Tom Nudell, CEO en medeoprichter van Piq Energy – Interviewreeks

Tom Nudell, CEO en medeoprichter van Piq Energy, is energiesysteemingenieur en technologiebestuurder met ruime ervaring in netanalyse, transmissieplanning en energie-infrastructuur. Voordat hij Piq Energy oprichtte, werkte hij bijna zeven jaar bij Smart Wires. Daar vervulde hij verschillende leidinggevende functies op het gebied van analyse en werd hij uiteindelijk Director of Product and Solution Analytics. In die rol leidde hij multidisciplinaire teams van ingenieurs voor transmissieplanning, software-ingenieurs en analisten die werkten aan geavanceerde studies voor netplanning en geautomatiseerde analysesystemen. Eerder was Nudell postdoctoraal onderzoeker aan MIT, waar zijn werk zich richtte op veerkracht in onderling verbonden energiesystemen, energiebeheer van micronetten en transactieve regeling. Ook deed hij aan North Carolina State University onderzoek naar het lokaliseren van verstoringen in grootschalige elektriciteitsnetten met behulp van realtime metingen, door fysica gestuurde machine learning, regeltechniek en optimalisatie.

Piq Energy is een softwarebedrijf voor netplanning dat zich richt op het versnellen van de aansluiting van nieuwe energieprojecten, datacenters en andere grote elektriciteitsverbruikers op het net. Het platform stelt ontwikkelaars en nutsbedrijven in staat om complexe netstudies intern uit te voeren, technische werkstromen te automatiseren, mogelijke aansluitpunten te beoordelen en talrijke project- en netscenario’s sneller te testen. Piq ontwikkelt een agentisch platform voor netplanning dat energiesysteemmodellen, gegevens, technische hulpmiddelen en door AI aangestuurde werkstromen in één omgeving samenbrengt, met toepassingen voor zonne- en windenergie, batterijopslag en de ontwikkeling van grote belastingen. Volgens het bedrijf beheert de technologie meer dan 1.000 modellen van transmissienetten en is zij gebruikt voor meer dan 10.000 technische werkstromen. Piq wil daarmee een van de grootste knelpunten voor nieuwe energie- en computerinfrastructuur verminderen: langdurige procedures voor aansluiting op het elektriciteitsnet.

Uw loopbaan omvat onderzoek naar door fysica gestuurde machine learning, werk aan de veerkracht van het net bij MIT en zeven jaar waarin u bij Smart Wires analyse voor transmissieplanning opbouwde. Hoe brachten die ervaringen u ertoe het specifieke probleem te herkennen waaruit Piq Energy is ontstaan?

Mijn promotieonderzoek ging over computationele energiesystemen, waarbij ik me richtte op realtime bewaking en regeling van grote gebieden. Daarna deed ik bij MIT postdoctoraal onderzoek naar veerkrachtige elektriciteitsnetten en dynamische marktmechanismen. Vervolgens ging ik bij Smart Wires aan de slag, waar ik zeven jaar lang het analyseteam oprichtte en uitbreidde. Mijn team bood wereldwijd ondersteuning op het gebied van energiesysteemtechniek op vier continenten, met expertise in vermogensstromen, marktsimulatie, dynamica, elektromagnetische transiënten (EMT) en hardware-in-the-loop.

Binnen drie maanden nadat ik bij Smart Wires was begonnen, besefte ik dat netplanning in wezen een enorm en complex datawetenschappelijk probleem is. Ik begon na te denken over manieren om de duurste onderdelen van het proces te stroomlijnen en automatiseren: het definiëren van de analyse, de coördinatie tussen verschillende vakdeskundigen en het bouwen en valideren van modellen. Om dit proces voor netplanning te verbeteren, ontwikkelden we enkele kernideeën. Het eerste was reproduceerbaarheid: als een analyse voor 100% reproduceerbaar is, zouden de marginale kosten om een andere persoon of deskundige de analyse opnieuw te laten uitvoeren nul moeten zijn. Deze reproduceerbaarheid is cruciaal voor een soepele samenwerking tussen ontwikkelaars, nutsbedrijven en andere derden bij netstudies. Het tweede idee was het toepassen van het uitgangspunt dat ‘alle modellen onjuist zijn, maar sommige nuttig’, waarbij we ons richten op de verificatie dat we een bruikbaar model hebben voor het betreffende probleem, in plaats van voor alles het ‘nauwkeurigste’ model te willen bouwen en beheren. (Wanneer we hier over ‘modellen’ spreken, bedoelen we netwerkmodellen en dynamische modellen van apparaten, installaties en dergelijke.)

Deze eerste inzichten brachten mijn medeoprichter Dio en mij ertoe te dromen van een geavanceerd softwareplatform dat ons werk zou automatiseren. Tegelijkertijd zagen we hoe de aansluitingswachtrij een enorme bottleneck voor het elektriciteitsnet werd. Ook zagen we steeds meer problemen bij het aansluiten van nieuwere nettechnologieën, waaronder op omvormers gebaseerde bronnen (IBR’s, waartoe alle nieuwe projecten voor hernieuwbare energie behoren) en netversterkende technologieën zoals de SmartValve-hardware die Smart Wires verkocht. Dio en ik beseften dat we wisten hoe deze problemen konden worden opgelost, maar dat we daarvoor een softwarebedrijf moesten beginnen.

Er zijn drie onderdelen. Ten eerste vormden mijn achtergrond in computationele energiesystemen en mijn ervaring met het leiden van een wereldwijd analyseteam de basis. Ten tweede bewees het werk dat we al bij Smart Wires hadden verricht dat er echte, tastbare waarde te creëren viel. En tot slot was het algemene klimaat — de omvang van de uitdaging, die ook de omvang van de kans weergeeft — de katalysator om de sprong te wagen en Piq Energy op te richten.

Piq omschrijft zichzelf als een ‘agentisch platform voor netplanning’. Wat maakt het systeem agentisch in plaats van alleen een automatiserings- of analyseplatform, en welke taken kunnen de AI-agenten zelfstandig plannen en uitvoeren?

Piq versnelt netaansluitingen. Technische analyse is momenteel het grootste knelpunt in het aansluitingsproces. Daarom bouwen we een autonoom platform voor netplanning om deze technische analyses te versnellen.

Er bestaan verschillende automatiseringsniveaus. Tegenwoordig zijn die niveaus nog niet expliciet gedefinieerd voor netplanning en aansluitingen, maar u kunt zich iets voorstellen dat vergelijkbaar is met de automatiseringsniveaus van SAE voor autorijden. Ik verwees al naar dit idee in mijn artikel uit 2018 dat werd gepubliceerd tijdens het CIGRE-wereldcongres [T. Nudell et al., ‘On Developing Automated Tools for Reliability Planning’, CIGRE Paris C1-201, 2018.].

Met grote taalmodellen beschikken we nu over deze indrukwekkende technologie voor algemeen gebruik. Bij Piq onderzoeken we hoe we agentische autonomie kunnen benutten en tegelijkertijd kunnen garanderen dat de fysica en technische berekeningen elke keer correct, volledig reproduceerbaar en controleerbaar worden uitgevoerd.

Momenteel configureert onze agent modellen en scenario’s, start hij studies, vergelijkt hij gepubliceerde rapporten, analyseert hij resultaten en schrijft hij nieuwe rapporten die zijn verankerd in de gegevens van de studies.

Netstudies zijn afhankelijk van gevestigde technische software, gedetailleerde netwerkmodellen en strenge fysieke beperkingen. Hoe combineert Piq AI met deze deterministische hulpmiddelen zonder toe te staan dat een probabilistisch model de onderliggende fysica van het energiesysteem terzijde schuift?

U hebt gelijk dat netstudies zijn gebaseerd op gevestigde software, gedetailleerde modellen en bekende natuurkunde. Ons platform stelt agenten in staat om menselijke expertise uit te breiden. Ze gebruiken onze gegevens en context om te bepalen welke soorten studies moeten worden uitgevoerd en hoe scenario’s moeten worden geconfigureerd, waarna de analyse in concrete resultaatgegevens wordt verankerd.

Alles daartussenin bestaat echter uit schaalbare, deterministische automatisering. Agenten schrijven nooit nieuwe code en er worden geen onbekende fysicasimulatoren gebruikt. Daardoor is het platform veel betrouwbaarder dan andere benaderingen, omdat het werk van een agent reproduceerbaar en controleerbaar is en elke keer op de juiste manier wordt uitgevoerd. Met andere woorden: als een menselijke ingenieur de uitvoer onderzoekt, moet diegene iedere stap van het proces kunnen herhalen en dezelfde resultaten krijgen.

Welke onderdelen van een traditionele studie voor netaansluiting of transmissieplanning kan Piq nu automatiseren, en welke beslissingen moeten nog steeds door een gekwalificeerde ingenieur worden beoordeeld en goedgekeurd?

Piq biedt ontwikkelaars momenteel een reeks hulpmiddelen voor het volledige proces van aansluitingsstudies.

Het eerste is een globale screening van grote, nog onontwikkelde gebieden, die we regionale screeninganalyse noemen. Deze levert een warmtekaart op van de N-1-reservecapaciteit bij elk knooppunt in een regio, zodat u kunt zien waar het net werkelijk ruimte heeft voordat u zich aan een locatie bindt.

Het tweede is een diepgaandere screening op een specifieke locatie: een POI-studie of puntscreening. Deze studies onderzoeken één aansluitpunt in detail: alle netwerkbeperkingen, mogelijke upgrades en de kosten van die upgrades voor een project dat daar wordt aangesloten.

Het derde is wachtrijbeheer. Hier kunnen ontwikkelaars de speltheorie van een clusterstudie doorrekenen door de gedetailleerde kostenverdeling te begrijpen en te zien hoe die verdeling verschuift wanneer de groep producenten verandert. Projecten wijzigen hun omvang, projecten vallen af, andere ontwikkelaars ondernemen actie en uw kostentoewijzing beweegt mee. Dat is een dynamisch probleem, en tegenwoordig ontdekken de meeste ontwikkelaars het pas achteraf in plaats van het vooraf te modelleren.

Piq automatiseert ook het bouwen en valideren van dynamische installatiemodellen: de apparatuur en regelingen die datacenters, zonneparken en andere partijen op het net vertegenwoordigen.

Voor al deze modellen, resultaten en rapporten is een mens in de toezichtslus nodig die de invoer kan sturen en de uitvoer kan beoordelen. We beweren nog niet dat we een volledig zelfsturend systeem hebben, en ik zou niemand vertrouwen die dat wel beweert.

Piq heeft meer dan 10.000 productiestudies afgerond. Wat heeft het werken op die schaal u geleerd over het handhaven van modelnauwkeurigheid, het volgen van veranderende netomstandigheden en het produceren van resultaten die ingenieurs kunnen reproduceren en controleren?

Het aantal van 10.000 is inmiddels achterhaald. Sinds januari, toen dit cijfer werd bekendgemaakt, voeren we 2.000 studies per maand uit en dat aantal groeit. Dit is het gevolg van de groei van ons aantal gebruikers en het feit dat steeds meer gebruikers ook schaalbare interne systemen bouwen.

Werken in dat tempo leert u dat reproduceerbaarheid geen functie is die u later toevoegt. Het is de randvoorwaarde die bepaalt of u überhaupt in dat tempo kunt werken. Als een studie niet kan worden gereproduceerd, kan zij niet worden gecontroleerd; en als zij niet kan worden gecontroleerd, kan niemand ernaar handelen. Als studies niet tot actie leiden, genereert u alleen volume en geen waarde. Alles aan de manier waarop we het platform hebben gebouwd, volgt uit het idee om nuttige modellen te maken en waardevolle studies uit te voeren.

Piq stelt ontwikkelaars van datacenters en andere klanten met grote belastingen in staat om mogelijke locaties en aansluitingsscenario’s te beoordelen voordat ze een nutsbedrijf benaderen. Hoe kunnen deze door ontwikkelaars geleide studies het proces versnellen zonder tegenstrijdige aannames te creëren of de officiële analyse van het nutsbedrijf te dupliceren?

Het nutsbedrijf moet nog steeds zijn eigen officiële studie uitvoeren, maar onze klanten kunnen niet blijven wachten. Momenteel kan het langer dan een jaar duren voordat de officiële studieresultaten beschikbaar zijn, terwijl onze klanten intussen investeringen van honderden miljoenen dollars op het spel hebben staan. Ze moeten apparatuur inkopen, grond verwerven en posities in aansluitingswachtrijen in het hele land veiligstellen. Wij stellen onze klanten in staat deze beslissingen al vóór de officiële studie van het nutsbedrijf te nemen. We hebben ook gezien dat klanten invloed kunnen uitoefenen op de richting van het nutsbedrijf wanneer ze beschikken over inzichten in flexibele aansluitingsoplossingen of alternatieve upgrades waarmee extra capaciteit kan worden aangesloten.

Wat we bieden, is een snelle en efficiënte manier om vooruit te kijken. Niemand heeft een glazen bol — en u weet niet met wie u nog meer concurreert in de wachtrij — maar als studies betaalbaar en snel zijn, helpt het onderzoeken van veel scenario’s onze klanten om beter geïnformeerde beslissingen over hun kapitaal te nemen. We bieden hen ook de mogelijkheid alternatieve upgrades te verkennen waarmee bestaande capaciteit in hun systeem kan worden ontsloten en om als echte partners nauw en iteratief met de nutsbedrijven samen te werken.

Nutsbedrijven in Californië hebben aanvragen ontvangen voor ongeveer 18,7 GW aan nieuwe leveringscapaciteit voor datacenters, hoewel veel voorgestelde projecten mogelijk nooit worden gebouwd. Kan AI nutsbedrijven helpen geloofwaardige projecten te onderscheiden van speculatieve of dubbele aanvragen en voorkomen dat ‘spookbelastingen’ de langetermijnplanning van het net verstoren?

Speculatie is niet irrationeel. Gezien de lange tijd die nodig is om een project te laten onderzoeken en aansluiten, zal iedereen die zich speculatieve aansluitingsaanvragen kan veroorloven, deze indienen. Het is de rationele reactie op het aansluitingsproces zoals dat nu bestaat. Volgens ons zou er vanaf het begin geen stimulans voor speculatie zijn als projecten even snel konden worden onderzocht en aangesloten als ze kunnen worden gebouwd.

Het antwoord is dus niet om AI te gebruiken om speculatie te herkennen. Het gaat er juist om AI in te zetten om het proces werkelijk te verbeteren en meer belasting efficiënter aan te sluiten. Dat betekent dat AI zowel wordt gebruikt om de procedure voor aansluitingsstudies zelf te versnellen als om alternatieve verzachtende maatregelen te vinden, waaronder netversterkende technologieën en flexibele aansluitingen. In combinatie met wijzigingen in de regelgeving, zoals hogere aanvraagkosten of grotere waarborgsommen en herziene aansluitingstarieven, kan AI een veel efficiënter systeem met veel minder speculatie mogelijk maken.

Zonder veranderingen zullen de problemen met spookbelastingen zich echter blijven opstapelen. Meer spookbelasting betekent meer te onderzoeken scenario’s. Daardoor wordt langetermijnplanning moeilijker voor de planners van nutsbedrijven en wordt het hele systeem trager. Een trager systeem vergroot de stimulans om te speculeren. Dit is precies wat we zagen bij de wachtrijen voor aansluiting van producenten die ons ertoe brachten Piq in 2023 op te richten, en het is precies deze terugkoppelingslus die we proberen te doorbreken.

Piq zegt dat zijn werk heeft geholpen om bijna 1 GW aan netcapaciteit te vinden via flexibele oplossingen en netversterkende technologieën. Welke operationele veranderingen of technologieën ontsluiten die capaciteit, en kunt u een voorbeeld geven waarbij een project een grote netupgrade heeft vermeden?

Slechts drie dingen kunnen capaciteit ontsluiten. Het zijn allemaal vormen van operationele flexibiliteit die tot voor kort niet beschikbaar waren voor het net. Wij noemen deze drie vormen puntflexibiliteit, geaggregeerde flexibiliteit en netflexibiliteit.

Puntflexibiliteit gaat over veranderingen op het aansluitpunt, waaronder oplossingen als eigen opwekking (BYOG), grenzen aan de netto-afname, belastingsvermindering of regelbare belastingen en andere maatregelen. Geaggregeerde flexibiliteit omvat gedistribueerde bronnen in het net, zoals virtuele elektriciteitscentrales (VPP’s) en geaggregeerde gedistribueerde energiebronnen (DER’s), waarmee transmissiebeperkingen worden beheerd. Netflexibiliteit betreft de parameters en configuratie van het net zelf: geavanceerde vermogensstroomregeling, topologieoptimalisatie en dynamische lijncapaciteit. Het belangrijke punt is dat alle drie kunnen worden gemodelleerd, gepland en uiteindelijk in een regelkamer kunnen worden ingezet.

Het duidelijkste voorbeeld is netflexibiliteit. We onderzochten een situatie waarin één enkel element de bindende beperking vormde. Door 70 MVAr aan vermogensstroomregeling rechtstreeks bij die beperking te plaatsen, kwam ongeveer 600 MW extra capaciteit beschikbaar. Geen nieuwe transmissielijnen, geen jarenlange vergunningprocedures, alleen een kleine netupgrade om 600 MW capaciteit te ontsluiten.

De benutting van de capaciteit van het transmissienet bedraagt onder de ongunstigste planningsomstandigheden slechts ongeveer 35%. Het net is niet vol. Hoewel netcapaciteit momenteel de grootste uitdaging vormt bij het aansluiten van grote belastingen, is het net alleen op specifieke plaatsen en onder specifieke omstandigheden beperkt. Voor de meeste van deze beperkingen bestaat een oplossing waarvoor niet tien jaar op nieuwe leidingen hoeft te worden gewacht, en die oplossing kan worden gevonden door het net beter te onderzoeken.

Rond deze drie vormen van flexibiliteit groeit snel een ecosysteem. Bedrijven als Base Power, Voltus, Smart Wires, NewGrid en andere zetten vandaag al echte oplossingen op grote schaal in. Het enige ontbrekende onderdeel is het analytische raamwerk waarmee deze oplossingen in de eerste plaats in aansluitingsstudies kunnen worden opgenomen.

Technische beslissingen over het elektriciteitsnet kunnen tientallen jaren gevolgen hebben voor betrouwbaarheid, elektriciteitsprijzen en investeringen in infrastructuur. Welke waarborgen, validatieprocessen, machtigingen en controlesporen zijn nodig voordat nutsbedrijven AI-agenten steeds complexere planningswerkstromen kunnen toevertrouwen?

Daar zijn we het voor 100% mee eens. Om verantwoorde technische beslissingen te nemen, moet ieder onderdeel van geautomatiseerd werk controleerbaar en reproduceerbaar zijn. Voor elke handeling moet een volledig spoor bestaan, want niemand wil dat AI in een zwarte doos opereert en op hol slaat.

Onze controlesporen bestaan uit meerdere lagen. We bewaren de gesprekken van de agenten, hun handelingen en de uitvoering van de deterministische hulpmiddelen. Iedere deelstap en deelwerkstroom brengt alle invoer en uitvoer in kaart en beheert die, zodat alles van begin tot eind kan worden gecontroleerd.

Ook machtigingen zijn cruciaal. Onze agenten erven de machtigingen van de gebruiker met wie ze werken. Een agent kan geen gegevens zien of handelingen verrichten die de persoon voor wie hij werkt niet zelf zou kunnen zien of uitvoeren.

Dit hangt samen met het bredere thema van gegevensbeheer, en agenten veranderen de historische uitgangspunten. Traditioneel draaide governance om gestructureerde gegevens met een beperkte reikwijdte binnen één silo. Met agenten bewegen gestructureerde, semigestructureerde en ongestructureerde gegevens over silo’s heen. Dat is precies de mogelijkheid die een platform als Piq belooft te ontsluiten en precies wat governance moeilijker maakt. Er zijn veel meer gegevens in het spel en een bredere groep mensen werkt ermee. In een energiesysteemorganisatie is dat om twee redenen belangrijk: voor concurrentiegevoelige investeringsinformatie en voor kritieke informatie over energie-infrastructuur (CEII). Gelukkig werken deskundige mensen hieraan, waaronder degenen die betrokken zijn bij de IEEE Task Force on Data Governance for Power System Organizations.

Piq heeft onlangs een overtekende seedronde van 5 miljoen dollar opgehaald om zijn platform uit te breiden. Hoe verwacht u dat AI de netplanning de komende vijf jaar zal veranderen, en zal snellere analyse volstaan om gelijke tred te houden met de elektriciteitsvraag van AI-datacenters, elektrificatie en industriële groei?

Ik geloof dat het inzetten van AI om analyses te versnellen essentieel is om de vraag naar elektriciteit bij te houden. De belangrijkste conclusie is dat automatisering op deze schaal niet alleen betekent dat hetzelfde werk sneller wordt gedaan, maar ook dat analyses mogelijk worden die met beperkte menselijke capaciteit simpelweg niet uitvoerbaar zouden zijn. Flexibele aansluitingen, flexibele transmissienetten en netversterkende technologieën: dit alles ontsluit latente capaciteit die nu al in het net aanwezig is. Door dat te combineren met versnelde aansluitingsstudies denken we de vraag te kunnen bijhouden.

Dank voor het uitstekende interview. Lezers die meer willen weten, kunnen terecht bij Piq Energy.