Wo die Befugnis eines KI-Modells in der Netzplanung enden sollte
Eine Netzanschlussprüfung beginnt mit dem Antrag, ein Projekt an ein Stromnetz anzuschließen. Ein KI-Modell kann dabei helfen, diesen Antrag zu interpretieren. Ich möchte, dass seine Befugnis davon abhängt, welche Frage es tatsächlich beantworten kann. Einen Antrag zu lesen und zu empfehlen, was untersucht werden soll, sind unterschiedliche Aufgaben, selbst wenn eine einzige Benutzeroberfläche beide Ergebnisse darstellt.
Mein gestalterischer Standpunkt ist, dass ein Modell zur Antragserfassung eine Interpretation vorschlagen dürfen sollte, deren Quelle zur Überprüfung einsehbar bleibt. Eine netzbezogene Empfehlung sollte die Berechnung und die Regel beibehalten, durch die sie entstanden ist. Diese Trennung ist von Bedeutung, wenn beide Ausgaben gleichermaßen zuversichtlich klingen, aber auf unterschiedlichen Belegen beruhen. Sie schafft zudem eine strengere Verpflichtung: Wenn die Interpretation falsch ist, benötigt das System einen klar erkennbaren Weg, um die Eingaben zu überarbeiten und die Empfehlung neu zu bewerten.
Ein gut beschriebener Antrag kann dennoch eine Ausbaustudie erfordern
Unsere GridLens-Demo verwendet synthetische Anträge und ein synthetisches Stromnetz, um diese Unterscheidung überprüfbar zu machen. Betrachten wir Tessera Compute, eine hinterlegte 750-MW-Anfrage mit einem hohen Reifegrad-Score gemäß den konfigurierten Erfassungsregeln der Demo. Dieser Score beschreibt die Antragsreife. Er misst nicht die Fähigkeit des Netzes, die Anfrage aufzunehmen.
Im thermischen Gleichstrom-Screening der Demo beträgt die schlechteste zurechenbare Basisfall-Auslastung 92.3% der thermischen Grenze der betreffenden Leitung. Der Basisfall setzt voraus, dass die überwachten Leitungen in Betrieb sind. Fällt eine überwachte Leitung aus, erreicht die schlechteste zurechenbare Auslastung 112.4%. Die konfigurierte Empfehlung lautet dann auf eine Ausbaustudie.
Die numerische Differenz hat innerhalb dieses Modells eine praktische Bedeutung: Ein Ergebnis unterhalb des Grenzwerts im Basisfall klärt den Ausfallfall noch nicht. Der Beleg identifiziert Zweig 548 nach 247 als den am stärksten limitierenden Zweig bei Ausfall der Leitung 1 nach 248. Ein Planer kann den konkreten Netzzustand hinter der Empfehlung anfechten, anstatt über den Tonfall einer Zusammenfassung zu debattieren.
Dies ist eine eingegrenzte Veranschaulichung. Das Screening behandelt angefragte MW als über den Bilanzknoten ausgeglichene Einspeisung, auch bei Großverbraucher-Anträgen; es handelt sich nicht um eine validierte physikalische Lastentnahme-Studie. Es deckt eine ausgewählte Gruppe von Ausfällen nicht-radialer Übertragungsleitungen ab und schließt Wechselspannungs- und Blindleistungs-Machbarkeit, transiente Stabilität sowie Inselnetzbildung aus. Bestehende Überlastungen sind Basisfallbedingungen und keine dem Projekt zugeschriebenen Restriktionen. Selbst ein unkritisches Ergebnis wäre lediglich die Empfehlung für eine Studie, keine Anschlussgenehmigung und kein Befund, dass das gesamte Netz sicher ist.
Innerhalb dieser Grenzen beantwortet das Beispiel dennoch eine nützliche Gestaltungsfrage. Die Ausbauempfehlung erfordert eine Netzberechnung. Eine noch so präzise Darlegung der Standortkontrolle oder der beantragten Kapazität kann den überlasteten Zweig nicht beheben. Würde man dem Erfassungsmodell die Befugnis erteilen, die Empfehlung umzuschreiben, könnte ein Nachweis für eine Frage fälschlicherweise als Beleg für eine andere herhalten.
Der Assistenzfunktion eine klar definierte Wirkung verleihen
GridLens belässt die optionale modellgestützte Extraktion in einer rein beratenden Funktion. Das Gründervideo zeigt eine Analyse, die eine gespeicherte reale Modellantwort wiederverwendet. Sie kann extrahierte Antragsfelder und Reifegrad-Belege sichtbar machen, ändert jedoch weder die gespeicherte Vorprüfungsempfehlung für die Warteschlange noch die Studienreihenfolge. Die vollständige Warteschlangen-Vorprüfung nutzt deterministische Extraktion, Netzberechnungen und konfigurierte Richtlinien; sie beauftragt kein Sprachmodell mit dem planungsbezogenen Urteil.
Ich bevorzuge diese Grenze, weil ein Prüfer so genau nachvollziehen kann, was durch die Assistenzfunktion geändert wurde. Wenn ein Modell neben einem bestehenden Ergebnis eine neue Interpretation vorschlägt, bleibt der Unterschied zur Überprüfung sichtbar. Würde dieselbe Aktion stillschweigend eine gespeicherte Empfehlung ändern, müsste der Prüfer zusätzlich feststellen, welche Eingaben sich geändert haben, ob die Berechnungen wiederholt wurden und welche Version die angezeigte Studienreihenfolge darstellt. Das ist ein weiter reichender Anspruch, als ihn eine Extraktionsantwort aus sich heraus stützen kann.
In einem Planungs-Workflow sind für ein Modell mindestens zwei plausible Rollen denkbar. Es kann ein bereits vorliegendes Ergebnis anhand der hinterlegten Belege erläutern, oder es kann Eingaben für eine neue Berechnung vorschlagen. Beides kann nützlich sein. Die zweite Rolle erfordert einen fundierteren Revisionsprozess, da eine Eingabeänderung das nachgelagerte Ergebnis beeinflussen kann. Ein geänderter Netzverknüpfungspunkt beispielsweise ist nicht bloß ein besser formulierter Satz in einer Antragszusammenfassung; er verändert, an welcher Stelle die Anfrage im Netzmodell abgebildet wird.
Für ein vollständigeres System verlangt mein Gestaltungsmaßstab, diesen Übergang explizit zu machen. Eine vorgeschlagene Korrektur sollte die Quellpassage, den alten Wert und den neuen Wert benennen. Sobald sie den entsprechenden Prüfprozess durchlaufen hat und akzeptiert wurde, sollte sie zur Eingabe für eine separate Berechnung werden, deren Ergebnis mit dem vorherigen verglichen werden kann. Dies ist eine vorgeschlagene Entwurfsanforderung, keine Funktion, die bereits durch die beratende Funktion von GridLens demonstriert wird.
Der Preis dafür sind zusätzlicher Prüfaufwand und Versionsverwaltung. Ein automatisches Überschreiben lässt sich einfacher darstellen und erfordert weniger sichtbare Schritte. Doch es verbirgt genau jene Informationen, die notwendig sind, um zu entscheiden, ob die neue Empfehlung Vertrauen verdient. Ich halte diesen Mehraufwand für gerechtfertigt, wenn die Korrektur die physikalische Fragestellung der Untersuchung verändert.
Eine deterministische Antwort kann präzise falsch sein
Das Modell aus dem eigentlichen Urteil herauszuhalten, reicht für sich allein nicht aus. Eine deterministische Berechnung kann durchgängig mit der falschen Eingabe arbeiten. Die richtige Reaktion auf diese Erschwernis besteht darin, die Eingabe zu prüfen, anstatt Determinismus als Beweis für Korrektheit zu behandeln.
Nehmen wir hypothetisch an, ein Antrag nennt mehrdeutig zwei mögliche Anschlusspunkte. Eine Zusammenfassung könnte einen davon auswählen und überzeugend klingen. Das thermische Screening wiederholt an diesem ausgewählten Punkt durchzuführen, würde die eigentliche Absicht des Antragstellers nicht klären. Diese Mehrdeutigkeit bedarf der Klärung, bevor eine der beiden Berechnungen die beabsichtigte Frage beantworten kann. In GridLens leitet ein ungeklärter Netzverknüpfungspunkt oder eine Extraktionskonfidenz unter dem konfigurierten Schwellenwert von 0.60 die Anfrage an eine menschliche Prüfung weiter. Das ist ein Pfad für ungeklärte Belege, keine abgeschlossene ingenieurtechnische Entscheidung.
Dieselbe Trennung gilt für den Reifegrad. Der Reifegrad-Score der Demo ist eine Heuristik, die aus den Angaben des Antrags abgeleitet wird. Ein hoher Score kann eine thermische Restriktion nicht aufheben, und ein niedriger Score belegt kein Fehlverhalten. Ich erwarte von der Empfehlung, dass sie erklärt, welche Art von Unsicherheit fortbesteht. Fehlende Belege im Antrag erfordern einen anderen nächsten Schritt als eine konkret benannte Überlastung bei einem bestimmten Leitungsausfall.
Aus diesem Grund möchte ich nicht, dass eine einzelne Konfidenzzahl die gesamte Entscheidung trägt. Sie würde Prüfer dazu zwingen zu mutmaßen, ob ein niedriger Wert eine unsichere Extraktion, unvollständige kaufmännische Vorbereitung oder anspruchsvolle Netzbedingungen beschreibt. Hält man diese Fragen getrennt, kann der Prüfer gezielt den Belegen nachgehen, die das Ergebnis tatsächlich verändern könnten.
Die Empfehlung an ihrem Revisionspfad messen
Das GridLens-Erklärstück zeigt den aufgezeichneten Ablauf und dessen Nachweise. Das übergeordnete Gestaltungsmerkmal besteht in der Frage, was sich ändern müsste, damit sich eine Empfehlung ändert: ein korrigiertes Antragsfeld, eine veränderte Netzannahme oder eine andere Untersuchungsrichtlinie. Jedes davon hat einen anderen Ursprung und einen anderen Grund für eine Überprüfung.
Hier ist der Walkthrough des Gründers zu dieser Abgrenzung in GridLens.
Ich beurteile einen KI-gestützten Planungs-Workflow danach, ob er diese Abhängigkeiten sichtbar macht. Eine nützliche Modellantwort kann die Aufmerksamkeit auf eine fehlende Tatsache lenken oder eine Korrektur vorschlagen. Das Vertrauen in eine Planungsempfehlung erfordert jedoch eine Protokollierung der Eingaben, der Berechnung und der Regel, die sie stützen. Das System gewinnt mehr Autorität, wenn ein Prüfer eine Meinungsverschiedenheit genau auf jene Belege zurückführen kann, die sie auflösen würden.
