確定性免疫：2025 伊比利亞大停電後以深度 AI 打造電網韌性

2025 年 4 月 28 日發生於伊比利亞半島的災難性電力系統故障，是關鍵基礎設施管理史上的一個開創性時刻。中歐夏令時間（CEST）12:33，一連串級聯事件導致西班牙與葡萄牙電網自歐洲大陸同步區完全解列，在五秒內突然喪失 15 吉瓦（GW）發電容量。¹ 此次事件使約 6,000 萬居民最長停電達十小時，並造成數起與基礎設施故障相關的死亡，尖銳揭露了當前對遺留控制協定與機率式自動化系統的依賴。³ 儘管最初的公共討論猜測再生能源不穩定，歐洲電力傳輸系統營運商網路（ENTSO-E）與西班牙電網公司（Red Eléctrica de España, REE）的正式調查指出更細緻的技術根因：無功功率管理的系統性崩潰，以及電廠未能遵守動態電壓控制協定——具體為運行程序 7.4（P.O. 7.4）。¹

對企業領導者與系統營運商而言，2025 年大停電凸顯危險的技術缺口。當許多 AI 顧問公司仍專注於「包裝層」應用——在 GPT-4 或 Claude 等機率式大型語言模型（LLM）之上的薄介面——伊比利亞事件證明，高風險基礎設施需要「深度 AI」解決方案。Veriprajna 站在此一轉型的前沿，超越生成式 AI 的「無限自由謬誤」，交付確定性、物理資訊化與神經符號架構，能在幻覺不僅是缺陷、更是商業與社會災難的環境中，達成微秒級決策。⁷ 本白皮書分析 2025 年崩潰的技術架構，並勾勒一套確定性電網「免疫」系統框架，旨在防止此類系統性故障再次發生。

15 GW 崩潰的技術起源

2025 年 4 月 28 日上午的條件，特徵是再生能源滲透率極高——崩潰前不久佔發電量的 78%——同時傳統同步發電處於歷史低位。⁹ 此環境雖有利於減碳目標，卻大幅降低系統天然慣量，使電網對電壓與頻率擾動高度敏感。⁹ 約中午 12:00，系統開始出現頻率為 0.21 Hz 與 0.63 Hz 的次同步振盪（SSO）。⁴ 這些振盪由發電機控制系統與輸電網路之間的不利互動作用觸發，引發一連串手動與自動幹預，無意中破壞了系統電壓剖面的穩定。⁴

系統劣化與故障時序

時間（CEST）	事件階段	技術機制	系統影響
09:00 - 12:00	事件前預警	斷開並聯電抗器，以管理振盪期間的暫態欠電壓。	無功功率吸收容量耗盡。 12
12:00 - 12:31	振盪阻尼	TSO 對並列 400 kV 線路通電，並將 HVDC 連線切換為固定功率模式。	系統阻抗降低；輸電電壓升高。 12
12:31 - 12:32	可觀測性缺口	輸電電壓仍在限值內（418 kV），但集電線側電壓達到 242 kV。	配電／集電層隱藏的過電壓違規。 12
12:33:10	突然容量喪失	因級聯保護跳脫，5 秒內喪失 15 GW 發電。	全國總需求瞬間喪失 60%。 2
12:33:18	頻率崩潰	系統頻率降至 48.0 Hz 以下；自動減載未能穩定跌勢。	觸發區域解列與大停電。 3
12:33:24	完全隔離	與法國及摩洛哥的 HVDC 與交流互連最終跳脫。	西班牙與葡萄牙全面大停電。 3

事件後分析最關鍵的發現是「可觀測性缺口」。輸電系統營運商（TSO）監測高壓（400 kV）線路時，級聯故障卻在集電線層變電所（220 kV）啟動。¹² 由於變壓器分接頭切換器未能對中午 12:31 的電壓上升足夠快速調整，即使輸電層資料看似正常，廠內電壓仍超過保護閾值。¹² 這凸顯需要邊緣原生 AI：不依賴集中輪詢，而在發電與配電點以毫秒尺度直接運作。

無功功率協定與符號強制執行失敗

2025 年事件的核心失敗並非缺乏可用技術，而是協定強制執行失敗。無功功率（$Q$）是電壓穩定的命脈。在交流系統中，電壓（$V$）、有功功率（$P$）與無功功率（$Q$）受複數功率方程式所支配 $S = P + jQ$ 以及對應的電壓降近似式。¹³ 為維持穩定，電廠必須動態調整無功功率輸出：在電壓驟降時注入以提高電壓，在電壓突升時吸收以降低電壓。¹⁵

在西班牙，這些要求編入運行程序 7.4（P.O. 7.4），規定發電機組須提供動態電壓控制，維持至少相當於其最大功率 30% 的無功功率提供或吸收能力。⁶ 4 月 28 日，系統需要大量吸收無功功率，以抵消網路成環與低需求所造成的電壓突升。¹² 然而，多家發電設施未能達到法定最低吸收值，反應過慢或完全無反應。¹⁶

無功功率注入異常

調查凸顯一項特別嚴重的失敗：一家主要發電設施非但未依系統過電壓狀態吸收無功功率，反而向電網增加（注入）無功功率。¹⁹ 此舉形成正回饋迴路，進一步抬升局部電壓，並觸發相鄰發電機的保護跳脫。⁴ 此一具體失效模式指向更深層問題：遺留比例－積分（PI）與比例－積分－微分（PID）控制器係針對穩態穩定調校，往往無法處理電網在快速振盪阻尼下的非線性、多變數動態。¹³

從 Veriprajna 的觀點，這代表「符號強制執行」失敗。受神經符號架構支配的系統，本可在物理層阻擋無功功率注入。在此系統中，神經行動者可能依錯誤的局部讀數建議控制訊號，但符號邏輯層——寫入了 P.O. 7.4 的確定性規則——會識別出 $V > V_{max}$ 且 $dV/dt > 0$，從而強制執行必要的吸收指令，無論神經層的輸出為何。⁷

機率式 AI 與包裝層解決方案的侷限

企業對 AI 興趣高漲，催生大量 LLM 包裝層——利用第三方 API（OpenAI、Anthropic、Google）處理資料的應用。這些模型在自然語言處理上極為出色，但本質上是機率式且非確定性的。⁷ 它們依統計相關性運作，而非物理定律。在 4 月 28 日大停電情境下，用於電網監測的機率式 AI 模型會呈現三種關鍵失效模式：

1. 物理狀態幻覺：機率模型最佳化最「聽起來合理」的輸出。在電網危機中，LLM 可能依振盪恢復的歷史模式報告「電壓水平正在穩定」，即使即時感測器資料顯示發散的過電壓級聯。⁷
2. 推理延遲：包裝層 AI 依賴雲端處理與 API 呼叫，引入 500ms 至數秒級延遲。⁷ 在頻率於不到五秒內降至臨界閾值以下的 15 GW 喪失事件中，亞秒級響應是強制要求。Veriprajna 的邊緣原生推理延遲低於 0.7ms，能在級聯完成前完成校正。²²
3. 缺乏形式驗證：LLM 無法被形式驗證以遵循基爾霍夫電壓定律（KVL）或擺動方程式等物理定律。它們是「黑箱」，把「可能」與「正確」視為同一概念。⁷ Veriprajna 的深度 AI 架構採用物理資訊神經網路（PINN），其損失函式本身受電網數學模型約束。²²

比較效能：控制典範

控制典範	邏輯型別	延遲	極端情境可靠度	協定合規
Legacy PI/PID	線性／類比	微秒	低（固定調校在非線性事件中失效）	手動／靜態
LLM Wrappers	機率式	> 500 ms	不存在（幻覺風險）	基於合理性
Deep AI (PINN)	物理－確定性	< 1 ms	高（嵌入物理定律）	即時／動態
Neuro-Symbolic	確定性邏輯	< 10 ms	高（規則被物理強制執行）	硬編碼符號

Veriprajna 的解決方案架構：工程化電網免疫

為應對伊比利亞大停電所暴露的脆弱性，Veriprajna 提出多層深度 AI 架構，將神經網路的適應性與符號邏輯的嚴謹性及物理定律的確定性整合。此系統旨在提供「確定性免疫」——電網控制層在物理上無法執行違反安全協定或物理常數的動作。

第 1 層：用於毫秒級控制的物理資訊神經網路（PINN）

PINN 代表網路物理系統神經架構的演進。PINN 不僅從歷史資料學習，更將支配電力系統動態的微分方程直接嵌入訓練過程。²² 對於構網型逆變器，PINN 以擺動方程式作為損失約束進行訓練：

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

其中 $M_i$ 代表虛擬慣量，而 $D_i$ 代表阻尼。²² 透過在推理期間最小化此方程的殘差，PINN 確保其頻率與電壓控制輸出在物理上一致。在 2025 年事件中，格拉納達變電所的 PINN 控制器本可將次同步振盪識別為動態違規而非雜訊，提供比傳統最佳化方法快達 87 倍的主動阻尼。²⁴

第 2 層：神經符號協定強制執行

電廠未能遵循 P.O. 7.4，本質上是「智慧」（Prajna）的失敗——將脈絡與規則應用於原始資料的能力。Veriprajna 的神經符號「三明治」架構，將神經處理的「風味」（直覺）與符號邏輯的「機制」（規則）分離。⁷

在此框架中，符號層充當守門人。針對伊比利亞電網，我們將完整的 P.O. 7.4 與 ICS 方法論編碼為形式化 DSL（領域特定語言）。⁷ 當感測器偵測到過電壓時，符號引擎觸發強制「無功吸收」狀態。神經網路任何建議無功注入的控制訊號，皆被「憲政護欄」在物理層阻擋。⁷ 這確保電廠「增加而非吸收」無功功率的事件在物理上不可能發生。¹⁹

第 3 層：邊緣原生 NGC（神經電網控制器）

為解決「可觀測性缺口」，智慧必須從 TSO 控制室下移至集電線側變壓器。¹² Veriprajna 的 NGC 是專門的邊緣運算裝置，執行高解析度同步波形量測。²⁵ 這些裝置每 100 毫秒執行一次連續最佳化迴路，查詢本地預測模型以取得未來 4 小時產量，同時執行逆變器指令，將局部電壓穩定維持在 $\pm 0.02$ 標幺值（pu）以內。²³

第 4 層：用於電網復原的多智慧體強化學習（MARL）

伊比利亞電網 24 小時復原期，受手動黑啟動程式複雜性所阻礙。⁴ Veriprajna 利用基於 RL2Grid 基準的 Agentic AI 自動化電網復原。²⁷ 這些智慧體在分層框架中運作：

• 本地智慧體：管理個別電力孤島，確保黑啟動機組（如 Castelo de Bode 水力電廠）在負載重新接入時不發生電壓崩潰。²⁷
• 協調智慧體：監督孤島同步，執行即時拓撲重構，以最佳化輸電線路累積可用裕度。²⁷

在 2025 年復原期間，此系統本可自主將摩洛哥 900 MW 與法國 2 GW 支援路由至最高優先「孤島」，同時維持確定性平衡，很可能將 24 小時停電縮短為 4 小時復原視窗。⁹

監管合規與歐盟 AI 法案

由於電網控制技術在歐盟 AI 法案下被歸類為「關鍵基礎設施」，透明度與可解釋性並非可選。³¹ 包裝層解決方案無法通過此檢驗，因其無法為預測提供「根因」。Veriprajna 的神經符號 AI 提供人類可理解的決策軌跡。²⁰

在自動幹預事件中，系統產生稽核軌跡：

• 觸發：經神經層偵測到 0.63 Hz SSO。
• 約束違規：超過 P.O. 7.4 動態電壓限值（435 kV）。
• 行動：符號層強制執行必要 $Q$-吸收（30% 的 $P_{max}$）。
• 結果：電壓穩定於 418 kV；阻止集電線側跳脫。

此細節水準滿足 ICS 方法論與歐盟 AI 法案高風險用例分類要求，為 TSO 提供法律與營運問責所需的「可驗證真相」。¹

電網免疫的策略實施路線圖

從遺留系統過渡到深度 AI 驅動電網，需要分階段方法，平衡即時風險緩解與長期基礎設施現代化。

第 1 階段：高解析度可觀測性與數位孿生整合（0–6 個月）

初始步驟聚焦於在所有發電資產的集電層部署高解析度同步波形感測器。資料饋入智慧電網數位孿生（SGDT），作為電網的「飛行模擬器」。³³ 透過在數位孿生內執行 DNN，工程師可監測隱藏的過電壓違規——正是使伊比利亞級聯直到為時已晚才被發現的機制。¹²

第 2 階段：神經符號護欄部署（6–18 個月）

第二階段涉及在現有控制硬體上部署符號規則引擎。這些引擎充當「安全防火牆」，監測現行 PID 與 AGC（自動發電控制）系統的輸出。若遺留系統在過電壓期間試圖注入無功功率——如 2025 年大停電所發生——神經符號護欄會依 P.O. 7.4 的確定性規則攔截並校正指令。⁷

第 3 階段：逆變器密集節點的邊緣原生 PINN 控制（18–36 個月）

最終階段目標是以 Veriprajna 的神經電網控制器（NGC）取代風電與太陽能園區的遺留控制器。這些裝置以 PINN 架構實現構網能力與次同步振盪主動阻尼。²² 此階段將電網從回應故障的反應式系統，轉化為以電的速度預先穩定擾動的免疫系統。

結論：深度 AI 的主權必要性

2025 年 4 月 28 日的伊比利亞大停電，不是再生能源的失敗，而是智慧的失敗。它揭露了以 20 世紀控制協定與早期機率式自動化管理 21 世紀能量流的危險。15 GW 的突然喪失，以及西班牙與葡萄牙隨後長達一日的停電，證明關鍵基礎設施需要 LLM 包裝層與遺留控制器根本無法提供的確定性水準。

Veriprajna 的使命是工程化此確定性。透過將物理定律直接整合進神經架構，並以確定性符號邏輯執行監管協定，我們提供一條通往電網不僅「智慧」、更在根本上免疫於級聯故障的路徑。對現代公用事業而言，選擇不再是傳統發電或再生能源，而是機率式脆弱與確定性韌性。2025 年大停電是一記警鐘；深度 AI 是答案。

在高風險企業環境中，沒有「可能」或「合理」的空間。只有對真相的要求。Veriprajna 交付該真相，確保燈火長明——不是因為我們希望如此，而是因為我們將其工程為在物理上無法熄滅。

引用文獻

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