

Проект связан и с другими исследованиями Microsoft в области ИИ для энергосистем. Открытый пайплайн данных об электросетях предоставил реалистичные модели передающих сетей США, а GridSFM применяет глубокое обучение к задаче оптимального потока мощности переменного тока для быстрого анализа сценариев. Вместе эти проекты могут стать основой более подробных процессов планирования и повышения устойчивости, объединяющих прогнозы угроз, топологию сети и анализ потоков мощности.

Благодарности

Автор благодарит наставников Вэйвэя Яна и Спенсера Фауэрса за помощь на протяжении проекта, а также Эмбер Хоак, Вэйшун Лю и Андреа Бритто — за редакционные и технические замечания.