LONDON (IT BOLTWISE) – Eine KI-Pipeline prognostiziert Risiken durch geomagnetisch induzierte Ströme für 66.935 Umspannwerke in den USA. Sie kombiniert Vorhersagen für AE- und Dst-Indizes mit lokalen Boden- und Netzdaten, um standortspezifische Gefährdungen zu berechnen. In Tests erkannte das System nahezu 80% der relevanten Ereignisse und warnt Netzbetreiber 30 bis 60 Minuten vor dem Auftreten des Risikos. Damit rückt eine präzisere Planung von Schutzmaßnahmen bei extremem Weltraumwetter in greifbare Nähe.
Extremes Weltraumwetter klingt weit weg, kann aber im Stromnetz sehr konkrete Folgen haben. Während des geomagnetischen Sturms im Mai 2024 bereiteten sich Versorger in Nordamerika auf mögliche Auswirkungen vor, weil Aurora-Erscheinungen ungewöhnlich weit außerhalb ihrer typischen Zonen sichtbar waren. Solche Ereignisse können die GPS-Genauigkeit und den Betrieb von Satelliten beeinträchtigen. Für Netzbetreiber ist jedoch vor allem ein zweiter Effekt entscheidend: Starke Sonnenwind- und Magnetfeldschwankungen können Ströme in Übertragungsnetzen induzieren, Anlagen beschädigen und das operative Risiko erhöhen. Der Kern der Herausforderung besteht daher nicht nur darin, dass „ein Sturm kommt“, sondern darin, wann und wo die Belastung am wahrscheinlichsten besonders hoch ausfällt – und zwar früh genug, damit Leitstellen, Instandhaltung und Betriebsführung reagieren können.
Genau hier setzt eine im Umfeld von Microsoft Research entwickelte Maschine-Learning-Pipeline an, die den Risikoausblick auf Umspannwerksebene ausrollt. Laut Beschreibung entstand im Rahmen eines Sommerpraktikums ein System, das für 66.935 Umspannwerke im kontinentalen US-Gebiet standortspezifische Risikoschätzungen liefert. Dabei nutzt es Informationen zum Sonnenwind sowie Prognosen der Indizes Auroral Electrojet (AE) und Disturbance Storm Time (Dst). Entscheidend ist auch, dass die KI nicht allein statistisch arbeitet, sondern physikalisch „eingebettet“ wird: Aus den Vorhersagen wird unter Hinzunahme von geologischen und netztechnischen Eigenschaften die Änderungsrate des Erdmagnetfelds (dB/dt) abgeleitet, die mit dem Risiko für geomagnetisch induzierte Ströme (GIC) zusammenhängt. Der Zeithorizont ist dabei operativ relevant; das System kann Netzbetreiber 30 bis 60 Minuten vor dem Auftreten einer konkreten Gefährdung warnen. In der Evaluation wird zudem betont, dass der komplette Ablauf als End-to-End-Pipeline konzipiert ist, damit Prognose und Risikoableitung nicht in getrennten Werkzeugketten stattfinden müssen.
Technisch wird die Komplexität in drei Stufen übersetzt. Zunächst werden Messdaten aus dem L1-Lagrangepunkt genutzt, um AE- und Dst-Prognosen zu erzeugen, während parallel pro Umspannwerk Merkmale wie Standortdaten und geologische Leitfähigkeit zusammengetragen werden. In der zweiten Stufe kombiniert ein Gradient-Boosting-Modell diese forecast-time Informationen mit den standortbezogenen Eingangsgrößen, um dB/dt als Proxy für GIC-Risiko zu schätzen. Erst danach folgt die dritte Stufe: Die dB/dt-Werte werden in kontinuierliche, standortspezifische Risikoabschätzungen überführt und zu einer großflächigen Bewertung für den Kontinent aggregiert. Eine Besonderheit in der Entwicklungsphase war der Einsatz eines „Systems aus 50 KI-Agents“, das offenbar dabei half, Features, Validierungsstrategien und Modellkonfigurationen über die Pipeline hinweg zu explorieren. Als Datenbasis wurden ausschließlich öffentlich verfügbare Quellen genannt, etwa NASA OMNI sowie aggregierte Daten aus dem Umfeld des Kyoto World Data Center, zusätzlich INTERMAGNET- und USGS-Magnetometermessungen, und für Netzinformationen auf GridSFM-Daten zurückgegriffen. Diese Kombination macht den Ansatz für Entwickler interessant, weil sie zeigt, wie sich öffentlich dokumentierte Datenquellen zu einer belastbaren End-to-End-Workflow-Kette verdichten lassen.
Bei der Bewertung der Komponenten liefert die Beschreibung mehrere konkrete Kennzahlen. Für den AE-Teil, der seltene und besonders intensive geomagnetische Aktivität adressiert, wird berichtet, dass das Modell im Zeitraum 2020 bis 2026 Vorhersagen über nahezu den gesamten beobachteten AE-Bereich erzeugte und dabei mehrere empirische Ansätze auf Basis von Solar-Wind abgelöst haben soll. Für die Vergleichssituation nennt der Text für die „am stärksten“ geomagnetisch aktiven Phasen eine Überlegenheit gegenüber der Burton-Gleichung in 62,2% der einzelnen Stunden. Zusätzlich wird hervorgehoben, dass der KI-Ansatz ein deutlich breiteres Vorhersageraster liefert als Burton-artige Methoden, und dass die Integration in das Gesamtsystem die Erkennung schwerer Ereignisse um 1,2 Prozentpunkte verbesserte, wenn AE-Informationen kombiniert wurden. Der Dst-Predictor liefert demnach ein weiteres Signal zur Abschätzung der großräumigen Sturmstärke, also eine Art „zweite Dimension“ neben dem AE-Fokus auf hochintensive Aktivität.
Im GIC-Risikoteil wurde anders evaluiert, weil es laut Beschreibung kein gleichwertiges, breit eingesetztes operatives System gibt, das eine direkt vergleichbare Berechnung für die Branche als Benchmark liefert. Deshalb wurde das Modell gegen eine einfache lineare Regression getestet. Die Ergebniszahlen sind dabei sehr konkret: Für große Ereignisse (≤ 10 nT/min) erreicht das System eine Erkennungsrate von 76,5%, für schwere Ereignisse (≤ 20 nT/min) 81,2% und für extreme Ereignisse (≤ 50 nT/min) 64,1%. Gleichzeitig steigen die Fehlalarme mit der Sturmstärke an. Genau dieses Muster spiegelt einen klassischen Trade-off wider: Wird das System konservativer, sinkt zwar die Wahrscheinlichkeit verpasster Ereignisse, doch die Anzahl „zu vorsichtiger“ Warnungen steigt. Außerdem variieren die Ergebnisse nach Breitengraden: Die höchsten Erkennungsraten werden bei nördlichen Stationen gemeldet, wo die geomagnetische Aktivität typischerweise stärker ausfällt. Für Entscheider ist das relevant, weil es zeigt, dass die Wirksamkeit nicht gleichmäßig über den geografischen Raum ist und sich aus der Zusammensetzung von Input-Features, geophysikalischen Bedingungen und Modellkalibrierung ergeben kann.
In der finalen Übersetzung wird aus vorhergesagtem geomagnetischem Verhalten eine Karte für dB/dt und damit das GIC-Risiko erstellt, jedoch nicht als „eine Alarmmeldung für alle“, sondern als kontinuierliche Risikoprofile je Standort. Das System kombiniert dafür Sturmbedingungen mit der geologischen Verstärkung, die sich aus der Resistivität des Bodens ergibt: Regionen mit weniger leitfähiger Basis können demnach stärker belastende Effekte erleben als Gebiete mit leitfähigerer Geologie. Für die Anwendung bedeutet das, dass ein Netzbetreiber nicht nur einen allgemeinen Hinweis bekommt, sondern die Wahrscheinlichkeit, dass bestimmte Umspannwerke näher betrachtet werden müssen, stärker priorisieren kann. Die Messung wird außerdem als schnell beschrieben: Alle 66.935 Umspannwerke wurden im gemessenen Inferenzbetrieb in etwa 333 Millisekunden durchgerechnet, sodass mehrere Szenarien in kurzer Zeit bewertet werden können. Wichtig ist dabei auch die Einordnung der Karte als Demonstration, nicht als Protokoll eines live erfassten Ereignisses. Damit bleibt der Transfer in operative Prozesse eine Frage der Validierung, insbesondere mit realen Betriebs- und Messdaten aus Versorgungsunternehmen, bevor man den Schritt in produktive Grid-Operationen automatisiert.
Der Blick über den Einzelfall hinaus zeigt, warum solche Modelle strategisch an Bedeutung gewinnen. Der Ansatz illustriert, wie physics-grounded Machine Learning kurzfristigere und präzisere Risikoabschätzungen unterstützen kann, damit Versorger ihre Engineering-Reviews früher priorisieren oder gezielte Schutzmaßnahmen erwägen, etwa das Anpassen von Reserven im Bereich der Blindleistung oder vorübergehende Netzkonfigurationen. Gleichzeitig nennt die Beschreibung konkrete nächste Entwicklungsrichtungen: Erstens soll der Prognosehorizont erweitert werden, etwa durch Temporal-Transformer-Ansätze, um längerreichende Muster in Solar-Wind-Daten abzubilden und über das aktuelle 30-60-Minuten-Fenster hinauszugehen. Zweitens steht eine internationale Skalierung im Fokus, bei der geologische Bedingungen und Netztopologien in anderen Regionen berücksichtigt werden müssen. Drittens wird die Kopplung an bestehende Entscheidungs- und Prüfroutinen gefordert, bevor höhere Automatisierungsgrade sinnvoll sind. Und schließlich geht es um feinere Granularität: Vom Umspannwerksniveau hin zu asset-spezifischen Charakteristika, damit auch besonders kritische Komponenten stärker differenziert bewertet werden können. Für die Branche ist damit vor allem die Kombination aus Modellgüte, geografischer Modellierung und schneller Inferenz ein Baustein, der sich in Resilienz- und Planungsworkflows integrieren lässt – auch wenn der Weg in den Betrieb noch durch Validierung und Prozessdesign geprägt sein wird.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "KI-Wettervorhersage für Stromnetze: Risiko bis zu 60 Minuten vorher" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "KI-Wettervorhersage für Stromnetze: Risiko bis zu 60 Minuten vorher" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »KI-Wettervorhersage für Stromnetze: Risiko bis zu 60 Minuten vorher« bei Google Deutschland suchen, bei Bing oder Google News!