美国电网刚刚没能通过它最大的一场考验——却没人注意到
去年秋天，我与弗吉尼亚州的一位能源高管通话，他说的一句话让我瞬间僵住了。
“有数据中心向我们申请的电力，已经超过了我们在物理上能够输送的量。不是下个十年的事。就是现在。而我们每拖延一个月，就又有一座燃煤电厂提交退役申请。”
他并没有惊慌——他在这个行业干了三十年。但他的语气里有一种我从未在这种级别的人身上听到过的东西：认命。就像他把账算了足够多遍，已经清楚这道数学题再也算不通了。
那次对话让我一头扎了进去，我在 Veriprajna 的团队为此深挖了好几个月。我们的发现比我预想的更糟。美国最大的电网运营商——PJM Interconnection，为横跨 13 个州的 6500 万人供电——刚刚在其历史上第一次未能采购到足够的电力。缺口是：6,623 兆瓦。这大致相当于六座核反应堆的出力，而这六座反应堆根本不存在。与此同时，在得克萨斯州，电网运营商 ERCOT 正被 233 GW 的并网申请淹没——接近全州整体峰值需求的三倍——而其中绝大多数根本没有现实可行的接入路径。
这些不是某份标注着 2050 年的气候报告里的假设情景。PJM 的缺口将在 2027 年 6 月到来。也就是十八个月之后。
当美国最大的电网出现缺口时，会发生什么？
让我用大白话说说 PJM 2025 年 12 月的容量拍卖结果。每年，PJM 都会举行一场拍卖，发电厂在其中竞价，承诺在需求高峰时保证可用。这本质上就是电网的保险单。今年，这场拍卖出清了 134,479 MW 的容量——比维持那套本应防止停电的可靠性标准所需的容量少了 6,623 MW。
备用容量率降至 14.8%。目标是 20%。而整个区域的容量价格都触及了每兆瓦日 333.44 美元的监管上限——这个价格上限本是为保护消费者而设，如今却成了一副障目的眼罩，掩盖了局势究竟有多么危急。
当价格上限在整整 13 个州的区域内全面触顶时，你看到的就不是市场信号了。你看到的是市场的尖叫。
关于这件事的报道，最让我抓狂的地方很简单。大多数文章把它框定为“燃煤电厂正在退役，而可再生能源的替代速度不够快”。严格来说没错，但极不完整。真正的故事是一种严重到任何常规规划都无法及时弥补的错配。
2011 年至 2023 年间，PJM 因退役损失了 54.2 GW 的火电容量。另有 24 至 58 GW——最高达装机容量的 30%——面临在 2030 年前退役的风险。而下面这个数字应该让每一位电网规划者夜不能寐：要替代 1 MW 退役的燃煤或燃气机组，大约需要5.2 MW 的太阳能或 14 MW 的陆上风电，才能维持同等的可靠性。间歇性带来的差距不是一条脚注。它就是故事的全部。
为什么 ERCOT 的并网排队规模会达到 233 GW？
如果说 PJM 的危机在于供给正在消失，那么得克萨斯州面临的是相反的问题——需求出现的速度比任何人想象的都快。
到 2025 年下半年，ERCOT 的大负荷并网排队规模已达 233 GW。这是269% 的增幅，相较于 2024 年底。为了让你有个规模概念：ERCOT 的总峰值需求约为 85 GW。排队规模接近整个电网的三倍。
数据中心占这些申请的 77%。
我第一次看到这个数字时，以为它被投机性申请抬高了——企业在多个选址同时提交申请，看哪个先获批。我猜对了，但只对了一部分。业内把这些称为“幽灵负荷”，它们确实是个真问题。超大规模云厂商会在几十个选址同时递交申请，让工程研究流程被那些可能永远不会动工的项目堵得水泄不通。ERCOT 最近请来了麦肯锡，帮忙把可信的申请从投机性申请中筛出来——这也说明其内部团队已经不堪重负到什么程度。
但即便剔除掉这些幽灵，真实的需求依然惊人。而供给侧呢？ERCOT 在 2025 年新并网了 23 GW 的发电容量——大部分是太阳能和电池。发电排队中占主导的是 158 GW 的太阳能和 175 GW 的电池储能，天然气只有 47 GW。得州立法机构通过了参议院第 6 号法案，并设立了一只 90 亿美元的基金来激励新建燃气电厂，但已有约 35% 的拟建燃气项目撤回，理由是全球燃气轮机短缺和许可延误。
我在我们研究的交互式版本中更详细地写过这场供需碰撞，但结论很直白：电网在物理上无法以 AI 革命所要求的速度扩张。
我不再相信“多建就行”的那个夜晚
有那么一个具体的夜晚——我和团队正深入建模 PJM 的退役悬崖——我们的一位工程师在屏幕上调出了一张预测图，整个房间安静了下来。
她把 PJM 每一座火电厂的退役风险，与新增发电容量投运的时间线对照了起来。两条线在 2027 年交叉。不是 2030 年。不是 2035 年。缺口在十八个月后张开，此后逐年扩大。
有人说：“所以我们得在一年半里建成大约 7 GW 的可调度发电容量。”
我笑了。不是因为好笑。而是因为在 PJM 辖区内，审批并建成一座燃气电厂平均需要四到七年。新建一条输电线路的平均耗时还要更长。
就是在那一刻，这个论点在我心里成形了。我们不可能靠建设足够快地摆脱困局。电网必须用它已有的基础设施变得聪明得多。而大多数能源公司正在部署的那种“AI”——聊天机器人、基础回归模型、仪表盘分析——面对这个问题简直不堪一用。
电网不需要再多一块仪表盘。它需要会思考。
“深度 AI”对电网究竟意味着什么？
我必须在这里说具体一点，因为“能源领域的 AI”已经变成了那种既包罗万象又什么都不是的说法。当我说深度 AI 时，我指的东西与“在 SCADA 系统（监控与数据采集系统——监测和管理电网运行的工业控制系统）外面包一层大语言模型，然后管它叫创新”截然不同。
电网是一个同步的动力学系统。它遵守基尔霍夫定律（支配电流与电压在电路中行为的基本规则）。发电机之间通过摇摆方程耦合。电压、频率和潮流受物理规律支配，而这些规律不在乎你的训练数据。任何忽视这套物理的 AI 系统，往好里说也只是个玩具。
在 Veriprajna，我们使用三类尊重电网物理现实的模型。
第一类是物理信息神经网络——PINNs——它把真正支配发电机行为的微分方程直接嵌入模型的损失函数。网络不只是从历史数据中学习模式，还会因违反物理定律而受到惩罚。结果是：暂态稳定性分析的运行速度提升到了87 倍，相较于传统的数值求解器。对于一个正盯着潜在连锁故障的电网运营商来说，这就是“预测到停电”与“亲身经历停电”之间的区别。
接下来是图神经网络，它把电网视作其本来的样子——一张图，变电站是节点，输电线路是边。传统机器学习会把这个结构压平成一张数据表，从而丢失了最关键的空间关系。图神经网络能在毫秒级预测某座变电站的电压跌落如何沿着网络拓扑传播。我们的多层 GNN 架构在识别 30 天内存在故障风险的变电站上，已达到 0.89 的 F1 分数（一种平衡精确率与召回率的预测准确度度量）。
第三类——也是我认为对实时运行最有前景的一类——是强化学习智能体，它把电网控制当作一个带约束的优化问题来做出调度决策。它们学习的策略必须满足硬性物理约束——电压限值、载流量限值、频率边界——同时最大化可靠性并最小化成本。
这些都不是理论。我们已经把这些系统建出来了。而它们能做到的事，与大多数公用事业公司当下所用的东西之间，差距是巨大的。
如何在不新建一座电厂的情况下找出 6.6 GW？
这就是一直萦绕在我们心头的问题。而答案要从能源行业最被低估的技术之一说起：动态线路载流量（Dynamic Line Rating）。
美国的每一条输电线路都有一个“静态”额定值——基于温度和风速的最坏情况假设，所允许承载的最大功率。这些假设是刻意保守的。在大多数日子里，线路的实际热容量比静态额定值所允许的高出 20-40%。
动态线路载流量利用实时气象数据和物联网传感器，计算线路此刻实际能承载多少，而不是在百年一遇的最坏日子里能承载多少。我们整合计算机视觉和 LiDAR（激光探测与测距——一种基于激光的遥感技术）数据，持续监测导线弧垂和温度。
效果并非小打小闹。在印第安纳州和俄亥俄州，AES 部署了这些技术，将 345 kV 线路的输电能力提高了61%——成本仅为 39 万美元，而传统的导线更换需要 163 万美元。这相当于成本降低 76%，部署时间缩短 80%。
现在把这个乘以 PJM 覆盖的 13 个州。单靠 DLR 你补不上全部 6.6 GW 的缺口，但你能在不浇筑一块地基的情况下啃下很大一块。
最便宜的那一兆瓦，是早已在你的导线里流动、而你却不知道自己拥有的那一兆瓦。
没人在问的 1630 亿美元问题
从这里开始，经济账变得真正令人不安。美国自然资源保护委员会的一项分析发现，PJM 区域的数据中心增长可能带来1630 亿美元的累计容量成本，时间跨度为 2028 年至 2033 年。仅在伊利诺伊州北部——ComEd 辖区——预计影响就达 214 亿美元，折算下来相当于普通家庭每月额外支出约 70 美元。
换个说法。这场本应改造经济的 AI 热潮，可能让你的电费每年上涨 840 美元——而这还只是在一个公用事业辖区之内。
当我把这些数字摆在科技公司高管面前时，我看着他们的表情起变化。他们懂服务器成本、网络成本、人才成本。但他们中的大多数还没有真正意识到：驱动其 AI 模型的电力即将变得贵得多——甚至可能根本买不到——因为为他们的数据中心供电的电网，在结构上就缺容量。
这不是一个仅靠市场力量就能自行化解的问题。当 PJM 的拍卖在整个区域内触及价格上限时，市场是在告诉你：它坏了。本应吸引新投资的价格信号被人为压制，于是投资不来，于是缺口持续存在。
AI 真的能筛查 233 GW 的并网申请吗？
我最兴奋的项目之一，是我们一直在为并网排队问题打造的东西。FERC（美国联邦能源监管委员会）2023 号令要求输电供应商维护公开的可用容量“热力图”，但真正的研究流程——判定某个特定项目能否在某个特定节点接入而不使电网失稳——仍然极其依赖人工。
我们正在部署我称之为并网筛查智能体 AI 的东西。它们不是聊天机器人。它们是能够自主推理的系统：可以摄入一份并网申请，对照 NERC（北美电力可靠性公司——为电网制定可靠性标准的机构）和 FERC 的标准进行核查，使用我们的 GNN 模型运行拓扑可行性分析，并根据项目的商业与物理就绪度给出一个完工可能性评分。
目标是把 ERCOT——并最终把其他电网运营商——从“先到先得”的排队模式转向“先就绪先得”的模式。当你手上有 233 GW 的申请而实际新增发电只有 23 GW 时，识别哪些项目是真的、哪些是投机的能力就不是锦上添花了。它关乎生死存亡。
若想了解我们架构的完整技术拆解——包括 PINN 的公式化表述、GNN 拓扑和 RL 控制框架——请参阅我们的研究论文。
“可是，你能放心把电网交给 AI 吗？”
我经常听到这个问题。通常来自那些看过足够多企业级 AI 演示、因而心存怀疑的人——说实话，他们就该怀疑。电网是关键基础设施。聊天机器人给出一条糟糕的建议，浪费的是某个人的一个下午。电网控制系统给出一条糟糕的建议，会让一家医院陷入黑暗。
这就是为什么我们拒绝在运行环境中部署黑箱模型。我们的 GNN 做出的每一个预测都附带一份基于图的解释——它会标出导致某项风险评估的具体输电线路和变电站，好让人类操作员在采取行动前核验其推理过程。我们称之为稳定性感知推理：AI 提议，物理约束，人来决定。
我的团队为此争论了好几周。我们的一些工程师希望推动更高程度的自主控制——在实时调度上，RL 智能体确实比大多数人工流程做得更好。但我一次次回到同一条原则：在安全攸关的系统里，可解释性不是一项功能。它是前提条件。
我们对 IT/OT 边界（信息技术系统与控制物理设备的运行技术之间的分界）也一直很谨慎。我们的架构在不修改已经过验证的安全攸关控制结构的前提下，接入现有的分布式控制系统。AI 层与控制层并列，而不是凌驾其上。
退役悬崖是可以预测的——前提是你用对了模型
还有一件让我夜不能寐的事。如果你有合适的预测工具，PJM 那 6.6 GW 的缺口并不意外。我们用堆叠 LSTM（长短期记忆网络——一类处理序列数据的神经网络）和梯度提升构建了退役预测模型，分析电厂层面的经济性——CO2 排放、燃料价格、当地市场的可再生能源渗透率、维护成本、监管敞口。
我们的模型预测电厂退役时点的平均绝对百分比误差为1.07%。这种精度让电网运营商拥有两到三年的预警窗口，可以在可靠性缺口张开之前进行干预——通过定向容量激励、兜底采购，或加快替代资源的并网。
PJM 在 2025 年措手不及，并不是因为退役悬崖无法预测。而是因为用来预测它的工具不够好。
有人有时会反驳：“这不就是更好的预测吗？到底‘深’在哪里？”深度在于模型理解了什么。标准回归模型看到的是一座燃煤电厂的年龄和燃料成本。我们的模型看到的是它在输电拓扑中的位置、其定价区内的可再生能源饱和度、所在州的政治环境，以及它退役对每一座相连变电站产生的连锁可靠性影响。这不是一张电子表格。这是电网经济物理学的数字孪生。
接下来会走向何方
我不认为 PJM 的缺口或 ERCOT 的排队危机会是同类事件中的最后一起。我认为它们是第一起。北美的每一家大型电网运营商，都将面对这场碰撞的某个版本：火电退役、AI 驱动的爆炸式需求，以及基础设施建设速度的物理极限。
能成功穿越这一关的公用事业公司，不会是建得最多的那些。而会是编排得最好的那些——通过 DLR 从既有线路中榨出每一兆瓦可用容量，在退役酿成紧急事态之前把它预测出来，用 AI 而不是成群的工程师来筛查并网排队，并把实时稳定性分析从几小时压缩到毫秒级。
PJM 那 6,623 MW 的缺口不只是拍卖报告上的一个数字。它是我们拥有的电网与我们需要的电网之间的距离。而这个距离每个月都在拉大。
电网是人类造过的最复杂的机器。我们却要它为人类造过的最复杂的软件供电。总有东西要让步——但不该是灯光。
我们能够弥合这道缺口。不是靠假装 AI 是魔杖，而是靠构建尊重物理、理解拓扑、并赢得那些让灯亮着的操作员信任的 AI 系统。这就是我们要做的工作。而电网没有时间等任何人慢慢摸索。