Immunità deterministica: progettare la resilienza della rete con Deep AI dopo il blackout iberico del 2025

Il guasto catastrofico del sistema elettrico verificatosi nella penisola iberica il 28 aprile 2025 rappresenta un momento seminale nella storia della gestione delle infrastrutture critiche. Alle 12:33 CEST, una sequenza a cascata di eventi ha provocato la disconnessione totale delle reti elettriche spagnola e portoghese dall'Area sincrona continentale europea, precipitando una perdita improvvisa di 15 gigawatt (GW) di capacità di generazione in un intervallo di cinque secondi.¹ Questo evento, che ha lasciato circa 60 milioni di residenti senza energia elettrica fino a dieci ore e ha causato diverse vittime legate al guasto infrastrutturale, costituisce una dura accusa della dipendenza attuale dai protocolli di controllo legacy e dai sistemi di automazione probabilistici.³ Sebbene il discorso pubblico iniziale abbia ipotizzato l'instabilità delle fonti di energia rinnovabile, le indagini formali della European Network of Transmission System Operators for Electricity (ENTSO-E) e di Red Eléctrica de España (REE) hanno individuato una causa tecnica radicata più sfumata: un collasso sistemico nella gestione della potenza reattiva e la mancata adesione delle centrali ai protocolli di controllo dinamico della tensione, in particolare la Procedura operativa 7.4 (P.O. 7.4).¹

Per i leader aziendali e gli operatori di sistema, il blackout del 2025 evidenzia un pericoloso divario tecnologico. In un'era in cui molte consulenze di IA si concentrano su applicazioni «wrapper» — interfacce sottili su Large Language Model (LLM) probabilistici come GPT-4 o Claude — l'incidente iberico dimostra che le infrastrutture ad alto rischio richiedono soluzioni di «Deep AI». Veriprajna si colloca all'avanguardia di questo cambiamento, andando oltre la «Fallacia della libertà infinita» dell'IA generativa per offrire architetture deterministiche, informate dalla fisica e neuro-simboliche, capaci di decisioni a livello di microsecondi in ambienti in cui le allucinazioni non sono meri bug, ma catastrofi aziendali e sociali.⁷ Questo whitepaper analizza l'architettura tecnica del collasso del 2025 e delinea il quadro di un sistema di «immunità» deterministica della rete progettato per prevenire la ripetizione di tali guasti sistemici.

La genesi tecnica del collasso da 15 GW

Le condizioni della mattina del 28 aprile 2025 erano caratterizzate da un'elevata penetrazione rinnovabile — pari al 78% della generazione poco prima del collasso — unita a livelli storicamente bassi di generazione sincrona convenzionale.⁹ Questo contesto, sebbene favorevole agli obiettivi di decarbonizzazione, ha ridotto in modo significativo l'inerzia naturale del sistema, rendendo la rete altamente sensibile ai disturbi di tensione e frequenza.⁹ Verso le 12:00, il sistema ha iniziato a sperimentare oscillazioni sotto-sincrone (SSO) a frequenze di 0,21 Hz e 0,63 Hz.⁴ Queste oscillazioni, innescate da interazioni avverse tra i sistemi di controllo dei generatori e la rete di trasmissione, hanno avviato una sequenza di interventi manuali e automatici che hanno destabilizzato involontariamente il profilo di tensione del sistema.⁴

Cronologia del degrado sistemico e del guasto

Ora (CEST)	Fase dell'evento	Meccanismo tecnico	Impatto sul sistema
09:00 - 12:00	Avviso pre-incidente	Disconnessione di reattori shunt per gestire sottotensioni transienti durante le oscillazioni.	Esaurimento della capacità di assorbimento di potenza reattiva. 12
12:00 - 12:31	Smorzamento delle oscillazioni	I TSO hanno energizzato circuiti paralleli a 400 kV e commutato i collegamenti HVDC in modalità a potenza fissa.	Impedenza di sistema ridotta; tensioni di trasmissione elevate. 12
12:31 - 12:32	Divario di osservabilità	Le tensioni di trasmissione sono rimaste entro i limiti (418 kV), ma le tensioni lato collettore hanno raggiunto 242 kV.	Violazioni di sovratensione nascoste ai livelli di distribuzione/collettore. 12
12:33:10	Perdita improvvisa di capacità	15 GW di generazione persi in 5 secondi a causa di scatti di protezione a cascata.	Il 60% della domanda nazionale totale perso istantaneamente. 2
12:33:18	Collasso di frequenza	La frequenza di sistema è scesa sotto i 48,0 Hz; il distacco automatico del carico non è riuscito a stabilizzare il calo.	Innesco della separazione regionale e del blackout. 3
12:33:24	Isolamento totale	Scatto finale delle interconnessioni HVDC e AC con Francia e Marocco.	Blackout totale in Spagna e Portogallo. 3

La rivelazione più critica dell'analisi post-evento è stata il «divario di osservabilità». Mentre gli operatori del sistema di trasmissione (TSO) monitoravano le linee ad alta tensione (400 kV), il guasto a cascata è iniziato nelle sottostazioni a livello di collettore (220 kV).¹² Poiché i commutatori di presa dei trasformatori non si sono adeguati abbastanza rapidamente agli aumenti di tensione delle 12:31, le tensioni interne degli impianti hanno superato le soglie di protezione anche mentre i dati a livello di trasmissione apparivano nominali.¹² Ciò sottolinea la necessità di un'IA edge-native che non dipenda dal polling centralizzato, ma operi alla scala del millisecondo direttamente nel punto di generazione e distribuzione.

Protocolli di potenza reattiva e il fallimento dell'applicazione simbolica

Il fallimento centrale dell'incidente del 2025 non è stato la mancanza di tecnologia disponibile, ma un fallimento nell'applicazione dei protocolli. La potenza reattiva ($Q$) è la linfa vitale della stabilità di tensione. In un sistema CA, la relazione tra tensione ($V$), potenza attiva ($P$) e potenza reattiva ($Q$) è governata dall'equazione della potenza complessa $S = P + jQ$ e dalle corrispondenti approssimazioni della caduta di tensione.¹³ Per mantenere la stabilità, le centrali devono regolare dinamicamente la loro uscita di potenza reattiva: iniettandola per alzare la tensione durante i cali e assorbendola per abbassarla durante i picchi.¹⁵

In Spagna, questi requisiti sono codificati nella Procedura operativa 7.4 (P.O. 7.4), che impone alle unità di generazione di fornire controllo dinamico della tensione mantenendo la capacità di erogare o assorbire potenza reattiva equivalente ad almeno il 30% della loro potenza massima.⁶ Il 28 aprile, il sistema richiedeva un assorbimento massiccio di potenza reattiva per contrastare il picco di tensione causato dalla magliatura della rete e dalla bassa domanda.¹² Tuttavia, più impianti di generazione non hanno raggiunto i valori minimi di assorbimento legalmente richiesti, rispondendo troppo lentamente o non rispondendo affatto.¹⁶

L'anomalia dell'iniezione di potenza reattiva

L'indagine ha evidenziato un fallimento particolarmente grave in cui un grande impianto di generazione, invece di assorbire potenza reattiva come dettato dallo stato di sovratensione del sistema, ha effettivamente aggiunto (iniettato) potenza reattiva nella rete.¹⁹ Questa azione ha agito come un anello di feedback positivo, elevando ulteriormente le tensioni locali e innescando lo scatto di protezione dei generatori adiacenti.⁴ Questo specifico modo di guasto indica un problema più profondo: i controller legacy Proportional-Integral (PI) e Proportional-Integral-Derivative (PID) sono sintonizzati per la stabilità a regime e spesso falliscono nel gestire le dinamiche non lineari e multivariable di una rete sottoposta a un rapido smorzamento delle oscillazioni.¹³

Dal punto di vista di Veriprajna, ciò rappresenta un fallimento dell'«applicazione simbolica». Un sistema governato da un'architettura neuro-simbolica avrebbe bloccato fisicamente l'iniezione di potenza reattiva. In tale sistema, l'attore neurale potrebbe suggerire un segnale di controllo basato su una lettura locale errata, ma lo strato di logica simbolica — programmato con le regole deterministiche della P.O. 7.4 — identificherebbe che $V > V_{max}$ e $dV/dt > 0$, imponendo così un comando di assorbimento obbligatorio indipendentemente dall'uscita dello strato neurale.⁷

I limiti dell'IA probabilistica e delle soluzioni basate su wrapper

L'aumento dell'interesse aziendale per l'IA ha portato alla proliferazione di wrapper LLM — applicazioni che utilizzano un'API di terze parti (OpenAI, Anthropic, Google) per elaborare i dati. Sebbene questi modelli siano eccezionali nell'elaborazione del linguaggio naturale, sono fondamentalmente probabilistici e non deterministici.⁷ Operano su correlazioni statistiche piuttosto che sulle leggi della fisica. Nel contesto del blackout del 28 aprile, un modello di IA probabilistica usato per il monitoraggio della rete avrebbe presentato tre modalità critiche di guasto:

1. Allucinazione di stati fisici: I modelli probabilistici ottimizzano per l'uscita che suona più plausibile. In una crisi di rete, un LLM potrebbe riferire che «i livelli di tensione si stanno stabilizzando» basandosi su pattern storici di recupero delle oscillazioni, anche se i dati dei sensori in tempo reale indicano una cascata divergente di sovratensione.⁷
2. Latenza di inferenza: L'IA basata su wrapper si affida all'elaborazione cloud e alle chiamate API, che introducono latenze nell'ordine di 500 ms fino a diversi secondi.⁷ In un evento di perdita di 15 GW in cui la frequenza scende sotto le soglie critiche in meno di cinque secondi, una risposta al di sotto del secondo è obbligatoria. L'inferenza edge-native di Veriprajna raggiunge latenze inferiori a 0,7 ms, consentendo la correzione prima che la cascata si completi.²²
3. Mancanza di verifica formale: Gli LLM non possono essere formalmente verificati per rispettare leggi fisiche come la legge di Kirchhoff delle tensioni (KVL) o l'equazione di Swing. Sono «scatole nere» che trattano «probabile» e «corretto» come concetti identici.⁷ L'architettura Deep AI di Veriprajna utilizza Physics-Informed Neural Networks (PINNs) in cui la funzione di loss stessa è vincolata dai modelli matematici della rete elettrica.²²

Prestazioni comparative: paradigmi di controllo

Paradigma di controllo	Tipo di logica	Latenza	Affidabilità in condizioni estreme	Conformità ai protocolli
Legacy PI/PID	Lineare/Analogico	Microsecondi	Bassa (la sintonizzazione fissa fallisce in eventi non lineari)	Manuale/Statica
LLM Wrappers	Probabilistica	> 500 ms	Inesistente (rischio di allucinazione)	Basata sulla plausibilità
Deep AI (PINN)	Fisica-deterministica	< 1 ms	Alta (leggi fisiche incorporate)	Tempo reale / Dinamica
Neuro-Symbolic	Logica deterministica	< 10 ms	Alta (regole applicate fisicamente)	Simbolica codificata a livello hardware

Architettura della soluzione Veriprajna: progettare l'immunità della rete

Per affrontare le vulnerabilità emerse con il blackout iberico, Veriprajna propone un'architettura Deep AI multi-strato che integra l'adattabilità delle reti neurali con il rigore della logica simbolica e la certezza delle leggi fisiche. Questo sistema è progettato per fornire «immunità deterministica» — uno stato in cui lo strato di controllo della rete è fisicamente incapace di eseguire un'azione che viola i protocolli di sicurezza o le costanti fisiche.

Livello 1: Physics-Informed Neural Networks (PINNs) per il controllo al millisecondo

Le PINN rappresentano l'evoluzione dell'architettura neurale per i sistemi cyber-fisici. Invece di apprendere solo dai dati storici, le PINN incorporano le equazioni differenziali che governano la dinamica dei sistemi di potenza direttamente nel processo di addestramento.²² Per un inverter grid-forming, la PINN è addestrata usando l'equazione di Swing come vincolo di loss:

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

Dove $M_i$ rappresenta l'inerzia virtuale e $D_i$ rappresenta lo smorzamento.²² Minimizzando il residuo di questa equazione durante l'inferenza, la PINN assicura che le sue uscite di controllo per frequenza e tensione siano fisicamente coerenti. Nell'evento del 2025, un controller PINN nella sottostazione di Granada avrebbe identificato le oscillazioni sotto-sincrone non come rumore, ma come una violazione dinamica, fornendo uno smorzamento attivo fino a 87 volte più rapido dei metodi convenzionali di ottimizzazione.²⁴

Livello 2: applicazione dei protocolli neuro-simbolica

La mancata adesione delle centrali alla P.O. 7.4 è stata essenzialmente un fallimento di «Saggezza» (Prajna) — la capacità di applicare contesto e regole ai dati grezzi. L'architettura «sandwich» neuro-simbolica di Veriprajna separa il «sapore» dell'elaborazione neurale (intuizione) dalla «meccanica» della logica simbolica (regole).⁷

In questo quadro, lo strato simbolico agisce da guardiano. Per la rete iberica, codifichiamo l'intera P.O. 7.4 e la metodologia ICS in un DSL formale (Domain Specific Language).⁷ Quando un sensore rileva una sovratensione, il motore simbolico attiva uno stato obbligatorio di «assorbimento reattivo». Qualsiasi segnale di controllo dalla rete neurale che suggerisca iniezione reattiva viene bloccato fisicamente da un «Constitutional Guardrail».⁷ Ciò garantisce che l'incidente in cui un impianto «ha aggiunto anziché assorbito» potenza reattiva diventi un'impossibilità fisica.¹⁹

Livello 3: NGC edge-native (Neural Grid Controllers)

Per risolvere il «divario di osservabilità», l'intelligenza deve spostarsi dalla sala di controllo del TSO al trasformatore lato collettore.¹² Gli NGC di Veriprajna sono dispositivi di edge computing specializzati che eseguono misure di sincro-forma d'onda ad alta risoluzione.²⁵ Questi dispositivi eseguono un ciclo continuo di ottimizzazione ogni 100 millisecondi, interrogando modelli locali di previsione per le successive 4 ore di produzione ed eseguendo contemporaneamente comandi agli inverter per mantenere la stabilità locale di tensione entro $\pm 0.02$ per unità (pu).²³

Livello 4: Multi-Agent Reinforcement Learning (MARL) per il ripristino della rete

Il periodo di ripristino di 24 ore della rete iberica è stato ostacolato dalla complessità delle procedure manuali di black start.⁴ Veriprajna utilizza Agentic AI basata sul benchmark RL2Grid per automatizzare il ripristino della rete.²⁷ Questi agenti operano in un quadro gerarchico:

• Agenti locali: Gestiscono isole di potenza individuali, assicurando che le unità di black start (come la centrale idroelettrica di Castelo de Bode) non subiscano collasso di tensione quando i carichi vengono riconnessi.²⁷
• Agenti di coordinamento: Supervisionano la sincronizzazione delle isole, eseguendo una riconfigurazione topologica in tempo reale per ottimizzare il margine cumulativo disponibile sulle linee di trasmissione.²⁷

Durante il recupero del 2025, questo sistema avrebbe instradato in autonomia i 900 MW del Marocco e i 2 GW di supporto della Francia verso le «isole» a massima priorità, mantenendo un bilanciamento deterministico e riducendo verosimilmente l'interruzione di 24 ore a una finestra di recupero di 4 ore.⁹

Conformità normativa e l'EU AI Act

Poiché la tecnologia di controllo della rete è classificata come «infrastruttura critica» ai sensi dell'EU AI Act, trasparenza e spiegabilità non sono opzionali.³¹ Le soluzioni basate su wrapper falliscono questo test perché non possono fornire una «causa radice» delle loro predizioni. L'IA neuro-simbolica di Veriprajna fornisce tracce decisionali comprensibili all'uomo.²⁰

In caso di intervento automatico, il sistema produce una traccia di audit:

• Trigger: Rilevamento di SSO a 0,63 Hz tramite lo strato neurale.
• Violazione del vincolo: Limite dinamico di tensione della P.O. 7.4 (435 kV) superato.
• Azione: Lo strato simbolico ha imposto obbligatoriamente la $Q$-assorbimento (30% di $P_{max}$).
• Esito: Tensione stabilizzata a 418 kV; scatto lato collettore prevenuto.

Questo livello di dettaglio soddisfa i requisiti della metodologia ICS e delle classificazioni di casi d'uso ad alto rischio dell'EU AI Act, fornendo ai TSO la «verità verificabile» richiesta per la responsabilità legale e operativa.¹

Roadmap di implementazione strategica per l'immunità della rete

La transizione dai sistemi legacy a una rete alimentata da Deep AI richiede un approccio a fasi che bilanci la mitigazione immediata del rischio con la modernizzazione infrastrutturale a lungo termine.

Fase 1: osservabilità ad alta risoluzione e integrazione del gemello digitale (0-6 mesi)

Il passo iniziale si concentra sul dispiegamento di sensori di sincro-forma d'onda ad alta risoluzione a livello di collettore di tutti gli asset di generazione. Questi dati alimentano uno Smart Grid Digital Twin (SGDT), che funge da «simulatore di volo» per la rete.³³ Eseguendo DNN all'interno del gemello digitale, gli ingegneri possono monitorare le violazioni di sovratensione nascoste — lo stesso meccanismo che ha permesso alla cascata iberica di passare inosservata fino a quando non è stato troppo tardi.¹²

Fase 2: dispiegamento dei guardrail neuro-simbolici (6-18 mesi)

La seconda fase prevede il dispiegamento di motori di regole simboliche sull'hardware di controllo esistente. Questi motori agiscono come un «firewall di sicurezza», monitorando l'uscita degli attuali sistemi PID e AGC (Automatic Generation Control). Se un sistema legacy tenta di iniettare potenza reattiva durante una sovratensione — come avvenuto nel blackout del 2025 — il guardrail neuro-simbolico intercetta e corregge il comando in base alle regole deterministiche della P.O. 7.4.⁷

Fase 3: controllo PINN edge-native per nodi ad alta densità di inverter (18-36 mesi)

La fase finale mira alla sostituzione dei controller legacy nei parchi eolici e solari con i Neural Grid Controllers (NGC) di Veriprajna. Questi dispositivi abilitano capacità grid-forming e lo smorzamento attivo delle oscillazioni sotto-sincrone usando architetture PINN.²² Questa fase trasforma la rete da un sistema reattivo che risponde ai guasti in un sistema immunitario che stabilizza in modo preventivo i disturbi alla velocità dell'elettricità.

Conclusione: l'imperativo sovrano per la Deep AI

Il blackout iberico del 28 aprile 2025 non è stato un fallimento delle rinnovabili, ma un fallimento dell'intelligenza. Ha esposto il pericolo di gestire i flussi energetici del XXI secolo con protocolli di controllo del XX secolo e un'automazione probabilistica ancora immatura. La perdita improvvisa di 15 GW e la successiva interruzione di un giorno intero in Spagna e Portogallo dimostrano che le infrastrutture critiche richiedono un livello di certezza che i wrapper LLM e i controller legacy semplicemente non possono fornire.

La missione di Veriprajna è progettare questa certezza. Integrando le leggi della fisica direttamente nelle architetture neurali e applicando i protocolli normativi tramite logica simbolica deterministica, offriamo un percorso verso una rete che non è solo «smart», ma fondamentalmente immune al guasto a cascata. Per la utility moderna, la scelta non è più tra energia convenzionale o rinnovabile, ma tra vulnerabilità probabilistica e resilienza deterministica. Il blackout del 2025 è stato un campanello d'allarme; la Deep AI è la risposta.

Negli ambienti enterprise ad alto rischio non c'è spazio per il «probabile» o il «plausibile». C'è solo l'esigenza della verità. Veriprajna consegna quella verità, assicurando che le luci restino accese non perché abbiamo sperato che lo fossero, ma perché le abbiamo progettate perché fossero fisicamente incapaci di spegnersi.

Opere citate

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