결정론적 면역: 2025년 이베리아 블랙아웃 이후 딥 AI로 엔지니어링하는 계통 회복탄력성

2025년 4월 28일 이베리아 반도 전역에서 발생한 재앙적 전력계통 고장은 핵심 인프라 관리 역사상 획기적인 순간을 의미한다. CEST 12:33에 연쇄적 사건으로 스페인과 포르투갈 전력망이 대륙유럽 동기권(Continental European Synchronous Area)에서 완전 분리되었고, 5초 이내에 15기가와트(GW)의 발전 용량이 급격히 상실되었다.¹ 이 사건으로 약 6천만 명의 주민이 최대 10시간 동안 전력을 잃었고 인프라 고장과 관련된 사망자가 여럿 발생했으며, 레거시 제어 프로토콜과 확률적 자동화 시스템에 대한 현재의 의존을 통렬히 고발한다.³ 초기 공론은 재생에너지 불안정성을 추측했으나, 유럽전력송전계통운영자네트워크(ENTSO-E)와 스페인 송전계통운영자 Red Eléctrica de España(REE)의 공식 조사는 더 미묘한 기술적 근본 원인을 확인했다. 바로 무효전력 관리의 시스템적 붕괴와, 특히 운영 절차 7.4(P.O. 7.4)에 따른 동적 전압 제어 프로토콜을 발전소가 준수하지 못한 것이다.¹

기업 리더와 계통 운영자에게 2025년 블랙아웃은 위험한 기술 격차를 드러낸다. 많은 AI 컨설팅이 GPT-4나 Claude 같은 확률적 대규모 언어 모델(LLM) 위의 얇은 인터페이스인 "래퍼" 애플리케이션에 집중하는 시대에, 이베리아 사건은 고위험 인프라에 "딥 AI" 솔루션이 필요함을 보여 준다. Veriprajna는 이 전환의 최전선에 서며, 생성형 AI의 "무한 자유 오류(Infinite Freedom Fallacy)"를 넘어 환각이 단순한 버그가 아니라 비즈니스·사회적 재앙이 되는 환경에서 마이크로초 수준 의사결정이 가능한 결정론적·물리 정보·뉴로-심볼릭 아키텍처를 제공한다.⁷ 본 백서는 2025년 붕괴의 기술 아키텍처를 분석하고, 이러한 시스템적 고장의 재발을 막도록 설계된 결정론적 계통 "면역" 시스템의 프레임워크를 제시한다.

15 GW 붕괴의 기술적 기원

2025년 4월 28일 아침의 조건은 붕괴 직전 발전의 78%를 차지한 높은 재생에너지 비중과, 역사적으로 낮은 수준의 재래식 동기 발전이 결합된 상태였다.⁹ 이 환경은 탈탄소 목표에는 유리했지만 계통의 자연 관성을 크게 줄여, 전압·주파수 외란에 극도로 민감하게 만들었다.⁹ 약 오후 12:00에 계통은 0.21 Hz 및 0.63 Hz 주파수의 저동기 발진(SSO)을 경험하기 시작했다.⁴ 발전기 제어 시스템과 송전망 간 불리한 상호작용으로 촉발된 이 발진은, 의도치 않게 계통의 전압 프로파일을 불안정화한 수동·자동 개입의 연쇄를 개시했다.⁴

시스템 열화 및 고장의 연대기

시각 (CEST)	사건 단계	기술적 메커니즘	계통 영향
09:00 - 12:00	사전 경보	발진 중 과도 저전압을 관리하기 위한 분로 리액터 분리.	무효전력 흡수 용량의 고갈. 12
12:00 - 12:31	발진 감쇠	TSO가 병렬 400 kV 선로를 가압하고 HVDC 링크를 고정전력 모드로 전환.	계통 임피던스 감소; 송전 전압 상승. 12
12:31 - 12:32	관측성 격차	송전 전압은 한계 내(418 kV)였으나 컬렉터 측 전압이 242 kV에 도달.	배전/컬렉터 레벨에서 숨겨진 과전압 위반. 12
12:33:10	급격한 용량 상실	연쇄 보호 트립으로 5초 만에 15 GW 발전 상실.	국가 총수요의 60%가 순간적으로 상실. 2
12:33:18	주파수 붕괴	계통 주파수가 48.0 Hz 아래로 하락; 자동 부하차단이 하락을 안정화하지 못함.	지역 분리 및 블랙아웃 촉발. 3
12:33:24	완전 고립	프랑스·모로코와의 HVDC 및 AC 연계선 최종 트립.	스페인·포르투갈 전역 완전 블랙아웃. 3

사후 분석에서 가장 중요한 발견은 "관측성 격차"였다. 송전계통운영자(TSO)가 고전압(400 kV) 선로를 감시하는 동안, 연쇄 고장은 컬렉터 레벨 변전소(220 kV)에서 시작되었다.¹² 변압기 탭 절환기가 오후 12:31의 전압 상승에 충분히 빠르게 조정되지 않았기 때문에, 송전 레벨 데이터는 정상으로 보였음에도 발전소 내부 전압이 보호 임계값을 초과했다.¹² 이는 중앙 폴링에 의존하지 않고 발전·배전 지점에서 밀리초 규모로 직접 동작하는 엣지 네이티브 AI의 필요성을 강조한다.

무효전력 프로토콜과 심볼릭 강제(Symbolic Enforcement)의 실패

2025년 사건의 핵심 실패는 가용 기술의 부재가 아니라 프로토콜 강제(enforcement)의 실패였다. 무효전력($Q$)은 전압 안정의 생명선이다. AC 계통에서 전압($V$), 유효전력($P$), 무효전력($Q$)의 관계는 복소전력 방정식 $S = P + jQ$ 및 대응하는 전압 강하 근사식에 의해 지배된다.¹³ 안정을 유지하려면 발전소는 무효전력 출력을 동적으로 조정해야 한다. 전압 강하(sag) 시에는 주입하여 전압을 올리고, 스파이크 시에는 흡수하여 전압을 낮춘다.¹⁵

스페인에서 이러한 요구는 운영 절차 7.4(P.O. 7.4)에 성문화되어 있으며, 발전 단위가 최대 전력의 최소 30%에 해당하는 무효전력을 공급하거나 흡수할 용량을 유지함으로써 동적 전압 제어를 제공하도록 의무화한다.⁶ 4월 28일, 계통은 망 메시(meshing)와 낮은 수요로 인한 전압 스파이크에 대응하기 위해 무효전력의 대량 흡수가 필요했다.¹² 그러나 여러 발전 설비가 법적으로 요구되는 최소 흡수값에 도달하지 못했고, 반응이 너무 느리거나 전혀 없었다.¹⁶

무효전력 주입의 이상

조사는 특히 심각한 실패를 강조했다. 한 주요 발전 설비가 계통의 과전압 상태에 따라 무효전력을 흡수해야 함에도, 실제로 계통에 무효전력을 추가(주입)했다.¹⁹ 이 행위는 양의 피드백 루프로 작용하여 국부 전압을 더욱 높이고 인접 발전기의 보호 트립을 촉발했다.⁴ 이 특정 실패 모드는 더 깊은 문제를 시사한다. 레거시 비례-적분(PI) 및 비례-적분-미분(PID) 제어기는 정상상태 안정에 맞춰 튜닝되어, 급속한 발진 감쇠가 진행되는 계통의 비선형·다변수 동특성을 종종 다루지 못한다.¹³

Veriprajna의 관점에서 이는 "심볼릭 강제(Symbolic Enforcement)"의 실패를 의미한다. 뉴로-심볼릭 아키텍처로 지배되는 시스템은 무효전력 주입을 물리적으로 차단했을 것이다. 그러한 시스템에서 신경망 액터는 잘못된 국부 판독에 기반한 제어 신호를 제안할 수 있지만, P.O. 7.4의 결정론적 규칙으로 프로그래밍된 심볼릭 논리 계층은 $V > V_{max}$ 및 $dV/dt > 0$임을 식별하여, 신경망 계층의 출력과 무관하게 의무적 흡수 명령을 강제한다.⁷

확률적 AI와 래퍼 기반 솔루션의 한계

기업 AI에 대한 관심 급증은 LLM 래퍼—서드파티 API(OpenAI, Anthropic, Google)로 데이터를 처리하는 애플리케이션—의 확산을 낳았다. 이 모델들은 자연어 처리에 탁월하지만, 본질적으로 확률적이며 비결정론적이다.⁷ 이들은 물리법칙이 아니라 통계적 상관에 기반해 동작한다. 4월 28일 블랙아웃의 맥락에서 계통 감시에 쓰인 확률적 AI 모델은 세 가지 치명적 실패 모드를 보였을 것이다.

1. 물리적 상태의 환각: 확률 모델은 가장 그럴듯하게 들리는 출력을 최적화한다. 계통 위기에서 LLM은 발진 회복의 역사적 패턴에 기반해 "전압 수준이 안정화되고 있다"고 보고할 수 있으며, 실시간 센서 데이터가 발산하는 과전압 캐스케이드를 나타내더라도 그러하다.⁷
2. 추론 지연: 래퍼 기반 AI는 클라우드 처리와 API 호출에 의존하며, 500ms에서 수초 범위의 지연을 도입한다.⁷ 주파수가 5초 이내에 임계값 아래로 떨어지는 15 GW 상실 사건에서는 초 미만의 응답이 필수이다. Veriprajna의 엣지 네이티브 추론은 0.7ms 미만의 지연을 달성하여, 캐스케이드가 완료되기 전 보정을 가능하게 한다.²²
3. 형식 검증의 부재: LLM은 Kirchhoff의 전압 법칙(KVL)이나 스윙 방정식 같은 물리법칙 준수를 형식적으로 검증할 수 없다. 이들은 "가능성"과 "정확성"을 동일한 개념으로 취급하는 "블랙박스"이다.⁷ Veriprajna의 딥 AI 아키텍처는 손실 함수 자체가 전력계통의 수학적 모델로 제약되는 물리 정보 신경망(PINN)을 활용한다.²²

비교 성능: 제어 패러다임

제어 패러다임	논리 유형	지연시간	극한 상황에서의 신뢰성	프로토콜 준수
레거시 PI/PID	선형/아날로그	마이크로초	낮음 (고정 튜닝이 비선형 사건에서 실패)	수동/정적
LLM 래퍼	확률적	> 500 ms	사실상 없음 (환각 위험)	개연성 기반
딥 AI (PINN)	물리-결정론적	< 1 ms	높음 (물리법칙 내장)	실시간 / 동적
뉴로-심볼릭	결정론적 논리	< 10 ms	높음 (규칙이 물리적으로 강제됨)	하드코딩된 심볼릭

Veriprajna의 솔루션 아키텍처: 계통 면역 엔지니어링

이베리아 블랙아웃이 드러낸 취약점을 해결하기 위해 Veriprajna는 신경망의 적응성, 심볼릭 논리의 엄밀성, 물리법칙이 확실성을 통합하는 다계층 딥 AI 아키텍처를 제안한다. 이 시스템은 "결정론적 면역"—계통의 제어 계층이 안전 프로토콜이나 물리 상수를 위반하는 동작을 물리적으로 실행할 수 없는 상태—을 제공하도록 설계된다.

계층 1: 밀리초 제어를 위한 물리 정보 신경망(PINN)

PINN은 사이버-물리 시스템을 위한 신경망 아키텍처의 진화를 나타낸다. 역사 데이터만으로 학습하는 대신, PINN은 전력계통 동특성을 지배하는 미분방정식을 훈련 과정에 직접 내장한다.²² 그리드 포밍 인버터의 경우, PINN은 스윙 방정식을 손실 제약으로 사용하여 훈련된다.

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

여기서 $M_i$ 는 가상 관성을, $D_i$ 는 감쇠를 나타낸다.²² 추론 중 이 방정식의 잔차를 최소화함으로써 PINN은 주파수·전압에 대한 제어 출력이 물리적으로 일관되도록 보장한다. 2025년 사건에서 Granada 변전소의 PINN 제어기는 저동기 발진을 잡음이 아니라 동적 위반으로 식별하여, 기존 최적화 방법보다 최대 87배 빠른 능동 감쇠를 제공했을 것이다.²⁴

계층 2: 뉴로-심볼릭 프로토콜 강제

발전소가 P.O. 7.4를 따르지 못한 것은 본질적으로 "지혜(Wisdom)"(Prajna)—원시 데이터에 맥락과 규칙을 적용하는 능력—의 실패였다. Veriprajna의 뉴로-심볼릭 "샌드위치" 아키텍처는 신경망 처리의 "풍미"(직관)와 심볼릭 논리의 "역학"(규칙)을 분리한다.⁷

이 프레임워크에서 심볼릭 계층은 게이트키퍼로 작용한다. 이베리아 계통을 위해 우리는 P.O. 7.4 전체와 ICS 방법론을 형식적 DSL(도메인 특화 언어)로 인코딩한다.⁷ 센서가 과전압을 감지하면 심볼릭 엔진이 의무적 "무효전력 흡수(Reactive Absorption)" 상태를 촉발한다. 신경망이 무효전력 주입을 제안하는 제어 신호는 "헌법적 가드레일(Constitutional Guardrail)"에 의해 물리적으로 차단된다.⁷ 이로써 발전소가 무효전력을 "흡수하는 대신 추가"한 사건은 물리적 불가능이 된다.¹⁹

계층 3: 엣지 네이티브 NGC(신경망 계통 제어기)

"관측성 격차"를 해결하려면 지능이 TSO 제어실에서 컬렉터 측 변압기로 이동해야 한다.¹² Veriprajna의 NGC는 고해상도 싱크로-파형 측정을 수행하는 특화 엣지 컴퓨팅 장치이다.²⁵ 이 장치는 100밀리초마다 연속 최적화 루프를 실행하며, 향후 4시간 생산에 대한 국부 예측 모델을 조회하는 동시에 인버터 명령을 실행하여 국부 전압 안정을 $\pm 0.02$ 퍼유닛(pu) 내로 유지한다.²³

계층 4: 계통 복구를 위한 다중 에이전트 강화학습(MARL)

이베리아 계통의 24시간 복구 기간은 수동 블랙 스타트 절차의 복잡성으로 저해되었다.⁴ Veriprajna는 RL2Grid 벤치마크에 기반한 에이전틱 AI를 활용하여 계통 복구를 자동화한다.²⁷ 이 에이전트들은 계층적 프레임워크에서 동작한다.

• 국부 에이전트: 개별 전력 섬을 관리하며, Castelo de Bode 수력발전소 같은 블랙 스타트 유닛이 부하 재접속 시 전압 붕괴를 겪지 않도록 한다.²⁷
• 조정 에이전트: 섬의 동기를 감독하며, 송전선 전반의 누적 가용 여유를 최적화하기 위해 실시간 토폴로지 재구성을 수행한다.²⁷

2025년 복구 과정에서 이 시스템은 모로코의 900 MW와 프랑스의 2 GW 지원을 최고 우선순위 "섬"으로 자율 라우팅하면서 결정론적 균형을 유지하여, 24시간 정전을 4시간 복구 창으로 줄였을 가능성이 높다.⁹

규제 준수와 EU AI Act

계통 제어 기술은 EU AI Act상 "핵심 인프라"로 분류되므로, 투명성과 설명가능성은 선택이 아니다.³¹ 래퍼 기반 솔루션은 예측에 대한 "근본 원인"을 제공할 수 없어 이 시험을 통과하지 못한다. Veriprajna의 뉴로-심볼릭 AI는 인간이 이해할 수 있는 의사결정 추적을 제공한다.²⁰

자동 개입 시 시스템은 다음과 같은 감사 추적을 생성한다.

• 트리거: 신경망 계층을 통한 0.63 Hz SSO 감지.
• 제약 위반: P.O. 7.4 동적 전압 한계(435 kV) 초과.
• 조치: 심볼릭 계층이 의무적 $Q$-흡수( $P_{max}$의 30%)를 강제.
• 결과: 전압이 418 kV로 안정화; 컬렉터 측 트립 방지.

이 수준의 상세는 ICS 방법론과 EU AI Act의 고위험 사용 사례 분류 요건을 충족하며, TSO에 법적·운영적 책임에 필요한 "검증 가능한 진실"을 제공한다.¹

계통 면역을 위한 전략적 구현 로드맵

레거시 시스템에서 딥 AI 기반 계통으로의 전환은 즉각적 위험 완화와 장기 인프라 현대화를 균형 있게 맞춘 단계적 접근이 필요하다.

1단계: 고해상도 관측성 및 디지털 트윈 통합 (0–6개월)

초기 단계는 모든 발전 자산의 컬렉터 레벨에 고해상도 싱크로-파형 센서를 배포하는 데 초점을 둔다. 이 데이터는 계통의 "비행 시뮬레이터" 역할을 하는 스마트 그리드 디지털 트윈(SGDT)에 공급된다.³³ 디지털 트윈 내에서 DNN을 실행함으로써 엔지니어는 숨겨진 과전압 위반—이베리아 캐스케이드가 너무 늦을 때까지 감지되지 않게 한 바로 그 메커니즘—을 감시할 수 있다.¹²

2단계: 뉴로-심볼릭 가드레일 배포 (6–18개월)

두 번째 단계는 기존 제어 하드웨어에 심볼릭 규칙 엔진을 배포하는 것이다. 이 엔진은 "안전 방화벽"으로 작용하며, 현재 PID 및 AGC(자동발전제어) 시스템의 출력을 감시한다. 레거시 시스템이 2025년 블랙아웃에서처럼 과전압 중 무효전력을 주입하려 하면, 뉴로-심볼릭 가드레일이 P.O. 7.4의 결정론적 규칙에 따라 명령을 가로채 보정한다.⁷

3단계: 인버터 비중 높은 노드를 위한 엣지 네이티브 PINN 제어 (18–36개월)

최종 단계는 풍력·태양광 단지의 레거시 제어기를 Veriprajna의 신경망 계통 제어기(NGC)로 교체하는 것이다. 이 장치는 PINN 아키텍처를 사용해 그리드 포밍 능력과 저동기 발진의 능동 감쇠를 가능하게 한다.²² 이 단계는 계통을 고장에 대응하는 반응형 시스템에서, 전기의 속도로 외란을 선제적으로 안정화하는 면역 시스템으로 전환한다.

결론: 딥 AI에 대한 주권적 당위

2025년 4월 28일 이베리아 블랙아웃은 재생에너지의 실패가 아니라 지능의 실패였다. 21세기 에너지 흐름을 20세기 제어 프로토콜과 초기 단계의 확률적 자동화로 관리하는 위험을 드러냈다. 15 GW의 급격한 상실과 스페인·포르투갈의 이어진 하루 종일 정전은, 핵심 인프라에 LLM 래퍼와 레거시 제어기가 단순히 제공할 수 없는 수준의 확실성이 필요함을 보여 준다.

Veriprajna의 사명은 이 확실성을 엔지니어링하는 것이다. 물리법칙을 신경망 아키텍처에 직접 통합하고 규제 프로토콜을 결정론적 심볼릭 논리로 강제함으로써, 우리는 "스마트"할 뿐 아니라 연쇄 고장에 근본적으로 면역인 계통으로 가는 경로를 제공한다. 현대 유틸리티에게 선택은 더 이상 재래식 대 재생전력이 아니라, 확률적 취약성과 결정론적 회복탄력성 사이이다. 2025년 블랙아웃은 경종이었고, 딥 AI가 그 해답이다.

고위험 엔터프라이즈 환경에는 "가능성"이나 "개연성"을 위한 여지가 없다. 오직 진실에 대한 요구만이 있다. Veriprajna는 그 진실을 전달하며, 불이 켜진 채로 유지되는 이유가 우리가 바라서가 아니라, 물리적으로 꺼질 수 없도록 엔지니어링했기 때문임을 보장한다.

참고문헌

1. 28 April 2025 Blackout - ENTSO-e, 2026년 2월 9일 열람, https://www.entsoe.eu/publications/blackout/28-april-2025-iberian-blackout/
2. Blackout and System Restoration on the Iberian Peninsula on April ..., 2026년 2월 9일 열람, https://www.ees.tf.fau.de/files/2025/05/Blackout_ES_PT_FR_28_04_2025_en.pdf
3. 2025 Iberian Peninsula blackout - Wikipedia, 2026년 2월 9일 열람, https://en.wikipedia.org/wiki/2025_Iberian_Peninsula_blackout
4. Future-Proofing GB's Power System: Reflections on the April 2025 Iberian Event Summary, 2026년 2월 9일 열람, https://www.neso.energy/document/368991/download
5. The Iberian Blackout: Not a Failure of Renewables - A Wake-Up Call for Grid Resilience, 2026년 2월 9일 열람, 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 ..., 2026년 2월 9일 열람, 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, 2026년 2월 9일 열람, https://veriprajna.com/
8. Industries We Serve - Veriprajna, 2026년 2월 9일 열람, https://veriprajna.com/industries
9. The Iberian Peninsula Blackout — Causes, Consequences, and Challenges Ahead, 2026년 2월 9일 열람, 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, 2026년 2월 9일 열람, 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, 2026년 2월 9일 열람, 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, 2026년 2월 9일 열람, 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, 2026년 2월 9일 열람, 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, 2026년 2월 9일 열람, http://iosrjournals.org/iosr-jeee/Papers/Vol11%20Issue%201/Version-2/D011122934.pdf
15. The Importance of Reactive Power in Power System Network, 2026년 2월 9일 열람, 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, 2026년 2월 9일 열람, 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, 2026년 2월 9일 열람, http://www.jatit.org/volumes/Vol103No16/3Vol103No16.pdf
18. Spanish grid operator authorizes renewables for dynamic voltage control - PV Magazine, 2026년 2월 9일 열람, https://www.pv-magazine.com/2025/10/30/spanish-grid-operator-authorizes-renewables-to-provide-dynamic-voltage-control/
19. Madrid | Lucas Laursen, 2026년 2월 9일 열람, https://lucaslaursen.com/category/datelines/madrid/
20. Neuro-Symbolic AI for Explainable Decision-Making in Autonomous Grid Operations - Preprints.org, 2026년 2월 9일 열람, https://www.preprints.org/manuscript/202508.0747/v1/download
21. Agentic AI: A Comprehensive Survey of Architectures, Applications, and Future Directions, 2026년 2월 9일 열람, https://arxiv.org/html/2510.25445v1
22. Physics-Informed Neural Networks (PINNs) for Real-Time Grid ..., 2026년 2월 9일 열람, 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, 2026년 2월 9일 열람, https://sciety.org/articles/activity/10.20944/preprints202507.0721.v1
24. Physics-Informed Neural Networks for Power Systems - DTU Research Database, 2026년 2월 9일 열람, https://orbit.dtu.dk/files/215621776/1911.03737_1_.pdf
25. Grid Monitoring with Synchro-Waveform and AI Foundation Model Technologies - arXiv, 2026년 2월 9일 열람, 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, 2026년 2월 9일 열람, 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, 2026년 2월 9일 열람, https://arxiv.org/html/2503.23101v1
28. Agentic AI: The next evolution in enterprise automation - Grid Dynamics, 2026년 2월 9일 열람, https://www.griddynamics.com/blog/agentic-ai-strategy
29. INVESTIGATION INTO THE IBERIAN BLACKOUT OF 28 APRIL 2025 - ERSE, 2026년 2월 9일 열람, https://www.erse.pt/media/qovd5vgq/ersexplica25_vfinal-en.pdf
30. LEMAD: LLM-Empowered Multi-Agent System for Anomaly Detection in Power Grid Services, 2026년 2월 9일 열람, https://www.mdpi.com/2079-9292/14/15/3008
31. Sustainable AI and the rise of the energy-efficient data center | AMD, 2026년 2월 9일 열람, 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, 2026년 2월 9일 열람, 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, 2026년 2월 9일 열람, https://www.researchgate.net/publication/393424486_Deep_Neural_Networks_in_Smart_Grid_Digital_Twins_Evolution_Challenges_and_Future_Outlooks