Yapay Zekâ Veri Merkezlerinin Sürdürülebilir Şebeke Entegrasyonu: Yenilenebilir Belirsizliği Altında Eğitim İş Yükleri ve Batarya Depolamanın Karbon Duyarlı Ortak Optimizasyonu

Özet

Çalışma, karbon duyarlı hesaplamanın sistem düzeyinde denetlenip denetlenmediğini soruyor: iş yükleri skaler fiyat veya karbon sinyalini izliyor, ama iddia edilen tasarrufların şebeke genelindeki dağıtımda kalıcı olması gerekmiyor. Yazarlar kontrol noktası aralıklarını, iş yükü göçünü, dinamik gerilim ve frekans ölçekleme (DVFS) ile sayaç arkası depolamayı birim kombinasyonuyla birlikte çizelgeleyen iki aşamalı, riskten kaçınan bir çerçeve geliştiriyor; sistem CO2'sine piyasada içselleştirilmiş seviyenin ötesinde fiyat veriyor. IEEE 39 ve 118 baralı sistemler 2025 Fransa ve Almanya ölçümlerine eşleniyor.

Her veri merkezinin BESS'i, GPU başına 0,38 kW'a boyutlanan 2 saatlik bir sistem olarak modelleniyor (kontrol noktası kaynaklı 'çukur maskeleme' kuralı); sabit gidiş-dönüş verimi, günlük enerji nötrlüğü ve gün başı ile sonunda SOC 0,5. Karbon fiyatlı dağıtım sistem CO2'sini %29,5 azalttı; üretim maliyeti primi %0,01'in altında. Azaltımın %99'undan fazlası üretim yeniden dağıtımından geldi, yani işletmeci tarafı bir araçtan.

Yapay zekâ yük esnekliği bugün sistem emisyonlarının %0,23'ünü ekliyor; bu, veri merkezi filosunun kendi karbon ayak izinin yaklaşık dörtte biri (modellenen filo günde yaklaşık 627 MWh, yaklaşık 152 t CO2 çekti; esneklik günde 39 t azalttı, filonun kendi emisyonunun yaklaşık %26'sı). Gigavat ölçeğinde %3,3'e çıkıyor ve en kötü gün yük atmayı 849'dan 431 MWh'e düşürüyor (%49). Yalnızca depolama esnekliği karbon sinyalinin ötesinde emisyonu yalnızca %0,02 azalttı; göç ve DVFS %0,22. 118 baralı vakada depolama tek başına esnek olmayan referanstan günde 0,3 t daha kötüydü, çünkü gidiş-dönüş kayıpları var.

Ortalama karbon yoğunluğu sinyalini izlemek, karbon körü ortak optimize dağıtıma kıyasla bile sistem emisyonlarını artırabiliyor. Sınırlar: bölgesel eşleme, gerçek Avrupa topolojisini değil indirgenmiş bir biçimi koruyor, bu yüzden mutlak büyüklükler hata taşıyor ama yönler ve göreli sıralamalar taşımıyor; ortalama (marjinal olmayan) emisyon kullanılıyor; gün öncesi fiyatlar bilinen ve bölgeler arası ortak varsayılıyor; termal model statik PUE, depolama sabit verim kullanıyor.

Öne çıkan noktalar

1. Her veri merkezinin BESS'i GPU başına 0,38 kW ile boyutlandırılmış 2 saatlik sistem; sabit gidiş-dönüş verimi, günlük enerji nötrlüğü ve gün başı ile sonunda SOC 0,5.
2. Karbon fiyatlı dağıtım sistem CO2'sini %29,5 azalttı, üretim maliyeti primi %0,01'in altında; azaltımın %99'undan fazlası üretim yeniden dağıtımından geldi.
3. Yalnızca depolama esnekliği (B3) karbon sinyalinin ötesinde emisyonu yalnızca %0,02 azalttı; göç ve DVFS %0,22. 118 baralı vakada depolama tek başına esnek olmayan referanstan günde 0,3 t daha kötüydü.
4. Modellenen yapay zekâ filosu günde yaklaşık 627 MWh (yaklaşık 152 t CO2) çekti; esneklik günde 39 t, yani filonun kendi emisyonunun yaklaşık %26'sını azalttı.
5. Gigavat ölçeğinde yapay zekâ yük esnekliği, en kötü günün ortalama yük atmasını 849'dan 431 MWh'e düşürdü (-%49) ve sistem emisyonlarında %3,3 azaltım sağladı.
6. Skaler ortalama karbon yoğunluğu sinyaline göre çizelgeleme, karbon körü ortak optimize dağıtıma kıyasla bile sistem düzeyinde emisyonları artırabilir.

Tasarımda kullanımı

• Sayaç arkası batarya depolamayı emisyon azaltımı gerekçesiyle boyutlandırmayın; gidiş-dönüş kayıpları nedeniyle depolama tek başına katkı vermiyor ve emisyonu artırabilir; depolamayı kontrol noktası çukurlarını maskeleme gibi somut bir görevle gerekçelendirin.
• Yapay zekâ eğitim yükü için kontrol noktası aralığı, göç ve DVFS esnekliğini şebeke bağlantı müzakeresinde kapasite ve yük atma azaltımı kozu olarak değerlendirin.
• Karbon duyarlı çizelgelemede ortalama karbon yoğunluğu sinyalini tek başına kullanmayın; sistem düzeyinde dağıtım etkisini doğrulayın.

Kimler okumalı

Yapay zekâ kampüslerinin şebeke etkisini, esneklik ve depolama stratejisini planlayan tasarımcılar ve enerji stratejistleri.

Belgenin bölümleri

1. 1. Giriş
2. 2. Malzeme ve yöntemler (2.1 Sisteme genel bakış ve modelleme varsayımları, 2.2 Kontrol noktası şekilli yapay zekâ eğitim yükü, 2.3 Veri merkezi göçü, DVFS ve hizmet kalitesi, 2.5 Kamu verisinden bölgesel karbon ve fiyat sinyalleri, 2.6 Şebeke ve üretim modeli, 2.7 İki aşamalı riskten kaçınan formülasyon)
3. 3. Deney tasarımı, temel yöntemler ve ölçütler (3.1 Temel yöntemler, 3.2 Ölçütler, 3.3 Test sistemleri ve veri merkezi yerleşimleri, 3.4 Hesaplama kurulumu)
4. 4. Sonuçlar (4.1 Sekiz temel yönteme karşı ortak optimizasyon, 4.2 Temsili gün işletmesinde esneklik analizi, 4.4 Ablasyon çalışmaları, 4.6 Ölçek etkileri, 4.7 Yapısal model seçimlerine duyarlılık)
5. 5. Tartışma (5.1 Ana bulgular, 5.2 Yorum, 5.3 Sürdürülebilirlik çıkarımları, 5.4 Sınırlamalar)
6. 6. Sonuçlar

İlgili standartlar

• IEEE 1547
• IEC 62933

Belgeyi okuyun

Yayın bilgileri

Yazarlar

Junqing Zhang; Yi Wang

Yayıncı

Sustainability (MDPI AG)

Yıl

2026

Cilt

18

Sayı

18

Sayfalar

9504

Belge dili

İngilizce

Kaynak türü

Bilimsel yayın

Erişim

Açık lisans — indirilebilir

DOI

10.3390/su18189504

Lisans

CC BY 4.0 — atıf vererek paylaşabilirsiniz

Lisans kanıtı

www.mdpi.com

Künye