Deterministische immuniteit: ontwerpen van netwerkveerkracht met Deep AI na de Iberische black-out van 2025

De catastrofale storing van het elektriciteitssysteem die op 28 april 2025 over het Iberisch Schiereiland plaatsvond, vormt een keerpunt in de geschiedenis van het beheer van kritieke infrastructuur. Om 12:33 CEST leidde een cascaderende reeks gebeurtenissen tot de totale ontkoppeling van het Spaanse en Portugese elektriciteitsnet van de Continentaal-Europese synchrone zone, met een plotseling verlies van 15 gigawatt (GW) opwekkingscapaciteit binnen een interval van vijf seconden tot gevolg.¹ Deze gebeurtenis, waarbij ongeveer 60 miljoen inwoners tot tien uur zonder stroom zaten en die tot meerdere fatale slachtoffers door infrastructuurfalen leidde, vormt een scherpe aanklacht tegen de huidige afhankelijkheid van verouderde besturingsprotocollen en probabilistische automatiseringssystemen.³ Hoewel het publieke debat aanvankelijk speculeerde over de instabiliteit van hernieuwbare energiebronnen, hebben formele onderzoeken door het European Network of Transmission System Operators for Electricity (ENTSO-E) en Red Eléctrica de España (REE) een genuanceerdere technische hoofdoorzaak vastgesteld: een systemische ineenstorting van het beheer van blindvermogen en het falen van energiecentrales om dynamische spanningsregelingsprotocollen na te leven, met name Operating Procedure 7.4 (P.O. 7.4).¹

Voor enterprise-leiders en systeembeheerders belicht de black-out van 2025 een gevaarlijke technologische kloof. In een tijdperk waarin veel AI-adviesbureaus zich richten op "wrapper"-toepassingen—dunne interfaces bovenop probabilistische Large Language Models (LLM's) zoals GPT-4 of Claude—toont het Iberische incident aan dat infrastructuur met hoge inzet "Deep AI"-oplossingen vereist. Veriprajna positioneert zich in de voorhoede van deze verschuiving en gaat verder dan de "Infinite Freedom Fallacy" van generatieve AI om deterministische, fysica-geïnformeerde en neuro-symbolische architecturen te leveren die microseconde-besluitvorming mogelijk maken in omgevingen waarin hallucinaties geen bugs zijn, maar bedrijfs- en maatschappelijke catastrofes.⁷ Dit whitepaper analyseert de technische architectuur van de ineenstorting van 2025 en schetst het kader voor een deterministisch "immuniteit"-systeem voor het net, ontworpen om herhaling van dergelijke systemische storingen te voorkomen.

De technische genesis van de ineenstorting van 15 GW

De omstandigheden op de ochtend van 28 april 2025 kenmerkten zich door een hoge penetratie van hernieuwbare energie—goed voor 78% van de opwekking kort voor de ineenstorting—in combinatie met historisch lage niveaus van conventionele synchrone opwekking.⁹ Deze omgeving, weliswaar gunstig voor decarbonisatiedoelen, verminderde de natuurlijke systeeminertie aanzienlijk, waardoor het net uiterst gevoelig werd voor spannings- en frequentieverstoringen.⁹ Rond 12:00 uur begon het systeem subsynchrone oscillaties (SSO) te ondervinden bij frequenties van 0,21 Hz en 0,63 Hz.⁴ Deze oscillaties, veroorzaakt door ongunstige interacties tussen generatorregelingen en het transmissienet, leidden tot een reeks handmatige en geautomatiseerde interventies die onbedoeld het spanningsprofiel van het systeem destabiliseerden.⁴

Chronologie van systemische degradatie en falen

Tijd (CEST)	Gebeurtenisfase	Technisch mechanisme	Systeemimpact
09:00 - 12:00	Pre-incidentwaarschuwing	Ontkoppeling van shuntreactoren om tijdelijke onderspanningen tijdens oscillaties te beheersen.	Uitputting van de absorptiecapaciteit voor blindvermogen. 12
12:00 - 12:31	Oscillatiedemping	TSO's schakelden parallelle 400 kV-circuits in en zetten HVDC-verbindingen op vast-vermogensmodus.	Verminderde systeemimpedantie; verhoogde transmissiespanningen. 12
12:31 - 12:32	Observatiekloof	Transmissiespanningen bleven binnen limieten (418 kV), maar collectorzijdige spanningen bereikten 242 kV.	Verborgen overspanningschendingen op distributie-/collectorniveau. 12
12:33:10	Plotseling capaciteitsverlies	15 GW opwekking verloren in 5 seconden door cascaderende beveiligingstrips.	60% van de totale nationale vraag instantaan verloren. 2
12:33:18	Frequentie-ineenstorting	Systeemfrequentie daalde onder 48,0 Hz; automatische belastingafschakeling stabiliseerde de daling niet.	Activering van regionale scheiding en black-out. 3
12:33:24	Totale isolatie	Definitieve trip van de HVDC- en AC-interconnecties met Frankrijk en Marokko.	Totale black-out in Spanje en Portugal. 3

De meest kritieke onthulling uit de post-eventanalyse was de "observatiekloof." Terwijl de transmissiesysteembeheerders (TSO's) hoogspanningslijnen (400 kV) monitorden, begon de cascaderende storing bij de collectorzijdige onderstations (220 kV).¹² Omdat transformatortrapwisselaars niet snel genoeg reageerden op de spanningsstijgingen om 12:31, overschreden de interne plantspanningen de beveiligingsdrempels, terwijl de data op transmissieniveau nog nominaal leken.¹² Dit onderstreept de noodzaak van edge-native AI die niet afhankelijk is van gecentraliseerde polling, maar op millisecondeschaal rechtstreeks op het punt van opwekking en distributie werkt.

Blindvermogenprotocollen en het falen van symbolische handhaving

Het centrale falen van het incident in 2025 was geen gebrek aan beschikbare technologie, maar een falen van protocolhandhaving. Blindvermogen ($Q$) is het levensbloed van spanningsstabiliteit. In een wisselstroomsysteem wordt de relatie tussen spanning ($V$), actief vermogen ($P$), en blindvermogen ($Q$) bepaald door de complexe vermogensvergelijking $S = P + jQ$ en de bijbehorende spanningsvalbenaderingen.¹³ Om stabiliteit te behouden moeten energiecentrales hun blindvermogenoutput dynamisch aanpassen: injecteren om de spanning tijdens inzakkingen te verhogen en absorberen om de spanning tijdens pieken te verlagen.¹⁵

In Spanje zijn deze eisen vastgelegd in Operating Procedure 7.4 (P.O. 7.4), die voorschrijft dat opwekkingseenheden dynamische spanningsregeling bieden door de capaciteit te behouden om blindvermogen te leveren of te absorberen dat gelijk is aan ten minste 30% van hun maximale vermogen.⁶ Op 28 april vereiste het systeem massale absorptie van blindvermogen om de spanningspiek tegen te gaan die werd veroorzaakt door netvermazing en lage vraag.¹² Meerdere opwekkingsfaciliteiten bereikten echter hun wettelijk vereiste minimale absorptiewaarden niet, reageerden te traag of helemaal niet.¹⁶

De anomalie van blindvermogeninjectie

Het onderzoek belichtte een bijzonder ernstig falen waarbij één grote opwekkingsfaciliteit, in plaats van blindvermogen te absorberen zoals voorgeschreven door de overspanningstoestand van het systeem, juist blindvermogen aan het net toevoegde (injecteerde).¹⁹ Deze handeling werkte als een positieve feedbacklus, verhoogde lokale spanningen verder en activeerde de beveiligingstrip van aangrenzende generatoren.⁴ Deze specifieke faalmodus wijst op een dieper probleem: verouderde Proportional-Integral (PI) en Proportional-Integral-Derivative (PID) controllers zijn afgestemd op stationaire stabiliteit en falen vaak bij de niet-lineaire, multivariable dynamiek van een net dat snelle oscillatiedemping ondergaat.¹³

Vanuit het perspectief van Veriprajna vertegenwoordigt dit een falen van "Symbolische handhaving." Een systeem dat wordt bestuurd door een neuro-symbolische architectuur zou de injectie van blindvermogen fysiek hebben geblokkeerd. In zo'n systeem zou de neurale actor een stuursignaal kunnen voorstellen op basis van een foutieve lokale meting, maar de symbolische logica-laag—geprogrammeerd met de deterministische regels van P.O. 7.4—zou vaststellen dat $V > V_{max}$ en $dV/dt > 0$, waardoor een verplicht absorptiebevel werd afgedwongen ongeacht de output van de neurale laag.⁷

De beperkingen van probabilistische AI en wrapper-gebaseerde oplossingen

De golf van enterprise-belangstelling voor AI heeft geleid tot een wildgroei van LLM-wrappers—toepassingen die een third-party-API (OpenAI, Anthropic, Google) gebruiken om data te verwerken. Hoewel deze modellen uitblinken in natuurlijke-taalverwerking, zijn ze fundamenteel probabilistisch en niet-deterministisch.⁷ Ze werken op basis van statistische correlaties in plaats van natuurwetten. In de context van de black-out van 28 april zou een probabilistisch AI-model voor netmonitoring drie kritieke faalmodi hebben vertoond:

1. Hallucinatie van fysieke toestanden: Probabilistische modellen optimaliseren voor de meest plausibel klinkende output. In een netcrisis zou een LLM kunnen melden dat "spanningsniveaus stabiliseren" op basis van historische patronen van oscillatieherstel, zelfs als de realtime sensordata een divergerende overspanningscascade aangeven.⁷
2. Inferentielatentie: Wrapper-gebaseerde AI steunt op cloudverwerking en API-aanroepen, die latenties introduceren van 500 ms tot enkele seconden.⁷ Bij een verliesgebeurtenis van 15 GW waarbij de frequentie binnen vijf seconden onder kritieke drempels daalt, is een subseconde-respons verplicht. De edge-native inferentie van Veriprajna bereikt latenties onder 0,7 ms, waardoor correctie mogelijk is voordat de cascade is voltooid.²²
3. Gebrek aan formele verificatie: LLM's kunnen niet formeel worden geverifieerd om natuurwetten zoals Kirchhoff's Voltage Law (KVL) of de Swing Equation te volgen. Het zijn "black boxes" die "waarschijnlijk" en "correct" als identieke concepten behandelen.⁷ De Deep AI-architectuur van Veriprajna gebruikt Physics-Informed Neural Networks (PINN's) waarbij de lossfunctie zelf wordt begrensd door de wiskundige modellen van het elektriciteitsnet.²²

Vergelijkende prestaties: besturingsparadigma's

Besturingsparadigma	Logicatype	Latentie	Betrouwbaarheid in extremis	Protocolnaleving
Legacy PI/PID	Lineair/analoog	Microseconden	Laag (vaste afstelling faalt bij niet-lineaire gebeurtenissen)	Handmatig/statisch
LLM Wrappers	Probabilistisch	> 500 ms	Niet-bestaand (hallucinatierisico)	Op plausibiliteit gebaseerd
Deep AI (PINN)	Fysica-deterministisch	< 1 ms	Hoog (ingebedde natuurwetten)	Realtime / dynamisch
Neuro-Symbolic	Deterministische logica	< 10 ms	Hoog (regels fysiek afgedwongen)	Hardgecodeerd symbolisch

Oplossingsarchitectuur van Veriprajna: ontwerpen van netimmuniteit

Om de kwetsbaarheden die door de Iberische black-out blootgelegd werden aan te pakken, stelt Veriprajna een gelaagde Deep AI-architectuur voor die de aanpasbaarheid van neurale netwerken integreert met de strengheid van symbolische logica en de zekerheid van natuurwetten. Dit systeem is ontworpen om "Deterministische Immuniteit" te bieden—een toestand waarin de besturingslaag van het net fysiek niet in staat is een handeling uit te voeren die veiligheidsprotocollen of fysische constanten schendt.

Laag 1: Physics-Informed Neural Networks (PINN's) voor milliseconde-regeling

PINN's vertegenwoordigen de evolutie van neurale architectuur voor cyberfysische systemen. In plaats van uitsluitend te leren van historische data, bedden PINN's de differentiaalvergelijkingen die de dynamiek van elektriciteitssystemen beheersen rechtstreeks in het trainingsproces in.²² Voor een grid-forming-omvormer wordt de PINN getraind met de Swing Equation als loss-constraint:

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

Waarin $M_i$ virtuele inertie voorstelt en $D_i$ demping voorstelt.²² Door het residu van deze vergelijking tijdens inferentie te minimaliseren, zorgt de PINN ervoor dat zijn regeluitgangen voor frequentie en spanning fysisch consistent zijn. Bij de gebeurtenis van 2025 zou een PINN-controller bij het onderstation Granada de subsynchrone oscillaties niet als ruis, maar als een dynamische schending hebben geïdentificeerd, met actieve demping tot 87 keer sneller dan conventionele optimalisatiemethoden.²⁴

Laag 2: neuro-symbolische protocolhandhaving

Het falen van energiecentrales om P.O. 7.4 te volgen was in wezen een falen van "Wisdom" (Prajna)—het vermogen om context en regels toe te passen op ruwe data. De neuro-symbolische "Sandwich"-architectuur van Veriprajna scheidt de "smaak" van neurale verwerking (intuïtie) van de "mechanica" van symbolische logica (regels).⁷

In dit kader fungeert de symbolische laag als poortwachter. Voor het Iberische net coderen we de gehele P.O. 7.4 en ICS Methodology in een formele DSL (Domain Specific Language).⁷ Wanneer een sensor een overspanning detecteert, activeert de symbolische engine een verplichte "Blindvermogenabsorptie"-toestand. Elk stuursignaal van het neurale netwerk dat blindvermogeninjectie voorstelt, wordt fysiek geblokkeerd door een "Constitutionele guardrail".⁷ Dit zorgt ervoor dat het incident waarbij een centrale "toevoegde in plaats van absorbeerde" blindvermogen een fysieke onmogelijkheid wordt.¹⁹

Laag 3: edge-native NGC's (Neural Grid Controllers)

Om de "observatiekloof" op te lossen, moet de intelligentie van de controlekamer van de TSO naar de collectorzijdige transformator worden verplaatst.¹² De NGC's van Veriprajna zijn gespecialiseerde edge-computingapparaten die hogeresolutie-synchro-waveformmetingen uitvoeren.²⁵ Deze apparaten voeren elke 100 milliseconden een continue optimalisatielus uit, raadplegen lokale voorspellingsmodellen voor de komende 4 uur productie en voeren tegelijkertijd omvormercommando's uit om de lokale spanningsstabiliteit binnen $\pm 0.02$ per unit (pu) te houden.²³

Laag 4: Multi-Agent Reinforcement Learning (MARL) voor netherstel

De herstelperiode van 24 uur van het Iberische net werd belemmerd door de complexiteit van handmatige black-startprocedures.⁴ Veriprajna gebruikt Agentic AI op basis van de RL2Grid-benchmark om netherstel te automatiseren.²⁷ Deze agenten werken in een hiërarchisch kader:

• Lokale agenten: Beheren individuele stroomeilanden en zorgen ervoor dat black-startunits (zoals de waterkrachtcentrale Castelo de Bode) geen spanningsineenstorting ervaren wanneer belastingen opnieuw worden aangesloten.²⁷
• Coördinerende agenten: Beheren de synchronisatie van eilanden en voeren realtime topologieherconfiguratie uit om de cumulatieve beschikbare marge over transmissielijnen te optimaliseren.²⁷

Tijdens het herstel van 2025 zou dit systeem de 900 MW van Marokko en de 2 GW steun van Frankrijk autonoom naar de hoogst geprioriteerde "eilanden" hebben gerouteerd terwijl deterministisch evenwicht behouden bleef, waardoor de storing van 24 uur waarschijnlijk tot een herstelvenster van 4 uur was teruggebracht.⁹

Regelgevingsnaleving en de EU AI Act

Omdat netregeltechnologie onder de EU AI Act als "kritieke infrastructuur" wordt geclassificeerd, zijn transparantie en verklaarbaarheid niet optioneel.³¹ Wrapper-gebaseerde oplossingen zakken voor deze test omdat ze geen "hoofdoorzaak" voor hun voorspellingen kunnen geven. De neuro-symbolische AI van Veriprajna levert voor mensen begrijpelijke besluitsporen.²⁰

Bij een geautomatiseerde interventie produceert het systeem een audittrail:

• Trigger: Detectie van 0,63 Hz SSO via de neurale laag.
• Constraint-schending: Dynamische spanningslimiet van P.O. 7.4 (435 kV) overschreden.
• Actie: Symbolische laag dwong verplichte $Q$-absorptie (30% van $P_{max}$).
• Uitkomst: Spanning gestabiliseerd op 418 kV; collectorzijdige trip voorkomen.

Dit detailniveau voldoet aan de eisen van de ICS Methodology en de high-risk-use-caseclassificaties van de EU AI Act, en biedt TSO's de "verifieerbare waarheid" die nodig is voor juridische en operationele verantwoordelijkheid.¹

Strategische implementatieroadmap voor netimmuniteit

De overgang van legacy-systemen naar een door Deep AI aangedreven net vereist een gefaseerde aanpak die directe risicomitigatie in evenwicht brengt met langetermijnmodernisering van de infrastructuur.

Fase 1: hogeresolutie-observatie en digitale-twinintegratie (0-6 maanden)

De eerste stap richt zich op de inzet van hogeresolutie-synchro-waveformsensoren op collectorniveau van alle opwekkingsactiva. Deze data worden gevoed in een Smart Grid Digital Twin (SGDT), die als "Flight Simulator" voor het net fungeert.³³ Door DNN's binnen de digital twin te draaien, kunnen engineers monitoren op verborgen overspanningschendingen—het exacte mechanisme waardoor de Iberische cascade onopgemerkt bleef tot het te laat was.¹²

Fase 2: inzet van neuro-symbolische guardrails (6-18 maanden)

De tweede fase omvat de inzet van symbolische regelengines op bestaande besturingshardware. Deze engines fungeren als een "Safety Firewall" en monitoren de output van huidige PID- en AGC-systemen (Automatic Generation Control). Als een legacy-systeem probeert blindvermogen te injecteren tijdens een overspanning—zoals gebeurde bij de black-out van 2025—onderschept en corrigeert de neuro-symbolische guardrail het commando op basis van de deterministische regels van P.O. 7.4.⁷

Fase 3: edge-native PINN-regeling voor omvormer-zware knooppunten (18-36 maanden)

De laatste fase richt zich op de vervanging van legacy-controllers in wind- en zonneparken door de Neural Grid Controllers (NGC's) van Veriprajna. Deze apparaten maken grid-forming-capaciteiten en actieve demping van subsynchrone oscillaties mogelijk met PINN-architecturen.²² Deze fase transformeert het net van een reactief systeem dat op storingen reageert in een immuunsysteem dat verstoringen preemptief stabiliseert met de snelheid van elektriciteit.

Conclusie: de soevereine imperatief voor Deep AI

De Iberische black-out van 28 april 2025 was geen falen van hernieuwbare energie, maar een falen van intelligentie. Het blootlegde het gevaar van het beheren van energieflows uit de 21e eeuw met besturingsprotocollen uit de 20e eeuw en vroege probabilistische automatisering. Het plotselinge verlies van 15 GW en de daaropvolgende daglange storing in Spanje en Portugal tonen aan dat kritieke infrastructuur een niveau van zekerheid vereist dat LLM-wrappers en legacy-controllers eenvoudigweg niet kunnen bieden.

De missie van Veriprajna is deze zekerheid te engineeren. Door natuurwetten rechtstreeks in neurale architecturen te integreren en regelgevingsprotocollen af te dwingen via deterministische symbolische logica, bieden we een pad naar een net dat niet alleen "smart" is, maar fundamenteel immuun voor cascaderend falen. Voor de moderne utility is de keuze niet langer tussen conventionele of hernieuwbare energie, maar tussen probabilistische kwetsbaarheid en deterministische veerkracht. De black-out van 2025 was een wake-up call; Deep AI is het antwoord.

In enterprise-omgevingen met hoge inzet is er geen ruimte voor "waarschijnlijk" of "plausibel." Er is alleen de eis van de waarheid. Veriprajna levert die waarheid en zorgt ervoor dat de lichten blijven branden niet omdat we hoopten dat ze dat zouden doen, maar omdat we ze zo hebben ontworpen dat ze fysiek niet kunnen uitgaan.

Geraadpleegde bronnen

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