Tom Nudell, CEO e cofundador da Piq Energy – Série de entrevistas

Tom Nudell, CEO e cofundador da Piq Energy, é engenheiro de sistemas de energia e executivo de tecnologia com ampla experiência em análise de redes elétricas, planejamento de transmissão e infraestrutura energética. Antes de fundar a Piq Energy, passou quase sete anos na Smart Wires, onde ocupou vários cargos de liderança em análise e, por fim, tornou-se Diretor de Análise de Produtos e Soluções. Nessa função, liderou equipes interdisciplinares de engenheiros de planejamento de transmissão, engenheiros de software e analistas que trabalhavam em estudos avançados de planejamento da rede e sistemas analíticos automatizados. Antes disso, Nudell foi pesquisador de pós-doutorado no MIT, onde seu trabalho se concentrou na resiliência de sistemas energéticos interconectados, na gestão de energia de microrredes e no controle transativo. Também realizou pesquisas na Universidade Estadual da Carolina do Norte sobre a localização de perturbações em redes elétricas de grande escala usando medições em tempo real, aprendizado de máquina informado pela física, teoria de controle e otimização.

A Piq Energy é uma empresa de software para planejamento da rede elétrica voltada a acelerar a conexão de novos projetos de energia, data centers e outras grandes cargas elétricas à rede. Sua plataforma permite que desenvolvedores e concessionárias realizem internamente estudos complexos da rede, automatizem fluxos de trabalho de engenharia, avaliem possíveis pontos de interconexão e testem com mais rapidez inúmeros cenários de projeto e da rede. A Piq está desenvolvendo uma plataforma agêntica de planejamento da rede que reúne modelos de sistemas elétricos, dados, ferramentas de engenharia e fluxos de trabalho orientados por IA em um ambiente unificado, com aplicações em projetos solares, eólicos, de armazenamento de energia em baterias e de grandes cargas. A empresa afirma que sua tecnologia gerencia mais de 1.000 modelos de redes de transmissão e já foi usada para concluir mais de 10.000 fluxos de trabalho de engenharia, enquanto busca reduzir um dos maiores gargalos enfrentados por novas infraestruturas de energia e computação: os demorados processos de interconexão à rede.

Sua carreira abrange pesquisa em aprendizado de máquina informado pela física, trabalho sobre resiliência da rede no MIT e sete anos desenvolvendo análises para planejamento de transmissão na Smart Wires. Como essas experiências o levaram a identificar o problema específico que deu origem à Piq Energy?

Meu doutorado foi em sistemas elétricos computacionais, com foco no monitoramento e controle em tempo real de áreas extensas. Depois, fiz um pós-doutorado no MIT sobre redes elétricas resilientes e mecanismos dinâmicos de mercado. Após o pós-doutorado, entrei para a Smart Wires, onde passei sete anos fundando e ampliando a equipe de análise. Minha equipe oferecia cobertura global de engenharia de sistemas elétricos em quatro continentes, com especialização em fluxo de potência, simulação de mercado, dinâmica, transientes eletromagnéticos (EMT) e hardware-in-the-loop.

Em três meses na Smart Wires, percebi que o planejamento da rede é, em essência, um problema enorme e complexo de ciência de dados. Comecei a imaginar como simplificar e automatizar as partes mais caras do processo: a definição das análises, a coordenação entre diferentes especialistas e a construção e validação de modelos. Para melhorar esse processo de planejamento da rede, desenvolvemos algumas ideias fundamentais. A primeira foi a reprodutibilidade: se uma análise é 100% reproduzível, então o custo marginal para outra pessoa ou outro especialista executá-la novamente deve ser zero. Essa reprodutibilidade é crucial para permitir uma colaboração fluida entre desenvolvedores, concessionárias e outros terceiros nos estudos da rede. A segunda foi aplicar o conceito de que “todos os modelos estão errados, mas alguns são úteis” e nos concentrar em verificar se temos um modelo útil para o problema em questão, em vez de tentar construir e gerenciar o modelo mais “preciso” para tudo. (Quando falamos em “modelos” aqui, queremos dizer modelos da rede elétrica, modelos dinâmicos de dispositivos e usinas, entre outros.)

Essas percepções iniciais levaram Dio, meu cofundador, e eu a imaginar uma plataforma de software sofisticada para automatizar o trabalho que fazíamos. Ao mesmo tempo, observávamos como a fila de interconexão se tornava um enorme gargalo para a rede. Também víamos dificuldades crescentes para conectar tecnologias de rede mais recentes, incluindo recursos baseados em inversores (IBRs, que incluem todos os novos projetos de energia renovável) e tecnologias de aprimoramento da rede, como o hardware SmartValve que a Smart Wires vendia. Dio e eu percebemos que sabíamos como resolver esses problemas, mas precisávamos fundar uma empresa de software para isso.

Há três elementos: primeiro, minha formação em sistemas elétricos computacionais e a experiência de liderar uma equipe global de análise serviram de base. Segundo, o trabalho que já havíamos realizado na Smart Wires comprovou que havia um valor real e tangível a ser criado. Por fim, o cenário macro — a dimensão do desafio, que também representa a dimensão da oportunidade — foi o catalisador para darmos o salto e fundarmos a Piq Energy.

A Piq se descreve como uma “plataforma agêntica de planejamento da rede”. O que torna o sistema agêntico, em vez de ser apenas uma plataforma de automação ou análise, e quais tarefas seus agentes de IA podem planejar e executar de forma independente?

A Piq está acelerando a interconexão. A análise técnica é hoje o maior gargalo desse processo, por isso estamos construindo uma plataforma autônoma de planejamento da rede para acelerar essas análises técnicas.

Existem níveis de automação. Hoje, eles ainda não foram definidos explicitamente para o planejamento da rede e a interconexão, mas é possível imaginar algo semelhante aos níveis de automação da SAE para a condução de veículos. Fiz alusão a essa ideia em meu artigo de 2018 publicado no Congresso Mundial da CIGRE [T. Nudell et al., “On Developing Automated Tools for Reliability Planning”, CIGRE Paris C1-201, 2018.].

Agora dispomos dessa incrível tecnologia de uso geral que são os grandes modelos de linguagem. Na Piq, estamos descobrindo como aproveitar a autonomia agêntica e, ao mesmo tempo, garantir que a física e a engenharia sejam executadas corretamente, de maneira totalmente reproduzível e auditável, todas as vezes.

Hoje, nosso agente configura modelos e cenários, inicia estudos, cruza relatórios publicados, analisa resultados e redige novos relatórios fundamentados nos dados dos estudos.

Os estudos da rede dependem de software de engenharia consolidado, modelos detalhados da rede e restrições físicas rigorosas. Como a Piq combina a IA com essas ferramentas determinísticas sem permitir que um modelo probabilístico se sobreponha à física subjacente do sistema elétrico?

Você tem razão ao dizer que os estudos da rede dependem de software consolidado, modelos detalhados e física conhecida. Nossa plataforma permite que os agentes ampliem a experiência humana, orientados por nossos dados e pelo contexto sobre que tipos de estudo executar e como configurar os cenários, para então fundamentar a análise em dados concretos dos resultados.

Tudo o que ocorre entre essas etapas, porém, é uma automação determinística e escalável. Os agentes nunca escrevem código novo, e não usamos simuladores de física desconhecidos. Isso resulta em uma plataforma muito mais confiável do que outras abordagens, porque o trabalho realizado por um agente é reproduzível e auditável e será executado corretamente todas as vezes. Em outras palavras, se um engenheiro humano examinar o resultado, deverá conseguir reproduzir cada etapa do processo e obter os mesmos resultados.

Quais partes de um estudo tradicional de interconexão ou de planejamento da transmissão a Piq consegue automatizar hoje, e quais decisões ainda precisam ser analisadas e aprovadas por um engenheiro qualificado?

Hoje, a Piq oferece aos desenvolvedores um conjunto de ferramentas para todo o processo de estudo de interconexão.

A primeira é uma triagem preliminar de áreas novas e extensas, que chamamos de análise regional de triagem. Ela fornece um mapa de calor da capacidade disponível segundo o critério N-1 em cada nó de uma região, para que seja possível ver onde a rede realmente tem espaço antes de se comprometer com um local.

A segunda é uma triagem mais profunda em um local específico — um estudo de POI, ou triagem de ponto. Esses estudos analisam detalhadamente um único ponto de interconexão: todas as restrições da rede, as possíveis melhorias e quanto essas melhorias custariam para um projeto conectado naquele local.

A terceira é a gestão da fila. É nela que os desenvolvedores podem simular a teoria dos jogos de um estudo em cluster, entendendo a alocação detalhada de custos e como ela muda à medida que o conjunto de geradores se altera. Projetos mudam de tamanho, projetos desistem, outros desenvolvedores agem, e sua parcela de custos acompanha essas mudanças. Esse é um problema dinâmico, e hoje a maioria dos desenvolvedores só descobre seus efeitos depois do fato, em vez de modelá-los antecipadamente.

A Piq também automatiza o processo de construção e validação de modelos dinâmicos de instalações — os equipamentos e controles que representam data centers, usinas solares e outros participantes da rede.

Todos esses modelos, resultados e relatórios exigem a supervisão de uma pessoa, que possa orientar as entradas e revisar as saídas. Ainda não afirmamos ter um sistema totalmente autônomo, e eu não confiaria em ninguém que fizesse essa afirmação.

A Piq concluiu mais de 10.000 estudos de produção. O que operar nessa escala ensinou a vocês sobre manter a precisão dos modelos, acompanhar as mudanças nas condições da rede e produzir resultados que os engenheiros possam reproduzir e auditar?

O número de 10.000 já está desatualizado. Desde janeiro, quando ele foi divulgado, passamos a executar 2.000 estudos por mês, e esse total continua crescendo. Isso se deve ao aumento do número de usuários e ao fato de mais usuários também estarem construindo sistemas internos escaláveis.

Operar nesse ritmo ensina que a reprodutibilidade não é um recurso que se acrescenta. Ela é a restrição que determina se é possível operar nesse ritmo. Se um estudo não puder ser reproduzido, não poderá ser auditado; e, se não puder ser auditado, ninguém poderá agir com base nele. Se seus estudos não forem acionáveis, você estará apenas gerando volume, não valor. Tudo na forma como construímos a plataforma decorre da ideia de criar modelos úteis e realizar estudos valiosos.

A Piq permite que desenvolvedores de data centers e outros clientes com grandes cargas avaliem locais potenciais e cenários de conexão antes de procurar uma concessionária. Como esses estudos liderados pelos desenvolvedores podem acelerar o processo sem criar premissas conflitantes ou duplicar a análise oficial da concessionária?

A concessionária ainda precisa realizar seu próprio estudo oficial, mas nossos clientes não podem ficar esperando. Hoje, pode levar mais de um ano para receber os resultados desses estudos oficiais e, enquanto isso, nossos clientes têm centenas de milhões de dólares em investimentos comprometidos. Eles precisam adquirir equipamentos e terrenos e garantir posições nas filas de interconexão em todo o país. Damos a nossos clientes condições de tomar essas decisões antes do estudo oficial da concessionária. Também vimos como eles podem influenciar o direcionamento da concessionária quando estão munidos de informações sobre soluções de interconexão flexível ou melhorias alternativas capazes de conectar capacidade adicional.

O que oferecemos é uma maneira rápida e eficiente de prever o futuro. Ninguém tem uma bola de cristal — e você não sabe com quem mais está competindo na fila —, mas, se os estudos forem acessíveis e rápidos, explorar muitos cenários ajudará nossos clientes a tomar decisões mais bem informadas sobre seu capital. Também oferecemos a possibilidade de explorar melhorias alternativas para liberar capacidade existente no sistema e trabalhar lado a lado com as concessionárias, em ciclos de aperfeiçoamento, como verdadeiros parceiros.

As concessionárias da Califórnia receberam solicitações de aproximadamente 18,7 GW de nova capacidade de atendimento a data centers, embora muitos projetos propostos talvez nunca sejam construídos. A IA pode ajudar as concessionárias a distinguir projetos confiáveis de solicitações especulativas ou duplicadas e impedir que “cargas fantasmas” distorçam o planejamento de longo prazo da rede?

Especular não é irracional. Diante do tempo necessário para estudar e conectar um projeto, qualquer pessoa que possa arcar com pedidos especulativos de interconexão fará isso. É a resposta racional ao processo de interconexão como ele existe hoje. Em nossa visão, se os projetos pudessem ser estudados e conectados na mesma velocidade em que são construídos, não haveria incentivo para especular desde o início.

Portanto, a resposta não é usar a IA para identificar a especulação. Em vez disso, é usar a IA para realmente melhorar o processo e conectar mais carga com maior eficiência. Isso significa empregar IA tanto para acelerar o próprio processo de estudo da interconexão quanto para encontrar medidas alternativas de mitigação, incluindo tecnologias de aprimoramento da rede e interconexões flexíveis. Combinada a mudanças regulatórias, como custos de inscrição mais altos ou depósitos maiores e tarifas de interconexão revisadas, a IA pode viabilizar um sistema muito mais eficiente e com bem menos especulação.

Na ausência de mudanças, porém, os desafios das cargas fantasmas continuarão se acumulando. Mais carga fantasma significa mais cenários a estudar, o que dificulta o planejamento de longo prazo para os planejadores das concessionárias e torna todo o sistema mais lento. Um sistema mais lento aumenta o incentivo à especulação. Foi exatamente isso que vimos nas filas de interconexão de geradores que nos motivaram a fundar a Piq em 2023, e é exatamente esse ciclo de retroalimentação que tentamos romper.

A Piq afirma que seu trabalho ajudou a identificar quase 1 GW de capacidade da rede por meio de soluções flexíveis e tecnologias de aprimoramento da rede. Que tipos de mudanças operacionais ou tecnologias estão liberando essa capacidade? Você pode explicar um caso em que um projeto evitou uma grande expansão da rede?

Somente três coisas podem liberar capacidade. Todas são tipos de flexibilidade operacional que até recentemente não estavam disponíveis para a rede. Chamamos esses três tipos de flexibilidade no ponto, flexibilidade agregada e flexibilidade da rede.

A flexibilidade no ponto é o que muda no ponto de interconexão e inclui soluções como geração própria (BYOG), limites de retirada líquida, redução de carga ou cargas controláveis, entre outras. A flexibilidade agregada envolve recursos distribuídos pela rede, como usinas virtuais (VPPs) e recursos energéticos distribuídos (DERs) agregados para gerenciar restrições da transmissão. Já a flexibilidade da rede se refere aos parâmetros e à própria configuração da rede — controle avançado do fluxo de potência, otimização da topologia e classificação dinâmica de linhas. O importante é que os três tipos podem ser modelados, planejados e, por fim, implantados em um centro de controle.

O exemplo mais claro é o da flexibilidade da rede. Estudamos um caso em que a restrição vinculante era um único elemento, e a implantação de 70 MVAr de controle do fluxo de potência diretamente nessa restrição liberou cerca de 600 MW de capacidade adicional. Sem novas linhas de transmissão, sem anos de licenciamento: apenas uma pequena melhoria na rede para liberar 600 MW de capacidade.

A utilização da capacidade da rede de transmissão é de apenas cerca de 35% nas condições de planejamento mais adversas. A rede não está cheia. Embora a capacidade da rede seja hoje o maior desafio para conectar grandes cargas, as restrições só ocorrem em locais e condições específicos. A maioria dessas restrições tem uma solução que não exige esperar uma década por novos cabos, e essa solução pode ser identificada por meio de estudos melhores da rede.

Existe um ecossistema em rápida expansão para esses três tipos de flexibilidade. Empresas como Base Power, Voltus, Smart Wires, NewGrid e outras já implantam soluções reais em escala. A única peça que falta é a estrutura analítica necessária para incluir essas soluções nos estudos de interconexão desde o início.

Decisões de engenharia relacionadas à rede podem afetar a confiabilidade, os preços da eletricidade e os investimentos em infraestrutura por décadas. Quais salvaguardas, processos de validação, permissões e trilhas de auditoria são necessários para que as concessionárias possam confiar aos agentes de IA fluxos de trabalho de planejamento cada vez mais complexos?

Concordamos 100%. Para tomar decisões sólidas de engenharia, cada parte do trabalho automatizado precisa ser auditável e reproduzível. É necessário haver um registro de cada ação, pois ninguém quer uma IA operando em uma caixa-preta e agindo fora de controle.

Nossas trilhas de auditoria têm várias camadas. Mantemos as conversas dos agentes, suas ações e a execução das ferramentas determinísticas. Cada subetapa e subfluxo de trabalho mapeia e gerencia todas as entradas e saídas, de modo que tudo possa ser auditado de ponta a ponta.

As permissões também são cruciais. Nossos agentes herdam as permissões do usuário com quem estão trabalhando. Um agente não pode ver dados nem realizar ações que a pessoa para quem trabalha não poderia ver ou executar por conta própria.

Isso está relacionado ao tema mais amplo da governança de dados, e os agentes estão mudando os paradigmas históricos. Tradicionalmente, a governança tratava de dados estruturados, com escopo restrito dentro de um único silo. Com agentes, dados estruturados, semiestruturados e não estruturados circulam entre silos — o que é justamente o potencial que uma plataforma como a Piq promete liberar e também o que torna a governança mais difícil. Há muito mais dados envolvidos e um conjunto mais amplo de pessoas interagindo com eles. Em uma organização de sistemas elétricos, isso é duplamente importante: para informações de investimento comercialmente sensíveis e para informações críticas de infraestrutura energética (CEII). Felizmente, há pessoas competentes trabalhando nisso, como as que participam da IEEE Task Force on Data Governance for Power System Organizations.

A Piq levantou recentemente uma rodada seed de US$ 5 milhões com demanda superior à oferta para ampliar sua plataforma. Olhando cinco anos à frente, como você espera que a IA transforme o planejamento da rede? Análises mais rápidas serão suficientes para acompanhar a demanda elétrica criada por data centers de IA, eletrificação e crescimento industrial?

Acredito que usar IA para acelerar a análise é fundamental para acompanhar a demanda por eletricidade. A principal conclusão é que a automação nessa escala não se resume a fazer o mesmo trabalho mais depressa; ela também permite análises que simplesmente não poderiam ser realizadas com uma capacidade humana limitada. Interconexões flexíveis, redes de transmissão flexíveis e tecnologias de aprimoramento da rede — tudo isso libera capacidade latente que já existe hoje na rede. Ao combinar essas soluções com estudos acelerados de interconexão, acreditamos que conseguiremos acompanhar a demanda.

Obrigado pela excelente entrevista. Os leitores que quiserem saber mais devem visitar a Piq Energy.