太陽嵐の30分から60分前に6万6935変電所のリスクを予測するモデル

Microsoft Researchは、太陽風のデータから米国本土にある6万6935変電所の局所的なリスクを算出するmachine learning pipelineを開発した。系統運用者にとって価値があるのはAIを使ったという事実ではなく、場所を特定した30分から60分前の警告だ。

太陽風の観測値が333ミリ秒で変電所リスク地図になる

システムはまず、L1ラグランジュ点の太陽風観測からAE指数とDst指数を予測する。次にgradient boostingモデルが、その予測値を緯度、地質、地盤の導電率、送電網データと組み合わせる。これにより、地磁気誘導電流のリスクに関係する磁場変化率を推定する。

pipelineは公開データだけを使い、6万6935変電所すべての推定を約333ミリ秒で生成する。開発中には50のAI agentも使われ、特徴量、検証方法、モデル設定を探索した。ただし、これらのagentは運用時の予測経路には含まれない。

局所的な地質情報が大陸一色の警報を実務に変える

地磁気嵐の影響は場所ごとに異なる。電気抵抗の高い岩盤は地中電流を増幅し、緯度や送電線の向きも個別設備の曝露を変える。局所予測があれば、無効電力の予備力を確認する場所や、一時的に系統構成を変える場所を運用者が絞り込める。

これは大陸全体への一つの警告より実用的だ。嵐が近づいているという情報から、次の1時間に注意すべき変電所を決めるまでの距離を縮める。

極端な事象では検知率が下がり、誤警報は増える

2020年から2026年の評価で、システムは10 nT/min以上の主要事象を76.5％、20 nT/min以上の深刻な事象を81.2％、50 nT/min以上の極端な事象を64.1％検知した。嵐が深刻になるほど誤警報率も上昇した。地磁気活動が強い北部の観測点で最も高い性能を示した。

最終的なリスク計算には、比較対象となる広く配備済みの運用システムがない。そのため著者は単純な線形回帰をbaselineにした。Microsoftは、系統運用に使う前に、電力会社と実運用データによる追加検証が必要だと明記している。

指令室での実地試験が価値を決める

次の段階として、予測時間の延長、米国外への展開、運用判断への統合、変電所単位から変圧器単位への細分化が挙げられている。どの段階にも、現在の公開データセットにはない情報が必要になる。

最も重要な判断材料は、実際の指令員と並行して行うpilotだ。30分から60分で安全な対応が可能か、誤警報が増えて本当に重要な警告まで無視されないかを確かめる必要がある。

Lilithの判定

太陽嵐はプレスリリースを読まない。指令員に必要なのは30分、具体的な変電所の地図、そして空が少し動くたびに叫ばない警報だ。