Jul, 144 Min. Lesezeit
KI-Produkte
News · Google, Tapestry und PJM gehen die Interconnection-Warteschlange mit KI an
Apr, 104 Min. Lesezeit
KI-ProdukteGoogle, Tapestry und PJM gehen die Interconnection-Warteschlange mit KI an
Ein Alphabet-Moonshot soll den Papierkram verschlanken, der 2.600 GW an Stromkapazität vom Netzanschluss abhält.
Der Engpass ist eine Warteschlange, kein Mangel an Projekten
Google hat eine mehrjährige Zusammenarbeit mit PJM Interconnection angekündigt – dem größten Netzbetreiber Nordamerikas – sowie mit Tapestry, einem von Alphabet inkubierten Moonshot-Projekt, das auf Google Cloud und Google DeepMind basiert. Ziel ist es, den Netzanschluss neuer Stromerzeugungsanlagen an das PJM-Netz zu beschleunigen, das den District of Columbia und 13 Bundesstaaten umfasst und 67 Millionen Menschen versorgt.
Die Rahmung ist entscheidend. Das Problem, das Google beschreibt, ist nicht ein Mangel an Energieprojekten. Es ist, dass Projekte in der Warteschlange festhängen. Laut Lawrence Berkeley National Laboratory belief sich der Rückstau bei Netzanschlüssen in den USA Ende 2023 auf rund 2.600 Gigawatt potenzieller Kapazität – mehr als das Doppelte der gesamten installierten Kapazität des bestehenden US-Kraftwerksparks.
Netzbetreiber haben laut dem Blogbeitrag beobachtet, dass Anschlussanfragen 'von wenigen Dutzend pro Jahr auf Tausende' gestiegen sind. Genau dieser Mengenanstieg ist das eigentliche Ziel. Es handelt sich um ein Datenverarbeitungsproblem, das als Infrastrukturproblem daherkommt.
Was Tapestry tatsächlich entwickelt
Das konkrete Ergebnis ist ein einheitliches Datenmodell. Tapestry plant, die 'Dutzenden bestehenden Datenbanken und Tools', die PJM zur Bewertung von Anschlussanfragen nutzt, in ein einziges, einheitliches Modell des Netzes zu integrieren und eine sichere Plattform zu schaffen, auf der Netzplaner und Projektentwickler zusammenarbeiten können.
Die KI-Arbeit konzentriert sich auf die Automatisierung und Verbesserung der Datenprüfung – jenen Schritt, der heute sowohl Energieentwickler bei der Antragstellung als auch PJM-Planer bei der Prüfung belastet. Google beschreibt dies als Verkürzung der Bearbeitungszeit für neue Projektanträge, damit Kapazitäten schneller ans Netz gehen.
Das ist eine engere und glaubwürdigere Aussage als 'KI wird das Stromnetz reparieren'. Die physischen Beschränkungen – Übertragungsleitungen, Transformatoren, die tatsächlichen Elektronen – ändern sich dadurch nicht. Was sich ändert, ist die Geschwindigkeit des Antrags-, Prüf- und Planungsprozesses, der dem eigentlichen Bau vorausgeht.
Die Nachfragezahlen hinter der Dringlichkeit
Google begründet das Vorhaben mit einer konkreten Verschiebung der Prognosen: 2024 verdreifachte sich die Fünfjahres-Prognose der Federal Energy Regulatory Commission zum Nachfragewachstum gegenüber der Vorjahresprognose mehr als, wobei der US-Spitzenenergiebedarf bis Ende des Jahrzehnts um 128 GW steigen soll.
Der Subtext ist Alphabets eigener Verbrauch. Der Beitrag schließt mit dem Hinweis, dass Google 'neue Entwicklungs- und Beschaffungsansätze prüft, die neue, verlässliche Elektrizität liefern können, um den Betrieb von Google mit Strom zu versorgen', neben Investitionen in verbesserte Geothermie und fortschrittliche Kernenergie. Ein Unternehmen, das KI-Rechenzentren baut, hat ein direktes Interesse an einem schnelleren Netzanschlussprozess.
Diese Interessenüberschneidung sollte man klar benennen, statt sie als Konflikt zu lesen: Dieselbe Organisation, die die Netzplanungs-KI entwickelt, gehört auch zu den Akteuren, deren Nachfrage die Warteschlange verlängert.
Warum die Vereinheitlichung des Datenmodells das eigentliche Ergebnis ist
Der belastbarste Teil dieser Ankündigung ist nicht die KI-Rahmung – es ist die Konsolidierung der Datenbanken. PJMs Bewertung von Netzanschlüssen läuft angeblich über Dutzende separate Tools und Datenbanken. Jedes Team, das schon mit angewandter KI gearbeitet hat, weiß: Fragmentierte, inkonsistente Ausgangsdaten sind es, die Automatisierung ausbremsen – nicht die Modellierung selbst.
Wenn es Tapestry gelingt, diese Quellen zu einem einzigen kohärenten Modell des Netzes zu vereinheitlichen, bildet diese strukturierte Grundlage erst die Basis für eine nachgelagerte Automatisierung der Prüfung. Das KI-Tooling ist die sichtbare Ebene; die Datenintegration ist die tragende Arbeit.
Die konkrete Implikation: Es ist eine Wette darauf, dass sich die Interconnection-Warteschlange am besten als Data-Engineering- und Workflow-Problem für einen einzelnen großen Netzbetreiber angehen lässt – nicht als universelles KI-Produkt für Stromnetze. Ob dies den Rückstau von 2.600 GW abbaut, wird davon abhängen, wie viel von PJMs Genehmigungszeit administrativ und wie viel physisch bedingt ist – und das werden erst PJMs eigene Durchsatzzahlen über den von Google genannten mehrjährigen Zeithorizont zeigen.
Find this story relevant to you?
Contact us to find a unique solution
Brauchen Sie einen KI-Engineering-Partner, der auch liefern kann?
Wir helfen Unternehmen dabei, KI in Produkte und Prozesse zu integrieren, wertvolle Workflows zu automatisieren und die zugrunde liegenden Softwaresysteme zu modernisieren.
Weiterführende Beiträge
Weitere Analysen rund um Produktbereitstellung, operative KI und die Systemarbeit, die dafür sorgt, dass der Einsatz in der Praxis Bestand hat.
Jul, 134 Min. Lesezeit
KI-Produkte
Die Bildauswahl-Automatisierung von Expedia ist der konkrete Baustein hinter der KI-Marketinggeschichte des Unternehmens
Jul, 134 Min. Lesezeit
KI-Produkte