微软研究院实习生构建机器学习流水线，为美国66,935座变电站提供30-60分钟空间天气风险预警，重大事件检出率近80%

构建了一条三阶段端到端流水线：先用L1点太阳风测量预报AE和Dst指数并汇集各变电站的地质电导率与位置特征，再用梯度提升模型估计与GIC风险相关的磁场变化率dB/dt，最后转化为位置特定风险并汇总为大陆尺度风险评估。 以往空间天气预警多停留在全球或区域尺度的风暴强度提示，该工作把预报一路推进到单座变电站的位置特定风险，并明确纳入当地纬度与地质因素。 文中给出三阶段结构（图1）与所用公开数据源（NASA OMNI、NASA汇总的京都世界数据中心数据、INTERMAGNET与美国地质调查局磁力计观测、GridSFM衍生的电网数据），并说明有50个AI代理协助探索特征、验证策略与模型配置。

AE预报器在2020-2026评估期内覆盖了几乎全部观测到的AE活动范围，RMSE为410.2 nT，低于经验方法与仅用太阳风的基线；Dst预报器RMSE为7.2 nT，在最活跃时段于62.2%的逐小时上优于Burton方程，并给出更宽的预测范围，与AE预报结合后使端到端系统的强事件检出率提升1.2个百分点。 相对Burton类经验公式，该模型在峰值活动小时上多数占优，且预测分布更宽，意味着对极端事件有更强的表达能力。 结果以RMSE、逐小时胜率与百分点提升等量化指标呈现，并配有AE与Dst两行结果表；评估期为2020-2026年。

GIC风险阶段因缺乏可直接对标的已部署业务系统，改与简单线性回归比较，取得重大事件（≥10 nT/min）76.5%、严重事件（≥20 nT/min）81.2%、极端事件（≥50 nT/min）64.1%的检出率，虚警率随风暴强度上升，且高纬度北部站点检出率最高。 把预报指标转化为可操作的事件级检出率与虚警权衡，并按纬度呈现性能差异，使风险输出更贴近电网运行关注点。 检出率按三档阈值分别报告（图2），并明确说明虚警率随强度上升、性能随纬度变化；同时说明缺少业务系统基准这一评估背景。

整条流水线在实测推理中约333毫秒内为全部66,935座变电站生成估计，使大量情景可被快速评估；图3以一次代表性大风暴情景展示大陆尺度输出，并明确该图是模型输出的演示而非真实业务事件记录。 把大陆尺度、逐站点的风险制图与秒级以内的推理速度结合，支持从笼统预警走向针对性分析的工作流。 速度以实测推理时间给出，覆盖全部66,935座变电站；图3的性质在文中被明确限定为演示。

该结果面向电网运行与规划场景：为美国本土66,935座变电站提供30-60分钟提前量的位置特定风险估计，服务对象是电网运行人员与规划者，用于把宽泛的空间天气警报转化为哪些地点值得进一步分析的具体判断，并据此优先安排工程审查、考虑调整无功储备或临时重构部分网络。方法层面，它适用于具备公开太阳风与磁力计数据、且有变电站位置与地质电导率信息的区域；作者也提出可扩展到其他地区，但需处理不同的地质条件与电网拓扑。

读者仍需留意几点：GIC风险阶段没有可直接对标的已部署业务系统，只能与简单线性回归比较，因此其相对优势的参照系有限；虚警率随风暴强度上升，漏报与谨慎告警之间存在权衡；性能随纬度变化，北部站点检出率最高。图3被明确标注为模型输出的演示而非真实业务事件记录，因此不能据此判断实际运行表现。作者也指出，在系统用于电网运行之前，还需与电力公司和运行数据进一步验证；未来方向包括用时间Transformer延长预报时效、国际扩展、与电网运行流程整合，以及从变电站级细化到变压器级风险。此外，本次可获取的文本为全文，但未包含图1、图2、图3的具体图形内容，涉及图形细节的判断仍属开放问题。