Microsoft-Research-Praktikant baut ML-System, das Weltraumwetter-Risiken für Stromnetze vorhersagt

Eine Pipeline vom Sonnenwind bis zum Risiko am Umspannwerk

Das Projekt entstand unter der Leitung von Rohan Kannan während eines Sommerpraktikums bei Microsoft Research. Es adressiert eine bekannte Gefahr: Extreme Weltraumwetter-Ereignisse können in Übertragungsnetzen Ströme induzieren, die Anlagen beschädigen und das Betriebsrisiko erhöhen. Die Quelle verweist auf den geomagnetischen Sturm vom Mai 2024, als sich Netzbetreiber in ganz Nordamerika auf mögliche Auswirkungen vorbereiteten, während Polarlichter weit über ihr übliches Gebiet hinaus zu sehen waren.

Das System arbeitet in drei Stufen. Zunächst werden Sonnenwindmessungen vom Lagrange-Punkt L1 genutzt, um den Auroral Electrojet (AE) und den Disturbance Storm Time (Dst) vorherzusagen; zugleich werden für jedes Umspannwerk geologische Leitfähigkeits- und Standortmerkmale zusammengestellt. Danach kombiniert ein Gradient-Boosting-Modell diese Eingaben, um dB/dt zu schätzen, die Änderungsrate des Magnetfelds, die mit dem Risiko durch geomagnetisch induzierte Ströme (GIC) zusammenhängt. Schließlich werden die Vorhersagen in standortspezifische Risikoschätzungen umgerechnet und zu einer landesweiten Risikobewertung zusammengeführt.

Microsoft Research zufolge halfen 50 KI-Agenten dabei, Merkmale, Validierungsstrategien und Modellkonfigurationen zu untersuchen. Verwendet wurden ausschließlich öffentliche Datenquellen, darunter NASA OMNI und von der NASA aggregierte Daten des Kyoto World Data Center, Magnetometerbeobachtungen von INTERMAGNET und dem U.S. Geological Survey sowie von GridSFM abgeleitete Netzdaten.

Warum der Standort zählt

Die Effekte am Boden hängen stark von den lokalen Bedingungen ab. Laut dem Beitrag können in Regionen mit hochohmigem Grundgestein stärkere GIC auftreten als in Regionen mit besser leitender Geologie. Zudem beeinflussen die Ausrichtung der Übertragungsleitungen, der Breitengrad und weitere Eigenschaften des Stromsystems die Gefährdung einzelner Anlagen.

Statt eine einzige Warnung für das ganze Land auszugeben, verknüpft das System die Sturmbedingungen mit dem Breitengrad und dem geologischen Faktor jedes Umspannwerks. Das Ergebnis ist eine kontinuierliche Risikoschätzung, die Standorte mit geringerem Risiko von Gebieten unterscheiden kann, in denen hochohmige Geologie die Effekte am Boden verstärken kann. Microsoft zufolge lieferte die Pipeline bei der gemessenen Inferenz Schätzungen für alle 66.935 Umspannwerke in rund 333 Millisekunden, sodass sich viele Szenarien schnell durchrechnen lassen.

Die im Beitrag gezeigte landesweite Karte ist eine Demonstration eines repräsentativen Szenarios für einen großen Sturm und keine Aufzeichnung eines realen Ereignisses im laufenden Betrieb.

Ergebnisse der Auswertung

Die Auswertung umfasste die Jahre 2020 bis 2026. Für den AE-Prädiktor nennt der Beitrag einen RMSE von 410,2 nT, niedriger als bei empirischen Referenzmodellen und solchen, die nur auf Sonnenwinddaten beruhen; die Vorhersagen decken nahezu den gesamten beobachteten Bereich der AE-Aktivität ab. Der Dst-Prädiktor erreichte einen RMSE von 7,2 nT und übertraf die Burton-Gleichung in den geomagnetisch aktivsten Phasen in 62,2 % der einzelnen Stunden. In Kombination mit den AE-Vorhersagen verbesserte er die Erkennung schwerer Ereignisse im Gesamtsystem um 1,2 Prozentpunkte.

Für die GIC-Risikostufe gibt es kein breit eingesetztes operatives System, das als direkter Branchenvergleich dienen könnte. Das Modell wurde daher mit einer einfachen linearen Regression verglichen. Die Erkennungsraten lagen bei:

• 76,5 % für große Ereignisse (ab 10 nT/min)
• 81,2 % für schwere Ereignisse (ab 20 nT/min)
• 64,1 % für extreme Ereignisse (ab 50 nT/min)

Die Falschalarmraten stiegen mit der Stärke des Sturms, was der Beitrag als Zielkonflikt zwischen verpassten Ereignissen und vorsorglichen Warnungen beschreibt. Am besten funktionierte die Erkennung an nördlichen Stationen, wo die geomagnetische Aktivität am höchsten ist.

Was das für Netzbetreiber bedeuten könnte

Microsoft Research hält es für möglich, dass frühere, standortspezifische Informationen Netzbetreibern helfen könnten, technische Prüfungen zu priorisieren und gezielte Schutzmaßnahmen zu erwägen, etwa die Anpassung von Blindleistungsreserven oder die vorübergehende Umkonfiguration von Netzteilen. Das Unternehmen betont, dass vor einem Einsatz im Netzbetrieb weitere Validierungen mit Netzbetreibern und Betriebsdaten nötig wären.

Zu den geplanten nächsten Schritten gehören die Ausweitung der Vorhersagehorizonte über die derzeitigen 30 bis 60 Minuten hinaus mit Temporal-Transformer-Ansätzen, die Anpassung des Systems an andere Regionen und Netztopologien, die Integration der Vorhersagen in bestehende Entscheidungsprozesse sowie der Übergang von Risikoschätzungen auf Ebene der Umspannwerke zu solchen auf Transformatorebene. Die Arbeit knüpft zudem an Projekte von Microsoft Research zu KI für Stromsysteme an, darunter GridSFM, das Deep Learning auf den Wechselstrom-Optimal-Power-Flow für schnelle Szenarioanalysen anwendet.