Waar de bevoegdheid van een AI-model moet eindigen in netplanning
Een interconnectiestudie begint met een verzoek om een project aan een elektriciteitsnet toe te voegen. Een AI-model kan helpen bij het interpreteren van dat verzoek. Ik wil dat de bevoegdheid ervan afhangt van de vraag die het daadwerkelijk kan beantwoorden. Het lezen van een aanvraag en het aanbevelen van wat er onderzocht moet worden, zijn verschillende verantwoordelijkheden, zelfs wanneer één enkele interface beide resultaten toont.
Mijn ontwerpprincipe is dat een intakemodel een interpretatie mag voorstellen, waarvan de bron ter inzage beschikbaar is. Een netwerkaanbeveling moet de berekening en de regel behouden die haar hebben voortgebracht. Deze scheiding doet ertoe wanneer beide uitkomsten even overtuigd klinken, maar op verschillend bewijsmateriaal berusten. Het schept ook een zwaardere verplichting: als de interpretatie onjuist is, heeft het systeem een zichtbaar traject nodig om de invoergegevens te herzien en de aanbeveling opnieuw te overwegen.
Een goed omschreven aanvraag kan nog steeds een upgradestudie vereisen
Onze GridLens-demo gebruikt synthetische aanvragen en een synthetisch elektriciteitsnet om dit onderscheid controleerbaar te maken. Denk aan Tessera Compute, een klaargezet verzoek van 750 MW met een hoge gereedheidsscore onder de geconfigureerde intakeregels van de demo. Die score beschrijft de gereedheid van de aanvraag. Het meet niet het vermogen van het netwerk om het verzoek in te passen.
In de gelijkstroom-thermische screening van de demo is de zwaarste toewijsbare basissituatiebelasting 92.3% van de thermische limiet van de desbetreffende lijn. De basissituatie gaat ervan uit dat de gemonitorde lijnen in bedrijf zijn. Nadat één gemonitorde lijn uit bedrijf wordt genomen, bereikt de zwaarste toewijsbare belasting 112.4%. De geconfigureerde aanbeveling wordt een upgradestudie.
Het numerieke verschil heeft een praktische betekenis binnen dit model: een resultaat onder de limiet in de basissituatie beslist niet over de uitvalsituatie. Het bewijs wijst tak 548 naar 247 aan als de zwaarst knellende tak, bij uitval van lijn 1 naar 248. Een planner kan de specifieke netwerkconditie achter de aanbeveling betwisten in plaats van te debatteren over de toon van een samenvatting.
Dit is een begrensde illustratie. De screening behandelt de aangevraagde MW als een via de balanceerbus vereffende injectie, inclusief verzoeken voor grote verbruikers; het is geen gevalideerde fysieke studie naar belastingafname. Het bestrijkt een geselecteerde reeks uitvallen van niet-radiale transmissielijnen en sluit AC-spannings- en blindvermogenhaalbaarheid, transiënte stabiliteit en eilandbedrijf uit. Bestaande overbelastingen zijn basiscondities in plaats van toegerekende projectbeperkingen. Zelfs een vlekkeloos resultaat zou een studie-aanbeveling zijn, geen toestemming om aan te sluiten of een vaststelling dat het gehele netwerk veilig is.
Binnen die grenzen beantwoordt het voorbeeld nog steeds een nuttige ontwerpvraag. De upgrade-aanbeveling vereist een netwerkberekening. Een beter geformuleerde uiteenzetting over locatiebeheer of aangevraagde capaciteit kan de overbelaste tak niet oplossen. Door het intakemodel de bevoegdheid te geven om de aanbeveling te herschrijven, zou bewijs voor de ene vraag in de plaats worden gesteld van bewijs voor een andere.
Geef ondersteuning een afgebakend effect
GridLens houdt optionele modelondersteunde extractie adviserend. De video van de oprichter toont een analyse die een opgeslagen, reële modelrespons hergebruikt. Het kan geëxtraheerde aanvraagvelden en gereedheidsbewijs naar voren halen, maar het verandert niets aan de opgeslagen aanbeveling van de wachtrijscreening of de volgorde van de studies. De volledige wachtrijscreening maakt gebruik van deterministische extractie, netwerkberekeningen en geconfigureerd beleid; het vraagt geen taalmodel om het planningsverdict te vellen.
Ik geef de voorkeur aan deze grens omdat een reviewer kan zien wat de ondersteuning heeft veranderd. Wanneer een model een nieuwe interpretatie biedt naast een bestaand resultaat, blijft het verschil beschikbaar ter controle. Als dezelfde actie geruisloos een opgeslagen aanbeveling zou wijzigen, zou de reviewer ook moeten vaststellen welke invoergegevens zijn veranderd, of de berekeningen zijn herhaald en welke versie de getoonde studievolgorde vertegenwoordigt. Dat is een grotere claim dan een extractierespons op zichzelf kan dragen.
Er zijn minstens twee aannemelijke rollen voor een model in een planningsworkflow. Het kan een voltooid resultaat toelichten aan de hand van het bewaarde bewijsmateriaal, of het kan invoergegevens voorstellen voor een nieuwe berekening. Beide kunnen nuttig zijn. De tweede rol vereist een sterker revisieproces, omdat een invoerwijziging het stroomafwaartse resultaat kan veranderen. Een gewijzigd aansluitpunt is bijvoorbeeld niet louter een betere zin in een samenvatting van de aanvraag; het verandert waar het verzoek in het netwerkmodel wordt weergegeven.
Voor een completer systeem is mijn ontwerpnorm om die overgang expliciet te maken. Een voorgestelde correctie moet de bronpassage, de oude waarde en de nieuwe waarde identificeren. Zodra deze via het relevante beoordelingsproces is geaccepteerd, moet deze de invoer worden voor een afzonderlijke berekening, waarvan het resultaat kan worden vergeleken met het eerdere resultaat. Dit is een voorgestelde ontwerpeis, geen functionaliteit die wordt gedemonstreerd door de adviserende actie van GridLens.
De prijs hiervan is extra review en versiebeheer. Een automatische overschrijving is eenvoudiger te presenteren en vereist minder zichtbare stappen. Maar het verbergt juist de informatie die nodig is om te beslissen of de nieuwe aanbeveling vertrouwen verdient. Ik accepteer het extra werk wanneer de correctie de fysische vraag verandert die wordt onderzocht.
Een deterministisch antwoord kan exact verkeerd zijn
Het model buiten het eindoordeel houden is op zichzelf niet voldoende. Een deterministische berekening kan consequent op de verkeerde invoer werken. De juiste reactie op die complicatie is het inspecteren van de invoer, in plaats van determinisme te behandelen als bewijs van juistheid.
Stel, hypothetisch, dat een aanvraag op dubbelzinnige wijze twee mogelijke aansluitpunten noemt. Een samenvatting zou er één kunnen selecteren en overtuigend kunnen klinken. Het herhaaldelijk uitvoeren van de thermische screening op dat geselecteerde punt zou niet verduidelijken wat de aanvrager bedoelde. De dubbelzinnigheid vereist opheldering voordat welke berekening dan ook de beoogde vraag kan beantwoorden. In GridLens leidt een onopgelost aansluitpunt of een extractiebetrouwbaarheid onder de geconfigureerde drempelwaarde van 0.60 het verzoek door naar menselijke beoordeling. Dat is een traject voor onopgelost bewijsmateriaal, geen voltooide beslissing van een ingenieur.
Hetzelfde onderscheid geldt voor gereedheid. De gereedheidsscore van de demo is een heuristiek die is afgeleid van bewijsmateriaal uit de aanvraag. Een hoge score kan een thermische beperking niet opheffen, en een lage score levert geen bewijs van wangedrag. Ik wil dat de aanbeveling uitlegt welk type onzekerheid overblijft. Ontbrekend bewijsmateriaal in een aanvraag vraagt om een andere vervolgstap dan een met naam genoemde overbelasting bij een gespecificeerde uitval.
Daarom wil ik niet dat één enkel betrouwbaarheidsgetal de gehele beslissing draagt. Het zou reviewers dwingen af te leiden of een lage waarde een onzekere extractie, onvolledige commerciële voorbereiding of een veeleisende netwerkconditie beschrijft. Door die vragen gescheiden te houden, kan de reviewer het bewijsmateriaal achterhalen dat de uitkomst daadwerkelijk zou kunnen veranderen.
Beoordeel de aanbeveling op haar revisietraject
De GridLens-toelichting toont de vastgelegde workflow en het bijbehorende bewijsmateriaal. Het bredere ontwerpcriterium is om te vragen wat er zou moeten veranderen om een aanbeveling te laten wijzigen: een gecorrigeerd aanvraagveld, een andere netwerkaanname of een ander studiebeleid. Elk heeft een andere bron en een andere reden voor herziening.
Hier is de toelichting van de oprichter over deze grens in GridLens.
Ik beoordeel een AI-ondersteunde planningsworkflow op de vraag of deze die afhankelijkheden zichtbaar maakt. Een nuttige modelrespons kan de aandacht vestigen op een ontbrekend feit of een correctie voorstellen. Vertrouwen op de planningsaanbeveling vereist een registratie van de invoer, de berekening en de regel die haar ondersteunen. Het systeem wint aan gezag wanneer een reviewer een meningsverschil kan herleiden naar het bewijsmateriaal dat dit kan oplossen.
