Le réseau électrique américain manque de 6 600 MW. Et maintenant ?

Le problème

En décembre 2025, PJM Interconnection — le plus grand gestionnaire de réseau des États-Unis, qui alimente 65 millions de personnes dans 13 États — a annoncé quelque chose qui ne s'était jamais produit auparavant. Sa vente aux enchères de capacité a accusé un déficit de 6 623 mégawatts par rapport à ce dont le réseau a besoin pour maintenir les lumières allumées en 2027/2028. Cet écart représente environ la production de six grandes centrales électriques, tout simplement absentes du système.

L'enchère a atteint le plafond fédéral de prix de 333,44 $ par mégawatt-jour sur l'ensemble de la région. Coût total : 16,4 milliards de dollars. Pourtant, même à ce prix plafond, il n'y avait pas assez d'énergie pour atteindre les objectifs de fiabilité. La marge de réserve — votre tampon de sécurité contre les pannes d'électricité — est tombée à 14,8 %, bien en dessous de la norme de 20 % conçue pour prévenir les délestages à grande échelle.

Pendant ce temps, au Texas, le réseau ERCOT fait face à une crise différente mais liée. Sa file d'attente de grands clients en attente de raccordement — principalement des centres de données — a explosé pour atteindre 233 gigawatts. Cela représente près de trois fois la demande de pointe totale du réseau texan. Or, ERCOT n'a ajouté que 23 gigawatts de nouvelle capacité de production en 2025. Les comptes ne correspondent tout simplement pas.

Si votre organisation opère sur le territoire du PJM ou dépend de l'électricité texane, ces chiffres devraient vous empêcher de dormir. L'ère d'une électricité bon marché et abondante touche à sa fin.

Pourquoi cela compte pour votre entreprise

Ce n'est pas un problème d'infrastructure abstrait. Cela frappe directement votre bilan.

Une nouvelle analyse a révélé que la croissance des centres de données dans la région du PJM pourrait entraîner 163 milliards de dollars de coûts cumulés de capacité de 2028 à 2033. Rien que sur le territoire de ComEd dans le nord de l'Illinois, cela se traduit par 21,4 milliards de dollars. Les clients résidentiels y font face à une hausse projetée de 70 $ par mois. Si vous exploitez des opérations industrielles ou de grandes installations dans ces zones, votre exposition est proportionnellement plus importante.

Voici ce que votre équipe dirigeante doit comprendre :

• Vos coûts énergétiques augmentent de manière structurelle. L'enchère du PJM a atteint le plafond de prix de la FERC. Ce plafond a masqué le véritable prix de pénurie. Lorsque les régulateurs finiront par l'ajuster, les prix bondiront à nouveau.
• Votre risque de fiabilité s'accroît. Une marge de réserve de 14,8 % signifie un risque accru de délestage — des coupures contrôlées — à partir de juin 2027. Si vos opérations ne peuvent tolérer aucune interruption, vous devez établir dès maintenant des plans de contingence.
• Vos projets d'expansion pourraient être bloqués. À l'ERCOT, 77 % des demandes de raccordement de grandes charges proviennent de centres de données. Si vous envisagez une nouvelle installation au Texas, vous êtes en concurrence avec 233 GW de demandes pour 23 GW de capacité disponible. Environ 35 % des projets proposés de centrales à gaz ont déjà été retirés, invoquant des pénuries de turbines et des retards d'autorisation.
• La pression réglementaire s'intensifie. Le Texas a adopté le Senate Bill 6, qui impose des règles de raccordement normalisées et permet aux régulateurs de restreindre l'alimentation des centres de données en cas d'urgence. L'ordonnance 2023 de la FERC exige de nouveaux processus d'études par grappe. Vos obligations de conformité s'étendent.

En résumé : votre budget énergétique, votre continuité opérationnelle et votre calendrier de croissance sont tous menacés.

Ce qui se passe réellement sous le capot

Le problème central est un effet falaise de retraits. Entre 2011 et 2023, le PJM a perdu 54,2 gigawatts de centrales thermiques — des installations au charbon et au gaz qui fonctionnent à la demande, quelles que soient les conditions météorologiques. Entre 24 et 58 gigawatts supplémentaires pourraient être retirés d'ici 2030. Cela représente jusqu'à 30 % de la capacité installée.

Voici pourquoi les remplaçants ne suivent pas le rythme. Imaginez remplacer une voiture fiable par des bicyclettes. Il vous faudrait beaucoup plus de bicyclettes pour transporter la même charge. L'analyse propre du PJM montre que remplacer 1 mégawatt de production thermique en fin de vie nécessite environ 5,2 mégawatts de solaire ou 14 mégawatts d'éolien pour délivrer la même fiabilité. Le solaire et l'éolien ne produisent de l'électricité que lorsque le soleil brille ou que le vent souffle. Une centrale à gaz fonctionne chaque fois que vous en avez besoin.

Le PJM a ajusté ses calculs pour tenir compte de cette réalité. Il a abaissé le crédit de fiabilité — appelé Effective Load Carrying Capability, ou ELCC — pour les ressources intermittentes comme le solaire et l'éolien. À mesure que davantage de ces ressources se raccordent, chaque unité supplémentaire contribue moins à maintenir le réseau stable pendant les pointes de demande.

Parallèlement, la demande explose à des endroits précis. Le PJM a signalé une augmentation de 5 250 mégawatts de ses prévisions de demande, tirée presque entièrement par les centres de données. Dans certaines zones, les prévisions de croissance des pointes estivales atteignent 6,4 % par an. Cette charge concentrée crée des points de tension localisés où les postes de transformation et les lignes de transport font face à un risque de surcharge.

Le réseau ne peut pas croître physiquement assez vite. Il doit donc devenir plus intelligent. C'est là que l'IA intervient — mais toute IA n'est pas à la hauteur de cette tâche.

Ce qui fonctionne (et ce qui ne fonctionne pas)

Commençons par ce qui reste insuffisant lorsqu'on applique l'IA à un problème aussi complexe.

Chatbots génériques et habillages de LLM. Greffer un grand modèle de langage sur votre tableau de bord opérationnel vous donne une interface conversationnelle, pas une intelligence du réseau. Il ne comprend pas la physique des flux d'électricité.

Prévision par régression basique. Les modèles statistiques simples qui prédisent la charge à partir de moyennes historiques manquent la dynamique non linéaire d'un réseau où 54 gigawatts de production pilotable ont disparu en douze ans.

Analytique prédictive universelle. Le machine learning standard traite les données du réseau comme une feuille de calcul plate. Il ignore la structure physique — quels postes sont reliés entre eux, et comment une défaillance en un nœud se propage en cascade dans le réseau.

Ce qui fonctionne vraiment, c'est l'IA qui respecte la physique et la structure du réseau. Voici comment elle opère concrètement :

1. Entrée : des données physiques en temps réel, pas seulement des tendances historiques. Les systèmes de notation dynamique des lignes (Dynamic Line Rating, DLR) utilisent des capteurs IoT et des données météorologiques pour mesurer la capacité réelle des lignes de transport en temps réel. Les notations traditionnelles supposent des conditions les plus défavorables et laissent 20 à 40 % de la capacité inexploitée. En Indiana et dans l'Ohio, AES a déployé le DLR sur des lignes de 345 kV et augmenté la capacité de transfert de 61 % — pour un coût de 0,39 million de dollars contre 1,63 million de dollars pour des modernisations traditionnelles. Soit une réduction de coûts de 76 %.

2. Traitement : des modèles d'IA consciente de la physique. Les réseaux de neurones informés par la physique — ou PINNs — intègrent les lois réelles des systèmes électriques au cœur même du modèle d'IA. Au lieu d'apprendre des motifs à partir des seules données, ils imposent les équations qui gouvernent l'interaction entre générateurs, lignes et charges. Ces modèles résolvent des analyses de stabilité jusqu'à 87 fois plus vite que les méthodes classiques. Les réseaux de neurones en graphes (GNN) traitent le réseau comme ce qu'il est réellement — un réseau de nœuds connectés — et prédisent comment les défaillances se propagent dans la topologie. Des modèles fondés sur les GNN ont atteint un score F1 de 0,8935 pour identifier les postes risquant de tomber en panne sous 30 jours.

3. Sortie : des décisions explicables avec pistes d'audit. Lorsque l'IA identifie un risque de défaillance en cascade, elle génère une explication sous forme de graphe montrant précisément quelles lignes et quels postes alimentent le risque. Vos opérateurs voient le raisonnement avant d'agir. Votre équipe de conformité obtient une piste logique documentée. Pour les organisations du secteur de l'énergie et des services publics, cette transparence n'est pas facultative — c'est ce qu'exigent les régulateurs et les conseils d'administration.

Cette approche s'étend au-delà de l'exploitation du réseau jusqu'au goulot d'étranglement du raccordement. Des agents d'IA peuvent passer automatiquement au crible la file d'attente ERCOT de 233 GW, attribuer à chaque projet un score de probabilité d'aboutissement et signaler les charges spéculatives « fantômes » — des demandes déposées par des entreprises sur plusieurs sites simplement pour se ménager des options. Cela fait passer la file d'attente du premier arrivé, premier servi au premier prêt, premier servi.

Vous pouvez également appliquer ces outils pour prédire quelles centrales seront retirées ensuite. Des modèles combinant LSTM empilé et gradient boosting ont atteint une erreur absolue moyenne en pourcentage de seulement 1,072 % dans la prévision du calendrier de retrait des centrales. Cela donne à votre équipe de planification des années d'avance plutôt que des mois.

Le principe architectural clé derrière tout cela : des systèmes de simulation, de jumeaux numériques et d'optimisation qui reflètent votre infrastructure physique dans le logiciel, testent des scénarios à la vitesse des machines et injectent les résultats dans des couches de décision que les humains peuvent vérifier et auxquelles ils peuvent faire confiance. Combinés à l'explicabilité et la transparence des décisions, vous obtenez une IA derrière laquelle votre conseil d'administration, vos régulateurs et vos opérateurs peuvent tous se ranger.

Pour une exploration technique plus approfondie, vous pouvez consulter l'analyse technique complète ou explorer la version interactive.