Dónde debe terminar la autoridad de un modelo de IA en la planificación de redes eléctricas

Un estudio de interconexión comienza con una solicitud para incorporar un proyecto a una red eléctrica. Un modelo de IA puede ayudar a interpretar esa solicitud. Deseo que su autoridad dependa de la pregunta que realmente puede responder. Revisar una solicitud y recomendar qué estudiar son responsabilidades distintas, incluso cuando una sola interfaz presenta ambos resultados.

Mi postura de diseño es que a un modelo de admisión se le debe permitir proponer una interpretación, con su fuente disponible para inspección. Una recomendación sobre la red debe conservar el cálculo y la regla que la produjeron. Esta separación importa cuando ambos resultados suenan con la misma seguridad pero descansan en evidencias distintas. También crea una obligación más exigente: si la interpretación es incorrecta, el sistema necesita una vía visible para revisar las entradas y reconsiderar la recomendación.

Una solicitud bien descrita aún puede necesitar un estudio de refuerzo

Nuestra demostración de GridLens utiliza solicitudes sintéticas y una red eléctrica sintética para hacer que esta distinción sea inspeccionable. Consideremos Tessera Compute, una solicitud de muestra de 750 MW con una alta puntuación de preparación según las reglas de admisión configuradas en la demo. Esa puntuación describe la preparación de la solicitud. No mide la capacidad de la red para acoger dicha solicitud.

En el cribado térmico en corriente continua de la demo, la peor carga atribuible en el caso base es del 92,3 % del límite térmico de la línea correspondiente. El caso base asume que las líneas monitorizadas están en servicio. Tras retirar de servicio una línea monitorizada, la peor carga atribuible alcanza el 112,4 %. La recomendación configurada pasa a ser un estudio de refuerzo.

La diferencia numérica tiene un significado práctico dentro de este modelo: un resultado por debajo del límite en el caso base no resuelve el caso de contingencia. La evidencia identifica la rama 548 a 247 como la rama limitante más desfavorable, ante la desconexión de la línea 1 a 248. Un planificador puede cuestionar la condición de red específica que sustenta la recomendación en lugar de debatir sobre el tono de un resumen.

Esta es una ilustración acotada. El cribado trata los MW solicitados como una inyección compensada en el nudo slack, incluidas las solicitudes de grandes cargas; no es un estudio validado de retirada física de carga. Cubre un conjunto seleccionado de contingencias de líneas de transporte no radiales y excluye la viabilidad de tensión en CA y de potencia reactiva, la estabilidad transitoria y el funcionamiento en isla. Las sobrecargas existentes son condiciones de partida y no restricciones atribuidas al proyecto. Incluso un resultado favorable constituiría una recomendación de estudio, no un permiso de conexión ni una determinación de que toda la red sea segura.

Dentro de esos límites, el ejemplo sigue respondiendo a una cuestión de diseño útil. La recomendación de refuerzo requiere un cálculo de red. Una explicación más articulada del control del emplazamiento o de la capacidad solicitada no puede resolver la rama sobrecargada. Otorgar al modelo de admisión autoridad para reescribir la recomendación permitiría que la evidencia sobre una cuestión sustituyera a la evidencia sobre otra.

Otorgar a la asistencia un efecto delimitado

GridLens mantiene la extracción opcional asistida por modelos con carácter consultivo. El vídeo del fundador muestra un análisis que reutiliza una respuesta real de modelo guardada. Puede mostrar los campos extraídos de la solicitud y las evidencias de preparación, pero no altera la recomendación guardada del cribado de la cola ni el orden de estudio. El cribado completo de la cola utiliza extracción determinista, cálculos de red y políticas configuradas; no le pide a un modelo de lenguaje que emita el veredicto de planificación.

Prefiero este límite porque un revisor puede distinguir qué cambió la asistencia. Cuando un modelo ofrece una nueva interpretación junto a un resultado existente, la diferencia permanece accesible para su inspección. Si esa misma acción alterase discretamente una recomendación guardada, el revisor también tendría que determinar qué entradas cambiaron, si se repitieron los cálculos y qué versión representa el orden de estudio mostrado. Esa es una pretensión mayor de la que una respuesta de extracción puede sostener por sí sola.

Existen al menos dos funciones plausibles para un modelo en un flujo de trabajo de planificación. Puede explicar un resultado completado utilizando la evidencia conservada, o puede proponer entradas para un nuevo cálculo. Ambas pueden ser útiles. La segunda función exige un proceso de revisión más riguroso porque un cambio en las entradas puede alterar el resultado posterior. Un punto de interconexión modificado, por ejemplo, no es simplemente una frase mejor redactada en el resumen de una solicitud; modifica el lugar donde se representa la solicitud dentro del modelo de red.

Para un sistema más completo, mi estándar de diseño consiste en hacer explícita esa transición. Una corrección propuesta debe identificar el pasaje de origen, el valor anterior y el valor nuevo. Una vez aceptada mediante el proceso de revisión pertinente, debe convertirse en la entrada de un cálculo independiente, cuyo resultado pueda compararse con el anterior. Este es un requisito de diseño propuesto, no una capacidad demostrada por la acción consultiva de GridLens.

El coste reside en la revisión adicional y la gestión de versiones. Una sobrescritura automática resulta más simple de presentar y exige menos pasos visibles. Sin embargo, oculta la información precisa que se necesita para decidir si la nueva recomendación merece confianza. Acepto el trabajo adicional cuando la corrección modifica la cuestión física que se está estudiando.

Una respuesta determinista puede ser exactamente errónea

Mantener el modelo al margen del veredicto no es suficiente por sí solo. Un cálculo determinista puede operar sistemáticamente sobre una entrada errónea. La respuesta adecuada ante esa complicación consiste en inspeccionar la entrada, en lugar de considerar el determinismo como una prueba de corrección.

Supongamos, de forma hipotética, que una solicitud menciona de manera ambigua dos posibles puntos de conexión. Un resumen podría seleccionar uno y sonar convincente. Ejecutar repetidamente el cribado térmico en ese punto seleccionado no resolvería lo que el solicitante pretendía. La ambigüedad requiere una aclaración antes de que cualquiera de los cálculos pueda responder a la pregunta prevista. En GridLens, un punto de interconexión sin resolver o una confianza de extracción por debajo del umbral configurado de 0,60 deriva la solicitud a revisión humana. Esa es una vía para evidencias no resueltas, no una decisión técnica definitiva adoptada por un ingeniero.

La misma separación se aplica a la preparación. La puntuación de preparación de la demo es una heurística derivada de las evidencias de la solicitud. Una puntuación alta no puede anular una restricción térmica, y una puntuación baja no demuestra una irregularidad. Deseo que la recomendación explique qué tipo de incertidumbre persiste. La falta de evidencias en la solicitud exige un paso siguiente diferente al de una sobrecarga concreta bajo una contingencia especificada.

Por esta razón no quiero que una única cifra de confianza cargue con toda la decisión. Obligaría a los revisores a deducir si un valor bajo describe una extracción dudosa, una preparación comercial incompleta o una condición exigente en la red. Mantener esas cuestiones diferenciadas permite al revisor buscar las evidencias que realmente podrían cambiar el resultado.

Juzgar la recomendación por su vía de revisión

El artículo explicativo de GridLens muestra el flujo de trabajo registrado y sus evidencias. El criterio de diseño más amplio consiste en preguntarse qué tendría que cambiar para que una recomendación cambie: un campo corregido de la solicitud, una hipótesis de red diferente o una política de estudio diferente. Cada elemento tiene una procedencia distinta y un motivo diferente de revisión.

Aquí está la guía paso a paso del fundador sobre este límite en GridLens.

Juzgo un flujo de trabajo de planificación asistido por IA según si hace visibles esas dependencias. La respuesta útil de un modelo puede dirigir la atención hacia un dato omitido o proponer una corrección. Confiar en la recomendación de planificación exige un registro de las entradas, el cálculo y la regla que la respaldan. El sistema adquiere mayor autoridad cuando un revisor puede rastrear un desacuerdo hasta la evidencia que lo resolvería.