마이크로소프트, 전력망 우주 기상 위험 예측 머신러닝 시스템 공개

전력망 우주 기상 위험 예측 시스템 도입

마이크로소프트 리서치는 미국 본토 내 66,935개 변전소를 대상으로 우주 기상 위험을 예측하는 머신러닝 시스템을 개발했다. 이 시스템은 태양 활동이 지구 자기장과 전력망에 미치는 영향을 측정하며, 잠재적 영향 발생 30~60분 전에 위치별 위험 추정치를 제공한다. 태양풍 관측, 오로라 일렉트로젯(AE) 및 교란 자기폭풍 시간(Dst) 지수 예측, 물리 기반 제약 조건, 지역 지질학적 전도도, 그리드 인프라 데이터를 결합하여 작동한다.

이 엔드투엔드 예측 파이프라인은 2020년부터 2026년까지의 평가 기간 동안 주요 우주 기상 이벤트의 약 80%를 감지하는 성능을 보였다. 이는 전력망 운영자가 잠재적 위험에 대응할 수 있는 충분한 사전 경고를 제공하여, 장비 손상 및 운영 위험 증가를 초래할 수 있는 지자기 유도 전류(GIC)로부터 인프라를 보호하는 데 기여한다.

우주 기상 위험 예측의 배경과 중요성

2024년 5월 발생한 지자기 폭풍은 오로라가 평소보다 훨씬 넓은 지역에서 관측되는 등 북미 전역의 유틸리티 기업들이 잠재적 영향에 대비하게 했다. 이러한 폭풍은 GPS 정확도와 위성 운영을 저하시켜 북미와 유럽의 농업 운영에 영향을 미쳤다. 현대 사회는 안정적인 전력 공급에 의존하지만, 극심한 우주 기상 현상은 송전망에 지자기 유도 전류를 유발하여 장비를 손상시키고 운영 위험을 증가시킬 수 있다.

우주 기상 예측은 여러 상호 연결된 시스템에 걸쳐 있어 복잡하다. 태양풍은 빠르게 변화하고, 지구 자기권과의 상호작용은 불규칙하며, 그 결과로 발생하는 지상 효과는 지역 조건에 따라 달라진다. 예를 들어, 저항성 기반암을 가진 지역은 전도성이 높은 지질을 가진 지역보다 더 강한 GIC를 경험할 수 있다. 송전선 방향, 위도 및 기타 전력 시스템 특성 또한 개별 자산의 노출에 영향을 미친다. 따라서 단순히 폭풍이 다가오고 있다는 것을 아는 것을 넘어, 언제 어디서 그 영향이 가장 심각할지 충분한 경고와 함께 추정하는 것이 중요하다.

시스템의 구체적인 동작 및 성능

이 예측 파이프라인은 세 단계로 구성된다. 첫째, L1 라그랑주 지점에서 측정된 태양풍 데이터를 사용하여 AE 및 Dst 지수를 예측하고, 각 변전소에 대한 지질학적 전도도 및 위치 특성을 수집한다. 둘째, 그래디언트 부스팅 모델이 이러한 예측된 입력과 위치별 입력을 결합하여 GIC 위험과 관련된 자기장 변화율(dB/dt)을 추정한다. 마지막으로, 결과 예측은 위치별 위험 추정치로 변환되고 대륙 규모의 위험 평가로 집계된다. 이 파이프라인은 기능 탐색, 검증 전략 및 모델 구성에 50개의 AI 에이전트 시스템의 도움을 받았다. 사용된 데이터는 NASA OMNI, NASA가 집계한 교토 세계 데이터 센터 데이터, INTERMAGNET 및 미국 지질 조사국 자력계 관측치, GridSFM에서 파생된 그리드 데이터를 포함한 공개 데이터 소스만을 활용했다.

AE 예측기는 인프라 위험을 유발하는 희귀하고 고강도 지자기 활동을 예측하도록 설계되었다. 2020-2026년 평가 기간 동안 이 모델은 관측된 AE 활동 범위 거의 전체를 포괄하는 예측을 생성했으며, 여러 경험적 태양풍 기반 접근 방식보다 우수한 성능을 보였다. Dst 예측기는 대규모 지자기 폭풍 강도를 설명하는 추가 신호를 제공했다. 2020-2026년 평가 기간 중 가장 지자기 활동이 활발했던 시간의 62.2%에서 머신러닝 모델이 버튼(Burton) 방정식을 능가했으며, 버튼 방식보다 훨씬 넓은 예측 범위를 제공했다. AE 예측과 결합했을 때 엔드투엔드 예측 시스템의 심각한 이벤트 감지율을 1.2%포인트 향상시켰다.

GIC 위험 단계는 다르게 평가되었다. 이 계산에 대한 직접적인 산업 벤치마크를 제공하는 광범위하게 배포된 운영 시스템이 없으므로, 머신러닝 모델은 단순 선형 회귀와 비교되었다. 이 시스템은 주요 이벤트(≥10 nT/min)에 대해 76.5%, 심각한 이벤트(≥20 nT/min)에 대해 81.2%, 극심한 이벤트(≥50 nT/min)에 대해 64.1%의 감지율을 달성했다. 오경보율은 폭풍 심각도에 따라 증가했으며, 이는 놓친 이벤트와 신중한 경고 사이의 균형을 반영한다. 성능은 위도에 따라 달라졌으며, 지자기 활동이 가장 강한 북부 지역 변전소에서 가장 높은 감지율을 보였다. 현재 파이프라인은 측정된 추론 과정에서 66,935개 변전소 전체에 대한 추정치를 약 333밀리초 만에 생성하여, 많은 시나리오를 신속하게 평가할 수 있다.

전력망 운영 및 계획에 미치는 영향

이 시스템은 예측된 지자기 활동을 GIC 노출과 관련된 자기장 변화율(dB/dt)의 위치별 추정치로 변환한다. 미국 본토 전체에 단일 경고를 발행하는 대신, 각 변전소의 위도와 지질학적 요인을 폭풍 조건과 결합한다. 이는 저위험 지역과 저항성 지질이 지상 효과를 증폭시킬 수 있는 지역을 구별할 수 있는 연속적인 위험 추정치를 생성한다. 이를 통해 그리드 운영자나 계획자는 광범위한 우주 기상 경고에서 특정 위치에 대한 보다 집중적인 분석이 필요한 영역으로 전환할 수 있다.

이 연구는 물리 기반 머신러닝이 우주 기상 노출에 대한 보다 구체적이고 시기적절한 평가를 지원할 수 있음을 보여준다. 조기에 위치별 정보를 제공함으로써 유틸리티는 엔지니어링 검토의 우선순위를 정하고, 무효 전력 예비량 조정 또는 네트워크 일부의 일시적 재구성 등 목표화된 보호 조치를 고려할 수 있다. 이 프로젝트는 또한 전력 시스템을 위한 AI에 대한 마이크로소프트 리서치의 광범위한 연구와 연결된다. 개방형 그리드 데이터 파이프라인은 현실적인 미국 송전 모델을 제공했으며, GridSFM은 빠른 시나리오 분석을 위해 AC 최적 전력 흐름에 딥러닝을 적용한다. 이러한 노력들은 위험 예측, 그리드 토폴로지 및 전력 흐름 분석을 결합한 더욱 풍부한 계획 및 복원력 워크플로를 지향한다.

적용 조건과 향후 과제

이 시스템이 그리드 운영에 사용되기 전에 유틸리티 및 운영 데이터와의 추가 검증이 필요하다. 마이크로소프트 리서치는 이 시스템의 확장 및 개선을 위한 여러 가지 향후 과제를 제시한다. 첫째, 현재 30~60분 창을 넘어 태양풍 데이터의 장기 패턴을 포착하는 시간 변환기(temporal-transformer) 접근 방식을 탐색하여 예측 범위를 확장할 계획이다. 둘째, 다양한 지질 조건과 그리드 토폴로지를 고려하여 시스템을 다른 지역으로 국제적으로 확장하는 것을 목표로 한다.

셋째, 자동화 수준을 높이기 전에 예측이 기존 의사결정 및 엔지니어링 검토 워크플로를 어떻게 지원할 수 있는지 평가하여 그리드 운영에 통합하는 방안을 모색한다. 마지막으로, 변전소 수준 추정치를 넘어 중요 장비에 대한 보다 세분화된 평가를 위해 자산별 특성을 추가하여 변압기 수준의 위험을 제공하는 것을 목표로 한다.