センチネルグリッド：Deep AIエンジニアリングによる6.6 GWのPJM供給不足と230 GWのERCOT連系危機の克服

北米の電力インフラは、レガシーの調整可能発電の廃止と、人工知能ワークロードが牽引する爆発的需要との間で拡大する溝を特徴とする、構造的不安定の局面に入っている。2025年12月、米国最大の系統運用者であるPJM Interconnectionは、2027/2028供給年度向け容量オークションで6,623 MWの不足——同組織史上初の失敗——を発表した。¹ 同時に、テキサス電気信頼性評議会（ERCOT）は物流・技術上のボトルネックに直面しており、大規模負荷の連系キューは233 GWまで膨張している一方、新規発電の追加はおよそ23 GWと、フルに1桁低い水準にとどまっている。³ この双子の危機は、「受動的」系統管理の時代の終焉を意味する。

エリートAIコンサルタンシーとして、Veriprajnaは、これらの課題が汎用の大規模言語モデル（LLM）ラッパーや標準的な予測分析の展開では解決できないと認識している。高次の不確実性と非線形ダイナミクスに特徴づけられる現代電力系統の複雑さは、「Deep AI」アプローチを必要とする。これには、物理情報ニューラルネットワーク（PINN）、トポロジー認識グラフニューラルネットワーク（GNN）、およびエージェント型強化学習（RL）フレームワークの統合が含まれる。以下の分析は、現在の系統故障の具体的メカニズムを解剖し、系統信頼性と経済的安定の回復を目的としたエンタープライズグレードAIソリューション展開の包括的青写真を提示する。

PJM容量の転換点：システム的不足の解剖

PJM Interconnectionの2027/2028ベース残余オークション（BRA）結果は、エネルギー市場の画期的な瞬間である。134,479 MWの発電リソース調達は、「10年に1回の事象」信頼性基準を維持するために必要な20%設備予備率目標を6,623 MW下回った。² この不足により、系統の予測予備率は14.8%まで低下し、2027年6月から負荷遮断事象のリスクが高まることを示している。⁶

オークション内の経済シグナルも同様に鮮明であった。容量価格はPJM全域で連邦エネルギー規制委員会（FERC）承認の上限である$333.44/MW-dayに達した。² 価格上限は料金支払者を極端なボラティリティから守るために導入されたが、自由市場が示したであろう真の希少性価格を実効的に覆い隠し、ギャップを埋めるために必要な投資そのものを阻害する可能性がある。⁷

PJM 2027/2028 BRAの主要指標	値 / 詳細
約定容量	134,479 MW
信頼性不足	6,623 MW（目標を5.2%下回る）
価格上限（UCAP）	$333.44 / MW-day
地域オークション総コスト	$16.4 Billion
予備率	14.8%（目標：20%）
約定した新規発電	774 MW（UCAP）

この不足の主因は「火力廃止の崖（Thermal Retirement Cliff）」である。2011年から2023年にかけて、PJMでは54.2 GWの火力容量が廃止され、さらに24〜58 GW——設置容量の最大30%——が2030年までに廃止リスクにある。¹ これらの廃止は新規参入を上回っており、特に代替リソースの「容量価値」が大幅に低いためである。PJMの内部分析は間欠性ギャップを明らかにしている。廃止される火力発電1 MWを同等の信頼性で置き換えるには、およそ5.2 MWの太陽光または14 MWの陸上風力が必要である。¹ この格差は、従来の容量計画の限界と、既存資産ベースを最適化できるDeep AIモデルの緊急の必要性を浮き彫りにする。

実効負荷供給能力（ELCC）の転換

不足の重要な技術的触媒は、実効負荷供給能力（ELCC）格付けの改定であった。ELCCは、ピーク需要期にリソースが信頼性へどの程度寄与するかを示す統計的指標である。2027/2028オークションで、PJMは間欠性リソースの普及が進むにつれ限界信頼性が逓減することを反映するよう、これらの格付けを調整した。⁷

間欠性リソースの認定が低下する一方、デマンドレスポンス（DR）は急反発した。DRのELCCは2026/2027オークションの69%から2027/2028オークションの92%へと上昇した。² この上昇は、DRを年間すべての時間で利用可能とする規制変更と、冬季ピーク負荷の計算を同時刻値へ変更したことに駆動された。⁶ この転換は、VeriprajnaのDeep AIソリューションにとって重要な機会を示す。産業運用を阻害せずに92%の可用性を保証できる需要側柔軟性向け知能エージェントの開発である。

データセンター：需要の主触媒

供給が縮小する一方、需要予測は急増した。PJMは需要予測が5,250 MW増加したと報告し、ほぼ専らデータセンターの急増に駆動された。⁵ Dominion（バージニア）、AEP（オハイオ／インディアナ）、ComEd（イリノイ）などの特定ゾーンでは、10年平均の夏季ピーク年間成長予測が地域平均を大幅に上回り、PPL Electricは6.4%に達している。⁸ この負荷の特定ノードへの集中は、変電所故障と送電混雑のリスクが深刻な局所的「ストレスゾーン」を生み出す。

ERCOTキューの膠着：スケーラビリティの限界と「ファントム」負荷

ERCOT地域では、危機はまだ約定容量の問題ではなく、連系実現可能性の問題である。2025年末までに、ERCOTは大規模負荷の連系キューが233 GWに達したと報告し、2024年末比で269%の増加である。⁹ これを文脈化すると、ERCOT系統全体の現在のピーク需要はおよそ85 GWである。キュー量は州の現在の総ピーク負荷のほぼ3倍である。

要請と現実の乖離は深刻である。233 GWが接続を求めている一方、ERCOTが2025年に同期した新規発電は23 GWのみで、ほとんどが太陽光と蓄電池の形態である。⁴ 残りの発電キューは太陽光（158 GW）と蓄電池（175 GW）が支配し、天然ガスはわずか47 GWにすぎない。¹⁰ これにより、要請負荷（主に24時間365日のデータセンター負荷）と新規発電キューの間欠性との間に巨大な不均衡が生じる。

ERCOTキューと負荷ダイナミクス（2025年第4四半期）	規模
大規模負荷連系要請の合計	233 GW
大規模負荷要請に占めるデータセンターの割合	77%
キューの前年比増加	269%
2025年に同期した新規発電	23 GW
推定送電改善	$14.089 Billion
審査中

急増の一部は「ファントム」負荷——どのユーティリティが最速または最安の接続を提供するかをヘッジするため、ハイパースケーラーが複数サイトに複数申請を提出する投機的要請——で構成されている。¹¹ この慣行は検討プロセスを詰まらせ、技術者に財務クローズに至らないかもしれないプロジェクトに対して複雑な信頼性解析を強いる。ERCOTは最近、マッキンゼーと契約してこのプロセスを刷新し、2026年初頭までに「信頼性のある」負荷を特定してキューを合理化することを目指している。¹²

立法・規制対応：SB 6とTexas Energy Fund

テキサス州議会は上院法案6（SB 6）で対応し、標準化された連系ルールを義務付け、負荷予測を改善する。³ SB 6はまた大規模負荷の抑制メカニズムを導入し、オンサイト非常用発電を持つデータセンターを系統緊急時に呼び出し可能とすることを求める。¹³ さらに州は、調整可能ガス火力の建設を促進するため$9 billionの基金（Texas Energy Fund）を設立した。しかしこのイニシアティブはすでに逆風に直面している。提案されたガスプロジェクトの約35%が撤退しており、世界的なタービン不足と長期化する許認可遅延を理由としている。¹¹

従来の金銭的インセンティブがガスフリートを急速に拡大できないことは、「柔軟性の要請（Flexibility Imperative）」に巨大な負担を課す。系統は、AI革命の速度で物理的に成長できないため、より知的にならなければならない。

Deep AIの要請：LLMラッパー・パラダイムを超えて

これらの構造的不足に直面し、エネルギー部門はしばしば「AI」をバズワードとして用い、顧客サービス向けチャットボットや負荷予測の基本的回帰モデルといった表層的実装に帰結してきた。Veriprajnaは、これらのソリューションが現在の危機には不十分であると主張する。我々は「Shallow AI」（汎用モデル）と「Deep AI」（系統の基礎物理とトポロジーを尊重するモデル）を区別する。

系統は独立したデータ点の集合ではない。キルヒホッフの法則と動揺方程式に支配される、同期した高次元力学系である。6.6 GWの不足に対処するために展開されるあらゆるAIソリューションは「物理認識」でなければならない。

過渡安定度のための物理情報ニューラルネットワーク（PINN）

従来の電力系統安定度研究は、微分代数方程式（DAE）系の求解に依存する。PJMほどの大規模系統では、単一の過渡安定度シミュレーションに数時間を要しうる。これにより系統運用者は「リアルタイム」の事故解析を行えない。

Veriprajnaの中核コンピテンシーは、物理情報ニューラルネットワーク（PINN）の展開にある。データのみから学習する標準的ニューラルネットワークとは異なり、PINNは系統の物理法則をモデルの損失関数に直接埋め込む。発電機 k について、ニューラルネットワークは動揺方程式の残差を最小化するように訓練される：

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

自動微分を用いて導関数を計算することにより $\dot{\delta}$ および $\ddot{\delta}$、PINNは従来の数値ソルバーよりも最大87倍速く系統状態を決定できる。¹⁵ さらに重要なことに、PINNは逐次的な時間ステップ（積分）を必要とせず、任意の特定時刻 t の状態を求解でき、潜在的なブラックアウト事象中にほぼ瞬時の「先読み」能力を提供する。¹⁵

トポロジー認識グラフニューラルネットワーク（GNN）

系統は本質的にグラフであり、変電所がノード、送電線がエッジである。従来の機械学習モデルは系統データを平坦なベクトルとして扱い、重要な空間的文脈を失うことが多い。Deep AIはグラフニューラルネットワーク（GNN）を用いてネットワークの時空間依存性を捉える。¹⁷

GraphSAGEやグラフ注意ネットワーク（GAT）のようなGNNアーキテクチャにより、モデルは異なる送電回廊の重要性を「学習」できる。1,200 MWの負荷喪失リスクがあったボルチモア事象のような重大な変電所故障の場合、GNNは結果として生じる電圧低下と周波数振動の伝播を、ミリ秒単位でトポロジー全体にわたって予測できる。¹⁷

GATノード更新の数学的枠組みは次のとおりである：

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

このメカニズムにより、モデルは系統トポロジー内の「重要な近傍」に焦点を当て、従来のSCADAベースのルールエンジンよりはるかに正確な故障診断と位置特定を提供する。¹⁸ 予知保全では、多層GNNが30日以内に故障リスクのある変電所を特定するF1スコア0.8935を示しており、信頼性事象が発生する前の予防的介入を可能にする。²¹

アーキテクチャの深掘り：センティエントグリッドの実装

エンタープライズグレードのAIコンサルタンシーにとって、価値はアルゴリズムだけでなく、AIが運用技術（OT）システムと安全かつ信頼性高く相互作用できるエンドツーエンドの技術アーキテクチャにある。

Veriprajna「Deep Grid」アーキテクチャ

物理資産と意思決定支援層の間のギャップを埋める多層アーキテクチャを提案する。

1. 物理／IoT層：この層は、従来のSCADA入力に加え、LiDARベースの非接触センサと動的線路定格（DLR）装置からの高周波データを含む。LineVisionなどの企業が展開するセンサは現在、National Grid向けに275 km超の線路を監視し、導体のたるみと温度に関するリアルタイムデータを提供している。²²
2. データオーケストレーション層：この層は「AI対応」データを扱う。現代の系統データは「高次の不確実性」と疎な計測に特徴づけられる。²³ Spark/Hadoopベースのデータレイクアーキテクチャを用い、モデルにデータが到達する前に自動異常検知、欠損値補完、妥当性検査を行う。²⁵
3. 物理AIエンジン：これがVeriprajnaソリューションの中核である。PINNとGNNモデルを並列実行する。PINNは過渡安定度の高速ソルバー能力を提供し、GNNはトポロジー認識の状態推定と故障予測を提供する。
4. エージェント制御層：この層は強化学習（RL）を用いて給電決定を行う。系統制御を制約付きマルコフ決定過程（MDP）として定式化することで、RLエージェントはハードな物理制約（例：電圧限度）を満たす負荷平衡の最適方策を学習できる。²⁷

動的線路定格（DLR）とコンピュータビジョン

PJM/ERCOT容量危機に対する最も即時的な「Deep AI」ソリューションの一つは、動的線路定格（DLR）による既存送電容量の最適化である。従来の静的線路定格（SLR）は保守的な「最悪ケース」仮定（例：高温、無風）に基づき、しばしば線路容量の20〜40%を未使用のまま残す。²⁹

DLRはリアルタイムの大気データとIoTセンサを用いて線路の実際の熱容量を算出する。VeriprajnaはコンピュータビジョンとLiDARデータを統合して導体挙動を監視する。インディアナ州とオハイオ州で、AESはこれらの技術を用いて送電容量を**345 kV線路で61%および69 kV線路で25%**増加させた。³⁰ このAI駆動アップグレードのコストは$0.39 millionであり、従来の再導体化の推定額は$1.63 millionであった。³⁰

DLR実装の影響	静的ベースライン	DLR最適化後	改善率
送電容量（345 kV）	1,000 MW（推定）	1,610 MW	+61%
送電容量（69 kV）	100 MW（推定）	125 MW	+25%
プロジェクトコスト（AES事例）	$1.63M（アップグレード）	$0.39M（AI/IoT）	-76%（コスト削減）
展開期間	2〜3年	3〜6か月	-80%（期間短縮）

2027年までに6.6 GWのギャップに直面するPJMのような系統運用者にとって、13州のフットプリント全体へのDLR展開は、「新たな線路を1本も建設せずに膨大な送電容量を解き放つ」ことができる。³¹

経済的側面：無為のコストの評価

信頼性基準を満たせないことは重い経済的代償を伴う。NRDCの新たな分析によれば、PJM地域のデータセンター成長は2028年から2033年にかけて累積容量コスト$163 billionをもたらしうる。³² 北イリノイのComEd管内だけでも、影響は$21.4 billionと予測され、平均住宅世帯で月額$70の増加に相当する。³²

この価格上昇は需要だけの関数ではなく、「市場摩擦」の関数である。PJMオークションが価格上限に達すると、現行市場構造が必要量を約定できなかったことを示す。産業消費者とテック・ハイパースケーラーにとって、これは「供給支障価値」（VOLL）に対する重大なリスクを意味する。

Cスイート向け「Deep AI」価値提案

Veriprajnaのクライアントにとって、Deep AIの価値提案は三面である：

1. 資本効率：GNNとPINNを用いて安定運用限度を正確に特定することで、ユーティリティは送電・発電投資を数十億ドル規模で繰り延べできる。AI駆動の系統近代化は、新たな地上鋼インフラで景観を「支配」するのではなく、既存資産の「オーケストレーション」を可能にする。³³
2. 連系の加速：AI加速の電力系統モデルは、連系検討の期間を数年単位から数か月単位へ短縮できる。FERC Order 2023はクラスタ検討を義務付けており、Veriprajnaのエージェント型AIツールはERCOTの233 GWキューのスクリーニングを自動化し、物理的実現可能性と商業的準備に基づく「first-ready」プロジェクトを特定できる。³⁴
3. リスク軽減：2021年のERCOT冬季ストームやPJMボルチモア変電所故障のような極端気象の世界において、Deep AIはカスケード・ブラックアウトを防ぐために必要なミリ秒レベルの応答能力を提供する。³⁶

連系2.0：エージェント型AIによるキューの自動化

ERCOTの233 GWキューは現在、人的エンジニアリング時間のボトルネックである。FERC Order 2023は、開発者が理想的な連系点を見つけるのを助けるため、送電事業者が送電容量の公開「ヒートマップ」を維持することを求めている。³⁸ Veriprajnaはさらに進み、「デジタルエンジニア」として機能するエージェント型AIを展開する。

これらのエージェントは、大規模言語モデル（LLM）を単なるチャットではなく、技術文書と規制提出書類に対する複雑な推論の実行に用いる。³⁴ 連系要請が提出されると、当社のエージェントは次を実行できる：

• コンプライアンスの自動スクリーニング：NERCおよびFERC基準（例：寒冷天候準備のEOP-012-3）との照合。³⁷
• 自動負荷クラスタリングの実施：到着時刻だけでなくトポロジー制約に基づき、プロジェクトを最適クラスタにグループ化する。³⁸
• 「ファントム」負荷確率の予測：機械学習を用いてキュー内プロジェクトに完成尤度スコアを付与し、計画者が信頼性のある需要に集中できるようにする。¹¹

これらの自動スクリーニングツールを実装することで、ERCOTは「先着順」モデルから「準備優先（first-ready, first-served）」モデルへ移行でき、現在審査中の推定$14 billionの送電改善を大幅に削減できる。¹⁰

発電所廃止予測のためのDeep AI

PJMの6.6 GW不足は、根本的に「廃止の崖」の予測問題である。従来モデルは、石炭またはガス火力がいつ非経済的になるかを予測できないことが多い。Veriprajnaは、積層LSTM（Long Short-Term Memory）と勾配ブースティングモデルを用いて、発電所レベルのCO2排出、燃料価格、再エネ普及を分析する。²⁵

当社のモデルは、発電所廃止年齢の予測で平均絶対パーセント誤差（MAPE）1.072%を達成している。⁴⁰ これにより系統運用者は早期廃止の「ホットスポット」を特定し、信頼性ギャップが開く前に、対象を絞った容量インセンティブまたはバックストップ調達で介入できる。提案ガスプロジェクトの35%が撤退したERCOT地域では、これらの予測分析は次世代の「リスクユニット」の特定に不可欠である。¹¹

ITとOTの収斂：AIにおけるセキュリティと信頼

電力部門でのAI採用に対する重大な障壁は、重要インフラへの知覚されたリスクである。Veriprajnaは「安定性認識」推論メカニズムを通じてこれに対処する。²⁰ 我々は、制御室でAIを「ブラックボックス」として運用することを許さない。

代わりに、**説明可能AI（XAI）**を実装する。GNNがカスケード故障リスクを特定すると、リスクに寄与している特定のエッジ（線路）とノード（変電所）を強調するグラフベースの説明を生成する。³⁶ これにより人間の運用者は行動を取る前にAIの推論を検証できる。さらに当社のアーキテクチャは、実証済みの安全重要制御構造を乱すことなく、デジタル環境が制御層（DCSプラットフォーム）に安全に接続されることを保証する。⁴¹

戦略的ロードマップ：インフラからインテリジェンスへ

2027年の信頼性危機を航行するユーティリティと大規模負荷顧客に対し、Veriprajnaは3フェーズのロードマップを推奨する：

フェーズ1：基盤と可視化（0〜12か月）

• データ準備：SCADA、IoT、気象データを集約するAI対応データレイクを展開する。²⁵
• DLRパイロット：最も混雑する上位5つの送電回廊に動的線路定格を実装し、即時容量を解放する。²²
• キュー診断：機械学習を用いて連系キューをファントム負荷と「first-ready」プロジェクトについてスクリーニングする。¹¹

フェーズ2：統合と加速（1〜3年）

• PINN展開：従来の数値ソルバーをPINNベースの過渡安定度ツールに置き換え、リアルタイム事故解析を行う。¹⁵
• トポロジーインテリジェンス：GNNを状態推定と故障位置特定ワークフローに統合する。¹⁷
• 柔軟性のオーケストレーション：併設データセンター負荷とデマンドレスポンスプログラムを管理するRLベースエージェントを展開する。²⁸

フェーズ3：センティエントグリッド（3〜5年）

• 自己修復ネットワーク：完全自動化されたAI駆動の系統再構成と復旧を可能にする。³³
• 自律的許認可：連邦および州の許認可コンプライアンス向けに完全エージェント型ワークフローへ移行する。³⁴
• 市場とAIの相乗：高忠実度の価格予測を用いて給電を最適化し、容量コストにおける$163 billionのリスクを最小化する。²⁵

結論：Veriprajnaの優位性

PJMの不足とERCOTキュー危機は、技術的遅れの症状である。これまでに構築された最も複雑な機械である電力系統は、自らが給電に苦闘しているまさにその技術——AI——によって限界まで押しやられている。

Veriprajnaはこの交差点に自らを位置づける。我々は単純なAPIラッパーを提供しているのではない。系統をセンティエントにするために必要な深い数学的・物理的枠組みを提供している。安定度のためのPINN、トポロジーのためのGNN、制御のためのRLを統合することで、クライアントが物理インフラの限界を超えることを可能にする。PJMの6,623 MWのギャップは単なる不足ではない。新しい種類のインテリジェンスへの要請である。

未来は、系統を電線の集合ではなく、インテリジェンスの動的グラフとして捉える者のものである。Veriprajnaはその転換のパートナーである。

参考文献

1. White House, Governors, and PJM Respond to Grid Capacity Shortfall - Jackson Walker、2026年2月9日閲覧、https://www.jw.com/news/insights-grid-capacity-shortfall/
2. PJM Auction Procures 134479 MW of Generation Resources、2026年2月9日閲覧、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、2026年2月9日閲覧、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、2026年2月9日閲覧、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、2026年2月9日閲覧、https://www.utilitydive.com/news/pjm-interconnection-capacity-auction-data-center/808264/
6. 20251217-pjm-auction-procures-134479-mw-of-generation-resources.pdf、2026年2月9日閲覧、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、2026年2月9日閲覧、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、2026年2月9日閲覧、https://www.utilitydive.com/news/pjm-interconnection-load-forecast-data-centers/809717/
9. ERCOT Again Revising Large Load Interconnection Process - RTO Insider、2026年2月9日閲覧、https://www.rtoinsider.com/122182-ercot-add-new-interconnection-rules-large-loads/
10. ERCOT Monthly Operational Overview (October 2025)、2026年2月9日閲覧、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、2026年2月9日閲覧、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、2026年2月9日閲覧、https://www.ercot.com/news/release/12122025-ercot-announces-strategic
13. Assessment of Resource Adequacy Needs in ERCOT and Impact of Market Design Changes、2026年2月9日閲覧、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、2026年2月9日閲覧、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、2026年2月9日閲覧、https://arxiv.org/abs/1911.03737
16. Physics-Informed Neural Networks for Power Systems - DTU Research Database、2026年2月9日閲覧、https://orbit.dtu.dk/files/215621776/1911.03737_1_.pdf
17. PowerGNN: A Topology-Aware Graph Neural Network for Electricity Grids - arXiv、2026年2月9日閲覧、https://arxiv.org/html/2503.22721v1
18. Uncertainty-Aware Multi-Branch Graph Attention Network for Transient Stability Assessment of Power Systems Under Disturbances - MDPI、2026年2月9日閲覧、https://www.mdpi.com/2227-7390/13/22/3575
19. 2025 in Review: Operations Improvements See PJM Through Record Peaks, Growing Demand、2026年2月9日閲覧、https://insidelines.pjm.com/209696-2/
20. Deep Reinforcement Learning for Intelligent Load Balancing in Smart Power Grids、2026年2月9日閲覧、https://ieeexplore.ieee.org/document/11153398/
21. Multilayer GNN for predictive maintenance and clustering in power grids - PMC、2026年2月9日閲覧、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、2026年2月9日閲覧、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、2026年2月9日閲覧、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、2026年2月9日閲覧、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、2026年2月9日閲覧、https://www.mdpi.com/2504-2289/9/11/272
26. Grid Resilience: Using AI-Driven Forecasting in Energy & Utilities Software Development、2026年2月9日閲覧、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、2026年2月9日閲覧、https://arxiv.org/html/2503.23101v1
28. Deep reinforcement learning for real-time energy dispatch in smart grids with high renewable penetration - ResearchGate、2026年2月9日閲覧、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、2026年2月9日閲覧、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、2026年2月9日閲覧、https://initiatives.weforum.org/future-power-system/innovation-playbook/dynamic-line-capacity-rating/aJYTG00000012UP4AY
31. Energy and AI - Microsoft .NET、2026年2月9日閲覧、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、2026年2月9日閲覧、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、2026年2月9日閲覧、https://guidehouse.com/insights/communities-energy-infrastructure/2025/ai-utility
34. AI for Energy Opportunities for a Modern Grid and Clean Energy Economy、2026年2月9日閲覧、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、2026年2月9日閲覧、https://advancedenergyunited.org/hubfs/2023%20Reports/FERC%20Order%202023%20Toolkit.pdf
36. PowerGraph: A power grid benchmark dataset for graph neural networks - NIPS、2026年2月9日閲覧、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、2026年2月9日閲覧、https://www.nerc.com/newsroom/2025-winter-reliability-assessment
38. Explainer on the Interconnection Final Rule - Federal Energy Regulatory Commission、2026年2月9日閲覧、https://www.ferc.gov/explainer-interconnection-final-rule
39. ERCOT RPG 10/25: ERCOT Large load integration Planning Solution - Zero-Emission Grid、2026年2月9日閲覧、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、2026年2月9日閲覧、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、2026年2月9日閲覧、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、2026年2月9日閲覧、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、2026年2月9日閲覧、https://celplan.com/wp-content/uploads/2025/06/Strategic-Roadmap-Utilities-Magazine-v2.pdf
44. AI for the Grid: Opportunities, Risks, and Safeguards - CSIS、2026年2月9日閲覧、https://www.csis.org/analysis/ai-grid-opportunities-risks-and-safeguards