哨兵電網：以深度 AI 工程因應 6.6 GW PJM 容量缺口與 230 GW ERCOT 併網危機

北美電力基礎設施已進入結構性不穩定時期，特徵是傳統可調度機組退役與人工智慧工作負載驅動的爆發性需求之間的鴻溝持續擴大。2025 年 12 月，美國最大電網營運商 PJM Interconnection 宣布，2027/2028 交付年度容量拍賣出現 6,623 MW 缺口——這是該組織史上首次此類失敗。¹ 與此同時，德州電力可靠性委員會（ERCOT）面臨物流與技術瓶頸，大型負載併網佇列膨脹至 233 GW，而新增發電量仍低整整一個數量級，約為 23 GW。³ 這兩場危機標誌著「被動」電網管理時代的終結。

身為頂尖 AI 顧問公司，Veriprajna 認知到，這些挑戰無法透過部署通用大型語言模型（LLM）包裝層或標準預測分析來解決。現代電力系統的複雜性——以高階不確定性與非線性動態為特徵——需要「深度 AI」途徑。這意味著整合物理資訊神經網路（PINNs）、拓撲感知圖神經網路（GNNs），以及代理式強化學習（RL）框架。以下分析剖析當前電網故障的具體機制，並提供企業級 AI 解決方案的全面藍圖，旨在恢復系統可靠性與經濟穩定。

PJM 容量轉折：系統性赤字剖析

PJM Interconnection 的 2027/2028 基礎剩餘拍賣（BRA）結果，是能源市場的分水嶺時刻。134,479 MW 發電資源的採購量，比維持「十年一遇」可靠性標準所需的 20% 裝置備轉容量目標短少 6,623 MW。² 此一缺口已使系統預估備轉容量率降至 14.8%，顯示自 2027 年 6 月起卸載事件風險升高。⁶

拍賣中的經濟訊號同樣嚴峻。容量價格在整個 PJM 營運範圍內觸及聯邦能源管制委員會（FERC）核準的上限 $333.44/MW-day。² 雖然價格上限旨在保護費率用戶免於極端波動，卻實際上掩蓋了自由市場本會給出的真實稀缺價格，可能抑制填補缺口所需的投資。⁷

PJM 2027/2028 BRA 關鍵指標	數值／細節
得標容量	134,479 MW
可靠性缺口	6,623 MW（低於目標 5.2%）
價格上限（UCAP）	$333.44 / MW-day
區域拍賣總成本	$16.4 Billion
備轉容量率	14.8%（目標：20%）
得標新建發電	774 MW（UCAP）

此一赤字的主要驅動因素是「熱力機組退役懸崖」。2011 至 2023 年間，PJM 退役了 54.2 GW 熱力容量，另有 24 至 58 GW——相當於高達 30% 的裝置容量——面臨在 2030 年前退役的風險。¹ 這些退役速度快於新進場速度，尤其因為替代資源的「容量價值」明顯較低。PJM 內部分析揭示間歇性缺口：每替換 1 MW 退役熱力發電，約需 5.2 MW 太陽能或 14 MW 陸上風電，才能維持同等可靠性。¹ 此一落差凸顯傳統容量規劃的局限，以及迫切需要能優化既有資產基礎的深度 AI 模型。

有效負載承載能力（ELCC）的轉變

缺口的一項重要技術催化因素是有效負載承載能力（ELCC）評等的修訂。ELCC 是衡量資源在尖峰需求期間對可靠性貢獻程度的統計指標。在 2027/2028 拍賣中，PJM 調整這些評等，以反映間歇性資源隨滲透率上升而遞減的邊際可靠性價值。⁷

雖然間歇性資源的認證評等下降，需量反應（DR）卻大幅反彈。DR 的 ELCC 從 2026/2027 拍賣的 69% 升至 2027/2028 拍賣的 92%。² 此一升幅源自監管轉變——要求 DR 全年所有時段皆可調度——以及冬季尖峰負載改以同時值計算。⁶ 此一轉變凸顯 Veriprajna 深度 AI 解決方案的關鍵機會：開發需量側彈性的智慧代理，在不干擾工業運轉的前提下保證 92% 可用率。

資料中心：主要需求催化劑

供給收縮之際，需求預測卻激增。PJM 報告需求預測增加 5,250 MW，幾乎完全由資料中心擴散所驅動。⁵ 在 Dominion（維吉尼亞）、AEP（俄亥俄／印第安納）與 ComEd（伊利諾）等特定區域，十年平均年夏季尖峰成長預測顯著高於區域平均，其中 PPL Electric 達到 6.4%。⁸ 此負載集中於特定節點，形成局部「壓力區」，變電所故障與輸電壅塞風險尖銳。

ERCOT 佇列僵局：可擴充性極限與「幻影」負載

在 ERCOT 區域，危機尚非得標容量問題，而是併網可行性問題。至 2025 年底，ERCOT 報告大型負載併網佇列達 233 GW，較 2024 年底增加 269%。⁹ 作為對照，整個 ERCOT 電網目前尖峰需求約為 85 GW。佇列量幾乎是該州目前總尖峰負載的三倍。

申請與現實之間的落差極深。雖然有 233 GW 尋求併網，ERCOT 在 2025 年僅同步了 23 GW 新增發電，多為太陽能與電池儲能。⁴ 其餘發電佇列以太陽能（158 GW）與電池（175 GW）為主，天然氣僅佔 47 GW。¹⁰ 這造成申請負載（主要為全年無休的資料中心負載）與新增發電佇列間歇特性之間的巨大失衡。

ERCOT 佇列與負載動態（2025 年第四季）	量級
大型負載併網申請總量	233 GW
資料中心佔大型負載申請比例	77%
佇列年增率	269%
2025 年已同步新增發電	23 GW
預估輸電改善	$14.089 Billion
審查中

此波激增部分由「幻影」負載構成——超大規模業者的投機申請，在多個場址提交多份申請，以對沖哪個公用事業能提供最快或最便宜的併網。¹¹ 此做法堵塞研究流程，迫使工程師對可能永遠無法達成財務結案的專案進行複雜可靠性分析。ERCOT 近期已與 McKinsey 簽約徹底改革此流程，目標在 2026 年初識別「可信」負載並精簡佇列。¹²

立法與監管回應：SB 6 與德州能源基金

德州立法者已以參議院第 6 號法案（SB 6）回應，該法案強制標準化併網規則並改善負載預測。³ SB 6 亦引入大型負載減載機制，要求具備場址備援發電的資料中心在電網緊急時可被呼叫。¹³ 此外，該州設立了 $9 billion 基金（Texas Energy Fund）以激勵可調度燃氣電廠興建。然而此倡議已面臨逆風；約 35% 的擬議燃氣專案已撤回，理由是全球渦輪機短缺與冗長的許可延遲。¹¹

傳統財務誘因未能迅速擴充燃氣機隊，使「彈性急務」承受巨大負擔。電網必須變得更智慧，因為它無法以 AI 革命的速度實體成長。

深度 AI 急務：超越 LLM 包裝層典範

面對這些結構性赤字，能源部門經常把「AI」當流行語，結果通常是膚淺實作，例如客服聊天機器人或負載預測的基本迴歸模型。Veriprajna 主張這些方案不足以因應當前危機。我們區分「淺層 AI」（通用模型）與「深度 AI」（尊重電網底層物理與拓撲的模型）。

電網不是一組獨立資料點；它是受基爾霍夫定律與搖擺方程式支配的同步高維動力系統。任何部署來因應 6.6 GW 缺口的 AI 解決方案都必須「物理感知」。

物理資訊神經網路（PINNs）用於暫態穩定

傳統電力系統穩定研究仰賴求解微分代數方程組（DAEs）。對如 PJM 這般大型電網，單次暫態穩定模擬可能耗時數小時。這使電網營運商無法進行「即時」預想事故分析。

Veriprajna 的核心能力在於部署物理資訊神經網路（PINNs）。與僅從資料學習的標準神經網路不同，PINNs 將系統物理定律直接嵌入模型損失函數。對發電機 k，神經網路被訓練以最小化搖擺方程式的殘差：

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

藉由自動微分計算導數 $\dot{\delta}$ 與 $\ddot{\delta}$，PINNs 判定系統狀態可比傳統數值求解器最高 87 倍更快。¹⁵ 更重要的是，PINNs 可在任意特定時間 t 求解狀態，無需循序時間步進（積分），從而在潛在停電事件期間提供近乎即時的「前瞻」能力。¹⁵

拓撲感知圖神經網路（GNNs）

電網本質上是圖：變電所為節點，輸電線為邊。傳統機器學習模型常將電網資料視為扁平向量，因而失去關鍵空間脈絡。深度 AI 利用圖神經網路（GNNs）捕捉網路的時空相依性。¹⁷

GraphSAGE 或圖注意力網路（GAT）這類 GNN 架構，使模型能「學習」不同輸電走廊的重要性。在關鍵變電所故障時——例如險些造成 1,200 MW 負載損失的巴爾的摩事件——GNN 可在毫秒內預測由此產生的電壓驟降與頻率振盪在整個拓撲上的傳播。¹⁷

GAT 節點更新的數學框架為：

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

此機制確保模型聚焦電網拓撲中的「關鍵鄰接」，提供遠比傳統 SCADA 規則引擎更準確的故障診斷與定位。¹⁸ 在預測性維護方面，多層 GNN 識別 30 日內有故障風險的變電所，F1 分數達 0.8935，從而可在可靠性事件發生前主動介入。²¹

架構深探：實作感知電網

對企業級 AI 顧問公司而言，價值不僅在演算法，更在讓 AI 能安全、可靠地與營運技術（OT）系統互動的端到端技術架構。

Veriprajna「深度電網」架構

我們提出多層架構，彌合實體資產與決策支援層之間的落差。

1. 實體／物聯網層：此層包含傳統 SCADA 輸入，加上來自光達（LiDAR）非接觸感測器與動態線路額定（DLR）裝置的高頻資料。LineVision 等公司部署的感測器，現已為 National Grid 監測超過 275 km 線路，提供導線垂度與溫度的即時資料。²²
2. 資料協調層：此層處理「AI 就緒」資料。現代電網資料的特徵是「高階不確定性」與稀疏量測。²³ 我們利用資料湖架構（基於 Spark/Hadoop）在資料到達模型前執行自動化異常偵測、缺值填補與合理性檢查。²⁵
3. 物理－AI 引擎：這是 Veriprajna 方案的核心。它並行運行 PINN 與 GNN 模型。PINN 提供暫態穩定的快速求解能力，GNN 則提供拓撲感知狀態估計與故障預測。
4. 代理式控制層：此層利用強化學習（RL）做出調度決策。透過將電網控制表述為約束馬可夫決策過程（MDP），RL 代理可學習滿足硬性物理約束（例如電壓限值）的負載平衡最優策略。²⁷

動態線路額定（DLR）與電腦視覺

因應 PJM/ERCOT 容量危機最即時的「深度 AI」方案之一，是透過動態線路額定（DLR）優化既有輸電容量。傳統靜態線路額定（SLRs）基於保守的「最劣情況」假設（例如高溫、無風），往往使線路 20-40% 的容量閒置。²⁹

DLR 利用即時大氣資料與物聯網感測器計算線路實際熱容量。Veriprajna 整合電腦視覺與光達資料以監測導線行為。在印第安納與俄亥俄，AES 運用這些技術使輸送容量提高 61%（於 345 kV 線路） 以及 25%（於 69 kV 線路）。³⁰ 此次 AI 驅動升級成本為 $0.39 million，相較傳統更換導線預估 $1.63 million。³⁰

DLR 實施影響	靜態基準	DLR 優化後	% 改善
輸送容量（345 kV）	1,000 MW（估）	1,610 MW	+61%
輸送容量（69 kV）	100 MW（估）	125 MW	+25%
專案成本（AES 案例）	$1.63M（升級）	$0.39M（AI/IoT）	-76%（成本降低）
部署時間	2-3 年	3-6 個月	-80%（時間縮短）

對如 PJM 這般面臨 2027 年前 6.6 GW 缺口的電網營運商而言，在 13 州營運範圍內部署 DLR，可「在不興建任何新線路的情況下釋放巨量輸電容量」。³¹

經濟面向：評估不作為的代價

未能達成可靠性標準會帶來沉重經濟代價。NRDC 的新分析發現，PJM 區域資料中心成長可能在 2028 至 2033 年造成 $163 billion 的累計容量成本。³² 僅北伊利諾 ComEd 轄區，影響即預估達 $21.4 billion，相當於平均住宅用戶每月增加 $70。³²

此價格攀升不僅是需求函數，更是「市場摩擦」的結果。當 PJM 拍賣觸及價格上限，即顯示當前市場結構未能出清所需容量。對工業用戶與科技超大規模業者而言，這對「失載價值」（VOLL）構成重大風險。

給高階主管的「深度 AI」價值主張

對 Veriprajna 的客戶而言，深度 AI 的價值主張有三：

1. 資本效率：透過 GNN 與 PINN 準確識別穩定運轉極限，公用事業可遞延數十億美元的輸電與發電投資。AI 驅動的電網現代化，讓既有資產得以「協調調度」，而非以新的落地鋼鐵基礎設施「支配」地景。³³
2. 併網加速：AI 加速的電網模型可將併網研究時間從數年縮至數月。FERC Order 2023 強制群集研究，Veriprajna 的代理式 AI 工具可自動化篩選 233 GW 的 ERCOT 佇列，依據物理可行性與商業就緒度識別「先就緒」的專案。³⁴
3. 風險緩解：在極端天氣的世界——例如 2021 年 ERCOT 冬季暴風或 PJM 巴爾的摩變電所故障——深度 AI 提供防止級聯停電所需的毫秒級回應能力。³⁶

併網 2.0：以代理式 AI 自動化佇列

ERCOT 233 GW 佇列目前是人力工程工時的瓶頸。FERC Order 2023 要求輸電業者維持公開可用的輸電容量「熱圖」，以協助開發商找到理想併網點。³⁸ Veriprajna 更進一步，部署充當「數位工程師」的代理式 AI。

這些代理利用大型語言模型（LLMs）不僅聊天，而是對技術文件與監管申報執行複雜推理。³⁴ 當併網申請提交後，我們的代理可以：

• 自動篩選合規性：對照 NERC 與 FERC 標準檢查（例如寒冷天氣整備的 EOP-012-3）。³⁷
• 執行自動負載分群：依拓撲約束而非僅依到達時間，將專案分入最優群集。³⁸
• 預測「幻影」負載機率：以機器學習為佇列中專案賦予完工可能性分數，讓規劃者聚焦可信需求。¹¹

透過實施這些自動篩選工具，ERCOT 可從「先到先服務」模式轉為「先就緒先服務」模式，大幅降低目前審查中預估 $14 billion 的輸電改善。¹⁰

電廠退役預測的深度 AI

PJM 的 6.6 GW 缺口根本上是預測「退役懸崖」的問題。傳統模型往往無法預測燃煤或燃氣電廠何時變得不經濟。Veriprajna 利用堆疊 LSTM（長短期記憶）與梯度提升模型，分析電廠層級 CO2 排放、燃料價格與再生能源滲透率。²⁵

我們的模型在預測電廠退役年齡方面，平均絕對百分比誤差（MAPE）達 1.072%。⁴⁰ 這讓電網營運商能識別潛在提前退役的「熱點」，並在可靠性缺口出現前，以針對性容量誘因或後援採購介入。在 ERCOT 區域，35% 擬議燃氣專案已撤回，這些預測分析對識別下一代「風險機組」至關重要。¹¹

IT 與 OT 的匯流：AI 中的安全與信任

電力部門採用 AI 的關鍵障礙，是對關鍵基礎設施所認知的風險。Veriprajna 透過「穩定感知」推論機制因應此問題。²⁰ 我們不容許 AI 在控制室以「黑箱」運作。

相反，我們實施 可解釋 AI（XAI）。當 GNN 識別級聯故障風險時，它產生基於圖的解釋，凸顯促成該風險的特定邊（線路）與節點（變電所）。³⁶ 這讓人類操作員能在採取行動前核實 AI 的推理。此外，我們的架構確保數位環境安全連接至控制層（DCS 平台），而不干擾已驗證的安全關鍵控制結構。⁴¹

策略路線圖：從基礎設施到智慧

對因應 2027 可靠性危機的公用事業與大型負載客戶，Veriprajna 建議三階段路線圖：

第一階段：基礎與可視性（0-12 個月）

• 資料就緒：部署 AI 就緒資料湖，彙總 SCADA、物聯網與氣象資料。²⁵
• DLR 試點：在最壅塞的前 5 條輸電走廊實施動態線路額定，以立即釋放容量。²²
• 佇列診斷：以機器學習篩選併網佇列中的幻影負載與「先就緒」專案。¹¹

第二階段：整合與加速（1-3 年）

• PINN 部署：以基於 PINN 的暫態穩定工具取代傳統數值求解器，用於即時預想事故分析。¹⁵
• 拓撲智慧：將 GNN 整合進狀態估計與故障定位工作流程。¹⁷
• 彈性協調：部署基於 RL 的代理，管理共址資料中心負載與需量反應方案。²⁸

第三階段：感知電網（3-5 年）

• 自癒網路：實現全自動、AI 驅動的電網重構與復原。³³
• 自主許可：轉為聯邦與州許可合規的全代理式工作流程。³⁴
• 市場－AI 綜效：以高保真價格預測優化調度，並將容量成本中的 $163 billion 風險降至最低。²⁵

結論：Veriprajna 優勢

PJM 缺口與 ERCOT 佇列危機是技術滯後的症狀。電力電網——有史以來最複雜的機器——正被它竭力供電的技術本身推向極限：AI。

Veriprajna 將自身定位於此交會點。我們提供的不是簡單的 API 包裝層；我們提供讓電網具備感知所需的深層數學與物理框架。透過整合 PINNs 以穩定性、GNNs 以拓撲、RL 以控制，我們使客戶超越其實體基礎設施的局限。PJM 的 6,623 MW 缺口不僅是赤字；它是對新型智慧的指令。

未來屬於那些不把電網視為電線集合、而視為動態智慧圖的人。Veriprajna 是此一轉型的夥伴。

參考文獻

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