Immunité déterministe : ingénierie de la résilience du réseau grâce à la Deep AI après le black-out ibérique de 2025

La panne catastrophique du système électrique survenue dans la péninsule Ibérique le 28 avril 2025 constitue un moment fondateur dans l'histoire de la gestion des infrastructures critiques. À 12 h 33 CEST, une séquence d'événements en cascade a entraîné la déconnexion totale des réseaux électriques espagnol et portugais de la zone synchrone continentale européenne, précipitant une perte soudaine de 15 gigawatts (GW) de capacité de production en un intervalle de cinq secondes.¹ Cet événement, qui a privé d'électricité environ 60 millions d'habitants pendant jusqu'à dix heures et a entraîné plusieurs décès liés à la défaillance d'infrastructures, constitue une mise en accusation sévère de la dépendance actuelle aux protocoles de contrôle hérités et aux systèmes d'automatisation probabilistes.³ Si le discours public initial a spéculé sur l'instabilité des sources d'énergie renouvelable, les enquêtes formelles du European Network of Transmission System Operators for Electricity (ENTSO-E) et de Red Eléctrica de España (REE) ont identifié une cause racine technique plus nuancée : une rupture systémique dans la gestion de la puissance réactive et l'échec des centrales à respecter les protocoles de contrôle dynamique de tension, en particulier la procédure d'exploitation 7.4 (P.O. 7.4).¹

Pour les dirigeants d'entreprise et les opérateurs de système, le black-out de 2025 met en évidence un écart technologique dangereux. À une époque où de nombreux cabinets de conseil en IA se concentrent sur des applications « enveloppe » — des interfaces minces sur des grands modèles de langage (LLM) probabilistes comme GPT-4 ou Claude —, l'incident ibérique démontre que les infrastructures à enjeux élevés exigent des solutions de « Deep AI ». Veriprajna se positionne à l'avant-garde de ce virage, allant au-delà du « sophisme de la liberté infinie » de l'IA générative pour fournir des architectures déterministes, informées par la physique et neuro-symboliques, capables de décisions à l'échelle de la microseconde dans des environnements où les hallucinations ne sont pas de simples bogues, mais des catastrophes économiques et sociétales.⁷ Ce livre blanc analyse l'architecture technique de l'effondrement de 2025 et présente le cadre d'un système d'« immunité » déterministe du réseau conçu pour prévenir la récurrence de telles défaillances systémiques.

Genèse technique de l'effondrement de 15 GW

Les conditions du matin du 28 avril 2025 se caractérisaient par une forte pénétration renouvelable — représentant 78 % de la production peu avant l'effondrement — associée à des niveaux historiquement bas de production synchrone conventionnelle.⁹ Cet environnement, bien que favorable aux objectifs de décarbonation, a réduit de manière significative l'inertie naturelle du système, rendant le réseau extrêmement sensible aux perturbations de tension et de fréquence.⁹ Vers 12 h 00 environ, le système a commencé à présenter des oscillations sous-synchrones (SSO) aux fréquences de 0,21 Hz et 0,63 Hz.⁴ Ces oscillations, déclenchées par des interactions adverses entre les systèmes de contrôle des générateurs et le réseau de transport, ont initié une séquence d'interventions manuelles et automatisées qui ont déstabilisé par inadvertance le profil de tension du système.⁴

Chronologie de la dégradation systémique et de la défaillance

Heure (CEST)	Phase de l'événement	Mécanisme technique	Impact sur le système
09:00 - 12:00	Alerte pré-incident	Déconnexion de réactances shunt pour gérer les sous-tensions transitoires pendant les oscillations.	Épuisement de la capacité d'absorption de puissance réactive. 12
12:00 - 12:31	Amortissement des oscillations	Les TSO ont mis sous tension des circuits parallèles 400 kV et basculé les liaisons HVDC en mode puissance fixe.	Impédance du système réduite ; tensions de transport élevées. 12
12:31 - 12:32	Écart d'observabilité	Les tensions de transport sont restées dans les limites (418 kV), mais les tensions côté collecteur ont atteint 242 kV.	Violations de surtension masquées aux niveaux distribution/collecteur. 12
12:33:10	Perte soudaine de capacité	15 GW de production perdus en 5 secondes sous l'effet de déclenchements de protection en cascade.	60 % de la demande nationale totale perdue instantanément. 2
12:33:18	Effondrement de la fréquence	La fréquence du système est tombée sous 48,0 Hz ; le délestage automatique de charge n'a pas réussi à stabiliser la chute.	Déclenchement de la séparation régionale et du black-out. 3
12:33:24	Isolation totale	Déclenchement final des interconnexions HVDC et CA avec la France et le Maroc.	Black-out total en Espagne et au Portugal. 3

La révélation la plus critique de l'analyse post-événement a été l'« écart d'observabilité ». Alors que les opérateurs de système de transport (TSO) surveillaient les lignes haute tension (400 kV), la défaillance en cascade s'est initiée aux postes du niveau collecteur (220 kV).¹² Parce que les changeurs de prises des transformateurs ne se sont pas ajustés assez rapidement aux hausses de tension de 12 h 31, les tensions internes des centrales ont dépassé les seuils de protection alors même que les données au niveau transport paraissaient nominales.¹² Cela souligne le besoin d'une IA native en périphérie qui ne repose pas sur un sondage centralisé, mais opère à l'échelle de la milliseconde directement au point de production et de distribution.

Protocoles de puissance réactive et échec de l'application symbolique

La défaillance centrale de l'incident de 2025 n'était pas un manque de technologie disponible, mais un échec d'application des protocoles. La puissance réactive ($Q$) est le sang vital de la stabilité de tension. Dans un système CA, la relation entre la tension ($V$), la puissance active ($P$), et la puissance réactive ($Q$) est régie par l'équation de puissance complexe $S = P + jQ$ et les approximations correspondantes de chute de tension.¹³ Pour maintenir la stabilité, les centrales doivent ajuster dynamiquement leur production de puissance réactive : l'injecter pour relever la tension lors des creux et l'absorber pour l'abaisser lors des pics.¹⁵

En Espagne, ces exigences sont codifiées dans la procédure d'exploitation 7.4 (P.O. 7.4), qui impose aux unités de production d'assurer un contrôle dynamique de tension en maintenant la capacité de fournir ou d'absorber une puissance réactive équivalente à au moins 30 % de leur puissance maximale.⁶ Le 28 avril, le système exigeait une absorption massive de puissance réactive pour contrer le pic de tension provoqué par le maillage du réseau et une demande faible.¹² Cependant, plusieurs installations de production n'ont pas atteint leurs valeurs minimales d'absorption légalement requises, répondant trop lentement ou pas du tout.¹⁶

L'anomalie de l'injection de puissance réactive

L'enquête a mis en lumière une défaillance particulièrement grave où une grande installation de production, au lieu d'absorber de la puissance réactive comme le dictait l'état de surtension du système, a en réalité ajouté (injecté) de la puissance réactive dans le réseau.¹⁹ Cette action a agi comme une boucle de rétroaction positive, élevant encore davantage les tensions locales et provoquant le déclenchement des protections des générateurs adjacents.⁴ Ce mode de défaillance spécifique révèle un problème plus profond : les contrôleurs proportionnels-intégraux (PI) et proportionnels-intégraux-dérivés (PID) hérités sont réglés pour la stabilité en régime permanent et échouent souvent à gérer la dynamique non linéaire et multi-variables d'un réseau soumis à un amortissement rapide d'oscillations.¹³

Du point de vue de Veriprajna, cela représente un échec de l'« application symbolique ». Un système régi par une architecture neuro-symbolique aurait physiquement bloqué l'injection de puissance réactive. Dans un tel système, l'acteur neuronal pourrait suggérer un signal de contrôle fondé sur une lecture locale défectueuse, mais la couche de logique symbolique — programmée avec les règles déterministes de la P.O. 7.4 — identifierait que $V > V_{max}$ et $dV/dt > 0$, imposant ainsi une commande d'absorption obligatoire indépendamment de la sortie de la couche neuronale.⁷

Les limites de l'IA probabiliste et des solutions fondées sur des enveloppes

L'essor de l'intérêt des entreprises pour l'IA a entraîné la prolifération d'enveloppes LLM — des applications qui utilisent une API tierce (OpenAI, Anthropic, Google) pour traiter les données. Bien que ces modèles excellent en traitement du langage naturel, ils sont fondamentalement probabilistes et non déterministes.⁷ Ils opèrent sur des corrélations statistiques plutôt que sur les lois de la physique. Dans le contexte du black-out du 28 avril, un modèle d'IA probabiliste utilisé pour la surveillance du réseau aurait présenté trois modes de défaillance critiques :

1. Hallucination d'états physiques : Les modèles probabilistes optimisent pour la sortie la plus plausible. Lors d'une crise réseau, un LLM pourrait rapporter que « les niveaux de tension se stabilisent » sur la base de schémas historiques de récupération d'oscillations, même si les données capteurs en temps réel indiquent une cascade de surtension divergente.⁷
2. Latence d'inférence : L'IA fondée sur des enveloppes s'appuie sur un traitement cloud et des appels d'API, qui introduisent des latences de l'ordre de 500 ms à plusieurs secondes.⁷ Dans un événement de perte de 15 GW où la fréquence chute sous les seuils critiques en moins de cinq secondes, une réponse infra-seconde est obligatoire. L'inférence native en périphérie de Veriprajna atteint des latences inférieures à 0,7 ms, permettant une correction avant que la cascade ne s'achève.²²
3. Absence de vérification formelle : Les LLM ne peuvent pas être formellement vérifiés pour respecter des lois physiques telles que la loi des mailles de Kirchhoff (KVL) ou l'équation d'oscillation (Swing Equation). Ce sont des « boîtes noires » qui traitent « probable » et « correct » comme des concepts identiques.⁷ L'architecture Deep AI de Veriprajna utilise des réseaux de neurones informés par la physique (PINN) où la fonction de perte elle-même est contrainte par les modèles mathématiques du réseau électrique.²²

Performance comparative : paradigmes de contrôle

Paradigme de contrôle	Type de logique	Latence	Fiabilité en extrémité	Conformité aux protocoles
PI/PID hérités	Linéaire/analogue	Microsecondes	Faible (le réglage fixe échoue dans les événements non linéaires)	Manuel/statique
Enveloppes LLM	Probabiliste	> 500 ms	Inexistante (risque d'hallucination)	Fondée sur la plausibilité
Deep AI (PINN)	Physico-déterministe	< 1 ms	Élevée (lois physiques intégrées)	Temps réel / dynamique
Neuro-symbolique	Logique déterministe	< 10 ms	Élevée (règles appliquées physiquement)	Symbolique codé en dur

Architecture de solution Veriprajna : ingénierie de l'immunité du réseau

Pour répondre aux vulnérabilités révélées par le black-out ibérique, Veriprajna propose une architecture Deep AI multi-couches qui intègre l'adaptabilité des réseaux de neurones à la rigueur de la logique symbolique et à la certitude des lois physiques. Ce système est conçu pour fournir une « immunité déterministe » — un état où la couche de contrôle du réseau est physiquement incapable d'exécuter une action qui viole les protocoles de sécurité ou les constantes physiques.

Couche 1 : réseaux de neurones informés par la physique (PINN) pour le contrôle à la milliseconde

Les PINN représentent l'évolution de l'architecture neuronale pour les systèmes cyber-physiques. Au lieu d'apprendre uniquement à partir de données historiques, les PINN intègrent les équations différentielles qui régissent la dynamique des systèmes électriques directement dans le processus d'entraînement.²² Pour un onduleur formateur de réseau, le PINN est entraîné en utilisant l'équation d'oscillation (Swing Equation) comme contrainte de perte :

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

Où $M_i$ représente l'inertie virtuelle et $D_i$ représente l'amortissement.²² En minimisant le résidu de cette équation pendant l'inférence, le PINN garantit que ses sorties de contrôle de fréquence et de tension sont physiquement cohérentes. Lors de l'événement de 2025, un contrôleur PINN à la sous-station de Grenade aurait identifié les oscillations sous-synchrones non comme du bruit, mais comme une violation dynamique, fournissant un amortissement actif jusqu'à 87 fois plus rapide que les méthodes d'optimisation conventionnelles.²⁴

Couche 2 : application neuro-symbolique des protocoles

L'échec des centrales à suivre la P.O. 7.4 était essentiellement un échec de la « sagesse » (Prajna) — la capacité d'appliquer le contexte et les règles aux données brutes. L'architecture « sandwich » neuro-symbolique de Veriprajna sépare la « saveur » du traitement neuronal (intuition) de la « mécanique » de la logique symbolique (règles).⁷

Dans ce cadre, la couche symbolique agit comme un gardien. Pour le réseau ibérique, nous encodons l'intégralité de la P.O. 7.4 et de la méthodologie ICS dans un DSL formel (Domain Specific Language).⁷ Lorsqu'un capteur détecte une surtension, le moteur symbolique déclenche un état obligatoire d'« absorption réactive ». Tout signal de contrôle du réseau de neurones suggérant une injection réactive est physiquement bloqué par un « garde-fou constitutionnel ».⁷ Cela garantit que l'incident où une centrale « a ajouté plutôt qu'absorbé » de la puissance réactive devient une impossibilité physique.¹⁹

Couche 3 : NGC natifs en périphérie (Neural Grid Controllers)

Pour résoudre l'« écart d'observabilité », l'intelligence doit se déplacer de la salle de contrôle du TSO vers le transformateur côté collecteur.¹² Les NGC de Veriprajna sont des dispositifs spécialisés de calcul en périphérie qui effectuent des mesures synchro-forme d'onde à haute résolution.²⁵ Ces dispositifs exécutent une boucle d'optimisation continue toutes les 100 millisecondes, interrogeant des modèles de prédiction locaux pour les 4 prochaines heures de production tout en exécutant simultanément des commandes d'onduleur pour maintenir la stabilité locale de tension dans $\pm 0.02$ par unité (pu).²³

Couche 4 : apprentissage par renforcement multi-agents (MARL) pour la restauration du réseau

La période de restauration de 24 heures du réseau ibérique a été freinée par la complexité des procédures manuelles de black start.⁴ Veriprajna utilise une IA agentique fondée sur le benchmark RL2Grid pour automatiser la restauration du réseau.²⁷ Ces agents opèrent dans un cadre hiérarchique :

• Agents locaux : Gèrent des îlots électriques individuels, en veillant à ce que les unités de black start (comme la centrale hydroélectrique de Castelo de Bode) ne subissent pas d'effondrement de tension lors du raccordement des charges.²⁷
• Agents de coordination : Supervisent la synchronisation des îlots, en effectuant une reconfiguration topologique en temps réel pour optimiser la marge disponible cumulative sur les lignes de transport.²⁷

Lors de la reprise de 2025, ce système aurait acheminé de manière autonome le soutien de 900 MW du Maroc et de 2 GW de la France vers les « îlots » prioritaires tout en maintenant un équilibre déterministe, réduisant vraisemblablement la panne de 24 heures à une fenêtre de reprise de 4 heures.⁹

Conformité réglementaire et règlement sur l'IA de l'UE

La technologie de contrôle des réseaux étant classée comme « infrastructure critique » au titre du règlement sur l'IA de l'UE, la transparence et l'explicabilité ne sont pas optionnelles.³¹ Les solutions fondées sur des enveloppes échouent à ce test car elles ne peuvent pas fournir de « cause racine » à leurs prédictions. L'IA neuro-symbolique de Veriprajna fournit des traces de décision compréhensibles par l'humain.²⁰

En cas d'intervention automatisée, le système produit une piste d'audit :

• Déclencheur : Détection d'une SSO à 0,63 Hz via la couche neuronale.
• Violation de contrainte : Limite dynamique de tension de la P.O. 7.4 (435 kV) dépassée.
• Action : La couche symbolique a imposé de façon obligatoire la $Q$-absorption (30% de $P_{max}$).
• Résultat : Tension stabilisée à 418 kV ; déclenchement côté collecteur évité.

Ce niveau de détail satisfait aux exigences de la méthodologie ICS et aux classifications d'usages à haut risque du règlement sur l'IA de l'UE, fournissant aux TSO la « vérité vérifiable » requise pour la responsabilité juridique et opérationnelle.¹

Feuille de route stratégique de mise en œuvre pour l'immunité du réseau

La transition des systèmes hérités vers un réseau propulsé par la Deep AI exige une approche par phases qui équilibre l'atténuation immédiate des risques et la modernisation à long terme des infrastructures.

Phase 1 : observabilité haute résolution et intégration de jumeau numérique (0-6 mois)

La première étape consiste à déployer des capteurs synchro-forme d'onde haute résolution au niveau collecteur de tous les actifs de production. Ces données alimentent un jumeau numérique de smart grid (SGDT), qui sert de « simulateur de vol » pour le réseau.³³ En exécutant des DNN au sein du jumeau numérique, les ingénieurs peuvent surveiller les violations de surtension masquées — le mécanisme exact qui a permis à la cascade ibérique de passer inaperçue jusqu'à ce qu'il soit trop tard.¹²

Phase 2 : déploiement de garde-fous neuro-symboliques (6-18 mois)

La deuxième phase implique le déploiement de moteurs de règles symboliques sur le matériel de contrôle existant. Ces moteurs agissent comme un « pare-feu de sécurité », surveillant la sortie des systèmes PID et AGC (Automatic Generation Control) actuels. Si un système hérité tente d'injecter de la puissance réactive pendant une surtension — comme lors du black-out de 2025 —, le garde-fou neuro-symbolique intercepte et corrige la commande selon les règles déterministes de la P.O. 7.4.⁷

Phase 3 : contrôle PINN natif en périphérie pour les nœuds à forte densité d'onduleurs (18-36 mois)

La phase finale vise le remplacement des contrôleurs hérités dans les parcs éoliens et solaires par les Neural Grid Controllers (NGC) de Veriprajna. Ces dispositifs permettent des capacités de formation de réseau et un amortissement actif des oscillations sous-synchrones via des architectures PINN.²² Cette étape transforme le réseau d'un système réactif qui répond aux défaillances en un système immunitaire qui stabilise de façon préventive les perturbations à la vitesse de l'électricité.

Conclusion : l'impératif souverain de la Deep AI

Le black-out ibérique du 28 avril 2025 n'était pas un échec des renouvelables, mais un échec de l'intelligence. Il a exposé le danger de gérer des flux énergétiques du XXIe siècle avec des protocoles de contrôle du XXe siècle et une automatisation probabiliste encore embryonnaire. La perte soudaine de 15 GW et la panne d'une journée qui a suivi en Espagne et au Portugal démontrent que les infrastructures critiques exigent un niveau de certitude que les enveloppes LLM et les contrôleurs hérités ne peuvent simplement pas fournir.

La mission de Veriprajna est de concevoir et de garantir cette certitude. En intégrant les lois de la physique directement dans les architectures neuronales et en appliquant les protocoles réglementaires par une logique symbolique déterministe, nous offrons une voie vers un réseau non seulement « intelligent », mais fondamentalement immunisé contre la défaillance en cascade. Pour le service public moderne, le choix n'est plus entre énergie conventionnelle ou renouvelable, mais entre vulnérabilité probabiliste et résilience déterministe. Le black-out de 2025 a été un signal d'alarme ; la Deep AI est la réponse.

Dans les environnements d'entreprise à enjeux élevés, il n'y a pas de place pour le « probable » ou le « plausible ». Il n'y a que l'exigence de la vérité. Veriprajna délivre cette vérité, en veillant à ce que les lumières restent allumées non parce que nous l'espérions, mais parce que nous les avons conçues pour être physiquement incapables de s'éteindre.

Ouvrages cités

1. 28 April 2025 Blackout - ENTSO-e, consulté le 9 février 2026, https://www.entsoe.eu/publications/blackout/28-april-2025-iberian-blackout/
2. Blackout and System Restoration on the Iberian Peninsula on April ..., consulté le 9 février 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, consulté le 9 février 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, consulté le 9 février 2026, https://www.neso.energy/document/368991/download
5. The Iberian Blackout: Not a Failure of Renewables - A Wake-Up Call for Grid Resilience, consulté le 9 février 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 ..., consulté le 9 février 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, consulté le 9 février 2026, https://veriprajna.com/
8. Industries We Serve - Veriprajna, consulté le 9 février 2026, https://veriprajna.com/industries
9. The Iberian Peninsula Blackout — Causes, Consequences, and Challenges Ahead, consulté le 9 février 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, consulté le 9 février 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, consulté le 9 février 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, consulté le 9 février 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, consulté le 9 février 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, consulté le 9 février 2026, http://iosrjournals.org/iosr-jeee/Papers/Vol11%20Issue%201/Version-2/D011122934.pdf
15. The Importance of Reactive Power in Power System Network, consulté le 9 février 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, consulté le 9 février 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, consulté le 9 février 2026, http://www.jatit.org/volumes/Vol103No16/3Vol103No16.pdf
18. Spanish grid operator authorizes renewables for dynamic voltage control - PV Magazine, consulté le 9 février 2026, https://www.pv-magazine.com/2025/10/30/spanish-grid-operator-authorizes-renewables-to-provide-dynamic-voltage-control/
19. Madrid | Lucas Laursen, consulté le 9 février 2026, https://lucaslaursen.com/category/datelines/madrid/
20. Neuro-Symbolic AI for Explainable Decision-Making in Autonomous Grid Operations - Preprints.org, consulté le 9 février 2026, https://www.preprints.org/manuscript/202508.0747/v1/download
21. Agentic AI: A Comprehensive Survey of Architectures, Applications, and Future Directions, consulté le 9 février 2026, https://arxiv.org/html/2510.25445v1
22. Physics-Informed Neural Networks (PINNs) for Real-Time Grid ..., consulté le 9 février 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, consulté le 9 février 2026, https://sciety.org/articles/activity/10.20944/preprints202507.0721.v1
24. Physics-Informed Neural Networks for Power Systems - DTU Research Database, consulté le 9 février 2026, https://orbit.dtu.dk/files/215621776/1911.03737_1_.pdf
25. Grid Monitoring with Synchro-Waveform and AI Foundation Model Technologies - arXiv, consulté le 9 février 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, consulté le 9 février 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, consulté le 9 février 2026, https://arxiv.org/html/2503.23101v1
28. Agentic AI: The next evolution in enterprise automation - Grid Dynamics, consulté le 9 février 2026, https://www.griddynamics.com/blog/agentic-ai-strategy
29. INVESTIGATION INTO THE IBERIAN BLACKOUT OF 28 APRIL 2025 - ERSE, consulté le 9 février 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, consulté le 9 février 2026, https://www.mdpi.com/2079-9292/14/15/3008
31. Sustainable AI and the rise of the energy-efficient data center | AMD, consulté le 9 février 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, consulté le 9 février 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, consulté le 9 février 2026, https://www.researchgate.net/publication/393424486_Deep_Neural_Networks_in_Smart_Grid_Digital_Twins_Evolution_Challenges_and_Future_Outlooks