Deterministische Immunität: Netzresilienz durch Deep AI nach dem iberischen Blackout 2025

Der katastrophale Ausfall des Stromsystems auf der Iberischen Halbinsel am 28. April 2025 stellt einen Wendepunkt in der Geschichte des Managements kritischer Infrastruktur dar. Um 12:33 Uhr MESZ führte eine kaskadierende Ereigniskette zur vollständigen Trennung der spanischen und portugiesischen Stromnetze vom kontinentaleuropäischen Synchrongebiet und zum plötzlichen Verlust von 15 Gigawatt (GW) Erzeugungskapazität innerhalb von fünf Sekunden.¹ Dieses Ereignis, das etwa 60 Millionen Einwohner bis zu zehn Stunden ohne Strom ließ und mehrere Todesfälle im Zusammenhang mit Infrastrukturausfällen nach sich zog, ist eine scharfe Anklage der heutigen Abhängigkeit von veralteten Steuerungsprotokollen und probabilistischen Automatisierungssystemen.³ Während die öffentliche Debatte zunächst über die Instabilität erneuerbarer Energien spekulierte, haben formale Untersuchungen des Verbands Europäischer Übertragungsnetzbetreiber für Elektrizität (ENTSO-E) und von Red Eléctrica de España (REE) eine nuanciertere technische Ursache identifiziert: einen systemischen Zusammenbruch im Blindleistungsmanagement und das Versäumnis von Kraftwerken, dynamische Spannungssteuerungsprotokolle einzuhalten — insbesondere Betriebsverfahren 7.4 (P.O. 7.4).¹

Für Unternehmensführer und Systembetreiber offenbart der Blackout 2025 eine gefährliche technologische Lücke. In einer Ära, in der viele KI-Beratungen auf „Wrapper“-Anwendungen setzen — dünne Schnittstellen über probabilistische Large Language Models (LLMs) wie GPT-4 oder Claude —, zeigt der iberische Vorfall, dass Hochrisiko-Infrastruktur „Deep AI“-Lösungen braucht. Veriprajna positioniert sich an der Spitze dieses Wandels: jenseits des „Trugschlusses der unendlichen Freiheit“ generativer KI hin zu deterministischen, physikinformierten und neuro-symbolischen Architekturen, die Mikrosekunden-Entscheidungen in Umgebungen treffen, in denen Halluzinationen keine bloßen Bugs, sondern geschäftliche und gesellschaftliche Katastrophen sind.⁷ Dieses Whitepaper analysiert die technische Architektur des Kollapses 2025 und skizziert den Rahmen für ein deterministisches Netz-„Immunitäts“-System, das die Wiederholung solcher systemischen Ausfälle verhindern soll.

Die technische Genesis des 15-GW-Kollapses

Die Bedingungen am Morgen des 28. April 2025 waren geprägt von hoher Erneuerbaren-Penetration — kurz vor dem Kollaps 78 % der Erzeugung — bei historisch niedrigem konventionellem Synchronanteil.⁹ Dieses Umfeld, zwar günstig für Dekarbonisierungsziele, reduzierte die natürliche Systemträgheit erheblich und machte das Netz äußerst empfindlich für Spannungs- und Frequenzstörungen.⁹ Gegen etwa 12:00 Uhr begann das System, untersynchrone Schwingungen (SSO) bei Frequenzen von 0,21 Hz und 0,63 Hz zu zeigen.⁴ Diese Schwingungen, ausgelöst durch ungünstige Wechselwirkungen zwischen Generatorregelungen und dem Übertragungsnetz, setzten eine Kette manueller und automatisierter Eingriffe in Gang, die das Spannungsprofil des Systems unbeabsichtigt destabilisierten.⁴

Chronologie der systemischen Degradation und des Ausfalls

Zeit (MESZ)	Ereignisphase	Technischer Mechanismus	Systemwirkung
09:00 - 12:00	Vorwarnung vor dem Vorfall	Abschaltung von Shunt-Reaktoren zur Beherrschung transienter Unterspannungen während der Schwingungen.	Erschöpfung der Blindleistungsaufnahme-Kapazität. 12
12:00 - 12:31	Schwingungsdämpfung	ÜNBs speisten parallele 400-kV-Kreise und schalteten HGÜ-Verbindungen in den Festleistungsmodus.	Reduzierte Systemimpedanz; erhöhte Übertragungsspannungen. 12
12:31 - 12:32	Beobachtbarkeitslücke	Übertragungsspannungen blieben innerhalb der Grenzen (418 kV), doch Kollektor-seitige Spannungen erreichten 242 kV.	Verdeckte Überspannungsverstöße auf Verteilungs-/Kollektorebene. 12
12:33:10	Plötzlicher Kapazitätsverlust	15 GW Erzeugung in 5 Sekunden durch kaskadierende Schutzauslösungen verloren.	60 % der nationalen Gesamtnachfrage instantan verloren. 2
12:33:18	Frequenzkollaps	Systemfrequenz fiel unter 48,0 Hz; automatischer Lastabwurf konnte den Abfall nicht stabilisieren.	Auslösung regionaler Trennung und Blackout. 3
12:33:24	Vollständige Isolation	Endgültige Auslösung der HGÜ- und AC-Kuppelstellen mit Frankreich und Marokko.	Totaler Blackout in Spanien und Portugal. 3

Die kritischste Erkenntnis der Nachanalyse war die „Beobachtbarkeitslücke“. Während die Übertragungsnetzbetreiber (ÜNBs) Hochspannungsleitungen (400 kV) überwachten, begann der Kaskadenausfall auf Kollektorebene in Unterwerken (220 kV).¹² Weil Transformatorstufensteller nicht schnell genug auf die Spannungsanstiege um 12:31 Uhr reagierten, überschritten die internen Anlagenspannungen die Schutzschwellen, obwohl die Daten auf Übertragungsebene noch nominal wirkten.¹² Das unterstreicht den Bedarf an Edge-nativer KI, die nicht von zentralem Polling abhängt, sondern im Millisekundenmaßstab direkt am Erzeugungs- und Verteilungspunkt arbeitet.

Blindleistungsprotokolle und das Versagen symbolischer Durchsetzung

Das zentrale Versagen des Vorfalls 2025 war kein Mangel an verfügbarer Technologie, sondern ein Versagen der Protokolldurchsetzung. Blindleistung ($Q$) ist das Lebensader der Spannungsstabilität. In einem Wechselstromsystem wird die Beziehung zwischen Spannung ($V$), Wirkleistung ($P$), und Blindleistung ($Q$) durch die komplexe Leistungsgleichung $S = P + jQ$ und die entsprechenden Spannungsabfall-Näherungen bestimmt.¹³ Zur Stabilität müssen Kraftwerke ihre Blindleistungsabgabe dynamisch anpassen: Einspeisen zur Spannungsanhebung bei Einbrüchen und Aufnehmen zur Spannungsabsenkung bei Spitzen.¹⁵

In Spanien sind diese Anforderungen in Betriebsverfahren 7.4 (P.O. 7.4) kodifiziert, das verlangt, dass Erzeugungseinheiten dynamische Spannungsregelung leisten, indem sie mindestens 30 % ihrer Maximalleistung als Blindleistung bereitstellen oder aufnehmen können.⁶ Am 28. April benötigte das System massenhafte Blindleistungsaufnahme, um die durch Netzvermaschung und geringe Nachfrage verursachte Spannungsspitze zu kompensieren.¹² Mehrere Erzeugungsanlagen erreichten jedoch ihre gesetzlich geforderten Mindestaufnahmewerte nicht — zu langsam oder gar nicht.¹⁶

Die Anomalie der Blindleistungseinspeisung

Die Untersuchung hob ein besonders eklatantes Versagen hervor: Eine große Erzeugungsanlage nahm Blindleistung nicht auf, wie es der Überspannungszustand des Systems gebot, sondern speiste (injizierte) Blindleistung ins Netz ein.¹⁹ Diese Aktion wirkte als positive Rückkopplung, erhöhte lokale Spannungen weiter und löste Schutzauslösungen benachbarter Generatoren aus.⁴ Dieser Fehlermodus zeigt ein tieferes Problem: Legacy-Proportional-Integral- (PI) und Proportional-Integral-Derivative- (PID) Regler sind auf stationäre Stabilität abgestimmt und scheitern oft an den nichtlinearen, multivariablen Dynamiken eines Netzes unter rascher Schwingungsdämpfung.¹³

Aus Sicht von Veriprajna ist das ein Versagen der „Symbolischen Durchsetzung“. Ein System mit neuro-symbolischer Architektur hätte die Blindleistungseinspeisung physisch blockiert. In einem solchen System könnte der neurale Actor ein Steuersignal auf Basis einer fehlerhaften lokalen Messung vorschlagen, doch die symbolische Logikschicht — programmiert mit den deterministischen Regeln von P.O. 7.4 — würde erkennen, dass $V > V_{max}$ und $dV/dt > 0$, und damit unabhängig vom Output der neuralen Schicht einen verpflichtenden Aufnahmebefehl erzwingen.⁷

Die Grenzen probabilistischer KI und wrapperbasierter Lösungen

Der Boom des Unternehmensinteresses an KI hat zur Verbreitung von LLM-Wrappern geführt — Anwendungen, die eine Drittanbieter-API (OpenAI, Anthropic, Google) zur Datenverarbeitung nutzen. Diese Modelle sind hervorragend in der natürlichen Sprachverarbeitung, aber fundamental probabilistisch und nicht deterministisch.⁷ Sie operieren auf statistischen Korrelationen statt auf den Gesetzen der Physik. Im Kontext des Blackouts vom 28. April hätte ein probabilistisches KI-Modell zur Netzüberwachung drei kritische Fehlermodi gezeigt:

1. Halluzination physikalischer Zustände: Probabilistische Modelle optimieren auf den plausibelsten Output. In einer Netzkrise könnte ein LLM melden, „Spannungsniveaus stabilisieren sich“, gestützt auf historische Muster der Schwingungserholung — selbst wenn Echtzeit-Sensordaten eine divergierende Überspannungskaskade anzeigen.⁷
2. Inferenzlatenz: Wrapper-basierte KI stützt sich auf Cloud-Verarbeitung und API-Aufrufe und führt Latenzen von 500 ms bis zu mehreren Sekunden ein.⁷ Bei einem 15-GW-Verlustereignis, bei dem die Frequenz in unter fünf Sekunden kritische Schwellen unterschreitet, ist eine Subsekunden-Reaktion Pflicht. Veriprajnas Edge-native Inferenz erreicht Latenzen unter 0,7 ms und ermöglicht Korrektur, bevor die Kaskade abgeschlossen ist.²²
3. Mangel an formaler Verifikation: LLMs lassen sich nicht formal verifizieren, physikalische Gesetze wie Kirchhoffs Spannungsgesetz (KVL) oder die Swing-Gleichung einzuhalten. Sie sind „Black Boxes“, die „wahrscheinlich“ und „korrekt“ gleichsetzen.⁷ Veriprajnas Deep-AI-Architektur nutzt Physics-Informed Neural Networks (PINNs), bei denen die Verlustfunktion selbst durch die mathematischen Modelle des Stromnetzes beschränkt ist.²²

Leistungsvergleich: Steuerungsparadigmen

Steuerungsparadigma	Logiktyp	Latenz	Zuverlässigkeit in Extremsituationen	Protokollkonformität
Legacy PI/PID	Linear/Analog	Mikrosekunden	Niedrig (feste Abstimmung scheitert bei nichtlinearen Ereignissen)	Manuell/Statisch
LLM Wrappers	Probabilistisch	> 500 ms	Nicht vorhanden (Halluzinationsrisiko)	Plausibilitätsbasiert
Deep AI (PINN)	Physik-deterministisch	< 1 ms	Hoch (eingebettete physikalische Gesetze)	Echtzeit / Dynamisch
Neuro-Symbolic	Deterministische Logik	< 10 ms	Hoch (Regeln physisch durchgesetzt)	Hart kodiert symbolisch

Veriprajnas Lösungsarchitektur: Engineering der Netzimmunität

Um die durch den iberischen Blackout offengelegten Schwachstellen zu adressieren, schlägt Veriprajna eine mehrschichtige Deep-AI-Architektur vor, die die Anpassungsfähigkeit neuronaler Netze mit der Strenge symbolischer Logik und der Gewissheit physikalischer Gesetze verbindet. Das System soll „Deterministische Immunität“ liefern — einen Zustand, in dem die Steuerungsschicht des Netzes physisch unfähig ist, eine Handlung auszuführen, die Sicherheitsprotokolle oder physikalische Konstanten verletzt.

Schicht 1: Physics-Informed Neural Networks (PINNs) für Millisekunden-Steuerung

PINNs sind die Evolution neuronaler Architektur für cyber-physische Systeme. Statt allein aus historischen Daten zu lernen, betten PINNs die Differentialgleichungen der Kraftwerksdynamik direkt in den Trainingsprozess ein.²² Für einen netzbildenden Wechselrichter wird das PINN mit der Swing-Gleichung als Verlustbeschränkung trainiert:

$$M_i \frac{d\omega_i}{dt} = P_{set,i} - P_i - D_i(\omega_i - \omega_{ref})$$

Wobei $M_i$ die virtuelle Trägheit darstellt und $D_i$ die Dämpfung darstellt.²² Indem das Residuum dieser Gleichung während der Inferenz minimiert wird, stellt das PINN sicher, dass seine Steuerungsausgaben für Frequenz und Spannung physikalisch konsistent sind. Beim Ereignis 2025 hätte ein PINN-Regler im Unterwerk Granada die untersynchronen Schwingungen nicht als Rauschen, sondern als dynamischen Verstoß erkannt und aktive Dämpfung bis zu 87-mal schneller als konventionelle Optimierungsverfahren geliefert.²⁴

Schicht 2: Neuro-symbolische Protokolldurchsetzung

Das Versäumnis der Kraftwerke, P.O. 7.4 zu folgen, war im Kern ein Versagen von „Weisheit“ (Prajna) — der Fähigkeit, Kontext und Regeln auf Rohdaten anzuwenden. Veriprajnas neuro-symbolische „Sandwich“-Architektur trennt den „Geschmack“ neuraler Verarbeitung (Intuition) von der „Mechanik“ symbolischer Logik (Regeln).⁷

In diesem Rahmen fungiert die symbolische Schicht als Torwächter. Für das iberische Netz kodieren wir das gesamte P.O. 7.4 und die ICS-Methodik in eine formale DSL (Domain Specific Language).⁷ Erkennt ein Sensor eine Überspannung, löst die symbolische Engine einen verpflichtenden Zustand „Blindleistungsaufnahme“ aus. Jedes Steuersignal des neuronalen Netzes, das Blindleistungseinspeisung vorschlägt, wird physisch durch eine „konstitutionelle Guardrail“ blockiert.⁷ So wird der Vorfall, bei dem eine Anlage Blindleistung „einspeiste statt aufzunehmen“, zur physischen Unmöglichkeit.¹⁹

Schicht 3: Edge-native NGC (Neural Grid Controllers)

Um die „Beobachtbarkeitslücke“ zu schließen, muss die Intelligenz vom Leitstand des ÜNB zum Transformator auf Kollektorseite wandern.¹² Veriprajnas NGCs sind spezialisierte Edge-Computing-Geräte, die hochauflösende Synchro-Wellenform-Messungen durchführen.²⁵ Diese Geräte führen alle 100 Millisekunden eine kontinuierliche Optimierungsschleife aus, fragen lokale Vorhersagemodelle für die nächsten 4 Produktionsstunden ab und führen gleichzeitig Wechselrichterbefehle aus, um die lokale Spannungsstabilität innerhalb von $\pm 0.02$ pro Einheit (pu) zu halten.²³

Schicht 4: Multi-Agent Reinforcement Learning (MARL) für Netzwiederaufbau

Die 24-stündige Wiederaufbauphase des iberischen Netzes wurde durch die Komplexität manueller Schwarzstart-Verfahren behindert.⁴ Veriprajna nutzt Agentic AI auf Basis des RL2Grid-Benchmarks, um den Netzwiederaufbau zu automatisieren.²⁷ Diese Agenten arbeiten in einem hierarchischen Rahmen:

• Lokale Agenten: Verwalten einzelne Strominseln und stellen sicher, dass Schwarzstart-Einheiten (wie das Wasserkraftwerk Castelo de Bode) keinen Spannungskollaps erleben, wenn Lasten wieder zugeschaltet werden.²⁷
• Koordinierende Agenten: Überwachen die Synchronisation der Inseln und führen Echtzeit-Topologie-Rekonfiguration durch, um die kumulativ verfügbare Reserve über Übertragungsleitungen zu optimieren.²⁷

Während der Erholung 2025 hätte dieses System die 900 MW aus Marokko und die 2 GW aus Frankreich autonom an die prioritären „Inseln“ geroutet und zugleich deterministisches Gleichgewicht gehalten — und den 24-Stunden-Ausfall voraussichtlich auf ein 4-Stunden-Wiederherstellungsfenster verkürzt.⁹

Regulatorische Compliance und der EU AI Act

Da Netzsteuerungstechnologie unter dem EU AI Act als „kritische Infrastruktur“ gilt, sind Transparenz und Erklärbarkeit nicht optional.³¹ Wrapper-basierte Lösungen scheitern an diesem Test, weil sie keine „Ursache“ für ihre Vorhersagen liefern können. Veriprajnas neuro-symbolische KI liefert menschlich verständliche Entscheidungsspuren.²⁰

Bei einem automatisierten Eingriff erzeugt das System einen Audit Trail:

• Auslöser: Erkennung von 0,63 Hz SSO über die neurale Schicht.
• Constraint-Verletzung: Dynamische Spannungsgrenze nach P.O. 7.4 (435 kV) überschritten.
• Aktion: Symbolische Schicht erzwang verpflichtende $Q$-Absorption (30 % von $P_{max}$).
• Ergebnis: Spannung bei 418 kV stabilisiert; Auslösung auf Kollektorseite verhindert.

Dieser Detailgrad erfüllt die Anforderungen der ICS-Methodik und der Hochrisiko-Klassifikationen des EU AI Act und liefert ÜNBs die „verifizierbare Wahrheit“, die für rechtliche und operative Verantwortlichkeit nötig ist.¹

Strategischer Umsetzungsfahrplan für Netzimmunität

Der Übergang von Legacy-Systemen zu einem Deep-AI-gestützten Netz erfordert einen phasenweisen Ansatz, der unmittelbare Risikominderung mit langfristiger Infrastrukturmodernisierung balanciert.

Phase 1: Hochauflösende Beobachtbarkeit und Digital-Twin-Integration (0–6 Monate)

Der erste Schritt konzentriert sich auf den Einsatz hochauflösender Synchro-Wellenform-Sensoren auf Kollektorebene aller Erzeugungsanlagen. Diese Daten speisen einen Smart Grid Digital Twin (SGDT), der als „Flugsimulator“ für das Netz dient.³³ Durch DNNs im digitalen Zwilling können Ingenieure verdeckte Überspannungsverstöße überwachen — genau den Mechanismus, der die iberische Kaskade unerkannt ließ, bis es zu spät war.¹²

Phase 2: Einsatz neuro-symbolischer Guardrails (6–18 Monate)

Die zweite Phase umfasst den Einsatz symbolischer Regelengines auf bestehender Steuerungshardware. Diese Engines wirken als „Safety Firewall“ und überwachen den Output heutiger PID- und AGC-Systeme (Automatic Generation Control). Versucht ein Legacy-System, bei Überspannung Blindleistung einzuspeisen — wie im Blackout 2025 —, fängt die neuro-symbolische Guardrail den Befehl ab und korrigiert ihn nach den deterministischen Regeln von P.O. 7.4.⁷

Phase 3: Edge-native PINN-Steuerung für inverterlastige Knoten (18–36 Monate)

Die letzte Phase zielt auf den Ersatz von Legacy-Reglern in Wind- und Solarparks durch Veriprajnas Neural Grid Controllers (NGCs). Diese Geräte ermöglichen netzbildende Fähigkeiten und aktive Dämpfung untersynchroner Schwingungen mit PINN-Architekturen.²² Diese Stufe wandelt das Netz von einem reaktiven System, das auf Ausfälle reagiert, in ein Immunsystem, das Störungen präventiv mit der Geschwindigkeit der Elektrizität stabilisiert.

Fazit: Der souveräne Imperativ für Deep AI

Der iberische Blackout vom 28. April 2025 war kein Versagen der Erneuerbaren, sondern ein Versagen der Intelligenz. Er zeigte die Gefahr, Energieflüsse des 21. Jahrhunderts mit Steuerungsprotokollen des 20. Jahrhunderts und frühphasiger probabilistischer Automatisierung zu managen. Der plötzliche Verlust von 15 GW und der anschließende ganztägige Ausfall in Spanien und Portugal zeigen, dass kritische Infrastruktur eine Gewissheit braucht, die LLM-Wrapper und Legacy-Regler schlicht nicht liefern können.

Veriprajnas Mission ist, diese Gewissheit zu konstruieren. Indem wir die Gesetze der Physik direkt in neurale Architekturen integrieren und regulatorische Protokolle durch deterministische symbolische Logik durchsetzen, öffnen wir den Weg zu einem Netz, das nicht nur „smart“, sondern fundamental immun gegen Kaskadenausfälle ist. Für den modernen Versorger geht die Wahl nicht mehr zwischen konventioneller und erneuerbarer Energie, sondern zwischen probabilistischer Verwundbarkeit und deterministischer Resilienz. Der Blackout 2025 war ein Weckruf; Deep AI ist die Antwort.

In High-Stakes-Unternehmensumgebungen gibt es keinen Raum für „wahrscheinlich“ oder „plausibel“. Es gibt nur die Anforderung der Wahrheit. Veriprajna liefert diese Wahrheit und stellt sicher, dass das Licht nicht anbleibt, weil wir es hofften — sondern weil wir es so konstruiert haben, dass es physisch unfähig ist, auszugehen.

Literaturverzeichnis

1. 28 April 2025 Blackout - ENTSO-e, abgerufen am 9. Februar 2026, https://www.entsoe.eu/publications/blackout/28-april-2025-iberian-blackout/
2. Blackout and System Restoration on the Iberian Peninsula on April ..., abgerufen am 9. Februar 2026, https://www.ees.tf.fau.de/files/2025/05/Blackout_ES_PT_FR_28_04_2025_en.pdf
3. 2025 Iberian Peninsula blackout - Wikipedia, abgerufen am 9. Februar 2026, https://en.wikipedia.org/wiki/2025_Iberian_Peninsula_blackout
4. Future-Proofing GB's Power System: Reflections on the April 2025 Iberian Event Summary, abgerufen am 9. Februar 2026, https://www.neso.energy/document/368991/download
5. The Iberian Blackout: Not a Failure of Renewables - A Wake-Up Call for Grid Resilience, abgerufen am 9. Februar 2026, https://www.ren21.net/the-iberian-blackout-not-a-failure-of-renewables-a-wake-up-call-for-grid-resilience/
6. Red Eléctrica presents its report on the incident of 28 April and ..., abgerufen am 9. Februar 2026, https://www.ree.es/en/press-office/news/press-release/2025/06/red-electrica-presents-report-incident-28-april-and-proposes-recommendations
7. Veriprajna - Neuro-Symbolic AI Systems, abgerufen am 9. Februar 2026, https://veriprajna.com/
8. Industries We Serve - Veriprajna, abgerufen am 9. Februar 2026, https://veriprajna.com/industries
9. The Iberian Peninsula Blackout — Causes, Consequences, and Challenges Ahead, abgerufen am 9. Februar 2026, https://www.bakerinstitute.org/research/iberian-peninsula-blackout-causes-consequences-and-challenges-ahead
10. Analysis of events leading to the peninsular blackout of April 28, 2025, abgerufen am 9. Februar 2026, https://compass-lexecon.files.svdcdn.com/production/editorial/2025/08/20250728_CL-Blackout-Spain_en.v2.pdf?dm=1754394585
11. Analysis of events leading to the peninsular blackout of April 28, 2025 - aelec, abgerufen am 9. Februar 2026, https://aelec.es/wp-content/uploads/2025/07/20250730_CL_INESCTEC_Blackout_full-report_en.pdf
12. The Iberian Blackout: A Black Swan or a Gray Rhino? † A Thorough Power System Analysis - arXiv, abgerufen am 9. Februar 2026, https://arxiv.org/html/2511.17433v1
13. Impact of Reactive Power Generation and Absorption on Voltage Regulation. A case study in an Industrial Power System - International Journal of Engineering Research & Technology, abgerufen am 9. Februar 2026, https://www.ijert.org/impact-of-reactive-power-generation-and-absorption-on-voltage-regulation-a-case-study-in-an-industrial-power-system
14. Voltages and Reactive Power Controls in Power System Network Using Automatic Voltage Regulator (Avr) and Static Var Compensator - IOSR Journal, abgerufen am 9. Februar 2026, http://iosrjournals.org/iosr-jeee/Papers/Vol11%20Issue%201/Version-2/D011122934.pdf
15. The Importance of Reactive Power in Power System Network, abgerufen am 9. Februar 2026, https://www.elprocus.com/importance-of-reactive-power-in-power-system-network/
16. Red Eléctrica authorises the first renewables that can contribute to dynamic voltage control, abgerufen am 9. Februar 2026, https://www.ree.es/en/press-office/news/press-release/2025/10/redelectrica-authorises-first-renewables-can-contribute-dynamic-voltage-control
17. ARTIFICIAL INTELLIGENCE DRIVEN OPTIMIZATION OF PV STATCOM PI CONTROLLERS FOR REGULATORY COMPLIANT POWER QUALITY IN MOROCCAN DIST, abgerufen am 9. Februar 2026, http://www.jatit.org/volumes/Vol103No16/3Vol103No16.pdf
18. Spanish grid operator authorizes renewables for dynamic voltage control - PV Magazine, abgerufen am 9. Februar 2026, https://www.pv-magazine.com/2025/10/30/spanish-grid-operator-authorizes-renewables-to-provide-dynamic-voltage-control/
19. Madrid | Lucas Laursen, abgerufen am 9. Februar 2026, https://lucaslaursen.com/category/datelines/madrid/
20. Neuro-Symbolic AI for Explainable Decision-Making in Autonomous Grid Operations - Preprints.org, abgerufen am 9. Februar 2026, https://www.preprints.org/manuscript/202508.0747/v1/download
21. Agentic AI: A Comprehensive Survey of Architectures, Applications, and Future Directions, abgerufen am 9. Februar 2026, https://arxiv.org/html/2510.25445v1
22. Physics-Informed Neural Networks (PINNs) for Real-Time Grid ..., abgerufen am 9. Februar 2026, https://www.preprints.org/manuscript/202507.0721
23. Physics-Informed Neural Networks (PINNs) for Real-Time Grid-Forming Inverter Control: Embedding Physical Laws into Deep Learning Models | Sciety, abgerufen am 9. Februar 2026, https://sciety.org/articles/activity/10.20944/preprints202507.0721.v1
24. Physics-Informed Neural Networks for Power Systems - DTU Research Database, abgerufen am 9. Februar 2026, https://orbit.dtu.dk/files/215621776/1911.03737_1_.pdf
25. Grid Monitoring with Synchro-Waveform and AI Foundation Model Technologies - arXiv, abgerufen am 9. Februar 2026, https://arxiv.org/html/2403.06942v2
26. The Neural Grid: A Novel Architecture for Powering AI Through Millions of Homeowner Micro-Grids | by Brian Curry | Dec, 2025 | Medium, abgerufen am 9. Februar 2026, https://medium.com/@brian-curry-research/the-neural-grid-a-novel-architecture-for-powering-ai-through-millions-of-homeowner-micro-grids-8347e80323f7
27. RL2Grid: Benchmarking Reinforcement Learning in Power Grid Operations - arXiv, abgerufen am 9. Februar 2026, https://arxiv.org/html/2503.23101v1
28. Agentic AI: The next evolution in enterprise automation - Grid Dynamics, abgerufen am 9. Februar 2026, https://www.griddynamics.com/blog/agentic-ai-strategy
29. INVESTIGATION INTO THE IBERIAN BLACKOUT OF 28 APRIL 2025 - ERSE, abgerufen am 9. Februar 2026, https://www.erse.pt/media/qovd5vgq/ersexplica25_vfinal-en.pdf
30. LEMAD: LLM-Empowered Multi-Agent System for Anomaly Detection in Power Grid Services, abgerufen am 9. Februar 2026, https://www.mdpi.com/2079-9292/14/15/3008
31. Sustainable AI and the rise of the energy-efficient data center | AMD, abgerufen am 9. Februar 2026, https://www.amd.com/content/dam/amd/en/documents/epyc-business-docs/white-papers/sustainable-ai-rise-of-energy-efficient-data-center-tech-target-report.pdf
32. VDE ETG: Better management of complexity in the power grid with AI, abgerufen am 9. Februar 2026, https://www.vde.com/en/press/press-releases/ai-grid-control-technology
33. Deep Neural Networks in Smart Grid Digital Twins: Evolution, Challenges, and Future Outlooks - ResearchGate, abgerufen am 9. Februar 2026, https://www.researchgate.net/publication/393424486_Deep_Neural_Networks_in_Smart_Grid_Digital_Twins_Evolution_Challenges_and_Future_Outlooks