Tom Nudell, VD och medgrundare av Piq Energy – Intervjuserie

Tom Nudell, VD och medgrundare av Piq Energy, är en kraftsystemingenjör och teknikchef med djup erfarenhet av nätanalys, transmissionsplanering och energiinfrastruktur. Innan han grundade Piq Energy tillbringade han nästan sju år på Smart Wires, där han avancerade genom flera ledande roller inom analys och slutligen tjänstgjorde som direktör för produkt- och lösningsanalys, där han ledde tvärvetenskapliga team av transmissionsplaneringsingenjörer, mjukvaruingenjörer och analytiker som arbetade med avancerade nätplaneringsstudier och automatiserade analytiska system. Tidigare var Nudell postdoktoral forskningsassistent vid MIT, där hans arbete fokuserade på resiliens i sammankopplade energisystem, mikrogridenergihantering och transaktiv styrning. Han utförde också forskning vid North Carolina State University om att lokalisera störningar i storskaliga kraftnät med hjälp av realtidsmätningar, fysikbaserad maskininlärning, reglerteori och optimering.

Piq Energy är ett mjukvaruföretag för nätplanering som fokuserar på att påskynda anslutningen av nya energiprojekt, datacenter och andra stora elbelastningar till elnätet. Dess plattform möjliggör för utvecklare och elnätsbolag att utföra komplexa nätstudier internt, automatisera ingenjörsarbetsflöden, utvärdera potentiella anslutningspunkter och testa ett stort antal projekt- och nätscenario snabbare. Piq utvecklar en agentisk nätplaneringsplattform som kombinerar kraftsystemmodeller, data, ingenjörsverktyg och AI‑drivna arbetsflöden i en enhetlig miljö, med tillämpningar som omfattar sol, vind, batterilagring och utveckling av stora belastningar. Företaget uppger att deras teknik hanterar mer än 1 000 transmissionsnätmodeller och har använts för att slutföra mer än 10 000 ingenjörsarbetsflöden, i ett försök att minska en av de största flaskhalsarna för ny energi- och datainfrastruktur: långa processer för nätanslutning.

Din karriär har spunnit över fysikbaserad maskininlärningsforskning, arbete med nätresiliens vid MIT och sju år med att bygga transmissionsplaneringsanalys på Smart Wires. Hur ledde dessa erfarenheter dig till att identifiera det specifika problemet som blev Piq Energy?

Min doktorsexamen var i beräkningskraftsystem där jag fokuserade på realtidsövervakning och -styrning i stor skala. Därefter fortsatte jag med en postdoktoral forskning vid MIT om resilienta kraftnät och dynamiska marknadsmekanismer. Efter min postdoc gick jag till Smart Wires, där jag tillbringade sju år med att grunda och expandera analysgruppen. Mitt team hade global täckning av kraftsystemteknik över fyra kontinenter, med expertis inom kraftflöde, marknadssimulering, dynamik, EMT och hårdvaru‑i‑slinga.

Inom tre månader efter att jag började på Smart Wires insåg jag att nätplanering i grund och botten är ett enormt och komplext data‑vetenskapsproblem. Jag började drömma om hur man kan effektivisera och automatisera de dyraste delarna av processen: definitionen av analyser, samordning mellan olika ämnesexperter samt byggandet och valideringen av modeller. För att förbättra denna nätplaneringsprocess utvecklade vi några nyckelidéer. Den första var reproducerbarhet – om din analys är 100 % reproducerbar bör den marginala kostnaden för att en annan person/expertt kan köra om analysen vara noll. Denna reproducerbarhet är avgörande för att möjliggöra sömlöst samarbete mellan utvecklare, elnätsbolag och andra tredje parter i nätstudier. Den andra var att tillämpa konceptet ”alla modeller är fel, vissa är användbara” och fokusera på verifiering att vi har en användbar modell för det aktuella problemet, snarare än att försöka bygga och hantera den mest ”exakta” modellen för allt. (När vi hänvisar till ”modeller” menar vi här nätverksmodeller, dynamiska modeller av enheter och anläggningar etc.).

Dessa första insikter fick mig och Dio, min medgrundare, att börja drömma om en sofistikerad mjukvaruplattform för att automatisera det arbete vi utförde. Samtidigt observerade vi hur anslutningskön blev en enorm flaskhals för nätet. Vi såg också de ökande svårigheterna att ansluta nyare nätteknologier, inklusive inverterbaserade resurser (IBR, inklusive alla nya förnybara projekt) och nätförbättrande teknologier såsom SmartValve‑hårdvaran som Smart Wires sålde. Dio och jag insåg att vi visste hur vi kunde lösa dessa problem, men att vi behövde starta ett mjukvaruföretag för att göra det.

Det finns tre delar: Först var min bakgrund inom beräkningskraftsystem och erfarenheten av att leda ett globalt analysteam grunden. För det andra var det arbete vi redan hade gjort på Smart Wires beviset på att det fanns ett verkligt, påtagligt värde att skapa. Och slutligen var makroklimatet – omfattningen av utmaningen, som också är omfattningen av möjligheten – katalysatorn för att ta steget och starta Piq Energy.

Piq beskriver sig själv som en “agentisk nätplaneringsplattform”. Vad gör systemet agentiskt snarare än bara en automatiserings- eller analysplattform, och vilka uppgifter kan dess AI‑agenter planera och utföra självständigt?

Piq påskyndar anslutning. Teknisk analys är för närvarande den största flaskhalsen för anslutning, så vi bygger en autonom nätplaneringsplattform för att påskynda dessa tekniska analyser.

Det finns nivåer av automatisering. Idag har dessa nivåer av automatisering inte definierats explicit för nätplanering och anslutning, men du kan föreställa dig något analogt med SAE:s nivåer av automatisering för körning. Jag nämnde denna idé i min artikel från 2018 som publicerades på CIGRE World Congress. [T. Nudell, et al. “On Developing Automated Tools for Reliability Planning”, CIGRE Paris C1-201, 2018.].

Nu har vi den fantastiska, allmänna teknologin i stora språkmodeller, och med Piq försöker vi utnyttja agentbaserad autonomi samtidigt som vi säkerställer att fysiken och ingenjörskonsten utförs korrekt, på ett helt reproducerbart och granskningsbart sätt varje gång.

Idag konfigurerar vår agent modeller och scenarier, startar studier, korsrefererar publicerade rapporter, analyserar resultat och skriver nya rapporter som är förankrade i studiedata.

Nätstudier bygger på etablerad ingenjörsprogramvara, detaljerade nätmodeller och strikta fysiska begränsningar. Hur kombinerar Piq AI med dessa deterministiska verktyg utan att låta en probabilistisk modell åsidosätta den underliggande kraftsystemfysiken?

Du har rätt i att nätstudier bygger på etablerad programvara, detaljerade modeller och känd fysik. Vår plattform låter agenter förstärka mänsklig expertis, med vår data och kontext om vilka typer av studier som ska genomföras, hur scenarier ska konfigureras, och sedan förankra analysen i konkreta resultatdata.

Men sedan är allt däremellan skalbar, deterministisk automatisering. Det skrivs aldrig ny kod av agenter och inga obekanta fysiksimulatorer används. Detta ger en mycket mer pålitlig plattform jämfört med andra metoder eftersom det arbete som en agent utför är reproducerbart och granskningsbart, och görs på rätt sätt varje gång. Med andra ord, om en mänsklig ingenjör granskar resultatet bör denne kunna reproducera varje steg i processen och få samma resultat.

Vilka delar av en traditionell anslutnings‑ eller transmissionsplaneringsstudie kan Piq automatisera idag, och vilka beslut måste fortfarande granskas och godkännas av en kvalificerad ingenjör?

Idag erbjuder Piq utvecklare en uppsättning verktyg för hela processen med anslutningsstudier.

Den första är en övergripande grönfältsscreening över stora områden som vi kallar regional screening‑analys. Den ger dig en värmekarta över N‑1 marginalkapacitet vid varje nod i en region, så att du kan se var nätet faktiskt har utrymme innan du bestämmer dig för en plats.

Den andra är en djupare screening på en specifik plats – en POI‑studie, eller punkt‑screening. Dessa studier går på djupet för en enda anslutningspunkt: alla nätbegränsningar, möjliga uppgraderingar och vad dessa uppgraderingar skulle kosta för ett projekt som ansluter där.

Den tredje är köhantering. Här kan utvecklare simulera spelteorin i en klusterstudie genom att förstå den detaljerade kostnadsallokeringen och hur den förändras när generatorpoolen förändras. Projekt ändrar storlek, projekt faller bort, andra utvecklare vidtar åtgärder, och din kostnadsallokering följer med dem. Det är ett dynamiskt problem, och idag får de flesta utvecklare reda på det i efterhand snarare än att modellera det i förväg.

Piq automatiserar även modellbyggnads‑ och valideringsprocessen för dynamiska anläggningsmodeller – utrustning och styrsystem som representerar datacenter, solkraftsparker och andra aktörer i nätet.

Alla dessa modeller, resultat och rapporter kräver en människa i loopen som kan styra indata och granska utdata. Vi påstår ännu inte att vi har ett fullständigt självkörande system, och jag skulle inte lita på någon som påstår sig ha det.

Piq har genomfört mer än 10,000 produktionsstudier. Vad har drift i den skalan lärt er om att upprätthålla modellernas noggrannhet, följa förändrade nätförhållanden och producera resultat som ingenjörer kan reproducera och granska?

Siffran 10,000 är nu föråldrad och sedan januari (när siffran offentliggjordes) kör vi nu 2,000 studier per månad, och antalet ökar. Detta beror på att våra användare växer, och fler användare bygger interna system som också skalas upp.

Att arbeta i den takten lär dig att reproducerbarhet inte är en funktion du lägger till. Det är en begränsning som avgör om du över huvud taget kan arbeta i den takten. Om en studie inte kan reproducera kan den inte granskas, och om den inte kan granskas kan ingen agera på den. Om dina studier inte är handlingsbara genererar du bara volym, inte värde. Allt i hur vi byggde plattformen följer av idén att skapa användbara modeller och genomföra värdefulla studier.

Piq låter datacenterutvecklare och andra kunder med stor belastning utvärdera potentiella platser och anslutningsscenario innan de kontaktar ett elbolag. Hur kan dessa utvecklarstyrda studier påskynda processen utan att skapa motstridiga antaganden eller duplicera elbolagets officiella analys?

Verket måste fortfarande genomföra sin egen officiella studie, men våra kunder kan inte vänta. Idag kan det ta mer än ett år att få de officiella studieresultaten, och under tiden sitter våra kunder på hundratals miljoner dollar i investeringar. De har utrustning att anskaffa, mark att förvärva och anslutningspositioner att säkra över hela landet. Vi ger våra kunder möjlighet att fatta dessa beslut innan den officiella verkstudien. Vi har också sett hur våra kunder kan påverka verkets riktning eftersom de är utrustade med insikter om flexibla anslutningslösningar eller alternativa uppgraderingar för att ansluta ytterligare kapacitet.

Det vi erbjuder är ett snabbt och effektivt sätt att förhandsgranska framtiden. Ingen har en kristallkula (och du vet inte vem du konkurrerar med i kön), men om studierna är prisvärda och snabba, så hjälper utforskandet av många scenarier våra kunder att fatta bättre informerade beslut med sitt kapital. Vi erbjuder också möjligheten för våra kunder att utforska alternativa uppgraderingar för att låsa upp befintlig kapacitet i deras system och arbeta hand i hand med verken som riktiga partners.

Kaliforniens verk har mottagit förfrågningar om cirka 18,7 GW ny datacenterkapacitet, även om många föreslagna projekt kanske aldrig byggs. Kan AI hjälpa verken att skilja trovärdiga projekt från spekulativa eller duplicerade förfrågningar och förhindra “fantomlaster” från att förvränga långsiktig nätplanering?

Spekulation är inte irrationell. Med tanke på hur lång tid det tar att få ett projekt studerat och anslutet, kommer alla som har råd att lämna in spekulativa anslutningsförfrågningar att göra det. Det är det rationella svaret på den anslutningsprocess som finns idag. Enligt vår uppfattning, om projekt kunde studeras och anslutas lika snabbt som de kunde byggas, skulle det inte finnas någon incitament att spekulera från början.

Svaret handlar alltså inte om att använda AI för att identifiera spekulation. Istället handlar svaret om att använda AI för att faktiskt förbättra processen – för att mer effektivt ansluta mer belastning. Det innebär att använda AI både för att påskynda själva anslutningsstudieprocessen och för att hitta alternativa åtgärder, inklusive nätförbättrande teknologier och flexibla anslutningar. I kombination med regulatoriska förändringar, såsom högre ansökningskostnader eller större depositioner och reviderade anslutningstariffer, kan AI låsa upp ett mycket mer effektivt system med mycket mindre spekulation.

Men utan förändringar kommer problemen med fantomlaster att fortsätta förvärras. Mer fantomlast innebär fler scenarier att studera, vilket gör långsiktig planering svårare för verkens planerare, vilket gör hela systemet långsammare. Ett långsammare system ökar incitamentet att spekulera. Detta är exakt vad vi såg med generatoranslutningsköerna som fick oss att starta Piq 2023, och det är exakt den återkopplingsslinga vi försöker bryta.

Piq säger att deras arbete har hjälpt till att identifiera nästan 1 GW nätkapacitet genom flexibla lösningar och nätförbättrande teknologier. Vilka typer av operativa förändringar eller teknologier låser upp den kapaciteten, och kan du gå igenom ett exempel där ett projekt undvek en stor nätuppgradering?

Endast tre saker kan låsa upp kapacitet. De är alla typer av operativ flexibilitet som inte var tillgängliga för nätet förrän nyligen. Vi kallar dessa tre typer av flexibilitet Punktflexibilitet, Aggregatflexibilitet och Nätflexibilitet.

Punktflexibilitet är vad som förändras vid anslutningspunkten, inklusive lösningar som ta med egen produktion (BYOG), gränser för nätuttag, lastnedskärning/kontrollerbara belastningar, med mera. Aggregatflexibilitet är distribuerade resurser över nätet såsom VPPs och DER som samlas för att hantera överföringsbegränsningar. Nätflexibilitet är själva nätparametrarna och konfigurationen – avancerad kraftflödeskontroll, topologisk optimering och dynamisk linjebedömning. Det viktiga är att alla tre kan modelleras, planeras och så småningom implementeras i ett kontrollrum.

Det renaste exemplet är nätflexibilitet. Vi studerade ett fall där den bindande begränsningen var ett enda element, och 70 MVAr kraftflödeskontroll som placerades direkt vid den begränsningen låste upp ungefär 600 MW extra kapacitet. Inga nya transmissionslinjer, ingen flerårig tillståndsprocess, bara en liten nätuppgradering för att låsa upp 600 MW kapacitet.

Utnyttjandet av transmissionsnätets kapacitet är bara omkring 35 % under de värsta planeringsförhållandena. Nätet är inte fullt. Även om den största utmaningen för att ansluta stora belastningar idag är nätkapaciteten, är nätet bara begränsat på specifika platser under specifika förhållanden. De flesta av dessa begränsningar har en lösning som inte innebär att vänta ett decennium på nya ledningar, och den lösningen kan identifieras genom att studera nätet bättre.

Det finns ett snabbt växande ekosystem för dessa tre typer av flexibilitet. Företag som Base Power, Voltus, Smart Wires, NewGrid och andra implementerar riktiga lösningar i stor skala idag. Det enda som saknas är det analytiska ramverket för att få dessa lösningar in i anslutningsstudier från början.

Ingenjörsbeslut som rör nätet kan påverka pålitlighet, elpriser och infrastrukturinvesteringar i årtionden. Vilka skyddsåtgärder, valideringsprocesser, tillstånd och revisionsspår är nödvändiga innan verken kan lita på AI‑agenter med alltmer komplexa planeringsarbetsflöden?

Vi är 100 % överens. För att fatta sunda ingenjörsbeslut måste varje del av automatiserat arbete vara spårbar och reproducerbar. Det måste finnas ett pappersspår för varje åtgärd, eftersom du inte vill ha en AI som körs i en svart låda och går ur kontroll.

Våra auditspår är mångfacetterade. Vi sparar agentens konversationer, agentens åtgärder och den deterministiska verktygsutförandet. Varje delsteg och delarbetsflöde kartlägger och hanterar alla sina in- och utdata, så allt är spårbart från början till slut.

Behörigheter är också avgörande. Våra agenter ärver behörigheter från den användare de arbetar med. En agent kan inte se data eller utföra åtgärder som personen den arbetar för inte kan se eller utföra själv.

Detta är relaterat till det bredare temat datastyrning, och agenter förändrar de historiska paradigm. Historiskt handlade styrning om strukturerad data, begränsad till en silo. Med agenter har du strukturerad, semi‑strukturerad och ostrukturerad data som rör sig över silos — vilket är exakt den möjlighet som en plattform som Piq lovar, och precis det som gör styrning svårare. Det finns mycket mer data i spel, och ett bredare spektrum av personer som interagerar med den. I en kraftsystemorganisation är detta dubbelt viktigt: för konkurrenskänslig investeringsinformation och för CEII. Lyckligtvis finns det smarta personer som arbetar med detta, såsom de som är involverade i IEEE Task Force on Data Governance for Power System Organizations.

Piq har nyligen tagit in en övertecknad seedrunda på $5 million seed round för att expandera sin plattform. När vi ser fem år framåt, hur förväntar du dig att AI kommer att förändra nätplanering, och kommer snabbare analyser att räcka för att hålla jämna steg med de elbehov som skapas av AI‑datacenter, elektrifiering och industriell tillväxt?

Jag tror att användning av AI för att påskynda analyser är nyckeln till att hålla jämna steg med elbehovet. Den viktigaste slutsatsen är att automatisering i denna skala inte bara handlar om att utföra samma arbete snabbare, utan också möjliggör analyser som helt enkelt inte skulle kunna göras med begränsad mänsklig kapacitet. Flexibel anslutning, flexibla transmissionsnät, nätförbättrande teknologier – allt detta frigör latent kapacitet som redan finns i nätet idag. Genom att kombinera detta med accelererade anslutningsstudier tror vi att vi kommer att kunna hålla jämna steg med efterfrågan.

Tack för den fantastiska intervjun, läsare som vill lära sig mer bör besöka Piq Energy.