Onde a autoridade de um modelo de IA deve terminar no planejamento de redes elétricas

Um estudo de interconexão começa com uma solicitação para adicionar um projeto a uma rede elétrica. Um modelo de IA pode ajudar a interpretar essa solicitação. Quero que sua autoridade dependa da pergunta que ele pode realmente responder. Ler uma solicitação e recomendar o que estudar são responsabilidades distintas, mesmo quando uma única interface apresenta ambos os resultados.

Minha posição de design é que um modelo de triagem inicial deve ter permissão para propor uma interpretação, com sua fonte disponível para inspeção. Já uma recomendação de rede deve manter o cálculo e a regra que a geraram. Essa separação é fundamental quando os dois resultados soam igualmente confiantes, mas se apoiam em evidências distintas. Ela também cria uma obrigação mais rigorosa: se a interpretação estiver incorreta, o sistema precisa de um caminho visível para revisar as entradas e reconsiderar a recomendação.

Uma solicitação bem descrita ainda pode exigir um estudo de reforço

Nossa demonstração do GridLens usa solicitações sintéticas e uma rede elétrica sintética para tornar essa distinção inspecionável. Considere a Tessera Compute, uma solicitação inicial de 750 MW com uma pontuação alta de prontidão sob as regras de triagem configuradas na demonstração. Essa pontuação descreve a prontidão da solicitação. Ela não mede a capacidade da rede de acomodar o projeto.

Na triagem térmica de corrente contínua da demonstração, o pior carregamento atribuível no caso-base é de 92.3% do limite térmico da linha correspondente. O caso-base pressupõe que as linhas monitoradas estejam em operação. Após a retirada de operação de uma linha monitorada, o pior carregamento atribuível atinge 112.4%. A recomendação configurada passa a ser um estudo de reforço.

A diferença numérica tem um significado prático dentro deste modelo: um resultado abaixo do limite no caso-base não resolve o caso de contingência. A evidência identifica o ramo 548 para 247 como o pior ramo limitante, sob a contingência da linha 1 para 248. Um planejador pode contestar a condição específica da rede por trás da recomendação, em vez de debater o tom de um resumo.

Esta é uma ilustração delimitada. A triagem trata os MW solicitados como uma injeção balanceada pela barra de folga, incluindo solicitações de grandes cargas; não se trata de um estudo físico validado de retirada de carga. Ela cobre um conjunto selecionado de contingências de linhas de transmissão não radiais e exclui a viabilidade de tensão CA e potência reativa, estabilidade transitória e ilhamento. Sobrecargas existentes são condições da linha de base, e não restrições atribuídas ao projeto. Mesmo um resultado sem violações seria uma recomendação de estudo, e não uma autorização de conexão ou a comprovação de que toda a rede está segura.

Dentro desses limites, o exemplo ainda responde a uma questão útil de design. A recomendação de reforço precisa de um cálculo de rede. Um relato mais articulado sobre o controle da área ou a capacidade solicitada não pode resolver o ramo sobrecarregado. Conceder ao modelo de triagem autoridade para reescrever a recomendação permitiria que evidências sobre uma questão substituíssem evidências sobre outra.

Atribuir um efeito definido à assistência

O GridLens mantém a extração opcional assistida por modelo apenas como consultiva. O vídeo do fundador mostra uma análise que reutiliza uma resposta real de modelo salva. Ela pode exibir campos extraídos da solicitação e evidências de prontidão, mas não altera a recomendação salva de triagem da fila nem a ordem de estudo. A triagem completa da fila emprega extração determinística, cálculos de rede e políticas configuradas; ela não solicita a um modelo de linguagem que emita o veredito de planejamento.

Prefiro esse limite porque um revisor pode identificar o que a assistência alterou. Quando um modelo oferece uma nova interpretação ao lado de um resultado existente, a diferença permanece disponível para inspeção. Se a mesma ação alterasse silenciosamente uma recomendação salva, o revisor também precisaria determinar quais entradas mudaram, se os cálculos foram repetidos e qual versão a ordem de estudo exibida representa. Essa é uma afirmação mais ampla do que uma resposta de extração pode sustentar por si só.

Existem pelo menos dois papéis plausíveis para um modelo em um fluxo de trabalho de planejamento. Ele pode explicar um resultado concluído utilizando as evidências retidas ou propor entradas para um novo cálculo. Ambos podem ser úteis. O segundo papel requer um processo de revisão mais rigoroso, pois uma alteração de entrada pode modificar o resultado downstream. Uma alteração no ponto de conexão, por exemplo, não é meramente uma frase melhor em um resumo de solicitação; ela altera onde a solicitação é representada no modelo da rede.

Para um sistema mais completo, meu padrão de design é tornar essa transição explícita. Uma proposta de correção deve identificar o trecho de origem, o valor antigo e o novo valor. Uma vez aceita por meio do processo de revisão pertinente, ela deve se tornar uma entrada para um cálculo distinto, cujo resultado possa ser comparado com o anterior. Esse é um requisito de design proposto, e não uma capacidade demonstrada pela ação consultiva do GridLens.

O custo reside na revisão adicional e no controle de versões. Uma substituição automática é mais simples de apresentar e exige menos etapas visíveis. No entanto, ela oculta justamente a informação necessária para decidir se a nova recomendação merece confiança. Aceito o trabalho extra quando a correção altera a questão física que está sendo estudada.

Uma resposta determinística pode estar precisamente errada

Manter o modelo fora do veredito não é suficiente por si só. Um cálculo determinístico pode operar de forma consistente com a entrada errada. A resposta correta para essa complicação é inspecionar a entrada, em vez de tratar o determinismo como prova de exatidão.

Suponha, hipoteticamente, que uma solicitação indique de forma ambígua dois pontos de conexão possíveis. Um resumo poderia selecionar um deles e soar convincente. Executar a triagem térmica repetidamente naquele ponto selecionado não esclareceria o que o solicitante pretendia. A ambiguidade requer esclarecimento antes que qualquer cálculo possa responder à questão pretendida. No GridLens, um ponto de conexão não resolvido ou uma confiança de extração abaixo do limite configurado de 0.60 encaminha a solicitação para revisão humana. Esse é um caminho para evidências não resolvidas, e não uma decisão de engenharia concluída.

A mesma separação se aplica à prontidão. A pontuação de prontidão da demonstração é uma heurística derivada das evidências da solicitação. Uma pontuação alta não pode cancelar uma restrição térmica, e uma pontuação baixa não estabelece irregularidades. Quero que a recomendação explique que tipo de incerteza permanece. A falta de evidências na solicitação exige uma etapa seguinte diferente de uma sobrecarga nominal sob uma contingência especificada.

É por isso que não quero que um único número de confiança sustente toda a decisão. Isso forçaria os revisores a inferir se um valor baixo descreve uma extração incerta, uma preparação comercial incompleta ou uma condição de rede exigente. Manter essas questões distintas permite que o revisor busque as evidências que poderiam realmente mudar o resultado.

Julgar a recomendação pelo seu caminho de revisão

O material explicativo do GridLens apresenta o fluxo de trabalho registrado e suas evidências. O critério de design mais amplo consiste em perguntar o que precisaria mudar para que uma recomendação mudasse: um campo de solicitação corrigido, uma premissa de rede diferente ou uma política de estudo distinta. Cada um tem uma origem diferente e um motivo distinto para revisão.

Aqui está a apresentação do fundador sobre esse limite no GridLens.

Julgo um fluxo de trabalho de planejamento assistido por IA pela forma como ele torna essas dependências visíveis. Uma resposta útil do modelo pode direcionar a atenção para um fato ausente ou propor uma correção. A confiança na recomendação de planejamento requer um registro das entradas, do cálculo e da regra que a respaldam. O sistema ganha mais autoridade quando um revisor pode rastrear uma divergência até as evidências que a resolveriam.