Tom Nudell, PDG et co-fondateur de Piq Energy – Série d’interviews

Tom Nudell, PDG et co-fondateur de Piq Energy, est ingénieur en systèmes électriques et cadre technologique doté d’une vaste expérience en analytique de réseau, planification de la transmission et infrastructures énergétiques. Avant de fonder Piq Energy, il a passé près de sept ans chez Smart Wires, où il a occupé plusieurs postes de direction en analytique avant d’occuper le poste de directeur du produit et de l’analytique des solutions, dirigeant des équipes interdisciplinaires d’ingénieurs en planification de la transmission, d’ingénieurs logiciels et d’analystes travaillant sur des études avancées de planification du réseau et des systèmes analytiques automatisés. Auparavant, Nudell était chercheur postdoctoral au MIT, où ses travaux portaient sur la résilience des systèmes énergétiques interconnectés, la gestion de l’énergie des micro‑réseaux et le contrôle transactionnel. Il a également mené des recherches à la North Carolina State University sur la localisation des perturbations dans les réseaux électriques à grande échelle à l’aide de mesures en temps réel, d’apprentissage automatique informé par la physique, de théorie du contrôle et d’optimisation.

Piq Energy est une société de logiciels de planification de réseau axée sur l’accélération de la connexion de nouveaux projets énergétiques, de centres de données et d’autres charges électriques importantes au réseau électrique. Sa plateforme permet aux développeurs et aux services publics de réaliser en interne des études de réseau complexes, d’automatiser les flux de travail d’ingénierie, d’évaluer les points d’interconnexion potentiels et de tester de nombreux scénarios de projets et de réseau plus rapidement. Piq développe une plateforme de planification de réseau « agentique » qui combine modèles de systèmes électriques, données, outils d’ingénierie et flux de travail pilotés par l’IA dans un environnement unifié, avec des applications couvrant le solaire, l’éolien, le stockage d’énergie par batteries et le développement de charges importantes. L’entreprise affirme que sa technologie gère plus de 1,000 modèles de réseau de transmission et a été utilisée pour réaliser plus de 10,000 flux de travail d’ingénierie, alors qu’elle cherche à réduire l’un des principaux goulets d’étranglement auxquels sont confrontés les nouveaux projets énergétiques et les infrastructures informatiques : les processus d’interconnexion de réseau longs.

Votre carrière a couvert la recherche en apprentissage automatique guidé par la physique, le travail sur la résilience du réseau au MIT, et sept ans de développement d’analytique de planification de la transmission chez Smart Wires. Comment ces expériences vous ont‑elles conduit à identifier le problème spécifique qui a donné naissance à Piq Energy ?

Mon doctorat portait sur les systèmes électriques informatiques, où je me suis concentré sur la surveillance et le contrôle en temps réel à grande échelle. À partir de là, j’ai poursuivi un post‑doctorat au MIT sur les réseaux électriques résilients et les mécanismes de marché dynamiques. Après mon post‑doctorat, j’ai rejoint Smart Wires, où j’ai passé sept ans à fonder et à développer l’équipe d’analytique. Mon équipe assurait une couverture mondiale de l’ingénierie des systèmes électriques sur quatre continents, avec une expertise en flux de puissance, simulation de marché, dynamique, EMT et boucle matérielle.

Au bout de trois mois chez Smart Wires, j’ai réalisé que la planification du réseau est essentiellement un problème de science des données massif et complexe. J’ai commencé à imaginer comment rationaliser et automatiser les parties les plus coûteuses du processus : la définition de l’analyse, la coordination entre différents experts et la construction et validation des modèles. Pour améliorer ce processus de planification du réseau, nous avons développé quelques idées clés. La première était la reproductibilité — si votre analyse est 100 % reproductible, il ne devrait y avoir aucun coût marginal pour qu’une autre personne ou un autre expert la relance. Cette reproductibilité est cruciale pour permettre une collaboration fluide entre développeurs, services publics et autres tiers sur les études de réseau. La seconde consistait à appliquer le concept « tous les modèles sont faux, certains sont utiles » et à se concentrer sur la vérification que nous disposons d’un modèle utile pour le problème traité, plutôt que d’essayer de construire et de gérer le modèle le plus « précis » pour tout. (Lorsque nous parlons de « modèles » ici, nous faisons référence aux modèles de réseau, aux modèles dynamiques des dispositifs et des installations, etc.).

Ces premières idées m’ont conduit, avec Dio, mon co‑fondateur, à imaginer une plateforme logicielle sophistiquée pour automatiser le travail que nous réalisions. En même temps, nous observions que la file d’attente d’interconnexion devenait un goulet d’étranglement énorme pour le réseau. Nous constations également les défis croissants pour interconnecter les nouvelles technologies du réseau, notamment les ressources à base d’onduleurs (IBR, incluant tous les nouveaux projets d’énergie renouvelable) et les technologies d’amélioration du réseau telles que le matériel SmartValve que Smart Wires commercialisait. Dio et moi avons réalisé que nous savions comment résoudre ces problèmes, mais que nous devions créer une société de logiciels pour le faire.

Il y a trois éléments : d’abord, mon expérience en systèmes électriques computationnels et la direction d’une équipe d’analytique mondiale ont constitué la base. Ensuite, le travail que nous avions déjà réalisé chez Smart Wires a prouvé qu’il existait une valeur réelle et tangible à créer. Enfin, le climat macroéconomique — l’ampleur du défi, qui est également l’ampleur de l’opportunité — a été le catalyseur qui nous a poussés à lancer Piq Energy.

Piq se décrit comme une “plateforme de planification de réseau agentique”. Qu’est‑ce qui rend le système agentique plutôt qu’une simple plateforme d’automatisation ou d’analytique, et quelles tâches ses agents IA peuvent‑ils planifier et exécuter de façon autonome ?

Piq accélère l’interconnexion. L’analyse technique est actuellement le principal goulet d’étranglement de l’interconnexion, c’est pourquoi nous construisons une plateforme de planification de réseau autonome pour accélérer ces analyses techniques.

Il existe des niveaux d’automatisation. Aujourd’hui, ces niveaux d’automatisation n’ont pas été explicitement définis pour la planification du réseau et l’interconnexion, mais vous pouvez imaginer quelque chose d’analogue aux niveaux d’automatisation de la SAE pour la conduite. J’ai évoqué cette idée dans mon article de 2018 publié au Congrès mondial CIGRE. [T. Nudell, et al. “On Developing Automated Tools for Reliability Planning”, CIGRE Paris C1-201, 2018.].

Nous disposons maintenant de cette technologie étonnante à usage général des grands modèles de langage, et avec Piq nous cherchons à exploiter l’autonomie agentique tout en garantissant que la physique et l’ingénierie sont correctement réalisées, de manière entièrement reproductible et auditable à chaque fois.

Aujourd’hui, notre agent configure les modèles et les scénarios, lance les études, recoupe les rapports publiés, analyse les résultats et rédige de nouveaux rapports qui se rattachent aux données de l’étude.

Les études de réseau reposent sur des logiciels d’ingénierie établis, des modèles de réseau détaillés et des contraintes physiques strictes. Comment Piq combine-t-il l’IA avec ces outils déterministes sans laisser un modèle probabiliste supplanter la physique sous-jacente du système électrique ?

Vous avez raison, les études de réseau s’appuient sur des logiciels établis, des modèles détaillés et une physique connue. Notre plateforme permet aux agents d’amplifier l’expertise humaine, en s’appuyant sur nos données et notre contexte concernant les types d’études à réaliser, la façon de configurer les scénarios, puis en ancrant l’analyse dans des données de résultats concrètes.

Mais alors tout ce qui se trouve entre les deux est une automatisation évolutive et déterministe. Aucun nouveau code n’est jamais écrit par les agents et aucun simulateur de physique inconnu n’est utilisé. Cela aboutit à une plateforme beaucoup plus fiable que les autres approches, car le travail d’un agent est reproductible et auditable, et sera toujours réalisé correctement. En d’autres termes, si un ingénieur humain examine la sortie, il doit pouvoir reproduire chaque étape du processus et obtenir les mêmes résultats.

Quelles parties d’une étude traditionnelle d’interconnexion ou de planification de transmission Piq peut-elle automatiser aujourd’hui, et quelles décisions doivent encore être examinées et approuvées par un ingénieur qualifié ?

Aujourd’hui, Piq offre aux développeurs un ensemble d’outils couvrant l’ensemble du processus d’étude d’interconnexion.

Le premier est un criblage de haut niveau des projets verts sur de vastes zones que nous appelons analyse de criblage régional. Il fournit une carte thermique de la capacité de marge N‑1 à chaque nœud d’une région, afin que vous puissiez voir où le réseau dispose réellement de marge avant de vous engager sur un site.

Le second est un criblage plus approfondi à un emplacement précis – une étude de point d’interconnexion, ou criblage de point. Ces études examinent en profondeur un point d’interconnexion : toutes les contraintes du réseau, les améliorations potentielles et le coût de ces améliorations pour un projet qui s’y connecte.

Le troisième est la gestion des files d’attente. C’est là que les développeurs peuvent jouer la théorie des jeux d’une étude de groupe, en comprenant l’allocation détaillée des coûts et comment cette allocation évolue à mesure que le pool de générateurs change. Les projets se redimensionnent, certains abandonnent, d’autres développeurs prennent des mesures, et votre allocation de coûts se déplace avec eux. C’est un problème dynamique, et aujourd’hui la plupart des développeurs le découvrent a posteriori plutôt qu’en le modélisant à l’avance.

Piq automatise également le processus de construction et de validation des modèles d’usines dynamiques – l’équipement et les contrôles qui représentent les centres de données, les fermes solaires et les autres acteurs du réseau.

Tous ces modèles, résultats et rapports nécessitent un humain dans la boucle capable de guider les entrées et de vérifier les sorties. Nous ne prétendons pas encore disposer d’un système entièrement autonome, et je ne ferais confiance à personne qui affirmerait le contraire.

Piq a réalisé plus de 10 000 études de production. Qu’est‑ce que le fonctionnement à cette échelle vous a appris sur le maintien de la précision des modèles, le suivi des conditions changeantes du réseau et la production de résultats que les ingénieurs peuvent reproduire et auditer ?

Le chiffre de 10 000 est désormais dépassé et depuis janvier (date de diffusion de ce chiffre) nous réalisons 2 000 études par mois, en croissance. Cela résulte de l’augmentation de nos utilisateurs, et de plus en plus d’utilisateurs qui construisent des systèmes internes capables d’évoluer également.

Fonctionner à ce rythme vous enseigne que la reproductibilité n’est pas une fonctionnalité que l’on ajoute. C’est la contrainte qui détermine si vous pouvez fonctionner à ce rythme du tout. Si une étude ne peut pas être reproduite, elle ne peut pas être auditée, et si elle ne peut pas être auditée, personne ne peut agir en conséquence. Si vos études ne sont pas exploitables, vous ne faites que générer du volume, pas de la valeur. Tout ce qui a conduit à la construction de la plateforme découle de l’idée de créer des modèles utiles et de mener des études précieuses.

Piq permet aux développeurs de centres de données et à d’autres clients à forte charge d’évaluer des sites potentiels et des scénarios de connexion avant de s’adresser à un fournisseur d’électricité. Comment ces études menées par les développeurs peuvent-elles accélérer le processus sans créer d’hypothèses conflictuelles ou dupliquer l’analyse officielle du fournisseur ?

L’utilité doit encore mener sa propre étude officielle, mais nos clients ne peuvent pas attendre. Aujourd’hui, il peut falloir plus d’un an pour recevoir ces résultats d’étude officielle, et pendant ce temps nos clients disposent de centaines de millions de dollars d’investissements. Ils ont du matériel à acquérir, des terrains à acheter et des positions d’interconnexion à sécuriser à travers le pays. Nous permettons à nos clients de prendre ces décisions avant l’étude officielle de l’utilité. Nous avons également constaté que nos clients peuvent influencer la direction de l’utilité, car ils sont dotés d’informations sur les solutions d’interconnexion flexibles ou les améliorations alternatives pour connecter une capacité supplémentaire.

Ce que nous proposons est un moyen rapide et efficace d’anticiper l’avenir. Personne n’a de boule de cristal (et vous ne savez pas qui d’autre vous affrontez dans la file d’attente), mais si les études sont abordables et rapides, explorer de nombreux scénarios aide nos clients à prendre des décisions mieux informées avec leur capital. Nous offrons également à nos clients la possibilité d’explorer des améliorations alternatives afin de libérer la capacité existante de leur système et d’itérer main dans la main avec les services publics en tant que véritables partenaires.

Les services publics californiens ont reçu des demandes pour environ 18,7 GW de nouvelle capacité de service de centres de données, bien que de nombreux projets proposés ne seront peut‑être jamais construits. L’IA peut‑elle aider les services publics à distinguer les projets crédibles des demandes spéculatives ou dupliquées et à empêcher les « charges fantômes » de fausser la planification à long terme du réseau ?

La spéculation n’est pas irrationnelle. Étant donné le temps qu’il faut pour étudier et connecter un projet, quiconque peut se permettre de soumettre des demandes d’interconnexion spéculatives le fera. C’est la réponse rationnelle au processus d’interconnexion tel qu’il existe aujourd’hui. Selon nous, si les projets pouvaient être étudiés et connectés aussi rapidement qu’ils pouvaient être construits, il n’y aurait aucune incitation à spéculer dès le départ.

Donc la réponse ne porte pas sur l’utilisation de l’IA pour identifier la spéculation. Au contraire, la réponse consiste à utiliser l’IA pour réellement améliorer le processus – afin de connecter plus de charge de manière plus efficace. Cela signifie utiliser l’IA à la fois pour accélérer le processus d’étude d’interconnexion et pour trouver des atténuations alternatives, y compris des technologies d’amélioration du réseau et des interconnexions flexibles. Associée à des changements réglementaires, tels que des coûts de demande plus élevés ou des dépôts plus importants et des tarifs d’interconnexion révisés, l’IA peut débloquer un système beaucoup plus efficace avec beaucoup moins de spéculation.

Mais en l’absence de changements, les problèmes liés aux charges fantômes continueront de s’amplifier. Plus de charge fantôme signifie plus de scénarios à étudier, ce qui rend la planification à long terme plus difficile pour les planificateurs des services publics, ce qui ralentit l’ensemble du système. Un système plus lent augmente l’incitation à spéculer. C’est exactement ce que nous avons observé avec les files d’attente d’interconnexion des générateurs, ce qui nous a poussés à créer Piq en 2023, et c’est exactement la boucle de rétroaction que nous essayons de briser.

Piq affirme que son travail a permis d’identifier près de 1 GW de capacité réseau grâce à des solutions flexibles et des technologies d’amélioration du réseau. Quels types de changements opérationnels ou de technologies libèrent cette capacité, et pouvez‑vous nous présenter un exemple où un projet a évité une mise à niveau majeure du réseau ?

Seules trois choses peuvent libérer de la capacité. Il s’agit de trois types de flexibilité opérationnelle qui n’étaient pas disponibles pour le réseau jusqu’à récemment. Nous appelons ces trois types de flexibilité Point Flexibility, Aggregate Flexibility et Network Flexibility.

La flexibilité au point d’interconnexion concerne ce qui change au point d’interconnexion, y compris des solutions comme le « bring your own generation » (BYOG), les limites de retrait net, la réduction de charge/les charges contrôlables, entre autres. La flexibilité agrégée concerne les ressources distribuées à travers le réseau, comme les VPP et les DER agrégés pour gérer les contraintes de transmission. Et la flexibilité réseau concerne les paramètres et la configuration du réseau lui‑même – le contrôle avancé des flux de puissance, l’optimisation topologique et le rating dynamique des lignes. L’essentiel est que les trois peuvent être modélisées, planifiées et finalement déployées dans une salle de contrôle.

L’exemple le plus clair est la flexibilité réseau. Nous avons étudié un cas où la contrainte contraignante était un seul élément, et 70 MVAr de contrôle de flux de puissance déployés directement sur cette contrainte ont libéré environ 600 MW de capacité supplémentaire. Aucun nouveau ligne de transmission, aucune autorisation pluriannuelle, juste une petite amélioration du réseau pour libérer 600 MW de capacité.

L’utilisation de la capacité du réseau de transmission n’est d’environ que 35 % dans les conditions de planification les plus défavorables. Le réseau n’est pas saturé. Bien que le principal défi pour connecter de lourdes charges aujourd’hui soit la capacité du réseau, le réseau n’est contraint que dans des lieux spécifiques sous des conditions spécifiques. La plupart de ces contraintes ont une solution qui n’implique pas d’attendre une décennie pour de nouveaux câbles, et cette solution peut être identifiée en étudiant mieux le réseau.

Il existe un écosystème en pleine expansion pour ces trois types de flexibilité. Des entreprises comme Base Power, Voltus, Smart Wires, NewGrid et d’autres déploient aujourd’hui des solutions réelles à grande échelle. La seule pièce manquante est le cadre analytique permettant d’intégrer ces solutions dans les études d’interconnexion dès le départ.

Les décisions d’ingénierie impliquant le réseau peuvent affecter la fiabilité, les prix de l’électricité et les investissements d’infrastructure pendant des décennies. Quels garde‑fous, processus de validation, autorisations et pistes d’audit sont nécessaires avant que les services publics puissent faire confiance aux agents IA dans des flux de travail de planification de plus en plus complexes ?

Nous sommes d’accord à 100 %. Afin de prendre des décisions d’ingénierie solides, chaque tâche automatisée doit être auditable et reproductible. Il faut une trace écrite pour chaque action, car vous ne voulez pas qu’une IA fonctionne dans une boîte noire et devienne incontrôlable.

Nos traces d’audit sont multiformes. Nous conservons les conversations de l’agent, les actions de l’agent et l’exécution déterministe des outils. Chaque sous‑étape et sous‑flux de travail cartographie et gère toutes ses entrées et sorties, de sorte que tout soit auditable de bout en bout.

Les autorisations sont également essentielles. Nos agents héritent des autorisations de l’utilisateur avec lequel ils travaillent. Un agent ne peut pas voir des données ou effectuer des actions que la personne pour laquelle il travaille ne pourrait pas voir ou réaliser elle‑même.

Cela relève du thème plus large de la gouvernance des données, et les agents modifient les paradigmes historiques. Historiquement, la gouvernance portait sur les données structurées, limitées à un seul silo. Avec les agents, vous avez des données structurées, semi‑structurées et non structurées qui circulent entre les silos — ce qui correspond exactement à la promesse de déverrouillage d’une plateforme comme Piq, et c’est précisément ce qui rend la gouvernance plus difficile. Il y a beaucoup plus de données en jeu, et un éventail plus large de personnes qui les manipulent. Dans une organisation de systèmes électriques, cela compte doublement : pour les informations d’investissement sensibles à la concurrence, et pour les CEII. Heureusement, des personnes compétentes travaillent sur ce sujet, comme celles impliquées dans le groupe de travail IEEE sur la gouvernance des données pour les organisations de systèmes électriques.

Piq a récemment levé une levée de fonds seed de $5 million sursouscrite pour développer sa plateforme. En regardant cinq ans en avant, comment pensez‑vous que l’IA changera la planification du réseau, et une analyse plus rapide suffira‑t‑elle à suivre le rythme des besoins en électricité créés par les centres de données IA, l’électrification et la croissance industrielle ?

Je crois que l’utilisation de l’IA pour accélérer l’analyse est essentielle pour répondre à la demande en électricité. L’essentiel est que l’automatisation à cette échelle ne consiste pas seulement à faire le même travail plus rapidement, mais aussi à permettre des analyses qui ne pourraient tout simplement pas être réalisées avec une capacité humaine limitée. L’interconnexion flexible, les réseaux de transmission flexibles, les technologies d’amélioration du réseau — tout cela libère une capacité latente déjà présente sur le réseau aujourd’hui. En combinant cela avec des études d’interconnexion accélérées, nous pensons pouvoir suivre la demande.

Merci pour cette excellente interview, les lecteurs qui souhaitent en savoir plus devraient visiter Piq Energy.