Tom Nudell, administrerende direktør og medstifter af Piq Energy – Interviewserie

Tom Nudell, administrerende direktør og medstifter af Piq Energy, er elsystemingeniør og teknologileder med omfattende erfaring inden for netanalyse, transmissionsplanlægning og energiinfrastruktur. Før han grundlagde Piq Energy, tilbragte han næsten syv år hos Smart Wires, hvor han havde flere ledende roller inden for analyse og til sidst blev Director of Product and Solution Analytics. Her stod han i spidsen for tværfaglige teams af transmissionsplanlæggere, softwareingeniører og analytikere, som arbejdede med avancerede netplanlægningsstudier og automatiserede analysesystemer. Tidligere var Nudell postdoc ved MIT, hvor hans arbejde fokuserede på robusthed i sammenkoblede energisystemer, energistyring i mikronet og transaktiv styring. Han forskede også ved North Carolina State University i at lokalisere forstyrrelser i store elnet ved hjælp af realtidsmålinger, fysikinformeret maskinlæring, reguleringsteori og optimering.

Piq Energy er en softwarevirksomhed inden for netplanlægning, der fokuserer på at fremskynde tilslutningen af nye energiprojekter, datacentre og andre store elforbrugere til elnettet. Platformen gør det muligt for projektudviklere og forsyningsselskaber at udføre komplekse netstudier internt, automatisere tekniske arbejdsgange, vurdere mulige nettilslutningspunkter og afprøve mange projekt- og netscenarier hurtigere. Piq udvikler en agentbaseret platform til netplanlægning, som samler elsystemmodeller, data, ingeniørværktøjer og AI-drevne arbejdsgange i ét miljø med anvendelser inden for solenergi, vindenergi, batterilagring og udvikling af store belastninger. Virksomheden oplyser, at dens teknologi håndterer mere end 1.000 transmissionsnetmodeller og er blevet brugt til at gennemføre mere end 10.000 tekniske arbejdsgange. Målet er at mindske en af de største flaskehalse for ny energi- og computerinfrastruktur: langvarige nettilslutningsprocesser.

Din karriere spænder over forskning i fysikinformeret maskinlæring, arbejde med netrobusthed ved MIT og syv år med at opbygge analysekapacitet til transmissionsplanlægning hos Smart Wires. Hvordan førte de erfaringer dig til at identificere det konkrete problem, som blev til Piq Energy?

Min ph.d. var inden for beregningsbaserede elsystemer, hvor jeg fokuserede på overvågning og styring af store områder i realtid. Derefter tog jeg en postdoc ved MIT om robuste elnet og dynamiske markedsmekanismer. Efter min postdoc begyndte jeg hos Smart Wires, hvor jeg i syv år opbyggede og skalerede analyseteamet fra grunden. Mit team dækkede elsystemteknik globalt på fire kontinenter med ekspertise i effektflow, markedssimulering, dynamik, elektromagnetiske transienter (EMT) og hardware-in-the-loop.

Inden for tre måneder efter min start hos Smart Wires indså jeg, at netplanlægning grundlæggende er et enormt og komplekst datavidenskabeligt problem. Jeg begyndte at forestille mig, hvordan man kunne strømline og automatisere de dyreste dele af processen: definitionen af analysen, koordineringen mellem forskellige fageksperter samt opbygning og validering af modeller. For at forbedre netplanlægningsprocessen udviklede vi nogle centrale idéer. Den første var reproducerbarhed: Hvis en analyse er 100 % reproducerbar, bør marginalomkostningen ved, at en anden person eller ekspert kører analysen igen, være nul. Denne reproducerbarhed er afgørende for et gnidningsfrit samarbejde mellem projektudviklere, forsyningsselskaber og andre tredjeparter om netstudier. Den anden idé var at anvende princippet om, at »alle modeller er forkerte, men nogle er nyttige«, og fokusere på at verificere, at vi har en nyttig model til den aktuelle opgave, frem for at forsøge at opbygge og administrere den mest »nøjagtige« model til alt. (Når vi her taler om »modeller«, mener vi netmodeller samt dynamiske modeller af enheder, anlæg og lignende.)

Disse første indsigter fik min medstifter Dio og mig til at drømme om en avanceret softwareplatform, der kunne automatisere det arbejde, vi udførte. Samtidig så vi, hvordan tilslutningskøen blev en enorm flaskehals for elnettet. Vi så også de stigende udfordringer ved at tilslutte nyere netteknologier, herunder inverterbaserede ressourcer (IBR’er, som omfatter alle nye projekter for vedvarende energi) og netforbedrende teknologier som den SmartValve-hardware, Smart Wires solgte. Dio og jeg indså, at vi vidste, hvordan disse problemer kunne løses, men at vi måtte starte en softwarevirksomhed for at gøre det.

Der er tre elementer: For det første lagde min baggrund i beregningsbaserede elsystemer og erfaringen med at lede et globalt analyseteam fundamentet. For det andet var det arbejde, vi allerede havde udført hos Smart Wires, beviset på, at der kunne skabes reel, håndgribelig værdi. Og endelig var det overordnede klima – udfordringens størrelse, som også er mulighedernes størrelse – katalysatoren, der fik os til at tage springet og starte Piq Energy.

Piq beskriver sig selv som en »agentbaseret platform til netplanlægning«. Hvad gør systemet agentbaseret frem for blot at være en automatiserings- eller analyseplatform, og hvilke opgaver kan dets AI-agenter planlægge og udføre selvstændigt?

Piq fremskynder nettilslutning. Teknisk analyse er i øjeblikket den største flaskehals i tilslutningsprocessen, så vi bygger en selvstændig platform til netplanlægning for at fremskynde disse tekniske analyser.

Der findes forskellige niveauer af automatisering. I dag er disse niveauer ikke udtrykkeligt defineret for netplanlægning og tilslutning, men man kan forestille sig noget, der svarer til SAE’s automatiseringsniveauer for bilkørsel. Jeg hentydede til denne idé i min artikel fra 2018, som blev udgivet på CIGRE World Congress [T. Nudell et al., »On Developing Automated Tools for Reliability Planning«, CIGRE Paris C1-201, 2018.].

Nu har vi denne fantastiske generelle teknologi i form af store sprogmodeller, og hos Piq finder vi ud af, hvordan vi kan udnytte agentbaseret autonomi, samtidig med at vi sikrer, at fysikken og ingeniørarbejdet udføres korrekt, fuldt reproducerbart og revisionsklart hver eneste gang.

I dag konfigurerer vores agent modeller og scenarier, starter studier, sammenholder offentliggjorte rapporter, analyserer resultater og skriver nye rapporter, der er forankret i dataene fra studierne.

Netstudier bygger på etableret ingeniørsoftware, detaljerede netmodeller og strenge fysiske begrænsninger. Hvordan kombinerer Piq AI med disse deterministiske værktøjer uden at lade en probabilistisk model tilsidesætte elsystemets underliggende fysik?

Du har ret i, at netstudier bygger på etableret software, detaljerede modeller og kendt fysik. Vores platform gør det muligt for agenter at udvide den menneskelige ekspertise. De informeres af vores data og kontekst om, hvilke typer studier der skal køres, og hvordan scenarier skal konfigureres, hvorefter analysen forankres i konkrete resultatdata.

Alt derimellem er imidlertid skalerbar, deterministisk automatisering. Agenter skriver aldrig ny kode, og der anvendes ingen ukendte fysiksimulatorer. Det giver en platform med langt større troværdighed end andre tilgange, fordi agentens arbejde er reproducerbart og revisionsklart og bliver udført korrekt hver gang. Med andre ord bør en menneskelig ingeniør, der undersøger resultatet, kunne gentage hvert trin i processen og nå frem til de samme resultater.

Hvilke dele af et traditionelt nettilslutnings- eller transmissionsplanlægningsstudie kan Piq automatisere i dag, og hvilke beslutninger skal fortsat gennemgås og godkendes af en kvalificeret ingeniør?

I dag giver Piq projektudviklere en række værktøjer til hele processen for nettilslutningsstudier.

Det første er en overordnet screening af uudnyttede områder i stor skala, som vi kalder regional screeninganalyse. Den giver et varmekort over N-1-reservekapaciteten ved hver node i en region, så man kan se, hvor nettet faktisk har plads, før man binder sig til en placering.

Det andet er en mere dybtgående screening på en bestemt placering – et POI-studie eller punktscreening. Disse studier går i dybden med ét nettilslutningspunkt: alle netbegrænsninger, mulige opgraderinger og hvad disse opgraderinger vil koste for et projekt, der tilsluttes dér.

Det tredje er køhåndtering. Her kan projektudviklere gennemspille spilteorien i et klyngestudie ved at forstå den detaljerede omkostningsfordeling, og hvordan fordelingen ændrer sig, når gruppen af producenter ændres. Projekter ændrer størrelse, projekter falder fra, andre udviklere handler, og ens omkostningsandel flytter sig sammen med dem. Det er et dynamisk problem, og i dag opdager de fleste udviklere det først bagefter i stedet for at modellere det på forhånd.

Piq automatiserer også processen med at opbygge og validere dynamiske anlægsmodeller – det udstyr og de styringer, der repræsenterer datacentre, solparker og andre aktører på nettet.

Alle disse modeller, resultater og rapporter kræver et menneske i overvågningssløjfen, som kan styre input og gennemgå output. Vi hævder endnu ikke at have et fuldt selvkørende system, og jeg ville ikke stole på nogen, der hævder, at de har det.

Piq har gennemført mere end 10.000 produktionsstudier. Hvad har driften i den skala lært jer om at bevare modellernes nøjagtighed, følge skiftende netforhold og levere resultater, som ingeniører kan reproducere og revidere?

Tallet 10.000 er allerede forældet. Siden januar, hvor tallet blev offentliggjort, er vi nået op på 2.000 studier om måneden, og tallet vokser. Det skyldes, at antallet af brugere stiger, og at flere brugere også opbygger interne systemer, der kan skaleres.

Når man arbejder i det tempo, lærer man, at reproducerbarhed ikke er en funktion, man føjer til. Det er den begrænsning, der afgør, om man overhovedet kan arbejde i dette tempo. Hvis et studie ikke kan reproduceres, kan det ikke revideres, og hvis det ikke kan revideres, kan ingen handle på baggrund af det. Hvis studierne ikke kan omsættes til handling, skaber man bare volumen og ikke værdi. Alt ved den måde, vi har bygget platformen på, følger af idéen om at skabe nyttige modeller og udføre værdifulde studier.

Piq giver datacenterudviklere og andre kunder med store belastninger mulighed for at vurdere mulige placeringer og tilslutningsscenarier, før de henvender sig til et forsyningsselskab. Hvordan kan disse udviklerstyrede studier fremskynde processen uden at skabe modstridende antagelser eller kopiere forsyningsselskabets officielle analyse?

Forsyningsselskabet skal stadig udføre sit eget officielle studie, men vores kunder kan ikke vente. I dag kan det tage mere end et år at modtage de officielle studieresultater, og imens har vores kunder investeringer for hundredvis af millioner dollar på spil. De skal indkøbe udstyr, erhverve jord og sikre sig pladser i tilslutningskøer over hele landet. Vi giver vores kunder mulighed for at træffe disse beslutninger før forsyningsselskabets officielle studie. Vi har også set, hvordan vores kunder kan påvirke forsyningsselskabets retning, når de er udstyret med indsigt i fleksible tilslutningsløsninger eller alternative opgraderinger, der kan tilslutte yderligere kapacitet.

Det, vi tilbyder, er en hurtig og effektiv måde at få et indblik i fremtiden på. Ingen har en krystalkugle, og man ved ikke, hvem man ellers konkurrerer med i køen. Men hvis studier er prisoverkommelige og hurtige, hjælper udforskningen af mange scenarier vores kunder med at træffe bedre informerede beslutninger om deres kapital. Vi giver også kunderne mulighed for at undersøge alternative opgraderinger, der kan frigøre eksisterende kapacitet i deres system, og at arbejde tæt sammen med forsyningsselskaberne i gentagne forløb som egentlige partnere.

Californiske forsyningsselskaber har modtaget anmodninger om cirka 18,7 GW ny forsyningskapacitet til datacentre, selv om mange af de foreslåede projekter måske aldrig bliver bygget. Kan AI hjælpe forsyningsselskaber med at skelne troværdige projekter fra spekulative eller dobbelte anmodninger og forhindre, at »fantombelastninger« forvrider den langsigtede netplanlægning?

Spekulation er ikke irrationel. I betragtning af hvor lang tid det tager at få et projekt undersøgt og tilsluttet, vil enhver, der har råd til at indsende spekulative tilslutningsanmodninger, gøre det. Det er den rationelle reaktion på tilslutningsprocessen, som den fungerer i dag. Som vi ser det, ville der slet ikke være noget incitament til at spekulere, hvis projekter kunne blive undersøgt og tilsluttet lige så hurtigt, som de kan bygges.

Svaret handler derfor ikke om at bruge AI til at identificere spekulation. I stedet handler det om at bruge AI til faktisk at forbedre processen, så mere belastning kan tilsluttes mere effektivt. Det betyder, at AI både skal bruges til at fremskynde selve tilslutningsstudiet og til at finde alternative afværgeforanstaltninger, herunder netforbedrende teknologier og fleksible tilslutninger. Sammen med lovgivningsmæssige ændringer, såsom højere ansøgningsomkostninger eller større deposita og reviderede tilslutningstariffer, kan AI åbne for et langt mere effektivt system med meget mindre spekulation.

Uden ændringer vil udfordringerne med fantombelastninger imidlertid fortsætte med at vokse. Mere fantombelastning betyder flere scenarier, der skal undersøges. Det gør den langsigtede planlægning sværere for forsyningsselskabernes planlæggere og gør hele systemet langsommere. Et langsommere system øger incitamentet til at spekulere. Det er præcis, hvad vi så med producenternes tilslutningskøer, som fik os til at starte Piq i 2023, og det er præcis den tilbagekoblingssløjfe, vi forsøger at bryde.

Piq oplyser, at virksomhedens arbejde har hjulpet med at identificere næsten 1 GW netkapacitet gennem fleksible løsninger og netforbedrende teknologier. Hvilke typer driftsændringer eller teknologier frigør denne kapacitet, og kan du gennemgå et eksempel, hvor et projekt undgik en større netopgradering?

Kun tre ting kan frigøre kapacitet. De er alle former for driftsmæssig fleksibilitet, som først for nylig er blevet tilgængelige for nettet. Vi kalder de tre typer punktfleksibilitet, aggregeret fleksibilitet og netfleksibilitet.

Punktfleksibilitet er det, der ændres ved tilslutningspunktet, herunder løsninger som egen elproduktion (BYOG), grænser for nettoudtag, belastningsreduktion eller styrbare belastninger og andre tiltag. Aggregeret fleksibilitet er distribuerede ressourcer i hele nettet, såsom virtuelle kraftværker (VPP’er) og aggregerede distribuerede energiressourcer (DER’er), der bruges til at håndtere transmissionsbegrænsninger. Netfleksibilitet vedrører selve nettets parametre og konfiguration – avanceret effektflowstyring, topologioptimering og dynamisk linjekapacitetsvurdering. Det vigtige er, at alle tre kan modelleres, planlægges og til sidst implementeres i et kontrolrum.

Det tydeligste eksempel er netfleksibilitet. Vi undersøgte et tilfælde, hvor den bindende begrænsning var ét enkelt element, og 70 MVAr effektflowstyring installeret direkte ved denne begrænsning frigjorde cirka 600 MW ekstra kapacitet. Ingen nye transmissionsledninger, ingen flerårige tilladelsesprocesser – kun en mindre netopgradering, der frigjorde 600 MW kapacitet.

Udnyttelsen af transmissionsnettets kapacitet er kun omkring 35 % under de værst tænkelige planlægningsforhold. Nettet er ikke fuldt. Selvom netkapacitet i dag er den største udfordring ved tilslutning af store belastninger, er nettet kun begrænset bestemte steder under bestemte forhold. De fleste af disse begrænsninger har en løsning, der ikke kræver ti års ventetid på nye ledninger, og den løsning kan identificeres ved at undersøge nettet bedre.

Der vokser hurtigt et økosystem frem for disse tre typer fleksibilitet. Virksomheder som Base Power, Voltus, Smart Wires, NewGrid og andre udruller allerede reelle løsninger i stor skala. Den eneste manglende brik er den analytiske ramme, der i første omgang kan få disse løsninger med i tilslutningsstudierne.

Tekniske beslutninger om elnettet kan påvirke driftssikkerhed, elpriser og infrastrukturinvesteringer i årtier. Hvilke sikkerhedsforanstaltninger, valideringsprocesser, tilladelser og revisionsspor er nødvendige, før forsyningsselskaber kan betro AI-agenter stadig mere komplekse planlægningsarbejdsgange?

Det er vi 100 % enige i. For at træffe velbegrundede tekniske beslutninger skal hvert eneste stykke automatiseret arbejde kunne revideres og reproduceres. Der skal være et dokumentationsspor for hver handling, for man ønsker ikke, at en AI arbejder i en sort boks og løber løbsk.

Vores revisionsspor har flere lag. Vi gemmer agenternes samtaler, agenternes handlinger og udførelsen af de deterministiske værktøjer. Hvert deltrin og hver delarbejdsgang kortlægger og administrerer alle sine input og output, så alt kan revideres fra ende til anden.

Tilladelser er også afgørende. Vores agenter arver tilladelserne fra den bruger, de arbejder sammen med. En agent kan ikke se data eller udføre handlinger, som den person, agenten arbejder for, ikke selv kunne se eller udføre.

Det hænger sammen med det bredere tema datastyring, og agenter ændrer de historiske paradigmer. Traditionelt har styring handlet om strukturerede data med et snævert omfang inden for én silo. Med agenter bevæger strukturerede, semistrukturerede og ustrukturerede data sig på tværs af siloer. Det er netop den gevinst, en platform som Piq lover, og netop det, der gør styring vanskeligere. Der er langt flere data i spil og en bredere gruppe mennesker, som interagerer med dem. I en elsystemorganisation har det dobbelt betydning: for konkurrencefølsomme investeringsoplysninger og for kritiske oplysninger om energiinfrastruktur (CEII). Heldigvis arbejder dygtige mennesker med dette, blandt andet deltagerne i IEEE Task Force on Data Governance for Power System Organizations.

Piq har for nylig rejst en overtegnet seedrunde på 5 millioner dollar for at udvide sin platform. Hvis du ser fem år frem, hvordan forventer du så, at AI vil ændre netplanlægning, og vil hurtigere analyse være nok til at følge med elbehovet fra AI-datacentre, elektrificering og industriel vækst?

Jeg mener, at brugen af AI til at fremskynde analyser er afgørende for at følge med efterspørgslen efter elektricitet. Hovedpointen er, at automatisering i denne skala ikke blot handler om at udføre det samme arbejde hurtigere, men også om at muliggøre analyser, som ganske enkelt ikke kunne gennemføres med begrænset menneskelig kapacitet. Fleksibel tilslutning, fleksible transmissionsnet og netforbedrende teknologier – alt dette frigør latent kapacitet, der allerede findes i nettet i dag. Hvis det kombineres med hurtigere tilslutningsstudier, mener vi, at vi vil kunne følge med efterspørgslen.

Tak for et fremragende interview. Læsere, der ønsker at vide mere, bør besøge Piq Energy.