센티널 그리드: 딥 AI 엔지니어링으로 헤쳐 나가는 6.6 GW PJM 부족분과 230 GW ERCOT 계통연계 위기

북미 전력 인프라는 레거시 급전 가능 발전의 폐지와 인공지능 워크로드가 견인하는 폭발적 수요 사이의 격차가 확대되며 구조적 불안정 국면에 들어섰다. 2025년 12월, 미국 최대 계통 운영자인 PJM Interconnection은 2027/2028 공급 연도에 대해 6,623 MW의 용량 경매 부족분을 발표했다. 이는 해당 조직 역사상 최초의 실패이다.¹ 동시에 텍사스전력신뢰도위원회(ERCOT)는 물류·기술적 병목에 직면해 있다. 대규모 부하 계통연계 대기열이 233 GW까지 부풀어 오른 반면, 신규 발전 추가분은 한 자릿수 규모 전체만큼 낮은 약 23 GW에 머문다.³ 이 쌍둥이 위기는 "수동적" 계통 관리 시대의 종말을 의미한다.

엘리트 AI 컨설팅으로서 Veriprajna는 이러한 과제가 범용 대규모 언어 모델(LLM) 래퍼나 표준 예측 분석의 배포로는 해결될 수 없음을 인식한다. 고차 불확실성과 비선형 동특성으로 특징지어지는 현대 전력계통의 복잡성은 "딥 AI" 접근을 필요로 한다. 이는 물리 정보 신경망(PINN), 토폴로지 인식 그래프 신경망(GNN), 에이전틱 강화학습(RL) 프레임워크의 통합을 의미한다. 다음 분석은 현재 계통 고장의 구체적 메커니즘을 해부하고, 계통 신뢰도와 경제적 안정을 회복하도록 설계된 엔터프라이즈급 AI 솔루션 배포를 위한 종합 청사진을 제시한다.

PJM 용량 변곡점: 시스템적 적자의 해부

PJM Interconnection의 2027/2028 기본잔여경매(BRA) 결과는 에너지 시장의 분수령이다. 134,479 MW의 발전 자원 조달은 "10년에 한 번 사건" 신뢰도 기준을 유지하는 데 필요한 20% 설치 공급예비율 목표에 6,623 MW 미달했다.² 이 부족분은 계통의 전망 공급예비율을 14.8%까지 끌어내려, 2027년 6월부터 부하차단 사건 위험이 높아짐을 시사한다.⁶

경매 내부의 경제 신호도 마찬가지로 극명했다. 용량 가격은 PJM 전 권역에서 연방에너지규제위원회(FERC)가 승인한 상한인 $333.44/MW-day에 도달했다.² 가격 상한은 요금 납부자를 극단적 변동성으로부터 보호하기 위해 도입되었으나, 자유 시장이 책정했을 진정한 희소성 가격을 사실상 가려, 격차를 메우는 데 필요한 바로 그 투자를 저해할 수 있다.⁷

PJM 2027/2028 BRA 핵심 지표	값 / 상세
낙찰 용량	134,479 MW
신뢰도 부족분	6,623 MW (목표 대비 5.2% 미달)
가격 상한 (UCAP)	$333.44 / MW-day
지역 경매 총비용	$16.4 Billion
공급예비율	14.8% (목표: 20%)
낙찰된 신규 발전	774 MW (UCAP)

이 적자의 주된 동인은 "화력 폐지 절벽(Thermal Retirement Cliff)"이다. 2011년부터 2023년까지 PJM은 54.2 GW의 화력 용량 폐지를 겪었고, 추가로 24~58 GW—설치 용량의 최대 30%—가 2030년까지 폐지 위험에 처해 있다.¹ 이러한 폐지는 신규 진입을 앞지르고 있으며, 특히 대체 자원의 "용량 가치"가 현저히 낮기 때문이다. PJM 내부 분석은 간헐성 격차를 드러낸다. 폐지되는 화력 발전 1 MW를 대체하려면 동등한 신뢰도를 유지하기 위해 약 5.2 MW의 태양광 또는 14 MW의 육상 풍력이 필요하다.¹ 이 격차는 전통적 용량 계획의 한계와, 기존 자산 기반을 최적화할 수 있는 딥 AI 모델의 긴급한 필요를 강조한다.

유효부하공급능력(ELCC)의 전환

부족분의 중요한 기술적 촉매는 유효부하공급능력(ELCC) 등급 개정이다. ELCC는 피크 수요 기간에 자원이 신뢰도에 기여하는 정도를 나타내는 통계적 척도이다. 2027/2028 경매에서 PJM은 간헐 자원의 보급이 늘어남에 따라 한계 신뢰도 가치가 감소하는 것을 반영하도록 이 등급을 조정했다.⁷

간헐 자원의 인증은 하락한 반면, 수요반응(DR)은 급격히 반등했다. DR의 ELCC는 2026/2027 경매의 69%에서 2027/2028 경매의 92%로 상승했다.² 이 상승은 DR이 연중 모든 시간에 가용해야 한다는 규제 전환과, 겨울 피크 부하 산출을 동시 피크 값으로 변경한 데에서 비롯되었다.⁶ 이 전환은 Veriprajna 딥 AI 솔루션의 결정적 기회를 부각한다. 산업 운영을 방해하지 않으면서 92% 가용성을 보장할 수 있는 수요측 유연성 지능 에이전트의 개발이다.

데이터센터: 일차적 수요 촉매

공급이 축소되는 동안 수요 전망은 급증했다. PJM은 수요 전망이 5,250 MW 증가했다고 보고했으며, 이는 거의 전적으로 데이터센터 확산에 기인한다.⁵ Dominion(버지니아), AEP(오하이오/인디애나), ComEd(일리노이) 같은 특정 구역에서 10년 평균 연간 하계 피크 성장 전망은 지역 평균보다 현저히 높으며, PPL Electric은 6.4%에 달한다.⁸ 특정 노드에 이 부하가 집중되면 변전소 고장과 송전 혼잡 위험이 심각한 국지적 "스트레스 존"이 형성된다.

ERCOT 대기열 교착: 확장성 한계와 "유령" 부하

ERCOT 지역에서 위기는 아직 낙찰 용량의 문제가 아니라 계통연계 실현 가능성의 문제이다. 2025년 말까지 ERCOT는 대규모 부하 계통연계 대기열이 233 GW라고 보고했으며, 이는 2024년 말 대비 269% 증가이다.⁹ 이를 맥락화하면, ERCOT 계통 전체의 현재 피크 수요는 약 85 GW이다. 대기열 물량은 주 전체 현재 피크 부하의 거의 세 배에 달한다.

요청과 현실 사이의 괴리는 심대하다. 233 GW가 연계를 구하는 반면, ERCOT가 2025년에 동기화한 신규 발전은 23 GW에 불과하며, 대부분 태양광과 배터리 저장 형태이다.⁴ 남은 발전 대기열은 태양광(158 GW)과 배터리(175 GW)가 지배적이며, 천연가스는 고작 47 GW에 불과하다.¹⁰ 이는 요청된 부하(주로 24/7 데이터센터 부하)와 신규 발전 대기열의 간헐적 성격 사이에 거대한 불균형을 만든다.

ERCOT 대기열 및 부하 동향 (2025년 4분기)	규모
대규모 부하 계통연계 요청 합계	233 GW
대규모 부하 요청 중 데이터센터 비중	77%
대기열 전년 대비 증가	269%
2025년 동기화된 신규 발전	23 GW
추정 송전 개선	$14.089 Billion
검토 중

이 급증은 부분적으로 "유령" 부하로 구성된다. 하이퍼스케일러가 어느 유틸리티가 가장 빠르거나 저렴한 연계를 제공할지를 헤지하기 위해 여러 부지에 복수 신청을 제출하는 투기적 요청이다.¹¹ 이 관행은 검토 프로세스를 막히게 하여, 엔지니어가 재무 종결에 이르지 못할 수 있는 프로젝트에 대해 복잡한 신뢰도 분석을 수행하도록 강제한다. ERCOT는 최근 이 프로세스를 전면 개편하기 위해 McKinsey와 계약했으며, 2026년 초까지 "신뢰할 수 있는" 부하를 식별하고 대기열을 간소화하는 것을 목표로 한다.¹²

입법·규제 대응: SB 6과 텍사스 에너지 기금

텍사스 입법자들은 상원 법안 6(SB 6)으로 대응했으며, 이는 표준화된 계통연계 규칙을 의무화하고 부하 예측을 개선한다.³ SB 6은 또한 대규모 부하 감축 메커니즘을 도입하여, 현장 백업 발전을 갖춘 데이터센터가 계통 비상시 호출 가능하도록 요구한다.¹³ 나아가 주는 급전 가능 가스 발전소 건설을 장려하기 위해 $9 billion 기금(Texas Energy Fund)을 설립했다. 그러나 이 이니셔티브는 이미 역풍에 직면해 있다. 제안된 가스 프로젝트의 약 35%가 글로벌 터빈 부족과 장기화된 인허가 지연을 이유로 철회했다.¹¹

가스 발전 설비를 빠르게 확장하는 데 전통적 금융 인센티브가 실패한 것은 "유연성 당위(Flexibility Imperative)"에 막대한 부담을 지운다. 계통은 AI 혁명의 속도로 물리적으로 성장할 수 없기 때문에 더 지능적이어야 한다.

딥 AI의 당위: LLM 래퍼 패러다임을 넘어서

이러한 구조적 적자 앞에서 에너지 부문은 종종 "AI"를 유행어로 삼아, 고객 서비스 챗봇이나 부하 예측용 기본 회귀 모델 같은 피상적 구현으로 귀결되어 왔다. Veriprajna는 이러한 솔루션이 현재 위기에는 불충분하다고 주장한다. 우리는 "얕은 AI"(범용 모델)와 "딥 AI"(계통의 기저 물리와 토폴로지를 존중하는 모델)를 구분한다.

계통은 독립적 데이터 포인트의 집합이 아니다. Kirchhoff의 법칙과 스윙 방정식이 지배하는 동기화된 고차원 동역학 시스템이다. 6.6 GW 부족분에 대응하기 위해 배포되는 모든 AI 솔루션은 "물리 인식"이어야 한다.

과도 안정도를 위한 물리 정보 신경망(PINN)

전통적 전력계통 안정도 연구는 미분대수방정식(DAE) 시스템을 푸는 데 의존한다. PJM만큼 큰 계통에서 단일 과도 안정도 시뮬레이션은 수 시간이 걸릴 수 있다. 이는 계통 운영자가 "실시간" 상정사고 분석을 수행하지 못하게 한다.

Veriprajna의 핵심 역량은 물리 정보 신경망(PINN) 배포에 있다. 데이터만으로 학습하는 표준 신경망과 달리, PINN은 계통의 물리법칙을 모델의 손실 함수에 직접 내장한다. 발전기 k에 대해, 신경망은 스윙 방정식의 잔차를 최소화하도록 훈련된다:

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

자동 미분을 활용하여 도함수를 계산함으로써 $\dot{\delta}$ 및 $\ddot{\delta}$, PINN은 기존 수치 해석 솔버보다 최대 87배 빠르게 계통 상태를 산출할 수 있다.¹⁵ 더 중요하게, PINN은 순차적 시간 전진(적분) 없이 임의의 특정 시각 t에서 상태를 풀 수 있어, 잠재적 블랙아웃 사건 중 거의 즉각적인 "선행 관측(look-ahead)" 능력을 제공한다.¹⁵

토폴로지 인식 그래프 신경망(GNN)

계통은 본질적으로 그래프이며, 변전소가 노드이고 송전선이 에지이다. 기존 머신러닝 모델은 종종 계통 데이터를 평탄한 벡터로 취급하여 결정적 공간 맥락을 잃는다. 딥 AI는 그래프 신경망(GNN)을 활용하여 네트워크의 시공간 의존성을 포착한다.¹⁷

GraphSAGE 또는 그래프 어텐션 네트워크(GAT)와 같은 GNN 아키텍처는 모델이 서로 다른 송전 회랑의 중요도를 "학습"하도록 한다. 1,200 MW 부하 상실 위험이 있었던 볼티모어 사건과 같은 핵심 변전소 고장 시, GNN은 그 결과인 전압 강하와 주파수 발진의 전파를 전체 토폴로지에 걸쳐 밀리초 단위로 예측할 수 있다.¹⁷

GAT 노드 업데이트의 수학적 프레임워크는 다음과 같다:

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

이 메커니즘은 모델이 계통 토폴로지에서 "핵심 이웃"에 초점을 맞추도록 하여, 전통적 SCADA 기반 규칙 엔진보다 훨씬 정확한 고장 진단과 위치 추정을 제공한다.¹⁸ 예측 정비를 위해, 다층 GNN은 30일 이내 고장 위험이 있는 변전소를 식별하는 데 F1 점수 0.8935를 보여, 신뢰도 사건이 발생하기 전 선제적 개입을 가능하게 한다.²¹

아키텍처 심층 분석: 지각 계통의 구현

엔터프라이즈급 AI 컨설팅에서 가치는 알고리즘뿐 아니라, AI가 운영기술(OT) 시스템과 안전하고 신뢰성 있게 상호작용하도록 하는 엔드투엔드 기술 아키텍처에 있다.

Veriprajna "딥 그리드(Deep Grid)" 아키텍처

우리는 물리적 자산과 의사결정 지원 계층 사이의 격차를 잇는 다층 아키텍처를 제안한다.

1. 물리/IoT 계층: 이 계층은 전통적 SCADA 입력에 더해 LiDAR 기반 비접촉 센서와 동적 선로 정격(DLR) 장치의 고주파 데이터를 포함한다. LineVision과 같은 기업이 배포한 센서는 현재 National Grid를 위해 275 km 이상의 선로를 감시하며, 도체 처짐과 온도에 대한 실시간 데이터를 제공한다.²²
2. 데이터 오케스트레이션 계층: 이 계층은 "AI 준비" 데이터를 처리한다. 현대 계통 데이터는 "고차 불확실성"과 희소 측정으로 특징지어진다.²³ 우리는 Spark/Hadoop 기반 데이터 레이크 아키텍처를 활용하여, 데이터가 모델에 도달하기 전 자동 이상 탐지, 결측값 대체, 타당성 검사를 수행한다.²⁵
3. 물리-AI 엔진: 이것이 Veriprajna 솔루션의 핵심이다. PINN과 GNN 모델을 병렬로 실행한다. PINN은 과도 안정도를 위한 고속 솔버 능력을 제공하고, GNN은 토폴로지 인식 상태 추정과 고장 예측을 제공한다.
4. 에이전틱 제어 계층: 이 계층은 강화학습(RL)을 활용하여 급전 결정을 내린다. 계통 제어를 제약 마르코프 결정 과정(MDP)으로 정식화함으로써, RL 에이전트는 경성 물리 제약(예: 전압 한계)을 만족하는 부하 균형의 최적 정책을 학습할 수 있다.²⁷

동적 선로 정격(DLR)과 컴퓨터 비전

PJM/ERCOT 용량 위기에 대한 가장 즉각적인 "딥 AI" 솔루션 중 하나는 동적 선로 정격(DLR)을 통한 기존 송전 용량의 최적화이다. 전통적 정적 선로 정격(SLR)은 보수적인 "최악 조건" 가정(예: 고온, 무풍)에 기반하여, 종종 선로 용량의 20-40%를 미사용으로 남긴다.²⁹

DLR은 실시간 대기 데이터와 IoT 센서를 활용하여 선로의 실제 열적 용량을 산출한다. Veriprajna는 컴퓨터 비전과 LiDAR 데이터를 통합하여 도체 거동을 감시한다. 인디애나와 오하이오에서 AES는 이 기술을 활용하여 전송 용량을 345 kV 선로에서 61%, 69 kV 선로에서 25% 증가시켰다.³⁰ 이 AI 기반 업그레이드 비용은 $0.39 million이었으며, 전통적 재도선의 추정 $1.63 million과 비교된다.³⁰

DLR 구현 영향	정적 기준선	DLR 최적화	개선율(%)
전송 용량 (345 kV)	1,000 MW (추정)	1,610 MW	+61%
전송 용량 (69 kV)	100 MW (추정)	125 MW	+25%
프로젝트 비용 (AES 사례)	$1.63M (업그레이드)	$0.39M (AI/IoT)	-76% (비용 절감)
배포 기간	2-3년	3-6개월	-80% (기간 단축)

2027년까지 6.6 GW 격차에 직면한 PJM과 같은 계통 운영자에게, 13개 주 권역 전역에 DLR을 배포하면 "신규 선로를 단 하나도 건설하지 않고도 막대한 전력 송전 용량을 해방"할 수 있다.³¹

경제적 차원: 무대응 비용의 평가

신뢰도 기준 미달은 무거운 경제적 대가를 수반한다. NRDC의 새로운 분석에 따르면, PJM 지역의 데이터센터 성장은 2028년부터 2033년까지 누적 용량 비용 $163 billion을 초래할 수 있다.³² 북부 일리노이 ComEd 권역만으로도 영향은 $21.4 billion으로 전망되며, 평균 주거 가구당 월 $70 증가로 환산된다.³²

이 가격 상승은 수요만의 함수가 아니라 "시장 마찰"의 함수이다. PJM 경매가 가격 상한에 도달하면, 현재 시장 구조가 필요 물량을 낙찰하는 데 실패했음을 신호한다. 산업 소비자와 테크 하이퍼스케일러에게 이는 "공급지장가치(VOLL)"에 대한 중대한 위험을 의미한다.

C-스위트를 위한 "딥 AI" 가치 제안

Veriprajna 고객에게 딥 AI의 가치 제안은 세 가지이다.

1. 자본 효율: GNN과 PINN을 사용해 안정 운전 한계를 정확히 식별함으로써, 유틸리티는 송전·발전 투자를 수십억 단위로 이연할 수 있다. AI 기반 계통 현대화는 신규 지상 철골 인프라로 경관을 "지배"하기보다 기존 자산을 "오케스트레이션"할 수 있게 한다.³³
2. 계통연계 가속: AI 가속 전력망 모델은 계통연계 검토 기간을 수년에서 수개월로 단축할 수 있다. FERC Order 2023은 클러스터 검토를 의무화하며, Veriprajna의 에이전틱 AI 도구는 233 GW ERCOT 대기열의 스크리닝을 자동화하여, 물리적 실현 가능성과 상업적 준비도에 기반한 "우선 준비" 프로젝트를 식별할 수 있다.³⁴
3. 리스크 완화: 2021년 ERCOT 겨울 폭풍이나 PJM 볼티모어 변전소 고장과 같은 극한 기상 세계에서, 딥 AI는 연쇄 블랙아웃을 막는 데 필요한 밀리초 수준 응답 능력을 제공한다.³⁶

계통연계 2.0: 에이전틱 AI로 대기열 자동화

ERCOT 233 GW 대기열은 현재 인간 엔지니어링 공수의 병목이다. FERC Order 2023은 송전 제공자가 개발자가 이상적 연계 지점을 찾도록 돕기 위해 송전 용량의 공개 "히트맵"을 유지하도록 요구한다.³⁸ Veriprajna는 더 나아가, "디지털 엔지니어"로 작동하는 에이전틱 AI를 배포한다.

이러한 에이전트는 대규모 언어 모델(LLM)을 단순히 대화용이 아니라, 기술 문서와 규제 제출물에 대한 복잡한 추론을 수행하도록 활용한다.³⁴ 계통연계 요청이 제출되면, 우리 에이전트는 다음을 수행할 수 있다.

• 규정 준수 자동 스크리닝: NERC 및 FERC 표준(예: 한파 대비를 위한 EOP-012-3) 대비 점검.³⁷
• 자동 부하 클러스터링 수행: 도착 시각만이 아니라 토폴로지 제약에 기반해 프로젝트를 최적 클러스터로 그룹화.³⁸
• "유령" 부하 확률 예측: 머신러닝을 사용해 대기열 프로젝트에 완료 가능성 점수를 부여하여, 계획자가 신뢰할 수 있는 수요에 집중하도록 한다.¹¹

이러한 자동 스크리닝 도구를 구현함으로써, ERCOT는 "선착순" 모델에서 "우선 준비·우선 공급" 모델로 전환하여, 현재 검토 중인 추정 송전 개선 $14 billion을 크게 줄일 수 있다.¹⁰

발전소 폐지 예측을 위한 딥 AI

PJM의 6.6 GW 부족분은 근본적으로 "폐지 절벽"을 예측하는 문제이다. 전통 모델은 석탄 또는 가스 발전소가 언제 비경제적으로 되는지를 종종 예측하지 못한다. Veriprajna는 적층 LSTM(장단기 메모리)과 그래디언트 부스팅 모델을 활용하여 발전소 수준 CO2 배출, 연료 가격, 재생에너지 보급을 분석한다.²⁵

우리 모델은 발전소 폐지 연령 예측에서 평균절대백분율오차(MAPE) 1.072%를 달성했다.⁴⁰ 이를 통해 계통 운영자는 조기 폐지 잠재 "핫스팟"을 식별하고, 신뢰도 격차가 열리기 전에 표적 용량 인센티브나 백스톱 조달로 개입할 수 있다. 제안된 가스 프로젝트의 35%가 철회된 ERCOT 지역에서, 이러한 예측 분석은 차세대 "위험 유닛"을 식별하는 데 필수적이다.¹¹

IT와 OT의 수렴: AI의 보안과 신뢰

전력 부문에서 AI 채택의 결정적 장벽은 핵심 인프라에 대한 인지된 위험이다. Veriprajna는 "안정 인식" 추론 메커니즘으로 이를 다룬다.²⁰ 우리는 AI가 제어실에서 "블랙박스"로 동작하도록 허용하지 않는다.

대신 **설명 가능 AI(XAI)**를 구현한다. GNN이 연쇄 고장 위험을 식별하면, 위험에 기여하는 특정 에지(선로)와 노드(변전소)를 강조하는 그래프 기반 설명을 생성한다.³⁶ 이를 통해 인간 운영자는 조치를 취하기 전 AI의 추론을 검증할 수 있다. 나아가 우리 아키텍처는 입증된 안전 핵심 제어 구조를 교란하지 않으면서 디지털 환경이 제어 계층(DCS 플랫폼)에 안전하게 연결되도록 보장한다.⁴¹

전략 로드맵: 인프라에서 지능으로

2027년 신뢰도 위기를 헤쳐 나가는 유틸리티와 대규모 부하 고객을 위해, Veriprajna는 3단계 로드맵을 권고한다.

1단계: 기반과 가시성 (0-12개월)

• 데이터 준비도: SCADA, IoT, 기상 데이터를 집계하는 AI 준비 데이터 레이크를 배포한다.²⁵
• DLR 파일럿: 가장 혼잡한 상위 5개 송전 회랑에 동적 선로 정격을 구현하여 즉각적 용량을 해방한다.²²
• 대기열 진단: 머신러닝을 사용해 계통연계 대기열에서 유령 부하와 "우선 준비" 프로젝트를 스크리닝한다.¹¹

2단계: 통합과 가속 (1-3년)

• PINN 배포: 전통적 수치 솔버를 PINN 기반 과도 안정도 도구로 대체하여 실시간 상정사고 분석을 수행한다.¹⁵
• 토폴로지 지능: 상태 추정과 고장 위치 추정 워크플로에 GNN을 통합한다.¹⁷
• 유연성 오케스트레이션: 공동 입지 데이터센터 부하와 수요반응 프로그램을 관리하는 RL 기반 에이전트를 배포한다.²⁸

3단계: 지각 계통 (3-5년)

• 자가 치유 네트워크: 완전 자동화된 AI 기반 계통 재구성과 복구를 가능하게 한다.³³
• 자율 인허가: 연방 및 주 인허가 준수를 위한 완전 에이전틱 워크플로로 전환한다.³⁴
• 시장-AI 시너지: 고정밀 가격 예측을 사용해 급전을 최적화하고 용량 비용의 $163 billion 위험을 최소화한다.²⁵

결론: Veriprajna의 우위

PJM 부족분과 ERCOT 대기열 위기는 기술 지체의 증상이다. 지금까지 건설된 가장 복잡한 기계인 전력계통은, 자신이 전력을 공급하는 데 고군분투하는 바로 그 기술—AI—에 의해 한계까지 밀어붙여지고 있다.

Veriprajna는 이 교차점에 자리한다. 우리는 단순한 API 래퍼를 제공하는 것이 아니라, 계통을 지각적으로 만드는 데 필요한 심층 수학·물리 프레임워크를 제공한다. 안정도를 위한 PINN, 토폴로지를 위한 GNN, 제어를 위한 RL을 통합함으로써, 우리는 고객이 물리적 인프라의 한계를 넘어서도록 한다. PJM의 6,623 MW 격차는 단순한 적자가 아니라, 새로운 종류의 지능에 대한 명령이다.

미래는 계통을 전선의 집합이 아니라 지능의 동적 그래프로 보는 이들의 것이다. Veriprajna는 그 전환의 파트너이다.

참고문헌

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