Imunidade Determinística: Engenharia de Resiliência da Rede por meio de Deep AI após o Apagão Ibérico de 2025

A falha catastrófica do sistema elétrico ocorrida na Península Ibérica em 28 de abril de 2025 representa um momento seminal na história da gestão de infraestrutura crítica. Às 12:33 CEST, uma sequência em cascata de eventos resultou na desconexão total das redes elétricas espanhola e portuguesa da Área Síncrona Continental Europeia, precipitando uma perda súbita de 15 gigawatts (GW) de capacidade de geração em um intervalo de cinco segundos.¹ Esse evento, que deixou aproximadamente 60 milhões de residentes sem energia por até dez horas e levou a várias fatalidades relacionadas a falhas de infraestrutura, serve como uma condenação contundente da atual dependência de protocolos de controle legados e sistemas de automação probabilísticos.³ Embora o discurso público inicial tenha especulado sobre a instabilidade das fontes de energia renovável, investigações formais da Rede Europeia de Operadores de Sistemas de Transmissão de Eletricidade (ENTSO-E) e da Red Eléctrica de España (REE) identificaram uma causa técnica raiz mais nuançada: um colapso sistêmico na gestão de potência reativa e a falha das usinas em aderir aos protocolos de controle dinâmico de tensão, especificamente o Procedimento Operacional 7.4 (P.O. 7.4).¹

Para líderes empresariais e operadores de sistema, o apagão de 2025 evidencia uma lacuna tecnológica perigosa. Em uma era em que muitas consultorias de IA focam em aplicações "wrapper"—interfaces finas sobre Grandes Modelos de Linguagem (LLMs) probabilísticos como GPT-4 ou Claude—o incidente ibérico demonstra que infraestrutura de alto risco exige soluções de "Deep AI". A Veriprajna posiciona-se na vanguarda dessa mudança, indo além da "Falácia da Liberdade Infinita" da IA generativa para entregar arquiteturas determinísticas, informadas pela física e neuro-simbólicas, capazes de tomada de decisão em nível de microssegundo em ambientes onde alucinações não são meros bugs, mas catástrofes empresariais e sociais.⁷ Este whitepaper analisa a arquitetura técnica do colapso de 2025 e delineia o framework para um sistema de "imunidade" determinística da rede projetado para impedir a recorrência de falhas sistêmicas desse tipo.

A Gênese Técnica do Colapso de 15 GW

As condições na manhã de 28 de abril de 2025 foram caracterizadas por alta penetração renovável—respondendo por 78% da geração pouco antes do colapso—aliada a níveis historicamente baixos de geração síncrona convencional.⁹ Esse ambiente, embora favorável às metas de descarbonização, reduziu significativamente a inércia natural do sistema, tornando a rede altamente sensível a distúrbios de tensão e frequência.⁹ Por volta das 12:00, o sistema começou a apresentar oscilações sub-síncronas (SSO) nas frequências de 0.21 Hz e 0.63 Hz.⁴ Essas oscilações, desencadeadas por interações adversas entre os sistemas de controle dos geradores e a rede de transmissão, iniciaram uma sequência de intervenções manuais e automatizadas que, inadvertidamente, desestabilizaram o perfil de tensão do sistema.⁴

Cronologia da Degradação Sistêmica e da Falha

Horário (CEST)	Fase do Evento	Mecanismo Técnico	Impacto no Sistema
09:00 - 12:00	Alerta Pré-Incidente	Desconexão de reatores shunt para gerenciar subtensões transitórias durante as oscilações.	Esgotamento da capacidade de absorção de potência reativa. 12
12:00 - 12:31	Amortecimento de Oscilações	Os TSOs energizaram circuitos paralelos de 400 kV e comutaram links HVDC para modo de potência fixa.	Impedância do sistema reduzida; tensões de transmissão elevadas. 12
12:31 - 12:32	Lacuna de Observabilidade	As tensões de transmissão permaneceram dentro dos limites (418 kV), mas as tensões do lado do coletor atingiram 242 kV.	Violações ocultas de sobretensão nos níveis de distribuição/coletor. 12
12:33:10	Perda Súbita de Capacidade	15 GW de geração perdidos em 5 segundos devido a disparos protetivos em cascata.	60% da demanda nacional total perdida instantaneamente. 2
12:33:18	Colapso de Frequência	A frequência do sistema caiu abaixo de 48.0 Hz; o alívio automático de carga falhou em estabilizar a queda.	Disparo da separação regional e do apagão. 3
12:33:24	Isolamento Total	Disparo final das interconexões HVDC e CA com a França e o Marrocos.	Apagão total na Espanha e em Portugal. 3

A revelação mais crítica da análise pós-evento foi a "lacuna de observabilidade". Embora os operadores do sistema de transmissão (TSOs) monitorassem as linhas de alta tensão (400 kV), a falha em cascata foi iniciada nas subestações do nível do coletor (220 kV).¹² Como os comutadores de tap dos transformadores não se ajustaram com rapidez suficiente às elevações de tensão das 12:31, as tensões internas das usinas excederam os limiares de proteção mesmo enquanto os dados no nível de transmissão pareciam nominais.¹² Isso evidencia a necessidade de IA nativa de borda que não dependa de polling centralizado, mas opere na escala de milissegundos diretamente no ponto de geração e distribuição.

Protocolos de Potência Reativa e a Falha da Aplicação Simbólica

A falha central do incidente de 2025 não foi a falta de tecnologia disponível, mas uma falha de aplicação de protocolos. A potência reativa ($Q$) é a força vital da estabilidade de tensão. Em um sistema CA, a relação entre tensão ($V$), potência ativa ($P$), e potência reativa ($Q$) é governada pela equação de potência complexa $S = P + jQ$ e pelas aproximações correspondentes de queda de tensão.¹³ Para manter a estabilidade, as usinas devem ajustar dinamicamente sua saída de potência reativa: injetando-a para elevar a tensão durante afundamentos e absorvendo-a para reduzir a tensão durante picos.¹⁵

Na Espanha, esses requisitos estão codificados no Procedimento Operacional 7.4 (P.O. 7.4), que determina que as unidades geradoras forneçam controle dinâmico de tensão mantendo a capacidade de fornecer ou absorver potência reativa equivalente a pelo menos 30% de sua potência máxima.⁶ Em 28 de abril, o sistema exigiu absorção massiva de potência reativa para contrapor o pico de tensão causado pelo malhamento da rede e pela baixa demanda.¹² No entanto, múltiplas instalações de geração falharam em atingir seus valores mínimos de absorção legalmente exigidos, respondendo de forma lenta demais ou de forma alguma.¹⁶

A Anomalia da Injeção de Potência Reativa

A investigação destacou uma falha particularmente grave em que uma grande instalação de geração, em vez de absorver potência reativa conforme ditado pelo estado de sobretensão do sistema, de fato adicionou (injetou) potência reativa na rede.¹⁹ Essa ação atuou como um laço de realimentação positiva, elevando ainda mais as tensões locais e desencadeando o disparo protetivo de geradores adjacentes.⁴ Esse modo de falha específico indica um problema mais profundo: controladores legados Proporcional-Integral (PI) e Proporcional-Integral-Derivativo (PID) são sintonizados para estabilidade em regime permanente e frequentemente falham em lidar com a dinâmica não linear e multivariável de uma rede sob amortecimento rápido de oscilações.¹³

Na perspectiva da Veriprajna, isso representa uma falha de "Aplicação Simbólica". Um sistema governado por uma arquitetura Neuro-Simbólica teria bloqueado fisicamente a injeção de potência reativa. Em tal sistema, o ator neural poderia sugerir um sinal de controle com base em uma leitura local falha, mas a camada de lógica simbólica—programada com as regras determinísticas do P.O. 7.4—identificaria que $V > V_{max}$ e $dV/dt > 0$, aplicando assim um comando obrigatório de absorção independentemente da saída da camada neural.⁷

As Limitações da IA Probabilística e das Soluções Baseadas em Wrapper

O aumento do interesse empresarial em IA levou à proliferação de wrappers de LLM—aplicações que utilizam uma API de terceiros (OpenAI, Anthropic, Google) para processar dados. Embora esses modelos sejam excepcionais em processamento de linguagem natural, são fundamentalmente probabilísticos e não determinísticos.⁷ Eles operam com base em correlações estatísticas, e não nas leis da física. No contexto do apagão de 28 de abril, um modelo de IA probabilística usado para monitoramento da rede teria apresentado três modos críticos de falha:

1. Alucinação de Estados Físicos: Modelos probabilísticos otimizam para a saída que soa mais plausível. Em uma crise de rede, um LLM poderia relatar que "os níveis de tensão estão se estabilizando" com base em padrões históricos de recuperação de oscilação, mesmo que os dados de sensores em tempo real indiquem uma cascata divergente de sobretensão.⁷
2. Latência de Inferência: A IA baseada em wrapper depende de processamento em nuvem e chamadas de API, o que introduz latências na faixa de 500 ms a vários segundos.⁷ Em um evento de perda de 15 GW em que a frequência cai abaixo dos limiares críticos em menos de cinco segundos, uma resposta em subsegundo é obrigatória. A inferência nativa de borda da Veriprajna alcança latências abaixo de 0.7 ms, permitindo a correção antes que a cascata se complete.²²
3. Ausência de Verificação Formal: LLMs não podem ser formalmente verificados para seguir leis físicas como a Lei das Tensões de Kirchhoff (KVL) ou a Equação de Swing. São "caixas-pretas" que tratam "provável" e "correto" como conceitos idênticos.⁷ A arquitetura de Deep AI da Veriprajna utiliza Redes Neurais Informadas pela Física (PINNs), nas quais a própria função de perda é restringida pelos modelos matemáticos da rede elétrica.²²

Desempenho Comparativo: Paradigmas de Controle

Paradigma de Controle	Tipo de Lógica	Latência	Confiabilidade em Extremis	Conformidade com Protocolos
PI/PID Legado	Linear/Analógico	Microssegundos	Baixa (sintonia fixa falha em eventos não lineares)	Manual/Estática
Wrappers de LLM	Probabilística	> 500 ms	Inexistente (risco de alucinação)	Baseada em plausibilidade
Deep AI (PINN)	Físico-Determinística	< 1 ms	Alta (leis físicas embutidas)	Tempo real / Dinâmica
Neuro-Simbólico	Lógica Determinística	< 10 ms	Alta (regras aplicadas fisicamente)	Simbólica Codificada

Arquitetura de Solução da Veriprajna: Engenharia de Imunidade da Rede

Para enfrentar as vulnerabilidades expostas pelo apagão ibérico, a Veriprajna propõe uma arquitetura de Deep AI multicamadas que integra a adaptabilidade das redes neurais com o rigor da lógica simbólica e a certeza das leis físicas. Esse sistema é projetado para fornecer "Imunidade Determinística"—um estado em que a camada de controle da rede é fisicamente incapaz de executar uma ação que viole protocolos de segurança ou constantes físicas.

Camada 1: Redes Neurais Informadas pela Física (PINNs) para Controle em Milissegundos

As PINNs representam a evolução da arquitetura neural para sistemas ciberfísicos. Em vez de aprender unicamente a partir de dados históricos, as PINNs embutem as equações diferenciais que governam a dinâmica do sistema elétrico diretamente no processo de treinamento.²² Para um inversor formador de rede, a PINN é treinada usando a Equação de Swing como restrição de perda:

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

Onde $M_i$ representa a inércia virtual e $D_i$ representa o amortecimento.²² Ao minimizar o residual dessa equação durante a inferência, a PINN garante que suas saídas de controle de frequência e tensão sejam fisicamente consistentes. No evento de 2025, um controlador PINN na subestação de Granada teria identificado as oscilações sub-síncronas não como ruído, mas como uma violação dinâmica, fornecendo amortecimento ativo até 87 vezes mais rápido que métodos convencionais de otimização.²⁴

Camada 2: Aplicação Neuro-Simbólica de Protocolos

A falha das usinas em seguir o P.O. 7.4 foi essencialmente uma falha de "Sabedoria" (Prajna)—a capacidade de aplicar contexto e regras a dados brutos. A arquitetura Neuro-Simbólica "Sanduíche" da Veriprajna separa o "sabor" do processamento neural (intuição) da "mecânica" da lógica simbólica (regras).⁷

Nesse framework, a camada simbólica atua como um porteiro. Para a rede ibérica, codificamos todo o P.O. 7.4 e a Metodologia ICS em uma DSL formal (Domain Specific Language).⁷ Quando um sensor detecta uma sobretensão, o motor simbólico dispara um estado obrigatório de "Absorção Reativa". Qualquer sinal de controle da rede neural que sugira injeção reativa é fisicamente bloqueado por um "Guardrail Constitucional".⁷ Isso garante que o incidente em que uma usina "adicionou em vez de absorver" potência reativa se torne uma impossibilidade física.¹⁹

Camada 3: NGC Nativos de Borda (Neural Grid Controllers)

Para resolver a "Lacuna de Observabilidade", a inteligência precisa se deslocar da sala de controle do TSO para o transformador do lado do coletor.¹² Os NGCs da Veriprajna são dispositivos especializados de computação de borda que realizam medições synchro-waveform de alta resolução.²⁵ Esses dispositivos executam um loop contínuo de otimização a cada 100 milissegundos, consultando modelos locais de previsão para as próximas 4 horas de produção enquanto, simultaneamente, executam comandos de inversor para manter a estabilidade local de tensão dentro de $\pm 0.02$ por unidade (pu).²³

Camada 4: Aprendizado por Reforço Multiagente (MARL) para Restauração da Rede

O período de restauração de 24 horas da rede ibérica foi prejudicado pela complexidade dos procedimentos manuais de black start.⁴ A Veriprajna utiliza Agentic AI baseada no benchmark RL2Grid para automatizar a restauração da rede.²⁷ Esses agentes operam em um framework hierárquico:

• Agentes Locais: Gerenciam ilhas de potência individuais, garantindo que unidades de black start (como a usina hidrelétrica de Castelo de Bode) não sofram colapso de tensão quando as cargas são reconectadas.²⁷
• Agentes Coordenadores: Supervisionam a sincronização das ilhas, realizando reconfiguração topológica em tempo real para otimizar a margem disponível cumulativa nas linhas de transmissão.²⁷

Durante a recuperação de 2025, esse sistema teria roteado autonomamente os 900 MW do Marrocos e o suporte de 2 GW da França para as "ilhas" de maior prioridade, mantendo o equilíbrio determinístico e, provavelmente, reduzindo a interrupção de 24 horas a uma janela de recuperação de 4 horas.⁹

Conformidade Regulatória e o AI Act da UE

Como a tecnologia de controle de rede é classificada como "infraestrutura crítica" sob o AI Act da UE, transparência e explicabilidade não são opcionais.³¹ Soluções baseadas em wrapper falham nesse teste porque não conseguem fornecer uma "causa raiz" para suas previsões. A IA Neuro-Simbólica da Veriprajna fornece rastros de decisão compreensíveis por humanos.²⁰

No caso de uma intervenção automatizada, o sistema produz uma trilha de auditoria:

• Gatilho: Detecção de SSO de 0.63 Hz via Camada Neural.
• Violação de Restrição: Limite dinâmico de tensão do P.O. 7.4 (435 kV) excedido.
• Ação: Camada simbólica impôs obrigatoriamente $Q$-absorção (30% de $P_{max}$).
• Resultado: Tensão estabilizada em 418 kV; disparo do lado do coletor prevenido.

Esse nível de detalhe satisfaz os requisitos da Metodologia ICS e das classificações de caso de uso de alto risco do AI Act da UE, fornecendo aos TSOs a "verdade verificável" exigida para responsabilização legal e operacional.¹

Roteiro Estratégico de Implementação para Imunidade da Rede

A transição de sistemas legados para uma rede alimentada por Deep AI exige uma abordagem faseada que equilibre a mitigação imediata de riscos com a modernização de infraestrutura de longo prazo.

Fase 1: Observabilidade de Alta Resolução e Integração de Gêmeos Digitais (0-6 Meses)

O passo inicial concentra-se na implantação de sensores synchro-waveform de alta resolução no nível do coletor de todos os ativos de geração. Esses dados alimentam um Gêmeo Digital de Smart Grid (SGDT), que serve como um "Simulador de Voo" para a rede.³³ Ao executar DNNs dentro do gêmeo digital, engenheiros podem monitorar violações ocultas de sobretensão—o mecanismo exato que permitiu que a cascata ibérica passasse despercebida até que fosse tarde demais.¹²

Fase 2: Implantação de Guardrails Neuro-Simbólicos (6-18 Meses)

A segunda fase envolve a implantação de motores de regras simbólicas no hardware de controle existente. Esses motores atuam como um "Firewall de Segurança", monitorando a saída dos sistemas atuais PID e AGC (Automatic Generation Control). Se um sistema legado tentar injetar potência reativa durante uma sobretensão—como ocorreu no apagão de 2025—o guardrail Neuro-Simbólico intercepta e corrige o comando com base nas regras determinísticas do P.O. 7.4.⁷

Fase 3: Controle PINN Nativo de Borda para Nós Intensivos em Inversores (18-36 Meses)

A fase final visa a substituição de controladores legados em parques eólicos e solares pelos Neural Grid Controllers (NGCs) da Veriprajna. Esses dispositivos viabilizam capacidades de formação de rede e amortecimento ativo de oscilações sub-síncronas usando arquiteturas PINN.²² Essa etapa transforma a rede de um sistema reativo que responde a falhas em um sistema imune que estabiliza preventivamente distúrbios na velocidade da eletricidade.

Conclusão: O Imperativo Soberano pela Deep AI

O apagão ibérico de 28 de abril de 2025 não foi uma falha das renováveis, mas uma falha de inteligência. Expôs o perigo de gerenciar fluxos de energia do século XXI com protocolos de controle do século XX e automação probabilística em estágio inicial. A perda súbita de 15 GW e a subsequente interrupção de um dia na Espanha e em Portugal demonstram que a infraestrutura crítica exige um nível de certeza que wrappers de LLM e controladores legados simplesmente não podem fornecer.

A missão da Veriprajna é projetar essa certeza. Ao integrar as leis da física diretamente nas arquiteturas neurais e aplicar protocolos regulatórios por meio de lógica simbólica determinística, oferecemos um caminho rumo a uma rede que não é apenas "inteligente", mas fundamentalmente imune a falhas em cascata. Para a concessionária moderna, a escolha não é mais entre energia convencional ou renovável, mas entre vulnerabilidade probabilística e resiliência determinística. O apagão de 2025 foi um alerta; a Deep AI é a resposta.

Em ambientes empresariais de alto risco, não há espaço para "provável" ou "plausível". Há apenas o requisito da verdade. A Veriprajna entrega essa verdade, garantindo que as luzes permaneçam acesas não porque esperávamos que isso acontecesse, mas porque as projetamos para serem fisicamente incapazes de se apagar.

Obras citadas

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