Um pipeline de aprendizado de máquina desenvolvido na Microsoft Research gera estimativas de risco de corrente geomagneticamente induzida (GIC) específicas por localização para 66.935 subestações nos Estados Unidos continentais. O sistema combina previsões de vento solar com dados geológicos locais para fornecer aos operadores da rede 30 a 60 minutos de aviso antecipado antes que riscos específicos apareçam.
- O pipeline usa um modelo de gradient boosting para estimar dB/dt, a taxa de mudança do campo magnético associada ao risco de GIC.
- Ele alcançou taxas de detecção de 76,5% para eventos maiores (≥10 nT/min), 81,2% para eventos severos (≥20 nT/min) e 64,1% para eventos extremos (≥50 nT/min).
- O preditor AE registrou RMSE de 410,2 nT, enquanto o preditor Dst superou a equação de Burton em 62,2% das horas de pico de atividade.
- A inferência para todas as subestações leva aproximadamente 333 milissegundos, permitindo avaliação rápida de múltiplos cenários.
Essa abordagem permite que as utilities priorizem revisões de engenharia e considerem ações protetivas direcionadas, como ajustar reservas de potência reativa, com base na exposição geográfica precisa.