Le réseau sentinelle : affronter le déficit de 6,6 GW de PJM et la crise d'interconnexion de 230 GW d'ERCOT grâce à l'ingénierie Deep AI

L'infrastructure électrique nord-américaine est entrée dans une période d'instabilité structurelle, caractérisée par un fossé croissant entre la mise hors service de la production pilotable héritée et la demande explosive induite par les charges de travail d'intelligence artificielle. En décembre 2025, PJM Interconnection, le plus grand opérateur de réseau des États-Unis, a annoncé un déficit d'enchère de capacité de 6,623 MW pour l'année de livraison 2027/2028 — le premier échec de ce type dans l'histoire de l'organisation.¹ Simultanément, l'Electric Reliability Council of Texas (ERCOT) est confronté à un goulet d'étranglement logistique et technique, avec une file d'attente de raccordement des grandes charges gonflée à 233 GW, alors même que les ajouts de nouvelle production restent inférieurs d'un ordre de grandeur entier, à environ 23 GW.³ Ces crises jumelles marquent la fin de l'ère de la gestion « passive » du réseau.

En tant que cabinet de conseil en IA d'élite, Veriprajna reconnaît que ces défis ne peuvent pas être résolus par le déploiement d'enveloppes génériques de grands modèles de langage (LLM) ni par des analyses prédictives standard. La complexité des systèmes électriques modernes, caractérisée par une incertitude d'ordre élevé et des dynamiques non linéaires, exige une approche « Deep AI ». Celle-ci implique l'intégration de réseaux de neurones informés par la physique (PINN), de réseaux de neurones en graphe (GNN) sensibles à la topologie, et de cadres d'apprentissage par renforcement (RL) agentique. L'analyse qui suit dissèque les mécanismes spécifiques des défaillances actuelles du réseau et fournit un plan d'ensemble complet pour le déploiement de solutions d'IA de grade entreprise conçues pour rétablir la fiabilité du système et la stabilité économique.

L'inflexion de capacité de PJM : anatomie d'un déficit systémique

Les résultats de l'enchère résiduelle de base (BRA) 2027/2028 de PJM Interconnection constituent un tournant pour les marchés de l'énergie. L'approvisionnement de 134,479 MW de ressources de production est resté inférieur de 6,623 MW à l'objectif de marge de réserve installée de 20 % requis pour maintenir la norme de fiabilité « un événement en dix ans ».² Ce déficit a fait reculer la marge de réserve projetée du système à 14.8 %, signalant un risque élevé d'événements de délestage à compter de juin 2027.⁶

Les signaux économiques au sein de l'enchère étaient tout aussi tranchants. Les prix de capacité ont atteint le plafond approuvé par la Federal Energy Regulatory Commission (FERC) de $333.44/MW-day sur l'ensemble de l'empreinte PJM.² Si le plafond de prix a été mis en place pour protéger les usagers d'une volatilité extrême, il a effectivement masqué le véritable prix de rareté qu'un marché libre aurait dicté, risquant de décourager précisément l'investissement nécessaire pour combler l'écart.⁷

Indicateurs clés de la BRA PJM 2027/2028	Valeur / Détail
Capacité adjugée	134,479 MW
Déficit de fiabilité	6,623 MW (5.2% en dessous de l'objectif)
Plafond de prix (UCAP)	$333.44 / MW-day
Coût total de l'enchère régionale	$16.4 milliards
Marge de réserve	14.8% (objectif : 20%)
Nouvelle production adjugée	774 MW (UCAP)

Le moteur principal de ce déficit est la « falaise des mises hors service thermiques ». Entre 2011 et 2023, PJM a enregistré la mise hors service de 54.2 GW de capacité thermique, avec 24 à 58 GW supplémentaires — représentant jusqu'à 30 % de la capacité installée — exposés à une mise hors service d'ici 2030.¹ Ces mises hors service dépassent les nouvelles entrées, notamment parce que la « valeur de capacité » des ressources de remplacement est nettement inférieure. L'analyse interne de PJM révèle un écart d'intermittence : remplacer 1 MW de production thermique mise hors service exige environ 5.2 MW de solaire ou 14 MW d'éolien terrestre pour maintenir une fiabilité équivalente.¹ Cette disparité souligne les limites de la planification traditionnelle de la capacité et le besoin urgent de modèles Deep AI capables d'optimiser la base d'actifs existante.

Le basculement de la capacité effective de transport de charge (ELCC)

Un catalyseur technique majeur du déficit a été la révision des notations de capacité effective de transport de charge (ELCC). L'ELCC est une mesure statistique de la contribution d'une ressource à la fiabilité pendant les périodes de demande de pointe. Lors de l'enchère 2027/2028, PJM a ajusté ces notations pour refléter la diminution de la valeur marginale de fiabilité des ressources intermittentes à mesure que leur pénétration augmente.⁷

Alors que les ressources intermittentes ont vu leur accréditation reculer, la réponse à la demande (DR) a connu un fort rebond. L'ELCC de la DR est passée de 69 % lors de l'enchère 2026/2027 à 92 % lors de l'enchère 2027/2028.² Cette hausse a été portée par un changement réglementaire exigeant que la DR soit disponible à toutes les heures de l'année, et par une modification du calcul de la pointe hivernale vers une valeur coïncidente.⁶ Ce basculement met en lumière une opportunité critique pour les solutions Deep AI de Veriprajna : le développement d'agents intelligents pour la flexibilité côté demande, capables de garantir une disponibilité de 92 % sans perturber les opérations industrielles.

Centres de données : le catalyseur principal de la demande

Alors que l'offre se contractait, les prévisions de demande ont bondi. PJM a déclaré une hausse de 5,250 MW de sa prévision de demande, portée presque exclusivement par la prolifération des centres de données.⁵ Dans des zones spécifiques comme Dominion (Virginia), AEP (Ohio/Indiana) et ComEd (Illinois), les prévisions de croissance annuelle moyenne de la pointe d'été sur 10 ans sont nettement supérieures à la moyenne régionale, PPL Electric atteignant 6.4 %.⁸ La concentration de cette charge sur des nœuds spécifiques crée des « zones de stress » localisées où le risque de défaillance de poste et de congestion de transport est aigu.

L'impasse de la file ERCOT : limites de scalabilité et charges « fantômes »

Dans la région ERCOT, la crise n'est pas encore celle de la capacité adjugée, mais celle de la faisabilité du raccordement. Fin 2025, ERCOT a déclaré une file d'attente de raccordement des grandes charges de 233 GW, soit une hausse de 269 % par rapport à la fin de 2024.⁹ Pour contextualiser, la demande de pointe actuelle de l'ensemble du réseau ERCOT est d'environ 85 GW. Le volume de la file représente près de trois fois la charge de pointe actuelle totale de l'État.

Le décalage entre les demandes et la réalité est profond. Alors que 233 GW sollicitent un raccordement, ERCOT n'a synchronisé que 23 GW de nouvelle production en 2025, principalement sous forme de solaire et de stockage par batteries.⁴ Le reste de la file de production est dominé par le solaire (158 GW) et les batteries (175 GW), le gaz naturel ne représentant qu'à peine 47 GW.¹⁰ Cela crée un déséquilibre massif entre la charge demandée (principalement une charge de centres de données 24/7) et la nature intermittente de la nouvelle file de production.

Dynamique de la file et de la charge ERCOT (T4 2025)	Magnitude
Demandes totales de raccordement de grandes charges	233 GW
Part des centres de données dans les demandes de grandes charges	77%
Hausse annuelle de la file	269%
Nouvelle production synchronisée en 2025	23 GW
Améliorations de transport estimées	$14.089 milliards
En cours d'examen

La poussée se compose en partie de charges « fantômes » — des demandes spéculatives d'hyperscalers qui déposent plusieurs dossiers sur divers sites pour se couvrir sur le gestionnaire qui offrira le raccordement le plus rapide ou le moins cher.¹¹ Cette pratique encombre le processus d'étude, forçant les ingénieurs à réaliser des analyses de fiabilité complexes sur des projets qui n'atteindront peut-être jamais la clôture financière. ERCOT a récemment contracté avec McKinsey pour refondre ce processus, afin d'identifier les charges « crédibles » et de fluidifier la file d'ici début 2026.¹²

Réponse législative et réglementaire : SB 6 et le Texas Energy Fund

Les législateurs texans ont répondu par le Senate Bill 6 (SB 6), qui impose des règles de raccordement standardisées et améliore la prévision de charge.³ Le SB 6 introduit également des mécanismes d'écrêtement des grandes charges, exigeant que les centres de données disposant d'une production de secours sur site soient mobilisables pendant les urgences réseau.¹³ En outre, l'État a créé un fonds de $9 milliards (Texas Energy Fund) pour inciter à la construction de centrales à gaz pilotables. Cependant, cette initiative rencontre déjà des vents contraires ; environ 35 % des projets gaziers proposés se sont retirés, invoquant des pénuries mondiales de turbines et des retards d'autorisation prolongés.¹¹

L'échec des incitations financières traditionnelles à étendre rapidement le parc gazier fait peser une charge immense sur l'« impératif de flexibilité ». Le réseau doit devenir plus intelligent, car il ne peut pas croître physiquement à la vitesse de la révolution de l'IA.

L'impératif Deep AI : dépasser le paradigme de l'enveloppe LLM

Face à ces déficits structurels, le secteur de l'énergie s'est souvent tourné vers l'« IA » comme mot à la mode, aboutissant généralement à des mises en œuvre superficielles telles que des chatbots pour le service client ou des modèles de régression basiques pour la prévision de charge. Veriprajna affirme que ces solutions sont insuffisantes face à la crise actuelle. Nous distinguons l'« IA superficielle » (modèles à usage général) et la « Deep AI » (modèles qui respectent la physique sous-jacente et la topologie du réseau).

Le réseau n'est pas une collection de points de données indépendants ; c'est un système dynamique synchronisé de haute dimension, régi par les lois de Kirchhoff et l'équation d'oscillation. Toute solution d'IA déployée pour traiter un déficit de 6.6 GW doit être « informée par la physique ».

Réseaux de neurones informés par la physique (PINN) pour la stabilité transitoire

Les études traditionnelles de stabilité des systèmes électriques reposent sur la résolution de systèmes d'équations différentielles-algébriques (EDA). Pour un réseau aussi vaste que PJM, une seule simulation de stabilité transitoire peut prendre des heures. Cela empêche les opérateurs de réseau d'effectuer une analyse de contingence « en temps réel ».

La compétence centrale de Veriprajna réside dans le déploiement de réseaux de neurones informés par la physique (PINN). Contrairement aux réseaux de neurones standard qui apprennent uniquement à partir des données, les PINN intègrent les lois physiques du système directement dans la fonction de perte du modèle. Pour un générateur k, le réseau de neurones est entraîné à minimiser le résidu de l'équation d'oscillation :

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

En utilisant la différentiation automatique pour calculer les dérivées $\dot{\delta}$ et $\ddot{\delta}$, les PINN peuvent déterminer les états du système jusqu'à 87 fois plus rapidement que les solveurs numériques conventionnels.¹⁵ Plus important encore, les PINN peuvent résoudre l'état à n'importe quel instant t sans recours au pas de temps séquentiel (intégration), ce qui permet une capacité d'« anticipation » quasi instantanée lors d'un éventuel événement de black-out.¹⁵

Réseaux de neurones en graphe (GNN) sensibles à la topologie

Le réseau est intrinsèquement un graphe, avec les postes comme nœuds et les lignes de transport comme arêtes. Les modèles d'apprentissage automatique conventionnels traitent souvent les données réseau comme un vecteur plat, perdant le contexte spatial critique. La Deep AI utilise des réseaux de neurones en graphe (GNN) pour capturer les dépendances spatio-temporelles du réseau.¹⁷

Une architecture GNN comme GraphSAGE ou un Graph Attention Network (GAT) permet au modèle d'« apprendre » l'importance des différents corridors de transport. En cas de défaillance critique d'un poste — comme l'événement de Baltimore qui a risqué une perte de charge de 1,200 MW — un GNN peut prédire la propagation du creux de tension et de l'oscillation de fréquence résultants sur l'ensemble de la topologie en millisecondes.¹⁷

Le cadre mathématique d'une mise à jour de nœud GAT est :

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

Ce mécanisme garantit que le modèle se concentre sur les « voisins critiques » de la topologie du réseau, offrant un diagnostic et une localisation de défaut bien plus précis que les moteurs de règles traditionnels fondés sur le SCADA.¹⁸ Pour la maintenance prédictive, des GNN multicouches ont démontré un score F1 de 0.8935 pour identifier les postes exposés à une défaillance dans les 30 jours, permettant une intervention proactive avant qu'un événement de fiabilité ne survienne.²¹

Plongée architecturale : mettre en œuvre le réseau sentient

Pour un cabinet de conseil en IA de grade entreprise, la valeur ne réside pas seulement dans l'algorithme, mais dans l'architecture technique de bout en bout qui permet à l'IA d'interagir avec les systèmes de technologie opérationnelle (OT) de manière sûre et fiable.

L'architecture « Deep Grid » de Veriprajna

Nous proposons une architecture multicouche qui comble l'écart entre les actifs physiques et la couche d'aide à la décision.

1. La couche physique/IoT : cette couche comprend les entrées SCADA traditionnelles plus des données haute fréquence issues de capteurs sans contact fondés sur le LiDAR et de dispositifs d'évaluation dynamique des lignes (DLR). Les capteurs déployés par des entreprises comme LineVision surveillent désormais plus de 275 km de lignes pour National Grid, fournissant des données en temps réel sur le fléchissement et la température des conducteurs.²²
2. La couche d'orchestration des données : cette couche gère des données « prêtes pour l'IA ». Les données modernes du réseau se caractérisent par une « incertitude d'ordre élevé » et des mesures clairsemées.²³ Nous utilisons une architecture de lac de données (fondée sur Spark/Hadoop) pour effectuer la détection automatique d'anomalies, l'imputation des valeurs manquantes et les contrôles de plausibilité avant que les données n'atteignent les modèles.²⁵
3. Le moteur physique-IA : c'est le cœur de la solution Veriprajna. Il exécute des modèles PINN et GNN en parallèle. Le PINN fournit des capacités de solveur rapide pour la stabilité transitoire, tandis que le GNN fournit l'estimation d'état sensible à la topologie et la prédiction de défaut.
4. La couche de contrôle agentique : cette couche utilise l'apprentissage par renforcement (RL) pour prendre les décisions de dispatch. En formulant le contrôle du réseau comme un processus de décision de Markov contraint (MDP), les agents RL peuvent apprendre des politiques optimales d'équilibrage de charge qui satisfont des contraintes physiques dures (p. ex. limites de tension).²⁷

Évaluation dynamique des lignes (DLR) et vision par ordinateur

L'une des solutions « Deep AI » les plus immédiates à la crise de capacité PJM/ERCOT est l'optimisation de la capacité de transport existante par l'évaluation dynamique des lignes (DLR). Les évaluations statiques des lignes (SLR) traditionnelles reposent sur des hypothèses conservatrices de « pire cas » (p. ex. température élevée, absence de vent), qui laissent souvent 20-40 % de la capacité d'une ligne inutilisée.²⁹

La DLR utilise des données atmosphériques en temps réel et des capteurs IoT pour calculer la capacité thermique réelle de la ligne. Veriprajna intègre la vision par ordinateur et les données LiDAR pour surveiller le comportement des conducteurs. Dans l'Indiana et l'Ohio, AES a utilisé ces technologies pour augmenter la capacité de transfert de 61 % sur les lignes 345 kV et 25 % sur les lignes 69 kV.³⁰ Le coût de cette modernisation pilotée par l'IA était de $0.39 million, contre un montant estimé de $1.63 million pour un reconductorage traditionnel.³⁰

Impact de la mise en œuvre DLR	Référence statique	DLR optimisée	% d'amélioration
Capacité de transfert (345 kV)	1,000 MW (Est)	1,610 MW	+61%
Capacité de transfert (69 kV)	100 MW (Est)	125 MW	+25%
Coût du projet (cas AES)	$1.63M (Upgrade)	$0.39M (AI/IoT)	-76% (réduction des coûts)
Délai de déploiement	2-3 ans	3-6 mois	-80% (réduction du délai)

Pour des opérateurs de réseau comme PJM confrontés à un écart de 6.6 GW d'ici 2027, le déploiement de la DLR sur l'empreinte de 13 États pourrait « libérer d'énormes volumes de capacité de transport d'électricité sans construire une seule nouvelle ligne ».³¹

La dimension économique : évaluer le coût de l'inaction

Le non-respect des normes de fiabilité entraîne un lourd tribut économique. Une nouvelle analyse du NRDC a conclu que la croissance des centres de données dans la région PJM pourrait se traduire par $163 milliards de coûts de capacité cumulés de 2028 à 2033.³² Sur le seul territoire ComEd du nord de l'Illinois, l'impact est projeté à $21.4 milliards, soit une hausse de $70 par mois pour le ménage résidentiel moyen.³²

Cette escalade des prix n'est pas seulement une fonction de la demande, mais de la « friction de marché ». Lorsque l'enchère PJM atteint le plafond de prix, elle signale l'échec de la structure de marché actuelle à adjuger le volume requis. Pour les consommateurs industriels et les hyperscalers technologiques, cela représente un risque significatif pour la « valeur de la charge perdue » (VOLL).

La proposition de valeur « Deep AI » pour la direction

Pour les clients de Veriprajna, la proposition de valeur de la Deep AI est triple :

1. Efficacité du capital : en utilisant les GNN et les PINN pour identifier avec précision les limites de fonctionnement stables, les entreprises de services publics peuvent différer des milliards d'investissements en transport et en production. La modernisation du réseau pilotée par l'IA permet l'« orchestration » des actifs existants plutôt que la « domination » du paysage par de nouvelles infrastructures physiques en acier.³³
2. Accélération du raccordement : les modèles de réseau électrique accélérés par l'IA peuvent réduire le délai des études de raccordement d'années à des mois. L'ordonnance FERC Order 2023 impose les études en grappe, et les outils d'IA agentique de Veriprajna peuvent automatiser le filtrage de la file ERCOT de 233 GW, en identifiant les projets « premiers prêts » selon la faisabilité physique et la maturité commerciale.³⁴
3. Atténuation des risques : dans un monde de conditions météorologiques extrêmes — comme la tempête hivernale ERCOT de 2021 ou la défaillance du poste PJM de Baltimore — la Deep AI fournit la capacité de réponse à l'échelle de la milliseconde requise pour prévenir les black-out en cascade.³⁶

Raccordement 2.0 : automatiser la file avec l'IA agentique

La file ERCOT de 233 GW est actuellement un goulet d'étranglement d'heures d'ingénierie humaine. L'ordonnance FERC Order 2023 exige que les prestataires de transport tiennent à jour des « cartes de chaleur » publiques de la capacité de transport afin d'aider les développeurs à trouver des points de raccordement idéaux.³⁸ Veriprajna va plus loin, en déployant une IA agentique qui agit comme un « ingénieur numérique ».

Ces agents utilisent les grands modèles de langage (LLM) non pas seulement pour discuter, mais pour raisonner de manière complexe sur la documentation technique et les dépôts réglementaires.³⁴ Lorsqu'une demande de raccordement est soumise, nos agents peuvent :

• Filtrer automatiquement la conformité : vérifier au regard des normes NERC et FERC (p. ex. EOP-012-3 pour la préparation au froid).³⁷
• Effectuer un regroupement automatisé des charges : regrouper les projets en grappes optimales selon les contraintes topologiques plutôt que selon le seul ordre d'arrivée.³⁸
• Prédire la probabilité de charge « fantôme » : utiliser l'apprentissage automatique pour attribuer un score de vraisemblance d'achèvement aux projets de la file, permettant aux planificateurs de se concentrer sur la demande crédible.¹¹

En mettant en œuvre ces outils de filtrage automatisé, ERCOT peut passer d'un modèle « premier arrivé, premier servi » à un modèle « premier prêt, premier servi », réduisant significativement les $14 milliards d'améliorations de transport estimées actuellement en cours d'examen.¹⁰

Deep AI pour la prévision des mises hors service de centrales

Le déficit de 6.6 GW de PJM est fondamentalement un problème de prévision de la « falaise des mises hors service ». Les modèles traditionnels échouent souvent à prédire le moment où une centrale au charbon ou au gaz devient non économique. Veriprajna utilise des modèles LSTM empilés (Long Short-Term Memory) et de Gradient Boosting pour analyser les émissions de CO2 au niveau de la centrale, les prix des combustibles et la pénétration renouvelable.²⁵

Nos modèles ont atteint une erreur moyenne absolue en pourcentage (MAPE) de 1.072 % pour la prédiction des âges de mise hors service des centrales.⁴⁰ Cela permet aux opérateurs de réseau d'identifier les « points chauds » de mise hors service anticipée potentielle et d'intervenir par des incitations ciblées à la capacité ou un approvisionnement de dernier recours avant que l'écart de fiabilité ne s'ouvre. Dans la région ERCOT, où 35 % des projets gaziers proposés se sont retirés, ces analyses prédictives sont vitales pour identifier la prochaine génération d'« unités à risque ».¹¹

La convergence IT et OT : sécurité et confiance dans l'IA

Un obstacle critique à l'adoption de l'IA dans le secteur électrique est le risque perçu pour les infrastructures critiques. Veriprajna y répond par un mécanisme d'inférence « conscient de la stabilité ».²⁰ Nous ne permettons pas à l'IA d'opérer comme une « boîte noire » en salle de commande.

Nous mettons plutôt en œuvre l'IA explicable (XAI). Lorsqu'un GNN identifie un risque de défaillance en cascade, il génère une explication fondée sur le graphe mettant en évidence les arêtes (lignes) et nœuds (postes) spécifiques qui contribuent au risque.³⁶ Cela permet aux opérateurs humains de vérifier le raisonnement de l'IA avant d'agir. En outre, notre architecture garantit que l'environnement numérique est connecté de manière sécurisée à la couche de contrôle (plateformes DCS) sans perturber les structures de contrôle critiques pour la sûreté déjà éprouvées.⁴¹

Feuille de route stratégique : de l'infrastructure à l'intelligence

Pour les entreprises de services publics et les clients de grandes charges confrontés à la crise de fiabilité de 2027, Veriprajna recommande une feuille de route en trois phases :

Phase 1 : fondation et visibilité (0-12 mois)

• Préparation des données : déployer des lacs de données prêts pour l'IA afin d'agréger les données SCADA, IoT et météorologiques.²⁵
• Pilote DLR : mettre en œuvre l'évaluation dynamique des lignes sur les 5 corridors de transport les plus congestionnés afin de débloquer une capacité immédiate.²²
• Diagnostic de file : utiliser l'apprentissage automatique pour filtrer la file de raccordement des charges fantômes et des projets « premiers prêts ».¹¹

Phase 2 : intégration et accélération (1-3 ans)

• Déploiement PINN : remplacer les solveurs numériques traditionnels par des outils de stabilité transitoire fondés sur les PINN pour l'analyse de contingence en temps réel.¹⁵
• Intelligence topologique : intégrer les GNN dans les flux d'estimation d'état et de localisation de défaut.¹⁷
• Orchestration de la flexibilité : déployer des agents fondés sur le RL pour gérer les charges de centres de données colocalisées et les programmes de réponse à la demande.²⁸

Phase 3 : le réseau sentient (3-5 ans)

• Réseaux auto-cicatrisants : activer une reconfiguration et une restauration du réseau entièrement automatisées, pilotées par l'IA.³³
• Autorisations autonomes : passer à des flux entièrement agentiques pour la conformité des autorisations fédérales et étatiques.³⁴
• Synergie marché-IA : utiliser la prévision de prix haute fidélité pour optimiser le dispatch et minimiser le risque de $163 milliards en coûts de capacité.²⁵

Conclusion : l'avantage Veriprajna

Le déficit de PJM et la crise de la file ERCOT sont les symptômes d'un retard technologique. Le réseau électrique, la machine la plus complexe jamais construite, est poussé à ses limites par la technologie même qu'il peine à alimenter : l'IA.

Veriprajna se positionne à cette intersection. Nous ne fournissons pas de simples enveloppes d'API ; nous fournissons les cadres mathématiques et physiques profonds requis pour rendre le réseau sentient. En intégrant les PINN pour la stabilité, les GNN pour la topologie et le RL pour le contrôle, nous permettons à nos clients de dépasser les limites de leur infrastructure physique. L'écart de 6,623 MW de PJM n'est pas seulement un déficit ; c'est un mandat pour une nouvelle forme d'intelligence.

L'avenir appartient à ceux qui voient le réseau non comme une collection de fils, mais comme un graphe dynamique d'intelligence. Veriprajna est le partenaire de cette transition.

Ouvrages cités

1. White House, Governors, and PJM Respond to Grid Capacity Shortfall - Jackson Walker, consulté le 9 février 2026, https://www.jw.com/news/insights-grid-capacity-shortfall/
2. PJM Auction Procures 134479 MW of Generation Resources, consulté le 9 février 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, consulté le 9 février 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, consulté le 9 février 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, consulté le 9 février 2026, https://www.utilitydive.com/news/pjm-interconnection-capacity-auction-data-center/808264/
6. 20251217-pjm-auction-procures-134479-mw-of-generation-resources.pdf, consulté le 9 février 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, consulté le 9 février 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, consulté le 9 février 2026, https://www.utilitydive.com/news/pjm-interconnection-load-forecast-data-centers/809717/
9. ERCOT Again Revising Large Load Interconnection Process - RTO Insider, consulté le 9 février 2026, https://www.rtoinsider.com/122182-ercot-add-new-interconnection-rules-large-loads/
10. ERCOT Monthly Operational Overview (October 2025), consulté le 9 février 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, consulté le 9 février 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, consulté le 9 février 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, consulté le 9 février 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, consulté le 9 février 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, consulté le 9 février 2026, https://arxiv.org/abs/1911.03737
16. Physics-Informed Neural Networks for Power Systems - DTU Research Database, consulté le 9 février 2026, https://orbit.dtu.dk/files/215621776/1911.03737_1_.pdf
17. PowerGNN: A Topology-Aware Graph Neural Network for Electricity Grids - arXiv, consulté le 9 février 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, consulté le 9 février 2026, https://www.mdpi.com/2227-7390/13/22/3575
19. 2025 in Review: Operations Improvements See PJM Through Record Peaks, Growing Demand, consulté le 9 février 2026, https://insidelines.pjm.com/209696-2/
20. Deep Reinforcement Learning for Intelligent Load Balancing in Smart Power Grids, consulté le 9 février 2026, https://ieeexplore.ieee.org/document/11153398/
21. Multilayer GNN for predictive maintenance and clustering in power grids - PMC, consulté le 9 février 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, consulté le 9 février 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, consulté le 9 février 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, consulté le 9 février 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, consulté le 9 février 2026, https://www.mdpi.com/2504-2289/9/11/272
26. Grid Resilience: Using AI-Driven Forecasting in Energy & Utilities Software Development, consulté le 9 février 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, consulté le 9 février 2026, https://arxiv.org/html/2503.23101v1
28. Deep reinforcement learning for real-time energy dispatch in smart grids with high renewable penetration - ResearchGate, consulté le 9 février 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, consulté le 9 février 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, consulté le 9 février 2026, https://initiatives.weforum.org/future-power-system/innovation-playbook/dynamic-line-capacity-rating/aJYTG00000012UP4AY
31. Energy and AI - Microsoft .NET, consulté le 9 février 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, consulté le 9 février 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, consulté le 9 février 2026, https://guidehouse.com/insights/communities-energy-infrastructure/2025/ai-utility
34. AI for Energy Opportunities for a Modern Grid and Clean Energy Economy, consulté le 9 février 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, consulté le 9 février 2026, https://advancedenergyunited.org/hubfs/2023%20Reports/FERC%20Order%202023%20Toolkit.pdf
36. PowerGraph: A power grid benchmark dataset for graph neural networks - NIPS, consulté le 9 février 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, consulté le 9 février 2026, https://www.nerc.com/newsroom/2025-winter-reliability-assessment
38. Explainer on the Interconnection Final Rule - Federal Energy Regulatory Commission, consulté le 9 février 2026, https://www.ferc.gov/explainer-interconnection-final-rule
39. ERCOT RPG 10/25: ERCOT Large load integration Planning Solution - Zero-Emission Grid, consulté le 9 février 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, consulté le 9 février 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, consulté le 9 février 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, consulté le 9 février 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, consulté le 9 février 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, consulté le 9 février 2026, https://www.csis.org/analysis/ai-grid-opportunities-risks-and-safeguards