La Red Centinela: navegar el déficit de 6.6 GW de PJM y la crisis de interconexión de 230 GW de ERCOT mediante ingeniería Deep AI

La infraestructura eléctrica de Norteamérica ha entrado en un periodo de inestabilidad estructural caracterizado por un abismo creciente entre la retirada de la generación despachable heredada y la demanda explosiva impulsada por las cargas de trabajo de inteligencia artificial. En diciembre de 2025, PJM Interconnection, el mayor operador de red de Estados Unidos, anunció un déficit de 6,623 MW en la subasta de capacidad para el año de entrega 2027/2028: el primer fallo de este tipo en la historia de la organización.¹ Al mismo tiempo, el Electric Reliability Council of Texas (ERCOT) se enfrenta a un cuello de botella logístico y técnico, con una cola de interconexión de gran carga que se infla hasta 233 GW, incluso cuando las nuevas adiciones de generación permanecen un orden de magnitud completo por debajo, en aproximadamente 23 GW.³ Estas crisis gemelas significan el fin de la era de la gestión «pasiva» de la red.

Como consultora de IA de élite, Veriprajna reconoce que estos retos no pueden resolverse mediante el despliegue de envoltorios genéricos de grandes modelos de lenguaje (LLM) ni de analítica predictiva estándar. La complejidad de los sistemas eléctricos modernos, caracterizada por incertidumbre de alto orden y dinámica no lineal, exige un enfoque de «Deep AI». Ello implica la integración de redes neuronales informadas por la física (PINN), redes neuronales de grafos conscientes de la topología (GNN) y marcos de aprendizaje por refuerzo (RL) agéntico. El análisis siguiente disecciona los mecanismos específicos de los fallos actuales de la red y ofrece un plano integral para el despliegue de soluciones de IA de grado empresarial diseñadas para restaurar la fiabilidad del sistema y la estabilidad económica.

El punto de inflexión de capacidad de PJM: anatomía de un déficit sistémico

Los resultados de la Subasta Residual de Base (BRA) 2027/2028 de PJM Interconnection representan un momento decisivo para los mercados energéticos. La adjudicación de 134,479 MW de recursos de generación quedó 6,623 MW por debajo del objetivo de margen de reserva instalado del 20% exigido para mantener el estándar de fiabilidad de «un evento en diez años».² Este déficit ha empujado el margen de reserva proyectado del sistema hasta el 14.8%, lo que señala un riesgo elevado de eventos de deslastre de carga a partir de junio de 2027.⁶

Las señales económicas de la subasta fueron igualmente contundentes. Los precios de capacidad alcanzaron el tope aprobado por la Federal Energy Regulatory Commission (FERC) de $333.44/MW-día en la totalidad de la huella de PJM.² Si bien el tope de precio se implementó para proteger a los consumidores de la volatilidad extrema, en la práctica enmascaró el verdadero precio de escasez que un mercado libre habría dictado, y podría desincentivar la propia inversión necesaria para cerrar la brecha.⁷

Métricas clave de la BRA 2027/2028 de PJM	Valor / detalle
Capacidad adjudicada	134,479 MW
Déficit de fiabilidad	6,623 MW (5.2% por debajo del objetivo)
Tope de precio (UCAP)	$333.44 / MW-día
Coste total de la subasta regional	$16.4 mil millones
Margen de reserva	14.8% (objetivo: 20%)
Nueva generación adjudicada	774 MW (UCAP)

El motor principal de este déficit es el «precipicio de retirada térmica». Entre 2011 y 2023, PJM vio la retirada de 54.2 GW de capacidad térmica, con entre 24 y 58 GW adicionales —que representan hasta el 30% de la capacidad instalada— en riesgo de retirada para 2030.¹ Estas retiradas superan las nuevas entradas, en particular porque el «valor de capacidad» de los recursos de reemplazo es significativamente menor. El análisis interno de PJM revela una brecha de intermitencia: reemplazar 1 MW de generación térmica que se retira requiere aproximadamente 5.2 MW de solar o 14 MW de eólica terrestre para mantener una fiabilidad equivalente.¹ Esta disparidad pone de relieve las limitaciones de la planificación tradicional de capacidad y la necesidad urgente de modelos Deep AI que puedan optimizar la base de activos existente.

El cambio en la Capacidad Efectiva de Soporte de Carga (ELCC)

Un catalizador técnico significativo del déficit fue la revisión de las calificaciones de Capacidad Efectiva de Soporte de Carga (ELCC). El ELCC es una medida estadística de cuánto contribuye un recurso a la fiabilidad durante los periodos de demanda máxima. En la subasta 2027/2028, PJM ajustó estas calificaciones para reflejar el valor marginal decreciente de fiabilidad de los recursos intermitentes a medida que aumenta su penetración.⁷

Mientras los recursos intermitentes vieron descensos en la acreditación, la respuesta de la demanda (DR) experimentó un fuerte rebote. El ELCC de la DR aumentó del 69% en la subasta 2026/2027 al 92% en la subasta 2027/2028.² Este aumento se debió a un cambio regulatorio que exige que la DR esté disponible todas las horas del año y a un cambio en el cálculo de la carga máxima invernal hacia un valor coincidente.⁶ Este giro pone de relieve una oportunidad crítica para las soluciones Deep AI de Veriprajna: el desarrollo de agentes inteligentes para la flexibilidad del lado de la demanda que puedan garantizar una disponibilidad del 92% sin interrumpir las operaciones industriales.

Centros de datos: el catalizador principal de la demanda

Mientras la oferta se contraía, las previsiones de demanda se dispararon. PJM informó de un incremento de 5,250 MW en su previsión de demanda, impulsado casi exclusivamente por la proliferación de centros de datos.⁵ En zonas específicas como Dominion (Virginia), AEP (Ohio/Indiana) y ComEd (Illinois), las previsiones de crecimiento medio anual del pico de verano a 10 años son significativamente superiores a la media regional, y PPL Electric alcanza el 6.4%.⁸ La concentración de esta carga en nodos específicos crea «zonas de estrés» localizadas donde el riesgo de fallo de subestación y de congestión de transmisión es agudo.

El impasse de la cola de ERCOT: límites de escalabilidad y cargas «fantasma»

En la región de ERCOT, la crisis aún no es de capacidad adjudicada, sino de viabilidad de interconexión. A finales de 2025, ERCOT informó de una cola de interconexión de gran carga de 233 GW, un incremento del 269% respecto al cierre de 2024.⁹ Para contextualizarlo, la demanda máxima actual de toda la red de ERCOT es de aproximadamente 85 GW. El volumen de la cola es casi tres veces la carga máxima total actual del estado.

La desconexión entre las solicitudes y la realidad es profunda. Mientras 233 GW buscan conexión, ERCOT solo sincronizó 23 GW de nueva generación en 2025, en su mayor parte en forma de solar y almacenamiento en baterías.⁴ La cola de generación restante está dominada por solar (158 GW) y baterías (175 GW), y el gas natural representa apenas 47 GW.¹⁰ Ello crea un desequilibrio masivo entre la carga solicitada (predominantemente carga de centros de datos 24/7) y la naturaleza intermitente de la nueva cola de generación.

Dinámica de la cola y la carga de ERCOT (4T 2025)	Magnitud
Solicitudes totales de interconexión de gran carga	233 GW
Cuota de centros de datos en las solicitudes de gran carga	77%
Incremento interanual de la cola	269%
Nueva generación sincronizada en 2025	23 GW
Mejoras de transmisión estimadas	$14.089 mil millones
En revisión

El aumento se compone en parte de cargas «fantasma»: solicitudes especulativas de hiperescaladores que presentan múltiples solicitudes en distintos emplazamientos para cubrirse sobre cuál empresa eléctrica proporcionará la conexión más rápida o más barata.¹¹ Esta práctica atasca el proceso de estudio y obliga a los ingenieros a realizar análisis complejos de fiabilidad sobre proyectos que quizá nunca lleguen al cierre financiero. ERCOT ha contratado recientemente con McKinsey para reformar este proceso, con el objetivo de identificar cargas «creíbles» y agilizar la cola a principios de 2026.¹²

Respuesta legislativa y regulatoria: SB 6 y el Texas Energy Fund

Los legisladores de Texas han respondido con el Senate Bill 6 (SB 6), que impone reglas de interconexión estandarizadas y mejora la previsión de carga.³ El SB 6 también introduce mecanismos de reducción forzosa de gran carga, exigiendo que los centros de datos con generación de respaldo in situ puedan ser llamados durante emergencias de la red.¹³ Además, el estado estableció un fondo de $9 mil millones (Texas Energy Fund) para incentivar la construcción de plantas de gas despachable. Sin embargo, esta iniciativa ya enfrenta vientos en contra: aproximadamente el 35% de los proyectos de gas propuestos se han retirado, alegando escasez mundial de turbinas y retrasos prolongados de permisos.¹¹

El fracaso de los incentivos financieros tradicionales para expandir con rapidez la flota de gas impone una carga inmensa al «imperativo de flexibilidad». La red debe volverse más inteligente porque no puede crecer físicamente a la velocidad de la revolución de la IA.

El imperativo Deep AI: trascender el paradigma del envoltorio de LLM

Ante estos déficits estructurales, el sector energético ha recurrido a menudo a la «IA» como palabra de moda, lo que suele resultar en implementaciones superficiales como chatbots de atención al cliente o modelos básicos de regresión para la previsión de carga. Veriprajna sostiene que estas soluciones son insuficientes para la crisis actual. Distinguimos entre «IA superficial» (modelos de propósito general) y «Deep AI» (modelos que respetan la física subyacente y la topología de la red).

La red no es una colección de puntos de datos independientes; es un sistema dinámico sincronizado de alta dimensión gobernado por las leyes de Kirchhoff y la ecuación de oscilación. Cualquier solución de IA desplegada para abordar un déficit de 6.6 GW debe ser «consciente de la física».

Redes neuronales informadas por la física (PINN) para la estabilidad transitoria

Los estudios tradicionales de estabilidad de sistemas eléctricos se basan en resolver sistemas de ecuaciones diferenciales-algebraicas (DAE). Para una red tan grande como PJM, una sola simulación de estabilidad transitoria puede llevar horas. Ello impide a los operadores de red realizar análisis de contingencia «en tiempo real».

La competencia central de Veriprajna reside en el despliegue de redes neuronales informadas por la física (PINN). A diferencia de las redes neuronales estándar que aprenden únicamente a partir de datos, las PINN embuten las leyes físicas del sistema directamente en la función de pérdida del modelo. Para un generador k, la red neuronal se entrena para minimizar el residual de la ecuación de oscilación:

$$f_{\delta}(t, P_m) = m_k \ddot{\delta}_k + d_k \dot{\delta}_k + \sum_{j \in N_k} V_k V_j B_{kj} \sin(\delta_k - \delta_j) - P_{m,k}$$

Al utilizar la diferenciación automática para calcular las derivadas $\dot{\delta}$ y $\ddot{\delta}$, las PINN pueden determinar los estados del sistema hasta 87 veces más rápido que los resolutores numéricos convencionales.¹⁵ Más importante aún, las PINN pueden resolver el estado en cualquier instante específico t sin necesidad de integración secuencial paso a paso (time-stepping), lo que permite una capacidad de «anticipación» casi instantánea durante un posible evento de apagón.¹⁵

Redes neuronales de grafos conscientes de la topología (GNN)

La red es inherentemente un grafo, con subestaciones como nodos y líneas de transmisión como aristas. Los modelos convencionales de aprendizaje automático suelen tratar los datos de la red como un vector plano, perdiendo el contexto espacial crítico. La Deep AI utiliza redes neuronales de grafos (GNN) para capturar las dependencias espaciotemporales de la red.¹⁷

Una arquitectura GNN como GraphSAGE o una Graph Attention Network (GAT) permite al modelo «aprender» la importancia de distintos corredores de transmisión. En caso de un fallo crítico de subestación —como el evento de Baltimore que arriesgó una pérdida de carga de 1,200 MW—, una GNN puede predecir la propagación de la caída de tensión resultante y de la oscilación de frecuencia a través de toda la topología en milisegundos.¹⁷

El marco matemático para una actualización de nodo GAT es:

$$\alpha_{i,j} = \frac{\exp(\text{LeakyReLU}(a^T))}{\sum_{k \in N_i} \exp(\text{LeakyReLU}(a^T))}$$

Este mecanismo asegura que el modelo se centre en los «vecinos críticos» de la topología de la red, ofreciendo un diagnóstico y una localización de fallos mucho más precisos que los motores de reglas tradicionales basados en SCADA.¹⁸ Para el mantenimiento predictivo, las GNN multicapa han demostrado una puntuación F1 de 0.8935 en la identificación de subestaciones en riesgo de fallo en un plazo de 30 días, lo que permite una intervención proactiva antes de que ocurra un evento de fiabilidad.²¹

Inmersión arquitectónica: implementar la red sentiente

Para una consultora de IA de grado empresarial, el valor no está solo en el algoritmo, sino en la arquitectura técnica de extremo a extremo que permite a la IA interactuar con los sistemas de tecnología operacional (OT) de forma segura y fiable.

La arquitectura «Deep Grid» de Veriprajna

Proponemos una arquitectura de múltiples capas que salva la brecha entre los activos físicos y la capa de apoyo a la decisión.

1. La capa física/IoT: esta capa incluye las entradas SCADA tradicionales más datos de alta frecuencia de sensores de no contacto basados en LiDAR y dispositivos de Capacidad Dinámica de Línea (DLR). Sensores desplegados por empresas como LineVision monitorizan ahora más de 275 km de líneas para National Grid, proporcionando datos en tiempo real sobre la flecha del conductor y la temperatura.²²
2. La capa de orquestación de datos: esta capa gestiona datos «listos para IA». Los datos modernos de red se caracterizan por «incertidumbre de alto orden» y mediciones dispersas.²³ Utilizamos una arquitectura de lago de datos (basada en Spark/Hadoop) para realizar detección automatizada de anomalías, imputación de valores faltantes y comprobaciones de plausibilidad antes de que los datos lleguen a los modelos.²⁵
3. El motor de Física-IA: este es el núcleo de la solución Veriprajna. Ejecuta modelos PINN y GNN en paralelo. La PINN aporta capacidades de resolutor rápido para la estabilidad transitoria, mientras que la GNN aporta estimación de estado consciente de la topología y predicción de fallos.
4. La capa de control agéntica: esta capa utiliza aprendizaje por refuerzo (RL) para tomar decisiones de despacho. Al formular el control de la red como un Proceso de Decisión de Markov con restricciones (MDP), los agentes de RL pueden aprender políticas óptimas de equilibrio de carga que satisfacen restricciones físicas duras (p. ej., límites de tensión).²⁷

Capacidad Dinámica de Línea (DLR) y visión por computador

Una de las soluciones «Deep AI» más inmediatas a la crisis de capacidad de PJM/ERCOT es la optimización de la capacidad de transmisión existente mediante la Capacidad Dinámica de Línea (DLR). Las Capacidades Estáticas de Línea (SLR) tradicionales se basan en supuestos conservadores de «peor caso» (p. ej., alta temperatura, sin viento), que a menudo dejan sin usar el 20-40% de la capacidad de una línea.²⁹

La DLR utiliza datos atmosféricos en tiempo real y sensores IoT para calcular la capacidad térmica real de la línea. Veriprajna integra visión por computador y datos LiDAR para monitorizar el comportamiento del conductor. En Indiana y Ohio, AES utilizó estas tecnologías para aumentar la capacidad de transferencia en un 61% en líneas de 345 kV y un 25% en líneas de 69 kV.³⁰ El coste de esta mejora impulsada por IA fue de $0.39 millones, frente a un estimado de $1.63 millones para el reconductorado tradicional.³⁰

Impacto de la implementación de DLR	Línea base estática	DLR optimizada	% de mejora
Capacidad de transferencia (345 kV)	1,000 MW (est.)	1,610 MW	+61%
Capacidad de transferencia (69 kV)	100 MW (est.)	125 MW	+25%
Coste del proyecto (caso AES)	$1.63M (mejora)	$0.39M (IA/IoT)	-76% (reducción de coste)
Tiempo de despliegue	2-3 años	3-6 meses	-80% (reducción de tiempo)

Para operadores de red como PJM, que enfrentan una brecha de 6.6 GW para 2027, el despliegue de DLR en la huella de 13 estados podría «liberar enormes cantidades de capacidad de transmisión eléctrica sin construir una sola línea nueva».³¹

La dimensión económica: evaluar el coste de la inacción

El incumplimiento de los estándares de fiabilidad conlleva un elevado peaje económico. Un nuevo análisis de NRDC halló que el crecimiento de los centros de datos en la región de PJM podría resultar en $163 mil millones en costes de capacidad acumulados de 2028 a 2033.³² Solo en el territorio de ComEd del norte de Illinois, el impacto se proyecta en $21.4 mil millones, lo que se traduce en un incremento de $70 al mes para el hogar residencial medio.³²

Esta escalada de precios no es solo una función de la demanda, sino de la «fricción de mercado». Cuando la subasta de PJM alcanza el tope de precio, señala un fallo de la estructura de mercado actual para adjudicar el volumen requerido. Para los consumidores industriales y los hiperescaladores tecnológicos, ello representa un riesgo significativo para el «Valor de la Carga Perdida» (VOLL).

La propuesta de valor de «Deep AI» para la alta dirección

Para los clientes de Veriprajna, la propuesta de valor de Deep AI es triple:

1. Eficiencia de capital: al usar GNN y PINN para identificar con precisión los límites de operación estables, las empresas eléctricas pueden diferir miles de millones en inversión de transmisión y generación. La modernización de la red impulsada por IA permite la «orquestación» de los activos existentes en lugar de la «dominación» del paisaje con nueva infraestructura de acero en el terreno.³³
2. Aceleración de la interconexión: los modelos de red eléctrica acelerados por IA pueden reducir el tiempo de los estudios de interconexión de años a meses. La Orden 2023 de FERC obliga a estudios por clústeres, y las herramientas de IA agéntica de Veriprajna pueden automatizar el cribado de la cola de 233 GW de ERCOT, identificando proyectos «primero listos» según la viabilidad física y la preparación comercial.³⁴
3. Mitigación de riesgos: en un mundo de clima extremo —como la tormenta invernal de ERCOT de 2021 o el fallo de la subestación de Baltimore de PJM—, la Deep AI aporta la capacidad de respuesta a escala de milisegundos requerida para prevenir apagones en cascada.³⁶

Interconexión 2.0: automatizar la cola con IA agéntica

La cola de 233 GW de ERCOT es actualmente un cuello de botella de horas de ingeniería humana. La Orden 2023 de FERC exige que los proveedores de transmisión mantengan «mapas de calor» de capacidad de transmisión de acceso público para ayudar a los promotores a hallar puntos ideales de interconexión.³⁸ Veriprajna va más allá y despliega IA agéntica que actúa como un «ingeniero digital».

Estos agentes utilizan grandes modelos de lenguaje (LLM) no solo para conversar, sino para realizar razonamiento complejo sobre documentación técnica y presentaciones regulatorias.³⁴ Cuando se presenta una solicitud de interconexión, nuestros agentes pueden:

• Cribado automático de cumplimiento: verificar contra los estándares de NERC y FERC (p. ej., EOP-012-3 para la preparación ante clima frío).³⁷
• Agrupación automatizada de cargas: agrupar proyectos en clústeres óptimos según restricciones topológicas y no solo según el momento de llegada.³⁸
• Predecir la probabilidad de carga «fantasma»: usar aprendizaje automático para asignar una puntuación de probabilidad de finalización a los proyectos de la cola, permitiendo a los planificadores centrarse en la demanda creíble.¹¹

Al implementar estas herramientas de cribado automatizado, ERCOT puede transitar de un modelo de «primero en llegar, primero en ser atendido» a uno de «primero listo, primero en ser atendido», reduciendo de forma significativa los $14 mil millones en mejoras de transmisión estimadas actualmente en revisión.¹⁰

Deep AI para la previsión de retirada de centrales eléctricas

El déficit de 6.6 GW en PJM es, en esencia, un problema de previsión del «precipicio de retirada». Los modelos tradicionales a menudo fallan al predecir cuándo una planta de carbón o de gas se volverá antieconómica. Veriprajna utiliza modelos LSTM apiladas (Long Short-Term Memory) y de Gradient Boosting para analizar las emisiones de CO2 a nivel de planta, los precios del combustible y la penetración renovable.²⁵

Nuestros modelos han alcanzado un Error Porcentual Absoluto Medio (MAPE) del 1.072% al predecir las edades de retirada de las plantas.⁴⁰ Ello permite a los operadores de red identificar «puntos calientes» de posible retirada anticipada e intervenir con incentivos de capacidad dirigidos o contratación de respaldo antes de que se abra la brecha de fiabilidad. En la región de ERCOT, donde el 35% de los proyectos de gas propuestos se han retirado, estas analíticas predictivas son vitales para identificar la próxima generación de «unidades de riesgo».¹¹

La convergencia de IT y OT: seguridad y confianza en la IA

Una barrera crítica para la adopción de la IA en el sector eléctrico es el riesgo percibido para las infraestructuras críticas. Veriprajna aborda esto mediante un mecanismo de inferencia «consciente de la estabilidad».²⁰ No permitimos que la IA opere como una «caja negra» en la sala de control.

En su lugar, implementamos IA explicable (XAI). Cuando una GNN identifica un riesgo de fallo en cascada, genera una explicación basada en grafos que destaca las aristas (líneas) y los nodos (subestaciones) específicos que contribuyen al riesgo.³⁶ Ello permite a los operadores humanos verificar el razonamiento de la IA antes de actuar. Además, nuestra arquitectura asegura que el entorno digital esté conectado de forma segura a la capa de control (plataformas DCS) sin perturbar las estructuras de control de seguridad crítica ya demostradas.⁴¹

Hoja de ruta estratégica: de la infraestructura a la inteligencia

Para las empresas eléctricas y los clientes de gran carga que navegan la crisis de fiabilidad de 2027, Veriprajna recomienda una hoja de ruta en tres fases:

Fase 1: cimientos y visibilidad (0-12 meses)

• Preparación de datos: desplegar lagos de datos listos para IA para agregar datos SCADA, IoT y meteorológicos.²⁵
• Piloto de DLR: implementar la Capacidad Dinámica de Línea en los 5 corredores de transmisión más congestionados para desbloquear capacidad inmediata.²²
• Diagnóstico de la cola: usar aprendizaje automático para cribar la cola de interconexión en busca de cargas fantasma y proyectos «primero listos».¹¹

Fase 2: integración y aceleración (1-3 años)

• Despliegue de PINN: sustituir los resolutores numéricos tradicionales por herramientas de estabilidad transitoria basadas en PINN para el análisis de contingencia en tiempo real.¹⁵
• Inteligencia topológica: integrar GNN en los flujos de estimación de estado y localización de fallos.¹⁷
• Orquestación de la flexibilidad: desplegar agentes basados en RL para gestionar cargas de centros de datos colocalizadas y programas de respuesta de la demanda.²⁸

Fase 3: la red sentiente (3-5 años)

• Redes de autorreparación: habilitar la reconfiguración y restauración de la red plenamente automatizadas e impulsadas por IA.³³
• Permisos autónomos: transitar a flujos de trabajo plenamente agénticos para el cumplimiento de permisos federales y estatales.³⁴
• Sinergia mercado-IA: usar previsión de precios de alta fidelidad para optimizar el despacho y minimizar el riesgo de $163 mil millones en costes de capacidad.²⁵

Conclusión: la ventaja Veriprajna

El déficit de PJM y la crisis de la cola de ERCOT son síntomas de un retraso tecnológico. La red eléctrica, la máquina más compleja jamás construida, está siendo empujada a sus límites por la propia tecnología que lucha por alimentar: la IA.

Veriprajna se sitúa en esta intersección. No proporcionamos simples envoltorios de API; proporcionamos los marcos matemáticos y físicos profundos requeridos para hacer sentiente a la red. Al integrar PINN para la estabilidad, GNN para la topología y RL para el control, permitimos a nuestros clientes trascender las limitaciones de su infraestructura física. La brecha de 6,623 MW en PJM no es solo un déficit; es un mandato para un nuevo tipo de inteligencia.

El futuro pertenece a quienes ven la red no como una colección de cables, sino como un grafo dinámico de inteligencia. Veriprajna es el socio para esa transición.

Obras citadas

1. White House, Governors, and PJM Respond to Grid Capacity Shortfall - Jackson Walker, consultado el 9 de febrero de 2026, https://www.jw.com/news/insights-grid-capacity-shortfall/
2. PJM Auction Procures 134479 MW of Generation Resources, consultado el 9 de febrero de 2026, https://insidelines.pjm.com/pjm-auction-procures-134479-mw-of-generation-resources/
3. ERCOT's large load queue jumped almost 300% last year | Utility Dive, consultado el 9 de febrero de 2026, https://www.utilitydive.com/news/ercots-large-load-queue-jumped-almost-300-last-year-official/808820/
4. Item 16.2: System Planning and Weatherization Update - ERCOT.com, consultado el 9 de febrero de 2026, https://www.ercot.com/files/docs/2025/12/02/16.2-System-Planning-and-Weatherization-Update_Revised.pdf
5. PJM capacity prices hit record high as grid operator falls short of reliability target - Utility Dive, consultado el 9 de febrero de 2026, https://www.utilitydive.com/news/pjm-interconnection-capacity-auction-data-center/808264/
6. 20251217-pjm-auction-procures-134479-mw-of-generation-resources.pdf, consultado el 9 de febrero de 2026, https://www.pjm.com/-/media/DotCom/about-pjm/newsroom/2025-releases/20251217-pjm-auction-procures-134479-mw-of-generation-resources.pdf
7. PJM 2027/2028 Capacity Auction Results | Enel North America, consultado el 9 de febrero de 2026, https://www.enelnorthamerica.com/insights/blogs/pjm-2027-2028-capacity-auction-results
8. PJM trims near-term load forecast on stricter data center vetting, economic outlook, consultado el 9 de febrero de 2026, https://www.utilitydive.com/news/pjm-interconnection-load-forecast-data-centers/809717/
9. ERCOT Again Revising Large Load Interconnection Process - RTO Insider, consultado el 9 de febrero de 2026, https://www.rtoinsider.com/122182-ercot-add-new-interconnection-rules-large-loads/
10. ERCOT Monthly Operational Overview (October 2025), consultado el 9 de febrero de 2026, https://www.ercot.com/files/docs/2025/11/17/ERCOT-Monthly-Operational-Overview-October-2025.pdf
11. NEWS: ERCOT's large load queue has nearly quadrupled in a single year - Energy Central, consultado el 9 de febrero de 2026, https://www.energycentral.com/energy-management/post/news-ercot-s-large-load-queue-has-nearly-quadrupled-in-a-single-year-xuBAQ6jDdRObFFt
12. ERCOT Announces Strategic Organizational Changes to Support Grid Reliability, Rapid Demand Growth, and Innovation, consultado el 9 de febrero de 2026, https://www.ercot.com/news/release/12122025-ercot-announces-strategic
13. Assessment of Resource Adequacy Needs in ERCOT and Impact of Market Design Changes, consultado el 9 de febrero de 2026, https://www.ercot.com/files/MarketNotice/2025/11/310252/Aurora%20Assessment%20of%20Resource%20Adequacy%20Needs%20in%20ERCOT%20Region%20and%20Impact%20of%20Market%20Design%20Changes%20%282025.11.10%29.pdf
14. Large Loads: Interconnection,Tariff Designs and State Actions | The Brattle Group, consultado el 9 de febrero de 2026, https://www.brattle.com/wp-content/uploads/2025/09/Large-Loads-Interconnection-Tariff-Designs-and-State-Actions.pdf
15. Physics-Informed Neural Networks for Power Systems - arXiv, consultado el 9 de febrero de 2026, https://arxiv.org/abs/1911.03737
16. Physics-Informed Neural Networks for Power Systems - DTU Research Database, consultado el 9 de febrero de 2026, https://orbit.dtu.dk/files/215621776/1911.03737_1_.pdf
17. PowerGNN: A Topology-Aware Graph Neural Network for Electricity Grids - arXiv, consultado el 9 de febrero de 2026, https://arxiv.org/html/2503.22721v1
18. Uncertainty-Aware Multi-Branch Graph Attention Network for Transient Stability Assessment of Power Systems Under Disturbances - MDPI, consultado el 9 de febrero de 2026, https://www.mdpi.com/2227-7390/13/22/3575
19. 2025 in Review: Operations Improvements See PJM Through Record Peaks, Growing Demand, consultado el 9 de febrero de 2026, https://insidelines.pjm.com/209696-2/
20. Deep Reinforcement Learning for Intelligent Load Balancing in Smart Power Grids, consultado el 9 de febrero de 2026, https://ieeexplore.ieee.org/document/11153398/
21. Multilayer GNN for predictive maintenance and clustering in power grids - PMC, consultado el 9 de febrero de 2026, https://pmc.ncbi.nlm.nih.gov/articles/PMC12519140/
22. National Grid installs grid-enhancing technology allowing more renewable power to flow through existing transmission lines, consultado el 9 de febrero de 2026, https://www.nationalgrid.com/media-centre/press-releases/national-grid-installs-grid-enhancing-technology
23. Real-time power system dispatch scheme using grid expert strategy-based imitation learning - University of Strathclyde, consultado el 9 de febrero de 2026, https://pureportal.strath.ac.uk/en/publications/real-time-power-system-dispatch-scheme-using-grid-expert-strategy/
24. Physics-informed graphical neural network for power system state estimation, consultado el 9 de febrero de 2026, https://www.researchgate.net/publication/378641259_Physics-informed_graphical_neural_network_for_power_system_state_estimation
25. AI–Big Data Analytics Platform for Energy Forecasting in Modern Power Systems - MDPI, consultado el 9 de febrero de 2026, https://www.mdpi.com/2504-2289/9/11/272
26. Grid Resilience: Using AI-Driven Forecasting in Energy & Utilities Software Development, consultado el 9 de febrero de 2026, https://6b.energy/insight/grid-resilience-using-ai-driven-forecasting-in-energy-utilities-software-development/
27. RL2Grid: Benchmarking Reinforcement Learning in Power Grid Operations - arXiv, consultado el 9 de febrero de 2026, https://arxiv.org/html/2503.23101v1
28. Deep reinforcement learning for real-time energy dispatch in smart grids with high renewable penetration - ResearchGate, consultado el 9 de febrero de 2026, https://www.researchgate.net/publication/400527431_Deep_reinforcement_learning_for_real_time_energy_dispatch_in_smart_grids_with_high_renewable_penetration
29. Dynamic Line Rating - Department of Energy, consultado el 9 de febrero de 2026, https://www.energy.gov/oe/articles/dynamic-line-rating-report-congress-june-2019
30. Case Study Details - Future of Power Systems - Dynamic line capacity rating, consultado el 9 de febrero de 2026, https://initiatives.weforum.org/future-power-system/innovation-playbook/dynamic-line-capacity-rating/aJYTG00000012UP4AY
31. Energy and AI - Microsoft .NET, consultado el 9 de febrero de 2026, https://iea.blob.core.windows.net/assets/b3a8b37f-32d1-4873-9eca-31cec5895264/EnergyandAI.pdf
32. Data center distress: CUB, NRDC experts warn PJM states could get hit with forced blackouts, $163B in electricity capacity costs | Citizens Utility Board, consultado el 9 de febrero de 2026, https://www.citizensutilityboard.org/blog/2025/10/23/data-center-concerns-cub-nrdc-experts-warn-pjm-states-could-get-hit-with-forced-blackouts-163b-in-additional-electricity-capacity-costs/
33. The AI utility: A roadmap for transformation - Guidehouse, consultado el 9 de febrero de 2026, https://guidehouse.com/insights/communities-energy-infrastructure/2025/ai-utility
34. AI for Energy Opportunities for a Modern Grid and Clean Energy Economy, consultado el 9 de febrero de 2026, https://www.energy.gov/sites/default/files/2024-04/AI%20EO%20Report%20Section%205.2g%28i%29_043024.pdf
35. FERC Order 2023 Toolkit - Advanced Energy United, consultado el 9 de febrero de 2026, https://advancedenergyunited.org/hubfs/2023%20Reports/FERC%20Order%202023%20Toolkit.pdf
36. PowerGraph: A power grid benchmark dataset for graph neural networks - NIPS, consultado el 9 de febrero de 2026, https://proceedings.neurips.cc/paper_files/paper/2024/file/c7caf017cbbca1f4b368ffdc7bb8f319-Paper-Datasets_and_Benchmarks_Track.pdf
37. Rising Demand, Evolving Resources Continue to Challenge Winter Grid Reliability - NERC, consultado el 9 de febrero de 2026, https://www.nerc.com/newsroom/2025-winter-reliability-assessment
38. Explainer on the Interconnection Final Rule - Federal Energy Regulatory Commission, consultado el 9 de febrero de 2026, https://www.ferc.gov/explainer-interconnection-final-rule
39. ERCOT RPG 10/25: ERCOT Large load integration Planning Solution - Zero-Emission Grid, consultado el 9 de febrero de 2026, https://www.zeroemissiongrid.com/insights-press-zeg-blog/ercot-large-load-integration/
40. Forecasting coal power plant retirement ages and lock-in with random forest regression | Request PDF - ResearchGate, consultado el 9 de febrero de 2026, https://www.researchgate.net/publication/371768240_Forecasting_coal_power_plant_retirement_ages_and_lock-in_with_random_forest_regression
41. ABB launches Automation Extended program to modernize DCS without disrupting operations - Industrial Cyber, consultado el 9 de febrero de 2026, https://industrialcyber.co/news/abb-launches-automation-extended-program-to-modernize-dcs-without-disrupting-operations/
42. FERC Directs Nation's Largest Grid Operator to Create New Rules to Embrace Innovation and Protect Consumers, consultado el 9 de febrero de 2026, https://www.ferc.gov/news-events/news/ferc-directs-nations-largest-grid-operator-create-new-rules-embrace-innovation-and
43. Strategic Roadmap for Digital Transformation for Utilities - CelPlan, consultado el 9 de febrero de 2026, https://celplan.com/wp-content/uploads/2025/06/Strategic-Roadmap-Utilities-Magazine-v2.pdf
44. AI for the Grid: Opportunities, Risks, and Safeguards - CSIS, consultado el 9 de febrero de 2026, https://www.csis.org/analysis/ai-grid-opportunities-risks-and-safeguards