A Rede Sentinela: Navegando o Déficit de 6.6 GW da PJM e a Crise de Interconexão de 230 GW da ERCOT por meio de Engenharia de Deep AI

A infraestrutura elétrica da América do Norte entrou em um período de instabilidade estrutural caracterizado por um abismo crescente entre a desativação da geração despachável legada e a demanda explosiva impulsionada pelas cargas de trabalho de inteligência artificial. Em dezembro de 2025, a PJM Interconnection, a maior operadora de rede dos Estados Unidos, anunciou um déficit no leilão de capacidade de 6,623 MW para o ano de entrega 2027/2028—a primeira falha desse tipo na história da organização.¹ Simultaneamente, o Electric Reliability Council of Texas (ERCOT) enfrenta um gargalo logístico e técnico, com uma fila de interconexão de grandes cargas expandindo-se até 233 GW, mesmo enquanto as novas adições de geração permanecem uma ordem de magnitude inteira mais baixas, em aproximadamente 23 GW.³ Essas crises gêmeas significam o fim da era da gestão "passiva" da rede.

Como uma consultoria de elite em IA, a Veriprajna reconhece que esses desafios não podem ser resolvidos por meio da implantação de wrappers genéricos de grandes modelos de linguagem (LLM) ou de análises preditivas padrão. A complexidade dos sistemas elétricos modernos, caracterizada por incerteza de alta ordem e dinâmicas não lineares, exige uma abordagem de "Deep AI". Isso implica a integração de redes neurais informadas pela física (PINNs), redes neurais de grafos (GNNs) conscientes da topologia e frameworks de aprendizado por reforço (RL) agênticos. A análise a seguir disseca os mecanismos específicos das falhas atuais da rede e fornece um plano abrangente para a implantação de soluções de IA de nível empresarial projetadas para restaurar a confiabilidade do sistema e a estabilidade econômica.

A Inflexão de Capacidade da PJM: Anatomia de um Déficit Sistêmico

Os resultados do Leilão Residual Base (BRA) 2027/2028 da PJM Interconnection representam um momento divisor de águas para os mercados de energia. A contratação de 134,479 MW de recursos de geração ficou 6,623 MW abaixo da meta de margem de reserva instalada de 20% exigida para manter o padrão de confiabilidade de "um evento em dez anos".² Esse déficit empurrou a margem de reserva projetada do sistema para 14.8%, sinalizando um risco elevado de eventos de corte de carga a partir de junho de 2027.⁶

Os sinais econômicos no leilão foram igualmente contundentes. Os preços de capacidade atingiram o teto aprovado pela Federal Energy Regulatory Commission (FERC) de $333.44/MW-day em toda a área de atuação da PJM.² Embora o teto de preço tenha sido implementado para proteger os consumidores de volatilidade extrema, ele efetivamente mascarou o verdadeiro preço de escassez que um mercado livre teria ditado, potencialmente desincentivando exatamente o investimento necessário para fechar a lacuna.⁷

Métricas-Chave do BRA 2027/2028 da PJM	Valor / Detalhe
Capacidade Liquidada	134,479 MW
Déficit de Confiabilidade	6,623 MW (5.2% abaixo da meta)
Teto de Preço (UCAP)	$333.44 / MW-day
Custo Total do Leilão Regional	$16.4 bilhões
Margem de Reserva	14.8% (Meta: 20%)
Nova Geração Liquidada	774 MW (UCAP)

O principal impulsionador desse déficit é o "Abismo de Desativação Térmica". Entre 2011 e 2023, a PJM viu a desativação de 54.2 GW de capacidade térmica, com mais 24 a 58 GW—representando até 30% da capacidade instalada—em risco de desativação até 2030.¹ Essas desativações estão superando as novas entradas, particularmente porque o "valor de capacidade" dos recursos de reposição é significativamente menor. A análise interna da PJM revela uma lacuna de intermitência: substituir 1 MW de geração térmica desativada exige aproximadamente 5.2 MW de solar ou 14 MW de eólica onshore para manter confiabilidade equivalente.¹ Essa disparidade evidencia as limitações do planejamento tradicional de capacidade e a necessidade urgente de modelos de Deep AI que possam otimizar a base de ativos existente.

A Mudança na Capacidade Efetiva de Atendimento à Carga (ELCC)

Um catalisador técnico significativo do déficit foi a revisão das classificações de Capacidade Efetiva de Atendimento à Carga (ELCC). O ELCC é uma medida estatística de quanto um recurso contribui para a confiabilidade durante períodos de demanda de pico. No leilão 2027/2028, a PJM ajustou essas classificações para refletir o valor marginal decrescente de confiabilidade dos recursos intermitentes à medida que sua penetração aumenta.⁷

Enquanto os recursos intermitentes viram quedas na acreditação, a resposta da demanda (DR) teve uma forte recuperação. O ELCC da DR aumentou de 69% no leilão 2026/2027 para 92% no leilão 2027/2028.² Esse aumento foi impulsionado por uma mudança regulatória que exige que a DR esteja disponível em todas as horas do ano e por uma alteração no cálculo da carga de pico de inverno para um valor coincidente.⁶ Essa mudança destaca uma oportunidade crítica para as soluções de Deep AI da Veriprajna: o desenvolvimento de agentes inteligentes para flexibilidade do lado da demanda que possam garantir 92% de disponibilidade sem interromper operações industriais.

Centros de Dados: O Principal Catalisador de Demanda

Enquanto a oferta se contraiu, as previsões de demanda dispararam. A PJM reportou um aumento de 5,250 MW em sua previsão de demanda, impulsionado quase exclusivamente pela proliferação de centros de dados.⁵ Em zonas específicas como Dominion (Virgínia), AEP (Ohio/Indiana) e ComEd (Illinois), as previsões de crescimento médio anual do pico de verão em 10 anos são significativamente mais altas que a média regional, com a PPL Electric atingindo 6.4%.⁸ A concentração dessa carga em nós específicos cria "zonas de estresse" localizadas, onde o risco de falha de subestação e congestionamento de transmissão é agudo.

O Impasse da Fila da ERCOT: Limites de Escalabilidade e Cargas "Fantasma"

Na região da ERCOT, a crise ainda não é de capacidade liquidada, mas de viabilidade de interconexão. No final de 2025, a ERCOT reportou uma fila de interconexão de grandes cargas de 233 GW, um aumento de 269% em relação ao fim de 2024.⁹ Para contextualizar, o pico de demanda atual de toda a rede da ERCOT é de aproximadamente 85 GW. O volume da fila é quase três vezes a carga de pico total atual do estado.

A desconexão entre solicitações e realidade é profunda. Embora 233 GW estejam buscando conexão, a ERCOT sincronizou apenas 23 GW de nova geração em 2025, majoritariamente na forma de solar e armazenamento em baterias.⁴ A fila de geração restante é dominada por solar (158 GW) e baterias (175 GW), com o gás natural respondendo por meros 47 GW.¹⁰ Isso cria um desequilíbrio massivo entre a carga solicitada (predominantemente carga de centros de dados 24/7) e a natureza intermitente da nova fila de geração.

Dinâmica da Fila e da Carga da ERCOT (T4 2025)	Magnitude
Total de Solicitações de Interconexão de Grandes Cargas	233 GW
Participação de Centros de Dados nas Solicitações de Grandes Cargas	77%
Aumento da Fila Ano a Ano	269%
Nova Geração Sincronizada em 2025	23 GW
Melhorias de Transmissão Estimadas	$14.089 bilhões
Em análise

O aumento é parcialmente composto por cargas "fantasma"—solicitações especulativas de hiperescaladores que submetem múltiplas aplicações em diversos sites para se protegerem quanto a qual concessionária fornecerá a conexão mais rápida ou mais barata.¹¹ Essa prática entope o processo de estudo, forçando engenheiros a realizar análises complexas de confiabilidade em projetos que podem nunca alcançar o fechamento financeiro. A ERCOT recentemente contratou a McKinsey para reformular esse processo, visando identificar cargas "credíveis" e agilizar a fila até o início de 2026.¹²

Resposta Legislativa e Regulatória: SB 6 e o Texas Energy Fund

Os legisladores do Texas responderam com o Senate Bill 6 (SB 6), que determina regras padronizadas de interconexão e aprimora a previsão de carga.³ O SB 6 também introduz mecanismos de corte de grandes cargas, exigindo que centros de dados com geração de backup no local sejam acionáveis durante emergências da rede.¹³ Além disso, o estado estabeleceu um fundo de $9 bilhões (Texas Energy Fund) para incentivar a construção de usinas a gás despacháveis. No entanto, essa iniciativa já enfrenta ventos contrários; aproximadamente 35% dos projetos a gás propostos se retiraram, citando escassez global de turbinas e atrasos prolongados de licenciamento.¹¹

A falha dos incentivos financeiros tradicionais em expandir rapidamente a frota a gás impõe um ônus imenso ao "Imperativo da Flexibilidade". A rede deve se tornar mais inteligente porque não consegue crescer fisicamente na velocidade da revolução da IA.

O Imperativo da Deep AI: Transcendendo o Paradigma do Wrapper de LLM

Diante desses déficits estruturais, o setor de energia frequentemente recorreu à "IA" como um chavão, geralmente resultando em implantações superficiais como chatbots para atendimento ao cliente ou modelos básicos de regressão para previsão de carga. A Veriprajna afirma que essas soluções são insuficientes para a crise atual. Distinguimos entre "Shallow AI" (modelos de propósito geral) e "Deep AI" (modelos que respeitam a física subjacente e a topologia da rede).

A rede não é uma coleção de pontos de dados independentes; é um sistema dinâmico sincronizado e de alta dimensão, governado pelas Leis de Kirchhoff e pela equação de swing. Qualquer solução de IA implantada para enfrentar um déficit de 6.6 GW deve ser "consciente da física".

Redes Neurais Informadas pela Física (PINNs) para Estabilidade Transitória

Os estudos tradicionais de estabilidade de sistemas elétricos dependem da resolução de sistemas de equações diferenciais-algébricas (DAEs). Para uma rede tão grande quanto a PJM, uma única simulação de estabilidade transitória pode levar horas. Isso impede que os operadores da rede realizem análise de contingência em "tempo real".

A competência central da Veriprajna está na implantação de Redes Neurais Informadas pela Física (PINNs). Diferentemente das redes neurais padrão, que aprendem unicamente a partir de dados, as PINNs embutem as leis físicas do sistema diretamente na função de perda do modelo. Para um gerador k, a rede neural é treinada para minimizar o resíduo da equação de swing:

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

Ao utilizar diferenciação automática para computar as derivadas $\dot{\delta}$ e $\ddot{\delta}$, as PINNs podem determinar os estados do sistema até 87 vezes mais rápido do que os solvers numéricos convencionais.¹⁵ Mais importante, as PINNs podem resolver o estado em qualquer instante específico t sem a necessidade de integração sequencial no tempo (passo a passo), permitindo uma capacidade de "antecipação" quase instantânea durante um potencial evento de apagão.¹⁵

Redes Neurais de Grafos (GNNs) Conscientes da Topologia

A rede é inerentemente um grafo, com subestações como nós e linhas de transmissão como arestas. Modelos convencionais de aprendizado de máquina frequentemente tratam os dados da rede como um vetor plano, perdendo o contexto espacial crítico. A Deep AI utiliza Redes Neurais de Grafos (GNNs) para capturar as dependências espaço-temporais da rede.¹⁷

Uma arquitetura de GNN como GraphSAGE ou uma Graph Attention Network (GAT) permite que o modelo "aprenda" a importância de diferentes corredores de transmissão. No caso de uma falha crítica de subestação—como o evento de Baltimore que arriscou uma perda de carga de 1,200 MW—uma GNN pode prever a propagação do afundamento de tensão resultante e da oscilação de frequência por toda a topologia em milissegundos.¹⁷

O framework matemático para uma atualização de nó GAT é:

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

Esse mecanismo garante que o modelo foque nos "vizinhos críticos" na topologia da rede, fornecendo diagnóstico e localização de falhas muito mais precisos do que os motores de regras tradicionais baseados em SCADA.¹⁸ Para manutenção preditiva, GNNs multicamadas demonstraram um escore F1 de 0.8935 para identificar subestações em risco de falha em 30 dias, permitindo intervenção proativa antes que ocorra um evento de confiabilidade.²¹

Imersão Arquitetural: Implementando a Rede Senciente

Para uma consultoria de IA de nível empresarial, o valor não está apenas no algoritmo, mas na arquitetura técnica ponta a ponta que permite à IA interagir com sistemas de tecnologia operacional (OT) de forma segura e confiável.

A Arquitetura "Deep Grid" da Veriprajna

Propomos uma arquitetura em múltiplas camadas que preenche a lacuna entre os ativos físicos e a camada de suporte à decisão.

1. A Camada Física/IoT: Esta camada inclui as entradas tradicionais de SCADA mais dados de alta frequência de sensores sem contato baseados em LiDAR e dispositivos de Classificação Dinâmica de Linha (DLR). Sensores implantados por empresas como a LineVision agora monitoram mais de 275 km de linhas para a National Grid, fornecendo dados em tempo real sobre a flecha e a temperatura do condutor.²²
2. A Camada de Orquestração de Dados: Esta camada trata dados "prontos para IA". Os dados modernos da rede são caracterizados por "incerteza de alta ordem" e medições esparsas.²³ Utilizamos uma arquitetura de data lake (baseada em Spark/Hadoop) para realizar detecção automatizada de anomalias, imputação de valores ausentes e verificações de plausibilidade antes que os dados cheguem aos modelos.²⁵
3. O Motor de Física-IA: Este é o núcleo da solução da Veriprajna. Ele executa modelos PINN e GNN em paralelo. A PINN fornece capacidades de solver rápido para estabilidade transitória, enquanto a GNN fornece estimação de estado consciente da topologia e predição de falhas.
4. A Camada de Controle Agêntico: Esta camada utiliza Aprendizado por Reforço (RL) para tomar decisões de despacho. Ao formular o controle da rede como um Processo de Decisão de Markov Restrito (MDP), os agentes de RL podem aprender políticas ótimas de balanceamento de carga que satisfazem restrições físicas rígidas (p.ex., limites de tensão).²⁷

Classificação Dinâmica de Linha (DLR) e Visão Computacional

Uma das soluções de "Deep AI" mais imediatas para a crise de capacidade PJM/ERCOT é a otimização da capacidade de transmissão existente por meio da Classificação Dinâmica de Linha (DLR). As Classificações Estáticas de Linha (SLRs) tradicionais baseiam-se em premissas conservadoras de "pior caso" (p.ex., alta temperatura, sem vento), que frequentemente deixam 20-40% da capacidade de uma linha sem uso.²⁹

A DLR utiliza dados atmosféricos em tempo real e sensores IoT para calcular a capacidade térmica real da linha. A Veriprajna integra visão computacional e dados LiDAR para monitorar o comportamento do condutor. Em Indiana e Ohio, a AES utilizou essas tecnologias para aumentar a capacidade de transferência em 61% em linhas de 345 kV e 25% em linhas de 69 kV.³⁰ O custo dessa modernização impulsionada por IA foi de $0.39 milhão, comparado a um estimado de $1.63 milhão para o recondutoramento tradicional.³⁰

Impacto da Implantação de DLR	Linha de Base Estática	DLR Otimizada	% de Melhoria
Capacidade de Transferência (345 kV)	1,000 MW (Est)	1,610 MW	+61%
Capacidade de Transferência (69 kV)	100 MW (Est)	125 MW	+25%
Custo do Projeto (Caso AES)	$1.63M (Modernização)	$0.39M (AI/IoT)	-76% (Redução de Custo)
Tempo de Implantação	2-3 anos	3-6 meses	-80% (Redução de Tempo)

Para operadores de rede como a PJM, diante de uma lacuna de 6.6 GW até 2027, a implantação de DLR em toda a área de 13 estados poderia "liberar enormes quantidades de capacidade de transmissão de eletricidade sem construir uma única linha nova".³¹

A Dimensão Econômica: Avaliando o Custo da Inação

A falha em atender aos padrões de confiabilidade acarreta um pesado ônus econômico. Uma nova análise da NRDC constatou que o crescimento de centros de dados na região da PJM poderia resultar em $163 bilhões em custos cumulativos de capacidade de 2028 a 2033.³² Somente no território da ComEd no Norte de Illinois, o impacto é projetado em $21.4 bilhões, o que se traduz em um aumento de $70 por mês para a residência média.³²

Essa escalada de preços não é apenas uma função da demanda, mas de "atrito de mercado". Quando o leilão da PJM atinge o teto de preço, sinaliza uma falha da estrutura de mercado atual em liquidar o volume exigido. Para consumidores industriais e hiperescaladores de tecnologia, isso representa um risco significativo para o "Valor da Carga Perdida" (VOLL).

A Proposta de Valor da "Deep AI" para o C-Suite

Para os clientes da Veriprajna, a proposta de valor da Deep AI é tríplice:

1. Eficiência de Capital: Ao usar GNNs e PINNs para identificar com precisão os limites operacionais estáveis, as concessionárias podem adiar bilhões em investimentos de transmissão e geração. A modernização da rede impulsionada por IA permite a "orquestração" dos ativos existentes em vez da "dominação" da paisagem com nova infraestrutura de aço no solo.³³
2. Aceleração da Interconexão: Modelos de rede elétrica acelerados por IA podem reduzir o tempo dos estudos de interconexão de anos para meses. A FERC Order 2023 determina estudos em cluster, e as ferramentas de IA agêntica da Veriprajna podem automatizar a triagem da fila de 233 GW da ERCOT, identificando projetos que estão "primeiro-prontos" com base na viabilidade física e na prontidão comercial.³⁴
3. Mitigação de Riscos: Em um mundo de clima extremo—como a tempestade de inverno da ERCOT em 2021 ou a falha da subestação de Baltimore da PJM—a Deep AI fornece a capacidade de resposta em nível de milissegundo exigida para prevenir apagões em cascata.³⁶

Interconexão 2.0: Automatizando a Fila com IA Agêntica

A fila de 233 GW da ERCOT é atualmente um gargalo de horas de engenharia humana. A FERC Order 2023 exige que os provedores de transmissão mantenham "mapas de calor" de capacidade de transmissão publicamente disponíveis para ajudar os desenvolvedores a encontrar pontos ideais de interconexão.³⁸ A Veriprajna vai além, implantando IA agêntica que atua como um "engenheiro digital".

Esses agentes utilizam Grandes Modelos de Linguagem (LLMs) não apenas para conversar, mas para realizar raciocínio complexo sobre documentação técnica e petições regulatórias.³⁴ Quando uma solicitação de interconexão é submetida, nossos agentes podem:

• Triagem Automática de Conformidade: Verificar em relação aos padrões NERC e FERC (p.ex., EOP-012-3 para prontidão a clima frio).³⁷
• Agrupamento Automatizado de Cargas: Agrupar projetos em clusters ótimos com base em restrições topológicas, e não apenas no horário de chegada.³⁸
• Prever a Probabilidade de Carga "Fantasma": Usar aprendizado de máquina para atribuir um escore de probabilidade de conclusão aos projetos na fila, permitindo que os planejadores foquem na demanda credível.¹¹

Ao implementar essas ferramentas de triagem automatizada, a ERCOT pode transitar de um modelo "primeiro a chegar, primeiro a ser atendido" para um modelo "primeiro pronto, primeiro atendido", reduzindo significativamente os $14 bilhões em melhorias de transmissão estimadas atualmente em análise.¹⁰

Deep AI para Previsão de Desativação de Usinas

O déficit de 6.6 GW na PJM é fundamentalmente um problema de previsão do "abismo de desativação". Modelos tradicionais frequentemente falham em prever quando uma usina a carvão ou a gás se tornará antieconômica. A Veriprajna utiliza modelos Stacked LSTM (Long Short-Term Memory) e Gradient Boosting para analisar emissões de CO2 no nível da usina, preços de combustível e penetração renovável.²⁵

Nossos modelos alcançaram um Erro Percentual Absoluto Médio (MAPE) de 1.072% na previsão das idades de desativação das usinas.⁴⁰ Isso permite que os operadores da rede identifiquem "pontos críticos" de potencial desativação antecipada e intervenham com incentivos de capacidade direcionados ou contratação de lastro antes que a lacuna de confiabilidade se abra. Na região da ERCOT, onde 35% dos projetos a gás propostos se retiraram, essas análises preditivas são vitais para identificar a próxima geração de "unidades de risco".¹¹

A Convergência de TI e TO: Segurança e Confiança na IA

Uma barreira crítica à adoção de IA no setor elétrico é o risco percebido para a infraestrutura crítica. A Veriprajna aborda isso por meio de um mecanismo de inferência "consciente da estabilidade".²⁰ Não permitimos que a IA opere como uma "caixa-preta" na sala de controle.

Em vez disso, implementamos IA Explicável (XAI). Quando uma GNN identifica um risco de falha em cascata, ela gera uma explicação baseada em grafo destacando as arestas (linhas) e os nós (subestações) específicos que estão contribuindo para o risco.³⁶ Isso permite que operadores humanos verifiquem o raciocínio da IA antes de agir. Além disso, nossa arquitetura garante que o ambiente digital esteja conectado de forma segura à camada de controle (plataformas DCS) sem perturbar as estruturas de controle de segurança crítica já comprovadas.⁴¹

Roteiro Estratégico: Da Infraestrutura à Inteligência

Para concessionárias e clientes de grandes cargas que navegam a crise de confiabilidade de 2027, a Veriprajna recomenda um roteiro em três fases:

Fase 1: Fundação e Visibilidade (0-12 Meses)

• Prontidão de Dados: Implantar data lakes prontos para IA para agregar dados de SCADA, IoT e meteorologia.²⁵
• Piloto de DLR: Implementar Classificação Dinâmica de Linha nos 5 corredores de transmissão mais congestionados para desbloquear capacidade imediata.²²
• Diagnóstico da Fila: Usar aprendizado de máquina para triar a fila de interconexão em busca de cargas fantasma e projetos "primeiro-prontos".¹¹

Fase 2: Integração e Aceleração (1-3 Anos)

• Implantação de PINNs: Substituir solvers numéricos tradicionais por ferramentas de estabilidade transitória baseadas em PINN para análise de contingência em tempo real.¹⁵
• Inteligência Topológica: Integrar GNNs nos fluxos de trabalho de estimação de estado e localização de falhas.¹⁷
• Orquestração de Flexibilidade: Implantar agentes baseados em RL para gerenciar cargas de centros de dados colocalizados e programas de resposta da demanda.²⁸

Fase 3: A Rede Senciente (3-5 Anos)

• Redes Autocurativas: Habilitar reconfiguração e restauração da rede totalmente automatizadas e impulsionadas por IA.³³
• Licenciamento Autônomo: Transitar para fluxos de trabalho totalmente agênticos para conformidade de licenciamento federal e estadual.³⁴
• Sinergia Mercado-IA: Usar previsão de preços de alta fidelidade para otimizar o despacho e minimizar o risco de $163 bilhões em custos de capacidade.²⁵

Conclusão: A Vantagem Veriprajna

O déficit da PJM e a crise da fila da ERCOT são sintomas de um atraso tecnológico. A rede elétrica, a máquina mais complexa já construída, está sendo levada aos seus limites pela própria tecnologia que ela luta para alimentar: a IA.

A Veriprajna posiciona-se nessa interseção. Não estamos fornecendo wrappers simples de API; estamos fornecendo os frameworks matemáticos e físicos profundos exigidos para tornar a rede senciente. Ao integrar PINNs para estabilidade, GNNs para topologia e RL para controle, capacitamos nossos clientes a transcender as limitações de sua infraestrutura física. A lacuna de 6,623 MW na PJM não é apenas um déficit; é um mandato por um novo tipo de inteligência.

O futuro pertence àqueles que veem a rede não como uma coleção de fios, mas como um grafo dinâmico de inteligência. A Veriprajna é a parceira para essa transição.

Obras citadas

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