La Sentinel Grid: navigare il deficit da 6.6 GW di PJM e la crisi di interconnessione da 230 GW di ERCOT attraverso l'ingegneria Deep AI

L'infrastruttura elettrica nordamericana è entrata in un periodo di instabilità strutturale caratterizzato da un divario crescente tra il ritiro della generazione dispacciabile legacy e la domanda esplosiva trainata dai carichi di lavoro di intelligenza artificiale. Nel dicembre 2025, PJM Interconnection, il più grande operatore di rete degli Stati Uniti, ha annunciato un deficit d'asta di capacità di 6,623 MW per l'anno di consegna 2027/2028—il primo fallimento di questo tipo nella storia dell'organizzazione.¹ Contemporaneamente, l'Electric Reliability Council of Texas (ERCOT) affronta un collo di bottiglia logistico e tecnico, con una coda di interconnessione dei grandi carichi che si gonfia fino a 233 GW, mentre le nuove aggiunte di generazione restano inferiori di un intero ordine di grandezza, a circa 23 GW.³ Queste crisi gemelle segnano la fine dell'era della gestione «passiva» della rete.

In qualità di consulenza di IA d'élite, Veriprajna riconosce che queste sfide non possono essere risolte attraverso il dispiegamento di wrapper generici di large language model (LLM) o di analytics predittive standard. La complessità dei sistemi elettrici moderni, caratterizzata da incertezza di ordine elevato e dinamiche non lineari, richiede un approccio «Deep AI». Ciò comporta l'integrazione di physics-informed neural networks (PINNs), graph neural networks (GNNs) consapevoli della topologia e framework di reinforcement learning (RL) agentico. L'analisi che segue disseziona i meccanismi specifici degli attuali guasti di rete e fornisce un blueprint esaustivo per il dispiegamento di soluzioni di IA di livello enterprise progettate per ripristinare l'affidabilità del sistema e la stabilità economica.

L'inflessione della capacità PJM: anatomia di un deficit sistemico

I risultati della Base Residual Auction (BRA) 2027/2028 di PJM Interconnection rappresentano un punto di svolta per i mercati energetici. L'approvvigionamento di 134,479 MW di risorse di generazione è risultato inferiore di 6,623 MW rispetto all'obiettivo di margine di riserva installata del 20% richiesto per mantenere lo standard di affidabilità «un evento in dieci anni».² Questo deficit ha spinto il margine di riserva previsto del sistema al 14.8%, segnalando un rischio elevato di eventi di distacco del carico a partire da giugno 2027.⁶

I segnali economici all'interno dell'asta sono stati altrettanto netti. I prezzi della capacità hanno raggiunto il tetto approvato dalla Federal Energy Regulatory Commission (FERC) di $333.44/MW-day sull'intero perimetro PJM.² Sebbene il tetto di prezzo sia stato introdotto per proteggere gli utenti dalle volatilità estreme, ha di fatto mascherato il vero prezzo di scarsità che un mercato libero avrebbe dettato, potenzialmente disincentivando proprio gli investimenti necessari a colmare il divario.⁷

Metriche chiave BRA PJM 2027/2028	Valore / Dettaglio
Capacità aggiudicata	134,479 MW
Deficit di affidabilità	6,623 MW (5.2% sotto l'obiettivo)
Tetto di prezzo (UCAP)	$333.44 / MW-day
Costo totale dell'asta regionale	$16.4 Billion
Margine di riserva	14.8% (Obiettivo: 20%)
Nuova generazione aggiudicata	774 MW (UCAP)

Il principale motore di questo deficit è la «Thermal Retirement Cliff». Tra il 2011 e il 2023, PJM ha registrato il ritiro di 54.2 GW di capacità termica, con ulteriori 24-58 GW—che rappresentano fino al 30% della capacità installata—a rischio di ritiro entro il 2030.¹ Questi ritiri superano i nuovi ingressi, in particolare perché il «valore di capacità» delle risorse sostitutive è significativamente inferiore. L'analisi interna di PJM rivela un divario di intermittentenza: sostituire 1 MW di generazione termica in ritiro richiede circa 5.2 MW di solare o 14 MW di eolico onshore per mantenere un'affidabilità equivalente.¹ Questa disparità sottolinea i limiti della pianificazione tradizionale della capacità e l'urgente necessità di modelli Deep AI in grado di ottimizzare la base di asset esistente.

Il cambiamento nell'Effective Load Carrying Capability (ELCC)

Un catalizzatore tecnico significativo del deficit è stata la revisione dei rating di Effective Load Carrying Capability (ELCC). L'ELCC è una misura statistica di quanto una risorsa contribuisce all'affidabilità durante i periodi di picco di domanda. Nell'asta 2027/2028, PJM ha adeguato questi rating per riflettere il valore marginale di affidabilità decrescente delle risorse intermittenti al crescere della loro penetrazione.⁷

Mentre le risorse intermittenti hanno visto cali nell'accreditamento, la demand response (DR) ha registrato un netto rimbalzo. L'ELCC per la DR è aumentata dal 69% nell'asta 2026/2027 al 92% nell'asta 2027/2028.² Questo aumento è stato trainato da un cambiamento normativo che richiede alla DR di essere disponibile per tutte le ore dell'anno e da una modifica nel calcolo del picco di carico invernale verso un valore coincidente.⁶ Questo cambiamento evidenzia un'opportunità critica per le soluzioni Deep AI di Veriprajna: lo sviluppo di agenti intelligenti per la flessibilità dal lato della domanda in grado di garantire una disponibilità del 92% senza interrompere le operazioni industriali.

Data center: il principale catalizzatore della domanda

Mentre l'offerta si contraeva, le previsioni di domanda hanno registrato un'impennata. PJM ha riportato un aumento di 5,250 MW nella propria previsione di domanda, trainato quasi esclusivamente dalla proliferazione dei data center.⁵ In zone specifiche come Dominion (Virginia), AEP (Ohio/Indiana) e ComEd (Illinois), le previsioni di crescita media annuale del picco estivo a 10 anni sono significativamente più alte della media regionale, con PPL Electric che raggiunge il 6.4%.⁸ La concentrazione di questo carico in nodi specifici crea «zone di stress» localizzate in cui il rischio di guasto delle sottostazioni e di congestione di trasmissione è acuto.

Lo stallo della coda ERCOT: limiti di scalabilità e carichi «fantasma»

Nella regione ERCOT, la crisi non è ancora un problema di capacità aggiudicata, ma di fattibilità dell'interconnessione. Entro la fine del 2025, ERCOT ha riportato una coda di interconnessione dei grandi carichi di 233 GW, un aumento del 269% rispetto alla fine del 2024.⁹ Per contestualizzare, l'attuale picco di domanda dell'intera rete ERCOT è di circa 85 GW. Il volume della coda è quasi tre volte il picco di carico totale attuale dello Stato.

Lo scollamento tra richieste e realtà è profondo. Mentre 233 GW cercano la connessione, ERCOT ha sincronizzato soltanto 23 GW di nuova generazione nel 2025, perlopiù sotto forma di solare e accumulo a batteria.⁴ La coda di generazione restante è dominata dal solare (158 GW) e dalle batterie (175 GW), con il gas naturale che rappresenta appena 47 GW.¹⁰ Ciò crea uno squilibrio massiccio tra il carico richiesto (prevalentemente carico data center 24/7) e la natura intermittente della nuova coda di generazione.

Coda ERCOT e dinamiche di carico (Q4 2025)	Entità
Totale richieste di interconnessione di grandi carichi	233 GW
Quota data center delle richieste di grandi carichi	77%
Incremento della coda su base annua	269%
Nuova generazione sincronizzata nel 2025	23 GW
Miglioramenti di trasmissione stimati	$14.089 Billion
In esame

L'impennata è in parte composta da carichi «fantasma»—richieste speculative di hyperscaler che presentano domande multiple su vari siti per coprire le proprie scommesse su quale utility fornirà la connessione più rapida o più economica.¹¹ Questa pratica intasa il processo di studio, costringendo gli ingegneri a eseguire analisi di affidabilità complesse su progetti che potrebbero non raggiungere mai la chiusura finanziaria. ERCOT ha recentemente incaricato McKinsey di rivedere questo processo, con l'obiettivo di identificare i carichi «credibili» e snellire la coda entro l'inizio del 2026.¹²

Risposta legislativa e normativa: SB 6 e il Texas Energy Fund

I legislatori del Texas hanno risposto con il Senate Bill 6 (SB 6), che impone regole di interconnessione standardizzate e migliora la previsione del carico.³ La SB 6 introduce inoltre meccanismi di curtailment dei grandi carichi, richiedendo che i data center con generazione di backup in sito siano richiamabili durante le emergenze di rete.¹³ Inoltre, lo Stato ha istituito un fondo da $9 billion (Texas Energy Fund) per incentivare la costruzione di centrali a gas dispacciabili. Tuttavia, questa iniziativa sta già incontrando venti contrari; circa il 35% dei progetti a gas proposti si è ritirato, citando carenze globali di turbine e ritardi prolungati nelle autorizzazioni.¹¹

Il fallimento degli incentivi finanziari tradizionali nell'espandere rapidamente la flotta a gas pone un onere immenso sull'«imperativo della flessibilità». La rete deve diventare più intelligente perché non può crescere fisicamente alla velocità della rivoluzione dell'IA.

L'imperativo Deep AI: trascendere il paradigma del wrapper LLM

Di fronte a questi deficit strutturali, il settore energetico si è spesso rivolto all'«IA» come parola d'ordine, producendo di solito implementazioni superficiali come chatbot per il servizio clienti o modelli di regressione di base per la previsione del carico. Veriprajna afferma che queste soluzioni sono insufficienti per la crisi attuale. Distinguiamo tra «Shallow AI» (modelli general-purpose) e «Deep AI» (modelli che rispettano la fisica sottostante e la topologia della rete).

La rete non è una collezione di punti dati indipendenti; è un sistema dinamico sincronizzato ad alta dimensionalità governato dalle leggi di Kirchhoff e dall'equazione di Swing. Qualsiasi soluzione di IA dispiegata per affrontare un deficit da 6.6 GW deve essere «physics-aware».

Physics-Informed Neural Networks (PINNs) per la stabilità transitoria

Gli studi tradizionali di stabilità dei sistemi elettrici si basano sulla risoluzione di sistemi di equazioni differenziali-algebriche (DAEs). Per una rete grande come PJM, una singola simulazione di stabilità transitoria può richiedere ore. Ciò impedisce agli operatori di rete di eseguire analisi di contingenza in «tempo reale».

La competenza centrale di Veriprajna risiede nel dispiegamento di Physics-Informed Neural Networks (PINNs). A differenza delle reti neurali standard che apprendono unicamente dai dati, le PINNs incorporano le leggi fisiche del sistema direttamente nella funzione di loss del modello. Per un generatore k, la rete neurale è addestrata a minimizzare il residuo dell'equazione di Swing:

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

Utilizzando la differenziazione automatica per calcolare le derivate $\dot{\delta}$ e $\ddot{\delta}$, le PINNs possono determinare gli stati del sistema fino a 87 volte più veloce rispetto ai solver numerici convenzionali.¹⁵ Ancora più importante, le PINNs possono risolvere lo stato in qualsiasi istante specifico t senza bisogno di time-stepping sequenziale (integrazione), consentendo una capacità di «look-ahead» quasi istantanea durante un potenziale evento di blackout.¹⁵

Graph Neural Networks (GNNs) consapevoli della topologia

La rete è intrinsecamente un grafo, con le sottostazioni come nodi e le linee di trasmissione come archi. I modelli convenzionali di machine learning trattano spesso i dati di rete come un vettore piatto, perdendo il contesto spaziale critico. La Deep AI utilizza Graph Neural Networks (GNNs) per catturare le dipendenze spazio-temporali della rete.¹⁷

Un'architettura GNN come GraphSAGE o una Graph Attention Network (GAT) consente al modello di «apprendere» l'importanza dei diversi corridoi di trasmissione. In caso di guasto critico di una sottostazione—come l'evento di Baltimore che ha rischiato una perdita di carico di 1,200 MW—una GNN può prevedere la propagazione del calo di tensione e dell'oscillazione di frequenza risultanti sull'intera topologia in millisecondi.¹⁷

Il quadro matematico per un aggiornamento di nodo GAT è:

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

Questo meccanismo assicura che il modello si concentri sui «vicini critici» nella topologia di rete, fornendo una diagnosi e una localizzazione dei guasti di gran lunga più accurate rispetto ai motori di regole tradizionali basati su SCADA.¹⁸ Per la manutenzione predittiva, le GNNs multilayer hanno dimostrato un punteggio F1 di 0.8935 nell'identificare le sottostazioni a rischio di guasto entro 30 giorni, consentendo un intervento proattivo prima che si verifichi un evento di affidabilità.²¹

Approfondimento architetturale: implementare la rete senziente

Per una consulenza di IA di livello enterprise, il valore non sta solo nell'algoritmo, ma nell'architettura tecnica end-to-end che consente all'IA di interagire con i sistemi di operational technology (OT) in modo sicuro e affidabile.

L'architettura «Deep Grid» di Veriprajna

Proponiamo un'architettura multilayer che colma il divario tra gli asset fisici e lo strato di supporto alle decisioni.

1. Il livello fisico/IoT: Questo livello include gli input SCADA tradizionali più i dati ad alta frequenza provenienti da sensori non a contatto basati su LiDAR e da dispositivi di Dynamic Line Rating (DLR). I sensori dispiegati da aziende come LineVision monitorano ora oltre 275 km di linee per National Grid, fornendo dati in tempo reale sulla frecciata del conduttore e sulla temperatura.²²
2. Il livello di orchestrazione dei dati: Questo livello gestisce dati «AI-ready». I dati moderni di rete sono caratterizzati da «incertezza di ordine elevato» e misure sparse.²³ Utilizziamo un'architettura data lake (basata su Spark/Hadoop) per eseguire rilevamento automatico delle anomalie, imputazione dei valori mancanti e controlli di plausibilità prima che i dati raggiungano i modelli.²⁵
3. Il motore Physics-AI: Questo è il nucleo della soluzione Veriprajna. Esegue in parallelo modelli PINN e GNN. La PINN fornisce capacità di solver rapido per la stabilità transitoria, mentre la GNN fornisce stima di stato consapevole della topologia e predizione dei guasti.
4. Il livello di controllo agentico: Questo livello utilizza Reinforcement Learning (RL) per prendere decisioni di dispacciamento. Formulando il controllo di rete come un Constrained Markov Decision Process (MDP), gli agenti RL possono apprendere policy ottimali per il bilanciamento del carico che soddisfano vincoli fisici stringenti (ad es. limiti di tensione).²⁷

Dynamic Line Rating (DLR) e computer vision

Una delle soluzioni «Deep AI» più immediate alla crisi di capacità PJM/ERCOT è l'ottimizzazione della capacità di trasmissione esistente attraverso il Dynamic Line Rating (DLR). I tradizionali Static Line Ratings (SLRs) si basano su assunzioni conservative del «caso peggiore» (ad es. temperatura elevata, assenza di vento), che spesso lasciano inutilizzato il 20-40% della capacità di una linea.²⁹

Il DLR utilizza dati atmosferici in tempo reale e sensori IoT per calcolare la capacità termica effettiva della linea. Veriprajna integra computer vision e dati LiDAR per monitorare il comportamento del conduttore. In Indiana e Ohio, AES ha utilizzato queste tecnologie per aumentare la capacità di trasferimento del 61% sulle linee a 345 kV e del 25% sulle linee a 69 kV.³⁰ Il costo di questo upgrade guidato dall'IA è stato di $0.39 million, rispetto a una stima di $1.63 million per il reconductoring tradizionale.³⁰

Impatto dell'implementazione DLR	Baseline statico	DLR ottimizzato	% di miglioramento
Capacità di trasferimento (345 kV)	1,000 MW (Est)	1,610 MW	+61%
Capacità di trasferimento (69 kV)	100 MW (Est)	125 MW	+25%
Costo del progetto (caso AES)	$1.63M (Upgrade)	$0.39M (AI/IoT)	-76% (Riduzione dei costi)
Tempo di dispiegamento	2-3 anni	3-6 mesi	-80% (Riduzione dei tempi)

Per operatori di rete come PJM che affrontano un gap da 6.6 GW entro il 2027, il dispiegamento del DLR sull'intero perimetro di 13 Stati potrebbe «sbloccare enormi quantità di capacità di trasmissione elettrica senza costruire una sola nuova linea».³¹

La dimensione economica: valutare il costo dell'inazione

Il mancato rispetto degli standard di affidabilità comporta un pesante costo economico. Una nuova analisi del NRDC ha rilevato che la crescita dei data center nella regione PJM potrebbe tradursi in $163 billion di costi di capacità cumulativi dal 2028 al 2033.³² Nel solo territorio ComEd del Northern Illinois, l'impatto è stimato a $21.4 billion, pari a un aumento di $70 al mese per la famiglia residenziale media.³²

Questa escalation di prezzo non è solo funzione della domanda, ma dell'«attrito di mercato». Quando l'asta PJM raggiunge il tetto di prezzo, segnala un fallimento dell'attuale struttura di mercato nell'aggiudicare il volume richiesto. Per i consumatori industriali e gli hyperscaler tecnologici, ciò rappresenta un rischio significativo per il «Value of Lost Load» (VOLL).

La proposizione di valore «Deep AI» per il C-Suite

Per i clienti di Veriprajna, la proposizione di valore della Deep AI è triplice:

1. Efficienza del capitale: Utilizzando GNNs e PINNs per identificare con precisione i limiti operativi stabili, le utility possono differire miliardi di investimenti in trasmissione e generazione. La modernizzazione della rete guidata dall'IA consente l'«orchestrazione» degli asset esistenti piuttosto che la «dominazione» del paesaggio con nuove infrastrutture steel-in-the-ground.³³
2. Accelerazione dell'interconnessione: I modelli di rete elettrica accelerati dall'IA possono ridurre i tempi degli studi di interconnessione da anni a mesi. L'Order 2023 della FERC impone gli studi a cluster, e gli strumenti di IA agentica di Veriprajna possono automatizzare lo screening della coda ERCOT da 233 GW, identificando i progetti «first-ready» in base alla fattibilità fisica e alla prontezza commerciale.³⁴
3. Mitigazione del rischio: In un mondo di eventi meteorologici estremi—come la tempesta invernale ERCOT del 2021 o il guasto della sottostazione PJM di Baltimore—la Deep AI fornisce la capacità di risposta al millisecondo richiesta per prevenire blackout a cascata.³⁶

Interconnessione 2.0: automatizzare la coda con IA agentica

La coda ERCOT da 233 GW è attualmente un collo di bottiglia di ore di ingegneria umana. L'Order 2023 della FERC richiede ai fornitori di trasmissione di mantenere «heatmaps» pubbliche della capacità di trasmissione per aiutare gli sviluppatori a trovare i punti di interconnessione ideali.³⁸ Veriprajna va oltre, dispiegando IA agentica che agisce da «ingegnere digitale».

Questi agenti utilizzano Large Language Models (LLM) non solo per chattare, ma per eseguire ragionamento complesso su documentazione tecnica e filing regolamentari.³⁴ Quando viene presentata una richiesta di interconnessione, i nostri agenti possono:

• Screening automatico della conformità: Verificare rispetto agli standard NERC e FERC (ad es. EOP-012-3 per la preparazione al freddo).³⁷
• Clustering automatico del carico: Raggruppare i progetti in cluster ottimali in base a vincoli topologici piuttosto che al solo orario di arrivo.³⁸
• Predire la probabilità di carico «fantasma»: Utilizzare il machine learning per assegnare un punteggio di probabilità di completamento ai progetti in coda, consentendo ai pianificatori di concentrarsi sulla domanda credibile.¹¹

Implementando questi strumenti di screening automatico, ERCOT può passare da un modello «first-come, first-served» a un modello «first-ready, first-served», riducendo in modo significativo i $14 billion di miglioramenti di trasmissione stimati attualmente in esame.¹⁰

Deep AI per la previsione dei ritiri delle centrali

Il deficit da 6.6 GW in PJM è fondamentalmente un problema di previsione della «retirement cliff». I modelli tradizionali spesso falliscono nel predire quando una centrale a carbone o a gas diventerà antieconomica. Veriprajna utilizza modelli Stacked LSTM (Long Short-Term Memory) e Gradient Boosting per analizzare le emissioni di CO2 a livello di impianto, i prezzi dei combustibili e la penetrazione rinnovabile.²⁵

I nostri modelli hanno raggiunto un Mean Absolute Percentage Error (MAPE) dell'1.072% nella previsione delle età di ritiro degli impianti.⁴⁰ Ciò consente agli operatori di rete di identificare gli «hotspot» di potenziale ritiro anticipato e di intervenire con incentivi di capacità mirati o approvvigionamento di backstop prima che si apra il gap di affidabilità. Nella regione ERCOT, dove il 35% dei progetti a gas proposti si è ritirato, queste analytics predittive sono vitali per identificare la prossima generazione di «unità a rischio».¹¹

La convergenza di IT e OT: sicurezza e fiducia nell'IA

Una barriera critica all'adozione dell'IA nel settore elettrico è il rischio percepito per le infrastrutture critiche. Veriprajna affronta questo aspetto attraverso un meccanismo di inferenza «stability-aware».²⁰ Non consentiamo all'IA di operare come una «scatola nera» in sala controllo.

Implementiamo invece Explainable AI (XAI). Quando una GNN identifica un rischio di guasto a cascata, genera una spiegazione basata su grafo che evidenzia gli archi (linee) e i nodi (sottostazioni) specifici che contribuiscono al rischio.³⁶ Ciò consente agli operatori umani di verificare il ragionamento dell'IA prima di agire. Inoltre, la nostra architettura assicura che l'ambiente digitale sia connesso in modo sicuro al livello di controllo (piattaforme DCS) senza disturbare le strutture di controllo safety-critical già collaudate.⁴¹

Roadmap strategica: dalle infrastrutture all'intelligenza

Per le utility e i grandi clienti di carico che navigano la crisi di affidabilità del 2027, Veriprajna raccomanda una roadmap in tre fasi:

Fase 1: fondazione e visibilità (0-12 mesi)

• Prontezza dei dati: Dispiegare data lake AI-ready per aggregare dati SCADA, IoT e meteorologici.²⁵
• Pilota DLR: Implementare il Dynamic Line Rating sui 5 corridoi di trasmissione più congestionati per sbloccare capacità immediata.²²
• Diagnosi della coda: Utilizzare il machine learning per vagliare la coda di interconnessione alla ricerca di carichi fantasma e progetti «first-ready».¹¹

Fase 2: integrazione e accelerazione (1-3 anni)

• Dispiegamento PINN: Sostituire i solver numerici tradizionali con strumenti di stabilità transitoria basati su PINN per l'analisi di contingenza in tempo reale.¹⁵
• Intelligenza topologica: Integrare le GNNs nei flussi di stima di stato e localizzazione dei guasti.¹⁷
• Orchestrazione della flessibilità: Dispiegare agenti basati su RL per gestire i carichi dei data center co-locati e i programmi di demand response.²⁸

Fase 3: la rete senziente (3-5 anni)

• Reti self-healing: Abilitare la riconfigurazione e il ripristino della rete completamente automatizzati e guidati dall'IA.³³
• Permitting autonomo: Passare a flussi di lavoro pienamente agentici per la conformità autorizzativa federale e statale.³⁴
• Sinergia mercato-IA: Utilizzare previsioni di prezzo ad alta fedeltà per ottimizzare il dispacciamento e minimizzare il rischio da $163 billion nei costi di capacità.²⁵

Conclusione: il vantaggio Veriprajna

Il deficit PJM e la crisi della coda ERCOT sono sintomi di un ritardo tecnologico. La rete elettrica, la macchina più complessa mai costruita, è spinta ai suoi limiti proprio dalla tecnologia che fatica ad alimentare: l'IA.

Veriprajna si posiziona a questa intersezione. Non forniamo semplici wrapper di API; forniamo i framework matematici e fisici profondi necessari per rendere la rete senziente. Integrando PINNs per la stabilità, GNNs per la topologia e RL per il controllo, consentiamo ai nostri clienti di trascendere i limiti della loro infrastruttura fisica. Il gap di 6,623 MW in PJM non è solo un deficit; è un mandato per un nuovo tipo di intelligenza.

Il futuro appartiene a chi vede la rete non come una collezione di cavi, ma come un grafo dinamico di intelligenza. Veriprajna è il partner per quella transizione.

Opere citate

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