哨兵电网：通过深度 AI 工程应对 6.6 GW PJM 缺口与 230 GW ERCOT 并网危机

北美电力基础设施已进入结构性失稳时期，其标志是传统可调度发电退役与人工智能工作负载驱动的爆发式需求之间不断扩大的鸿沟。2025 年 12 月，美国最大的电网运营商 PJM Interconnection 宣布，2027/2028 交付年容量拍卖出现 6,623 MW 缺口——这是该组织历史上首次出现此类失败。¹ 与此同时，得克萨斯电力可靠性委员会（ERCOT）面临物流与技术瓶颈，大负荷并网排队膨胀至 233 GW，而新增发电量仍整整低一个数量级，约为 23 GW。³ 这两场孪生危机标志着“被动”电网管理时代的终结。

作为一家精英 AI 咨询机构，Veriprajna 认识到，这些问题无法通过部署通用大语言模型（LLM）封装器或标准预测分析来解决。现代电力系统的复杂性——以高阶不确定性与非线性动力学为特征——需要一种“深度 AI”方法。这要求整合物理信息神经网络（PINNs）、拓扑感知图神经网络（GNNs）以及智能体强化学习（RL）框架。以下分析剖析当前电网故障的具体机制，并提供一套全面蓝图，用于部署旨在恢复系统可靠性与经济稳定的企业级 AI 解决方案。

PJM 容量拐点：系统性缺口剖析

PJM Interconnection 的 2027/2028 基础剩余拍卖（BRA）结果，标志着能源市场的分水岭时刻。134,479 MW 发电资源的采购量，比维持“十年一遇”可靠性标准所需的 20% 装机备用裕度目标低 6,623 MW。² 这一缺口已将系统预计备用裕度压低至 14.8%，预示自 2027 年 6 月起切负荷事件风险升高。⁶

拍卖中的经济信号同样严峻。容量价格在整个 PJM 覆盖范围内触及联邦能源监管委员会（FERC）批准的上限 $333.44/MW-day。² 价格上限虽旨在保护电费用户免受极端波动冲击，却实际上掩盖了自由市场本会给出的真实稀缺价格，可能抑制填补缺口所需的投资本身。⁷

PJM 2027/2028 BRA 关键指标	数值 / 详情
出清容量	134,479 MW
可靠性缺口	6,623 MW（低于目标 5.2%）
价格上限（UCAP）	$333.44 / MW-day
区域拍卖总成本	$16.4 Billion
备用裕度	14.8%（目标：20%）
出清新增发电	774 MW（UCAP）

这一缺口的主要驱动因素是“火电退役悬崖”。2011 年至 2023 年间，PJM 见证了 54.2 GW 火电容量退役，另有 24 至 58 GW——相当于高达 30% 的装机容量——面临在 2030 年前退役的风险。¹ 这些退役速度超过新增并网，尤其因为替代资源的“容量价值”显著更低。PJM 内部分析揭示了间歇性缺口：每替换 1 MW 退役火电发电，约需 5.2 MW 光伏或 14 MW 陆上风电才能维持同等可靠性。¹ 这一差距凸显了传统容量规划的局限，以及迫切需要能够优化现有资产基础的深度 AI 模型。

有效负荷承载能力（ELCC）的转变

缺口的一个重要技术催化剂是有效负荷承载能力（ELCC）评级的修订。ELCC 是衡量资源在高峰需求时段对可靠性贡献程度的统计指标。在 2027/2028 拍卖中，PJM 调整了这些评级，以反映间歇性资源随着渗透率上升而边际可靠性价值递减。⁷

间歇性资源的认证下降，而需求响应（DR）则大幅反弹。DR 的 ELCC 从 2026/2027 拍卖的 69% 升至 2027/2028 拍卖的 92%。² 这一上升由监管转变推动：要求 DR 全年所有小时可用，并将冬季峰值负荷的计算改为同时率数值。⁶ 这一转变凸显了 Veriprajna 深度 AI 解决方案的关键机遇：开发需求侧灵活性智能体，在不中断工业运行的前提下保证 92% 可用率。

数据中心：主要需求催化剂

在供应收缩的同时，需求预测飙升。PJM 报告其需求预测增加了 5,250 MW，几乎完全由数据中心的扩张所驱动。⁵ 在 Dominion（弗吉尼亚）、AEP（俄亥俄/印第安纳）和 ComEd（伊利诺伊）等特定区域，10 年平均年度夏季峰值增长预测显著高于区域平均水平，其中 PPL Electric 达到 6.4%。⁸ 负荷集中在特定节点，形成局部“应力区”，变电站故障与输电拥堵风险尖锐。

ERCOT 排队僵局：可扩展性极限与“幽灵”负荷

在 ERCOT 区域，危机尚非出清容量问题，而是并网可行性问题。到 2025 年末，ERCOT 报告大负荷并网排队达 233 GW，较 2024 年底增长 269%。⁹ 作为对照，整个 ERCOT 电网当前峰值需求约为 85 GW。排队规模接近该州当前总峰值负荷的三倍。

申请与现实之间的脱节极为深刻。尽管有 233 GW 在寻求接入，ERCOT 在 2025 年仅同步了 23 GW 新增发电，主要以光伏和电池储能形式。⁴ 剩余发电排队由光伏（158 GW）和电池（175 GW）主导，天然气仅占 47 GW。¹⁰ 这在所申请负荷（主要为 24/7 数据中心负荷）与新增发电排队的间歇性本质之间造成巨大失衡。

ERCOT 排队与负荷动态（Q4 2025）	规模
大负荷并网申请总量	233 GW
数据中心占大负荷申请的份额	77%
排队同比增幅	269%
2025 年已同步新增发电	23 GW
预计输电改造	$14.089 Billion
审核中

这一激增部分由“幽灵”负荷构成——超大规模云厂商提交的投机性申请，他们在多个场址提交多份申请，以对冲哪家公用事业能提供最快或最便宜接入的赌注。¹¹ 这种做法堵塞研究流程，迫使工程师对可能永远无法完成财务交割的项目进行复杂可靠性分析。ERCOT 最近已与 McKinsey 签约以彻底改革该流程，目标是识别“可信”负荷，并在 2026 年初前精简排队。¹²

立法与监管应对：SB 6 与得克萨斯能源基金

得克萨斯州立法者已以参议院第 6 号法案（SB 6）作出回应，该法案强制实施标准化并网规则并改进负荷预测。³ SB 6 还引入大负荷削减机制，要求配备现场备用发电的数据中心在电网紧急情况下可被调用。¹³ 此外，该州设立了 $9 billion 基金（得克萨斯能源基金）以激励可调度燃气电厂建设。然而，这一举措已遭遇阻力；约 35% 的拟议燃气项目已撤回，理由是全球汽轮机短缺与漫长的许可延误。¹¹

传统金融激励未能迅速扩张燃气机队，将巨大负担压在“灵活性要务”上。电网必须变得更智能，因为它无法以 AI 革命的速度在物理上扩张。

深度 AI 要务：超越 LLM 封装器范式

面对这些结构性缺口，能源行业常常把“AI”当作口号，结果通常是浅层实施，例如客服聊天机器人或用于负荷预测的基本回归模型。Veriprajna 断言，这些方案不足以应对当前危机。我们区分“浅层 AI”（通用模型）与“深度 AI”（尊重电网底层物理与拓扑的模型）。

电网不是独立数据点的集合；它是受基尔霍夫定律与摇摆方程支配的同步、高维动力系统。任何用于应对 6.6 GW 缺口的 AI 方案都必须“物理感知”。

用于暂态稳定的物理信息神经网络（PINNs）

传统电力系统稳定研究依赖求解微分代数方程组（DAEs）。对于 PJM 如此大规模的电网，单次暂态稳定仿真可能耗时数小时。这使电网运营商无法进行“实时”预想故障分析。

Veriprajna 的核心能力在于部署物理信息神经网络（PINNs）。与仅从数据学习的标准神经网络不同，PINNs 将系统的物理定律直接嵌入模型的损失函数。对于发电机 k，神经网络被训练以最小化摇摆方程的残差：

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

通过利用自动微分来计算这些导数 $\dot{\delta}$ 和 $\ddot{\delta}$，PINN 确定系统状态可比传统数值求解器 快 87 倍。¹⁵ 更重要的是，PINN 可在任意特定时刻 t 求解状态，而无需顺序时间步进（积分），从而在潜在停电事件期间提供近乎瞬时的“前瞻”能力。¹⁵

拓扑感知图神经网络（GNNs）

电网本质上是图，变电站为节点，输电线路为边。传统机器学习模型常把电网数据当作扁平向量处理，丢失关键空间上下文。深度 AI 利用图神经网络（GNNs）捕捉网络的时空依赖。¹⁷

诸如 GraphSAGE 或图注意力网络（GAT）的 GNN 架构，使模型能够“学习”不同输电走廊的重要性。在关键变电站故障时——例如险些造成 1,200 MW 负荷损失的巴尔的摩事件——GNN 可在毫秒级预测由此产生的电压跌落与频率振荡在整个拓扑上的传播。¹⁷

GAT 节点更新的数学框架为：

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

这一机制确保模型聚焦于电网拓扑中的“关键邻居”，从而提供远比传统基于 SCADA 的规则引擎更准确的故障诊断与定位。¹⁸ 在预测性维护方面，多层 GNN 在识别 30 天内有故障风险的变电站上展示了 0.8935 的 F1 分数，从而可在可靠性事件发生前进行主动干预。²¹

架构深潜：实现感知电网

对一家企业级 AI 咨询机构而言，价值不仅在于算法，更在于使 AI 能够安全、可靠地与运营技术（OT）系统交互的端到端技术架构。

Veriprajna“深度电网”架构

我们提出多层架构，弥合物理资产与决策支持层之间的鸿沟。

1. 物理/物联网层：该层包括传统 SCADA 输入，以及来自基于 LiDAR 的非接触式传感器和动态线路额定值（DLR）装置的高频数据。LineVision 等公司部署的传感器现已为 National Grid 监测超过 275 km 线路，提供导线弧垂与温度的实时数据。²²
2. 数据编排层：该层处理“AI 就绪”数据。现代电网数据以“高阶不确定性”和稀疏测量为特征。²³ 我们采用数据湖架构（基于 Spark/Hadoop）进行自动化异常检测、缺失值填补与合理性检查，然后数据才进入模型。²⁵
3. 物理-AI 引擎：这是 Veriprajna 方案的核心。它并行运行 PINN 与 GNN 模型。PINN 提供暂态稳定的快速求解能力，GNN 提供拓扑感知状态估计与故障预测。
4. 智能体控制层：该层利用强化学习（RL）做出调度决策。通过将电网控制表述为约束马尔可夫决策过程（MDP），RL 智能体可学习满足硬物理约束（例如电压限值）的最优负荷平衡策略。²⁷

动态线路额定值（DLR）与计算机视觉

应对 PJM/ERCOT 容量危机最立即可用的“深度 AI”方案之一，是通过动态线路额定值（DLR）优化现有输电容量。传统静态线路额定值（SLR）基于保守的“最坏情况”假设（例如高温、无风），往往使线路 20-40% 的容量闲置。²⁹

DLR 利用实时大气数据与物联网传感器计算线路的实际热容量。Veriprajna 整合计算机视觉与 LiDAR 数据以监测导线行为。在印第安纳和俄亥俄，AES 利用这些技术将输送容量提高 345 kV 线路上 61% 以及 69 kV 线路上 25%。³⁰ 这项 AI 驱动升级的成本为 $0.39 million，而传统换线改造估计为 $1.63 million。³⁰

DLR 实施影响	静态基线	DLR 优化后	% 改善
输送容量（345 kV）	1,000 MW（估计）	1,610 MW	+61%
输送容量（69 kV）	100 MW（估计）	125 MW	+25%
项目成本（AES 案例）	$1.63M（升级）	$0.39M（AI/物联网）	-76%（成本降低）
部署时间	2-3 年	3-6 个月	-80%（时间缩短）

对于像 PJM 这样到 2027 年面临 6.6 GW 缺口的电网运营商，在 13 州覆盖范围内部署 DLR 可以“在不新建一条线路的情况下释放巨量电力输送容量”。³¹

经济维度：评估不作为的代价

未能达到可靠性标准会带来沉重经济代价。NRDC 的一项新分析发现，PJM 区域的数据中心增长可能导致 2028 年至 2033 年 累计容量成本达 $163 billion。³² 仅在北伊利诺伊的 ComEd 辖区，影响预计为 $21.4 billion，相当于普通居民家庭每月增加 $70。³²

这种价格升级不仅是需求的函数，也是“市场摩擦”的函数。当 PJM 拍卖触及价格上限时，它标志着当前市场结构未能出清所需容量。对工业用户和科技超大规模云厂商而言，这构成对“失负荷价值”（VOLL）的重大风险。

面向高管层的“深度 AI”价值主张

对 Veriprajna 的客户而言，深度 AI 的价值主张是三重的：

1. 资本效率：通过使用 GNN 和 PINN 准确识别稳定运行极限，公用事业可推迟数十亿美元的输电与发电投资。AI 驱动的电网现代化使现有资产得以“编排”，而非用新的落地钢铁基础设施“占领”景观。³³
2. 并网加速：AI 加速的电网模型可将并网研究时间从数年缩短至数月。FERC 第 2023 号令强制实施集群研究，而 Veriprajna 的智能体式 AI 工具可自动筛选 ERCOT 的 233 GW 排队，基于物理可行性与商业就绪度识别“先就绪”项目。³⁴
3. 风险缓解：在极端天气的世界——例如 2021 年 ERCOT 冬季风暴或 PJM 巴尔的摩变电站故障——深度 AI 提供防止级联停电所需的毫秒级响应能力。³⁶

并网 2.0：用智能体式 AI 自动化排队

ERCOT 的 233 GW 排队目前是人力工程工时的瓶颈。FERC 第 2023 号令要求输电服务商维护公开可用的输电容量“热力图”，以帮助开发商找到理想并网点。³⁸ Veriprajna 更进一步，部署充当“数字工程师”的智能体式 AI。

这些智能体利用大语言模型（LLMs）不仅用于对话，还对技术文档与监管申报进行复杂推理。³⁴ 当并网申请提交后，我们的智能体可以：

• 自动筛查合规性：对照 NERC 与 FERC 标准进行检查（例如用于寒冷天气就绪的 EOP-012-3）。³⁷
• 执行自动负荷聚类：基于拓扑约束而非仅按到达时间将项目分组为最优集群。³⁸
• 预测“幽灵”负荷概率：使用机器学习为排队中的项目分配完工可能性评分，使规划人员聚焦于可信需求。¹¹

通过实施这些自动筛查工具，ERCOT 可以从“先到先得”模式转向“先就绪先服务”模式，显著削减目前审核中估计 $14 billion 的输电改造。¹⁰

用于电厂退役预测的深度 AI

PJM 的 6.6 GW 缺口从根本上是预测“退役悬崖”的问题。传统模型往往无法预测何时一座煤电或燃气电厂将变得不经济。Veriprajna 利用堆叠 LSTM（长短期记忆）和梯度提升模型，分析电厂级 CO2 排放、燃料价格与可再生能源渗透率。²⁵

我们的模型在预测电厂退役年限方面达到了 1.072% 的平均绝对百分比误差（MAPE）。⁴⁰ 这使电网运营商能够识别潜在提前退役的“热点”，并在可靠性缺口出现前以定向容量激励或托底采购进行干预。在 ERCOT 区域，35% 的拟议燃气项目已经撤回，这些预测分析对于识别下一代“风险机组”至关重要。¹¹

IT 与 OT 的融合：AI 中的安全与信任

电力行业采用 AI 的关键障碍是对关键基础设施的感知风险。Veriprajna 通过“稳定感知”推理机制应对这一问题。²⁰ 我们不允许 AI 在控制室中作为“黑箱”运行。

相反，我们实施 可解释 AI（XAI）。当 GNN 识别到级联故障风险时，它生成基于图的解释，突出导致风险的特定边（线路）与节点（变电站）。³⁶ 这使人类运营商能在采取行动前验证 AI 的推理。此外，我们的架构确保数字环境安全连接到控制层（DCS 平台），而不扰动已验证的安全关键控制结构。⁴¹

战略路线图：从基础设施到智能

对于应对 2027 年可靠性危机的公用事业与大负荷用户，Veriprajna 建议分三阶段的路线图：

第 1 阶段：基础与可见性（0-12 个月）

• 数据就绪：部署 AI 就绪数据湖，以汇聚 SCADA、物联网与天气数据。²⁵
• DLR 试点：在拥堵最严重的前 5 条输电走廊实施动态线路额定值，以立即释放容量。²²
• 排队诊断：使用机器学习筛查并网排队中的幽灵负荷与“先就绪”项目。¹¹

第 2 阶段：集成与加速（1-3 年）

• PINN 部署：用基于 PINN 的暂态稳定工具替换传统数值求解器，用于实时预想故障分析。¹⁵
• 拓扑智能：将 GNN 集成到状态估计与故障定位工作流中。¹⁷
• 灵活性编排：部署基于 RL 的智能体，管理共址数据中心负荷与需求响应计划。²⁸

第 3 阶段：感知电网（3-5 年）

• 自愈网络：实现完全自动化、AI 驱动的电网重构与恢复。³³
• 自主许可：过渡到完全智能体式的联邦与州许可合规工作流。³⁴
• 市场-AI 协同：使用高保真价格预测优化调度，并将容量成本中的 $163 billion 风险降至最低。²⁵

结论：Veriprajna 的优势

PJM 缺口与 ERCOT 排队危机是技术滞后的症状。作为有史以来最复杂的机器，电网正被它竭力为其供电的技术推向极限：AI。

Veriprajna 将自身定位于这一交汇点。我们提供的不是简单的 API 封装器；我们提供使电网具备感知能力所需的深层数学与物理框架。通过整合用于稳定的 PINN、用于拓扑的 GNN 以及用于控制的 RL，我们使客户能够超越其物理基础设施的局限。PJM 的 6,623 MW 缺口不仅是赤字；它是对一种新型智能的强制令。

未来属于那些不把电网视为导线集合、而视为动态智能图的人。Veriprajna 是这一转型的合作伙伴。

参考文献

1. White House, Governors, and PJM Respond to Grid Capacity Shortfall - Jackson Walker, 2026年2月9日访问, https://www.jw.com/news/insights-grid-capacity-shortfall/
2. PJM Auction Procures 134479 MW of Generation Resources, 2026年2月9日访问, 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日访问, 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日访问, 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日访问, 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日访问, 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日访问, 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日访问, 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日访问, https://www.rtoinsider.com/122182-ercot-add-new-interconnection-rules-large-loads/
10. ERCOT Monthly Operational Overview (October 2025), 2026年2月9日访问, 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日访问, 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日访问, 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日访问, 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日访问, 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日访问, https://arxiv.org/abs/1911.03737
16. Physics-Informed Neural Networks for Power Systems - DTU Research Database, 2026年2月9日访问, 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日访问, 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日访问, 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日访问, https://insidelines.pjm.com/209696-2/
20. Deep Reinforcement Learning for Intelligent Load Balancing in Smart Power Grids, 2026年2月9日访问, https://ieeexplore.ieee.org/document/11153398/
21. Multilayer GNN for predictive maintenance and clustering in power grids - PMC, 2026年2月9日访问, 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日访问, 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日访问, 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日访问, 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日访问, 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日访问, 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日访问, 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日访问, 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日访问, 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日访问, 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日访问, 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日访问, 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日访问, 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日访问, 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日访问, 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日访问, 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日访问, 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日访问, 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日访问, 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日访问, 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日访问, 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日访问, 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日访问, 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日访问, https://www.csis.org/analysis/ai-grid-opportunities-risks-and-safeguards