חסינות דטרמיניסטית: הנדסת חוסן הרשת באמצעות Deep AI לאחר ההפסקה האיברית של 2025

הכשל הקטסטרופלי במערכת החשמל שאירע ברחבי חצי האי האיברי ב-28 באפריל 2025 מייצג רגע מכונן בהיסטוריה של ניהול תשתיות קריטיות. בשעה 12:33 CEST, רצף אירועים מתגלגל הביא לניתוק מוחלט של רשתות החשמל של ספרד ופורטוגל מאזור הסינכרון של אירופה היבשתית, והוביל לאובדן פתאומי של 15 גיגה־וואט (GW) של כושר ייצור בתוך מרווח של חמש שניות.¹ אירוע זה, שהותיר כ-60 מיליון תושבים ללא חשמל למשך עד עשר שעות והוביל למספר מקרי מוות הקשורים לכשל תשתית, משמש כהאשמה חריפה בהסתמכות הנוכחית על פרוטוקולי בקרה מיושנים ועל מערכות אוטומציה הסתברותיות.³ בעוד שהשיח הציבורי הראשוני שיער בדבר אי־יציבות של מקורות אנרגיה מתחדשים, חקירות רשמיות של הרשת האירופית של מפעלי מערכות תמסורת לחשמל (ENTSO-E) ושל Red Eléctrica de España (REE) זיהו שורש טכני מורכב יותר: קריסה מערכתית בניהול הספק ריאקטיבי וכישלון תחנות כוח לעמוד בפרוטוקולי בקרת מתח דינמית, ובפרט Operating Procedure 7.4 (P.O. 7.4).¹

עבור מנהיגי ארגונים ומפעילי מערכות, ההפסקה של 2025 מדגישה פער טכנולוגי מסוכן. בעידן שבו חברות ייעוץ רבות בתחום הבינה המלאכותית מתמקדות ביישומי "עוטף"—ממשקים דקים מעל מודלי שפה גדולים (LLMs) הסתברותיים כמו GPT-4 או Claude—התקרית האיברית מוכיחה שתשתיות בסיכון גבוה דורשות פתרונות "Deep AI". Veriprajna ממקמת את עצמה בחזית המעבר הזה, מעבר ל"כשל החירות האינסופית" של בינה מלאכותית גנרטיבית, כדי לספק ארכיטקטורות דטרמיניסטיות, מונחות־פיזיקה ונוירו־סימבוליות המסוגלות לקבל החלטות ברמת מיקרו־שנייה בסביבות שבהן הזיות אינן באגים בלבד, אלא אסונות עסקיים וחברתיים.⁷ נייר עמדה זה מנתח את הארכיטקטורה הטכנית של קריסת 2025 ומתווה מסגרת למערכת "חסינות" דטרמיניסטית לרשת, שנועדה למנוע הישנות של כשלים מערכתיים כאלה.

המקור הטכני של קריסת ה-15 GW

התנאים בבוקר 28 באפריל 2025 התאפיינו בחדירה גבוהה של אנרגיות מתחדשות—שהיוו 78% מהייצור זמן קצר לפני הקריסה—בשילוב עם רמות נמוכות היסטורית של ייצור סינכרוני קונבנציונלי.⁹ סביבה זו, אף שהייתה חיובית ליעדי דה־קרבוניזציה, צמצמה משמעותית את האינרציה הטבעית של המערכת והפכה את הרשת לרגישה מאוד להפרעות מתח ותדר.⁹ בסביבות השעה 12:00, המערכת החלה לחוות תנודות תת־סינכרוניות (SSO) בתדרים של 0.21 Hz ו-0.63 Hz.⁴ תנודות אלה, שנגרמו מאינטראקציות שליליות בין מערכות בקרת גנרטורים לבין רשת התמסורת, יזמו רצף התערבויות ידניות ואוטומטיות שערערו בשוגג את פרופיל המתח של המערכת.⁴

כרונולוגיה של הידרדרות מערכתית וכשל

זמן (CEST)	שלב האירוע	מנגנון טכני	השפעה על המערכת
09:00 - 12:00	אזהרה טרום־אירוע	ניתוק כורים מקבילים (shunt reactors) לניהול תת־מתחים חולפים במהלך תנודות.	דלדול כושר ספיגת ההספק הריאקטיבי. 12
12:00 - 12:31	שיכוך תנודות	מפעילי מערכות התמסורת (TSOs) הזינו מעגלי 400 kV מקבילים והעבירו קישורי HVDC למצב הספק קבוע.	הפחתת עכבת המערכת; עליית מתחי תמסורת. 12
12:31 - 12:32	פער הנראות	מתחי התמסורת נותרו בתוך הגבולות (418 kV), אך מתחי צד־הקולט הגיעו ל-242 kV.	חריגות מתח־יתר נסתרות ברמות החלוקה/הקולט. 12
12:33:10	אובדן קיבולת פתאומי	15 GW של ייצור אבדו ב-5 שניות עקב ניתוקי הגנה מתגלגלים.	60% מסך הביקוש הלאומי אבדו באופן מיידי. 2
12:33:18	קריסת תדר	תדר המערכת ירד מתחת ל-48.0 Hz; השלת עומס אוטומטית כשלה לייצב את הירידה.	הפעלת הפרדה אזורית והפסקה מלאה. 3
12:33:24	בידוד מוחלט	ניתוק סופי של קישורי ה-HVDC וה-AC עם צרפת ומרוקו.	הפסקה מוחלטת ברחבי ספרד ופורטוגל. 3

הגילוי הקריטי ביותר בניתוח שלאחר האירוע היה "פער הנראות." בעוד שמפעילי מערכות התמסורת (TSOs) ניטרו קווי מתח גבוה (400 kV), הכשל המתגלגל החל בתחנות המשנה ברמת הקולט (220 kV).¹² מכיוון שמחליפי ברזים של שנאים לא התאימו במהירות מספקת לעליות המתח בשעה 12:31, מתחי המפעל הפנימיים חרגו מספי הגנה גם כאשר נתוני רמת התמסורת נראו נומינליים.¹² דבר זה מדגיש את הצורך בבינה מלאכותית מקומית־בקצה שאינה מסתמכת על דגימה מרכזית, אלא פועלת בקנה־מידה של מילישניות ישירות בנקודת הייצור והחלוקה.

פרוטוקולי הספק ריאקטיבי וכשל האכיפה הסימבולית

הכשל המרכזי באירוע 2025 לא היה מחסור בטכנולוגיה זמינה, אלא כשל באכיפת פרוטוקולים. הספק ריאקטיבי ($Q$) הוא עורק החיים של יציבות המתח. במערכת AC, הקשר בין מתח ($V$), הספק פעיל ($P$), והספק ריאקטיבי ($Q$) נשלט על ידי משוואת ההספק המרוכב $S = P + jQ$ ועל ידי קירוב ירידות המתח המתאימות.¹³ כדי לשמור על יציבות, תחנות כוח חייבות להתאים באופן דינמי את תפוקת ההספק הריאקטיבי שלהן: להזריק אותו כדי להעלות מתח בעת שקיעות, ולספוג אותו כדי להוריד מתח בעת קפיצות.¹⁵

בספרד, דרישות אלה מקודדות ב-Operating Procedure 7.4 (P.O. 7.4), המחייב יחידות ייצור לספק בקרת מתח דינמית באמצעות שמירה על כושר לספק או לספוג הספק ריאקטיבי השווה לפחות ל-30% מההספק המרבי שלהן.⁶ ב-28 באפריל נדרשה המערכת לספיגה המונית של הספק ריאקטיבי כדי לנטרל את קפיצת המתח שנגרמה מרשתות מחוברות וביקוש נמוך.¹² עם זאת, מתקני ייצור רבים לא הגיעו לערכי הספיגה המינימליים הנדרשים בחוק, והגיבו לאט מדי או כלל לא.¹⁶

האנומליה של הזרקת הספק ריאקטיבי

החקירה הדגישה כשל חמור במיוחד שבו מתקן ייצור גדול אחד, במקום לספוג הספק ריאקטיבי כפי שחייב מצב מתח־היתר של המערכת, למעשה הוסיף (הזריק) הספק ריאקטיבי לרשת.¹⁹ פעולה זו פעלה כמשוב חיובי, העלתה עוד יותר את המתחים המקומיים והפעילה ניתוקי הגנה של גנרטורים סמוכים.⁴ מצב כשל ספציפי זה מצביע על בעיה עמוקה יותר: בקרי Proportional-Integral (PI) ו-Proportional-Integral-Derivative (PID) מיושנים מכוונים ליציבות במצב יציב, ולעיתים קרובות נכשלים בהתמודדות עם הדינמיקה הלא־ליניארית ורבת־המשתנים של רשת העוברת שיכוך תנודות מהיר.¹³

מנקודת המבט של Veriprajna, זהו כשל של "אכיפה סימבולית." מערכת הכפופה לארכיטקטורה נוירו־סימבולית הייתה חוסמת פיזית את הזרקת ההספק הריאקטיבי. במערכת כזו, השחקן העצבי עשוי להציע אות בקרה על בסיס קריאה מקומית שגויה, אך שכבת הלוגיקה הסימבולית—שמתוכנתת עם הכללים הדטרמיניסטיים של P.O. 7.4—הייתה מזהה כי $V > V_{max}$ ו־ $dV/dt > 0$, ובכך אוכפת פקודת ספיגה מחייבת ללא קשר לפלט של השכבה העצבית.⁷

מגבלות הבינה המלאכותית ההסתברותית ופתרונות מבוססי־עוטף

העלייה בעניין הארגוני בבינה מלאכותית הובילה להתפשטות עוטפי LLM—יישומים המשתמשים ב-API של צד שלישי (OpenAI, Anthropic, Google) לעיבוד נתונים. אף שמודלים אלה מצטיינים בעיבוד שפה טבעית, הם במהותם הסתברותיים ולא־דטרמיניסטיים.⁷ הם פועלים על מתאמים סטטיסטיים ולא על חוקי הפיזיקה. בהקשר של ההפסקה ב-28 באפריל, מודל בינה מלאכותית הסתברותי לניטור רשת היה מציג שלושה מצבי כשל קריטיים:

1. הזיית מצבים פיזיקליים: מודלים הסתברותיים מיטבים לפלט שנשמע הסביר ביותר. במשבר רשת, LLM עשוי לדווח ש"רמות המתח מתייצבות" על בסיס דפוסים היסטוריים של התאוששות מתנודות, גם אם נתוני החיישנים בזמן אמת מצביעים על מפל מתח־יתר מתפצל.⁷
2. השהיית הסקה: בינה מלאכותית מבוססת־עוטף מסתמכת על עיבוד בענן וקריאות API, המכניסות השהיות בטווח של 500ms עד מספר שניות.⁷ באירוע אובדן של 15 GW שבו התדר יורד מתחת לסף קריטי בפחות מחמש שניות, תגובה תת־שנייה היא חובה. ההסקה המקומית־בקצה של Veriprajna משיגה השהיות מתחת ל-0.7ms, ומאפשרת תיקון לפני שהמפל מסתיים.²²
3. היעדר אימות פורמלי: לא ניתן לאמת פורמלית ש-LLMs עוקבים אחר חוקים פיזיקליים כמו חוק המתח של קירכהוף (KVL) או משוואת ה־Swing. הם "קופסאות שחורות" שמתייחסות ל"סביר" ו־"נכון" כמושגים זהים.⁷ ארכיטקטורת ה-Deep AI של Veriprajna משתמשת ברשתות עצביות מונחות־פיזיקה (PINNs) שבהן פונקציית ההפסד עצמה מוגבלת על ידי המודלים המתמטיים של רשת החשמל.²²

ביצועים השוואתיים: פרדיגמות בקרה

פרדיגמת בקרה	סוג לוגיקה	השהיה	אמינות במצבי קיצון	עמידה בפרוטוקול
Legacy PI/PID	ליניארי/אנלוגי	מיקרו־שניות	נמוכה (כוונון קבוע נכשל באירועים לא־ליניאריים)	ידני/סטטי
LLM Wrappers	הסתברותי	> 500 ms	לא קיימת (סיכון הזיה)	מבוסס־סבירות
Deep AI (PINN)	פיזיקה־דטרמיניסטי	< 1 ms	גבוהה (חוקים פיזיקליים מוטמעים)	זמן־אמת / דינמי
Neuro-Symbolic	לוגיקה דטרמיניסטית	< 10 ms	גבוהה (כללים נאכפים פיזית)	סימבולי מקודד־קשיח

ארכיטקטורת הפתרון של Veriprajna: הנדסת חסינות הרשת

כדי להתמודד עם הפגיעויות שנחשפו בהפסקה האיברית, Veriprajna מציעה ארכיטקטורת Deep AI רב־שכבתית המשלבת את יכולת ההסתגלות של רשתות עצביות עם הקפדה של לוגיקה סימבולית ועם הוודאות של חוקי הפיזיקה. מערכת זו נועדה לספק "חסינות דטרמיניסטית"—מצב שבו שכבת הבקרה של הרשת אינה מסוגלת פיזית לבצע פעולה שמפרה פרוטוקולי בטיחות או קבועים פיזיקליים.

שכבה 1: רשתות עצביות מונחות־פיזיקה (PINNs) לבקרה במילישניות

PINNs מייצגות את התפתחות הארכיטקטורה העצבית למערכות סייבר־פיזיקליות. במקום ללמוד אך ורק מנתונים היסטוריים, PINNs מטמיעות את המשוואות הדיפרנציאליות השולטות בדינמיקת מערכות החשמל ישירות בתהליך האימון.²² עבור ממיר יוצר־רשת, ה-PINN מאומן באמצעות משוואת ה־Swing כאילוץ הפסד:

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

כאשר $M_i$ מייצג אינרציה וירטואלית ו־ $D_i$ מייצג שיכוך.²² על ידי מזעור השארית של משוואה זו במהלך ההסקה, ה-PINN מבטיח שפלטי הבקרה שלו לתדר ולמתח עקביים פיזיקלית. באירוע 2025, בקר PINN בתחנת המשנה בגרנדה היה מזהה את התנודות התת־סינכרוניות לא כרעש אלא כהפרה דינמית, ומספק שיכוך פעיל עד פי 87 מהר יותר משיטות אופטימיזציה קונבנציונליות.²⁴

שכבה 2: אכיפת פרוטוקול נוירו־סימבולית

כישלון תחנות הכוח לעקוב אחר P.O. 7.4 היה במהותו כשל של "חוכמה" (Prajna)—היכולת ליישם הקשר וכללים על נתונים גולמיים. ארכיטקטורת ה"סנדוויץ'" הנוירו־סימבולית של Veriprajna מפרידה את ה"טעם" של עיבוד עצבי (אינטואיציה) מ"המכניקה" של לוגיקה סימבולית (כללים).⁷

במסגרת זו, השכבה הסימבולית פועלת כשומר סף. עבור הרשת האיברית, אנו מקודדים את מלוא P.O. 7.4 ומתודולוגיית ICS ל-DSL פורמלי (Domain Specific Language).⁷ כאשר חיישן מזהה מתח־יתר, המנוע הסימבולי מפעיל מצב חובה של "ספיגה ריאקטיבית". כל אות בקרה מהרשת העצבית שמציע הזרקה ריאקטיבית נחסם פיזית על ידי "מעקה בטיחות חוקתי".⁷ כך מובטח שהתקרית שבה מפעל "הוסיף במקום לספוג" הספק ריאקטיבי הופכת לבלתי אפשרית פיזית.¹⁹

שכבה 3: NGC מקומיים־בקצה (Neural Grid Controllers)

כדי לפתור את "פער הנראות," חייבת האינטליגנציה לעבור מחדר הבקרה של ה-TSO לשנאי בצד הקולט.¹² ה-NGCs של Veriprajna הם התקני מחשוב קצה ייעודיים המבצעים מדידות סינכרו־צורת־גל ברזולוציה גבוהה.²⁵ התקנים אלה מריצים לולאת אופטימיזציה רציפה כל 100 מילישניות, שואלים מודלי חיזוי מקומיים לגבי 4 השעות הבאות של ייצור ובו־זמנית מבצעים פקודות ממיר לשמירה על יציבות המתח המקומי בתוך $\pm 0.02$ ליחידה (pu).²³

שכבה 4: למידת חיזוק רב־סוכנית (MARL) לשחזור הרשת

תקופת השחזור של 24 שעות ברשת האיברית נפגעה ממורכבות הליכי black start ידניים.⁴ Veriprajna משתמשת ב-Agentic AI המבוסס על אמת המידה RL2Grid לאוטומציה של שחזור הרשת.²⁷ סוכנים אלה פועלים במסגרת היררכית:

• סוכנים מקומיים: מנהלים איי כוח בודדים, ומבטיחים שיחידות black start (כמו תחנת ההידרו Castelo de Bode) לא יחוו קריסת מתח בעת חיבור מחדש של עומסים.²⁷
• סוכנים מתאמים: מפקחים על סנכרון האיים, מבצעים קונפיגורציה מחדש של טופולוגיה בזמן אמת כדי למקסם את השוליים המצטברים הזמינים לאורך קווי תמסורת.²⁷

במהלך ההתאוששות של 2025, מערכת זו הייתה מנתבת באופן אוטונומי את תמיכת מרוקו של 900 MW ואת תמיכת צרפת של 2 GW ל"איים" בעדיפות הגבוהה ביותר תוך שמירה על איזון דטרמיניסטי, וסביר שהייתה מקצרת את ההפסקה של 24 שעות לחלון התאוששות של 4 שעות.⁹

ציות רגולטורי וחוק הבינה המלאכותית של האיחוד האירופי

מכיוון שטכנולוגיית בקרת רשת מסווגת כ"תשתית קריטית" תחת חוק הבינה המלאכותית של האיחוד האירופי (EU AI Act), שקיפות והסבריות אינן אופציונליות.³¹ פתרונות מבוססי־עוטף נכשלים במבחן זה כי אינם יכולים לספק "שורש סיבה" לתחזיותיהם. הבינה המלאכותית הנוירו־סימבולית של Veriprajna מספקת עקבות החלטה מובנות לאדם.²⁰

במקרה של התערבות אוטומטית, המערכת מייצרת שביל ביקורת:

• טריגר: זיהוי SSO של 0.63 Hz דרך השכבה העצבית.
• הפרת אילוץ: חריגה ממגבלת המתח הדינמית של P.O. 7.4 (435 kV).
• פעולה: השכבה הסימבולית אכפה חובה $Q$-ספיגה (30% מתוך $P_{max}$).
• תוצאה: המתח התייצב ב-418 kV; נמנע ניתוק בצד הקולט.

רמת פירוט זו עומדת בדרישות מתודולוגיית ICS ובסיווגי שימוש בסיכון גבוה של חוק הבינה המלאכותית של האיחוד האירופי, ומספקת ל-TSOs את ה"אמת הניתנת לאימות" הנדרשת לאחריות משפטית ותפעולית.¹

מפת דרכים אסטרטגית ליישום חסינות הרשת

המעבר ממערכות מיושנות לרשת מונעת Deep AI דורש גישה מדורגת המאזנת בין הפחתת סיכון מיידית לבין מודרניזציה תשתיתית ארוכת טווח.

שלב 1: נראות ברזולוציה גבוהה ואינטגרציית תאום דיגיטלי (0–6 חודשים)

הצעד הראשוני מתמקד בפריסת חיישני סינכרו־צורת־גל ברזולוציה גבוהה ברמת הקולט של כל נכסי הייצור. נתונים אלה מוזרמים לתאום דיגיטלי של רשת חכמה (SGDT), המשמש כ"סימולטור טיסה" לרשת.³³ על ידי הרצת DNNs בתוך התאום הדיגיטלי, מהנדסים יכולים לנטר חריגות מתח־יתר נסתרות—המנגנון המדויק שאפשר למפל האיברי להישאר בלתי מזוהה עד שהיה מאוחר מדי.¹²

שלב 2: פריסת מעקות בטיחות נוירו־סימבוליים (6–18 חודשים)

השלב השני כולל פריסת מנועי כללים סימבוליים על חומרת בקרה קיימת. מנועים אלה פועלים כ"חומת אש בטיחותית," ומנטרים את פלט מערכות ה-PID וה-AGC (Automatic Generation Control) הנוכחיות. אם מערכת מיושנת מנסה להזריק הספק ריאקטיבי במהלך מתח־יתר—כפי שאירע בהפסקה של 2025—מעקה הבטיחות הנוירו־סימבולי מיירט ומתקן את הפקודה על בסיס הכללים הדטרמיניסטיים של P.O. 7.4.⁷

שלב 3: בקרת PINN מקומית־בקצה לצמתים עתירי ממירים (18–36 חודשים)

השלב הסופי מכוון להחלפת בקרי מיושנים בפארקי רוח וסולארי בבקרי הרשת העצביים (NGCs) של Veriprajna. התקנים אלה מאפשרים יכולות יצירת־רשת ושיכוך פעיל של תנודות תת־סינכרוניות באמצעות ארכיטקטורות PINN.²² שלב זה הופך את הרשת ממערכת תגובתית המגיבה לכשלים למערכת חיסונית המייצבת מראש הפרעות במהירות החשמל.

סיכום: הצו הריבוני ל-Deep AI

ההפסקה האיברית של 28 באפריל 2025 לא הייתה כשל של מתחדשות, אלא כשל של אינטליגנציה. היא חשפה את הסכנה בניהול זרימות אנרגיה של המאה ה-21 עם פרוטוקולי בקרה של המאה ה-20 ואוטומציה הסתברותית בשלב מוקדם. האובדן הפתאומי של 15 GW וההפסקה שנמשכה יום שלם בספרד ופורטוגל מוכיחים שתשתית קריטית דורשת רמת ודאות שעוטפי LLM ובקרים מיושנים פשוט אינם יכולים לספק.

המשימה של Veriprajna היא להנדס ודאות זו. על ידי שילוב חוקי הפיזיקה ישירות בארכיטקטורות עצביות ואכיפת פרוטוקולים רגולטוריים באמצעות לוגיקה סימבולית דטרמיניסטית, אנו מספקים נתיב לרשת שאינה רק "חכמה," אלא חסינה ביסודה לכשל מתגלגל. עבור חברת החשמל המודרנית, הבחירה אינה עוד בין כוח קונבנציונלי למתחדש, אלא בין פגיעות הסתברותית לחוסן דטרמיניסטי. ההפסקה של 2025 הייתה קריאת השכמה; Deep AI הוא התשובה.

בסביבות ארגוניות בסיכון גבוה אין מקום ל"סביר" או ל"מתקבל על הדעת." יש רק דרישה לאמת. Veriprajna מספקת אמת זו, ומבטיחה שהאורות יישארו דולקים לא כי קיווינו שיישארו, אלא כי הנדסנו אותם כך שלא יהיו מסוגלים פיזית לכבות.

מקורות שצוטטו

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