Teil 2: Under the Hood – Der API-Beweis

Die echten API-Aufrufe der Cernion Energy Tools (CET) für Agentic Target Grid Planning. Keine LLM-Halluzinationen, sondern harte In-Memory Graphologie.

Teil 2: Under the Hood – Der API-Beweis (Für Entwickler)

Show, don't tell. Viele Startups versprechen "KI in der Netzplanung". Im ersten Teil haben wir gezeigt, wie Cernion A²MDM einen Geschäftsführer in die Lage versetzt, Investitionsentscheidungen (TOTEX vs. CAPEX) in unter 10 Minuten zu treffen. Heute öffnen wir die Motorhaube der Cernion Energy Tools (CET) v0.49.

Wir zeigen den harten Beweis, was wirklich passiert. Keine Chatbot-Halluzinationen, sondern eine Orchestrierung von Large Language Models und In-Memory Graphologie.

💡 Tipp für alle, die es selbst nachvollziehen möchten: Unsere interaktive API-Dokumentation (Swagger UI) ist öffentlich unter https://api.cernion.de/api/docs verfügbar.

1. Projekt & Bounding Box initialisieren

Wir spannen das Raster über Wuppertal-Langerfeld. Ein nativer REST-Call gegen die Moleculer-Microservice-Architektur.

curl -s -X POST https://api.cernion.de/api/znp/projects \
  -H "Content-Type: application/json" \
  -d '{"name": "Wuppertal ZNP Showcase", "bbox": {"south": 51.20, "west": 7.05, "north": 51.30, "east": 7.25}}'

Output: Projekt 3d8c2c4b... mit einem Base-Node (Substation) initialisiert.

2. Layer 0 (Physische Realität) injizieren

Wir laden die realen Marktstammdaten (MaStR) in den Graphen. Hier: 800 kW Bestandssolar und unser Investorenbeispiel – ein geplanter 10 MW Speicher.

curl -s -X POST https://api.cernion.de/api/znp/projects/3d8c2c4b.../layer0 \
  -H "Content-Type: application/json" \
  -d '{"assets": [
        {"mastrNummer": "SEEWUP1001", "capacity": 800, "assetType": "solar", "status": "InBetrieb"}, 
        {"mastrNummer": "SEEWUP1002", "capacity": 10000, "assetType": "storage", "status": "In Planung"}
      ]}'

Output: {"nodesAdded": 2, "edgesAdded": 2, "totalCapacityKW": 10800}

3. Layer 2.5 (Conversational Planner) – Natural Language to Graph

Jetzt kommt die Brücke zwischen Mensch und Maschine. Das LLM übersetzt die kaufmännische Annahme ("What-If") präzise in harte Topologie-Parameter. Es gibt keinen Text zurück, sondern ein typisiertes JSON für den Graphen.

curl -s -X POST https://api.cernion.de/api/znp/projects/3d8c2c4b.../assumptions \
  -H "Content-Type: application/json" \
  -d '{"text": "Der geplante 10 MW Batteriespeicher in Langerfeld wird mit einem flexiblen Netzanschlussvertrag (fNAV) angeschlossen."}'

Output (Extraktion):

{
  "assetType": "storage",
  "capacityKW": 10000,
  "status": "planned",
  "hasFlexibleNav": true
}

4. Die G-Factor Neukalkulation (Deterministischer Beweis)

Wir fragen die deterministische Rechen-Engine nach dem Netzauslastungsfaktor (G-Factor), inklusive der neuen strategischen Annahme (Layer 2.5).

curl -s -X GET "https://api.cernion.de/api/znp/projects/3d8c2c4b.../g-factor?target_layer=2"

Output:

{
  "totalCapacityKW": 10800,
  "adjustedCapacityKW": 800,
  "flexNavExcluded": 1
}

Der Beweis: Die Graph-Engine erkennt das fNAV-Flag am 10 MW Knoten und exkludiert ihn mathematisch deterministisch aus der kritischen Spitzenlastkalkulation (flexNavExcluded: 1). Die KI steuert die Mathematik, sie halluziniert sie aber nicht. Der Kupferausbau für 10 MW ist rechnerisch vom Tisch.

5. Der Cernion Adjutant (Proaktive Governance)

Statt einfach nur Zahlen zu liefern, generiert der In-Memory-Graph kontextuelle Fragen, um das Management vor dem Gespräch mit dem Investor abzusichern.

curl -s -X GET "https://api.cernion.de/api/znp/projects/3d8c2c4b.../strategic-prompts"

Output (Auszug):

"Liegen für das betrachtete Areal noch vertrauliche Netzanschlussbegehren für energieintensive Neuansiedlungen (Rechenzentren) vor, die bei 10,8 MW auf nur vier Netzknoten zu unentdeckten lokalen Engpässen führen könnten?"

👉 Wie wird aus dieser Technologie ein messbarer Business Case für Verteilnetzbetreiber? Im dritten und letzten Teil unserer Serie fassen wir die strategische Value Proposition von Cernion A²MDM zusammen.

← Zurück zur Timeline