Büyük Ölçekli Yapay Zekâ İş Yüklerinden Kaynaklanan Geniş Alan Güç Sistemi Salınımları

Özet

Çalışma, yapay zekâ merkezli veri merkezi yüklerini modelleyen ve şebeke işletmesine, özellikle geniş alan salınımlarına neden olma potansiyeline etkilerini analiz eden yeni bir dinamik güç profili yaklaşımı geliştiriyor. Eğitim ve ince ayar aşamalarının GPU mimarisinden kaynaklı periyodik stokastik güç dalgalanmaları karakterize ediliyor. Sürekli büyük güç dalgalanmaları, geleneksel yük rampasının aksine, yerel ve bölgeler arası salınım modlarıyla etkileşip bunları güçlendirebilen kalıcı zorlama girdileri gibi davranıyor.

Eğitim modeli parametreleri: temel dalgalanma frekansı U(0,5; 1,5) Hz, çevrim süresi sigma 0,1, her çevrimin %55-80'i hesaplama fazı ve senkronizasyon fazlarında ortalama %30 talep azalması (mu_Delta = 0,3). İnce ayar modeli baskın frekans U(0,3; 0,7) Hz ve hesaplama oranı 0,7-0,9 kullanıyor. Temel WECC durumu: 60,8 GW taban yük, sistem ataleti 2,7, her biri 1 GW olan 7 veri merkezi (%11,5 penetrasyon), 0,5-1,5 Hz dalgalanma bandı; her sahanın kapasitesinin %80'i sabit yük, %20'si dalgalanan yapay zekâ yükü olarak modelleniyor.

WECC sisteminin özdeğer analizi 0,852, 1,06 ve 1,44 Hz'de kararsız modlar buldu; %23 ve %34,5 daha yüksek penetrasyon senaryoları da simüle edildi. 20 stokastik koşuda yanıt tutarlı biçimde yaklaşık 1 Hz'de baskın salınım gösteriyor ve daha dar iş yükü frekans aralıkları daha güçlü ve tekrarlanabilir salınımlar veriyor. Veri merkezi yükü dalgalanmasını doğrudan bastırmak, eklenen sönümleme gibi dolaylı sistem düzeyi önlemlerden önemli ölçüde daha etkili.

Sonuç: yapay zekâ veri merkezleri rampalı yükler yerine kalıcı, frekans seçici zorlama kaynakları gibi davranıyor ve salınım şiddeti dalgalanma frekans bandına, tek saha büyüklüğüne, konumlandırmaya, sistem ataletine ve penetrasyona bağlı. Sınırlar: stokastik model parametreleri varsayım, ölçülmüş tek bir tesisin profilinden değil; simülasyon iki test sistemi üzerinde. Ön baskı.

Öne çıkan noktalar

1. Veri merkezinin hesaplama dışı bileşenleri (soğutma, ağ, depolama) tipik olarak toplam tüketimin %40-50'si, yapay zekâ iş yükleri bugün veri merkezi elektriğinin yaklaşık %10-20'si olarak alıntılanıyor.
2. Eğitim modeli parametreleri: temel dalgalanma frekansı U(0,5; 1,5) Hz, çevrim süresi sigma 0,1, hesaplama fazı her çevrimin %55-80'i, senkronizasyon fazlarında ortalama %30 talep azalması (mu_Delta = 0,3).
3. İnce ayar modeli baskın frekans U(0,3; 0,7) Hz ve hesaplama oranı 0,7-0,9 kullanıyor.
4. Temel WECC durumu: 60,8 GW taban yük, sistem ataleti 2,7, her biri 1 GW olan 7 veri merkezi (%11,5 penetrasyon), 0,5-1,5 Hz dalgalanma bandı; sahanın %80'i sabit yük, %20'si dalgalanan yapay zekâ yükü.
5. WECC özdeğer analizi 0,852, 1,06 ve 1,44 Hz'de kararsız modlar buldu; %23 ve %34,5 penetrasyon senaryoları da simüle edildi.
6. 20 stokastik koşuda yanıt tutarlı biçimde yaklaşık 1 Hz'de baskın salınım gösteriyor; daha dar iş yükü frekans aralıkları daha güçlü ve tekrarlanabilir salınımlar veriyor.
7. Veri merkezi yükü dalgalanmasını doğrudan bastırmak eklenen sönümleme gibi dolaylı sistem düzeyi önlemlerden önemli ölçüde daha etkili.

Tasarımda kullanımı

• Yapay zekâ veri merkezi yükünü rampa değil kalıcı periyodik zorlama (0,3-1,5 Hz bandı, tepenin %20'si dalgalanma) olarak modelleyip şebeke bağlantı çalışmasına salınım analizi ekleyin.
• Dalgalanmayı saha içinde bastırın (UPS, batarya, iş yükü yumuşatma); doğrudan bastırma sistem düzeyi sönümlemeden çok daha etkili.
• Tek saha büyüklüğünü, konumlandırmayı ve penetrasyonu (%11,5 ile %34,5) bağlantı noktası için sınırlayıcı faktörler olarak değerlendirin.

Kimler okumalı

Büyük yapay zekâ veri merkezlerinin şebeke kararlılığına etkisini ve bağlantı koşullarını değerlendiren şebeke planlamacıları ve veri merkezi tasarımcıları.

Belgenin bölümleri

1. Giriş
2. Yapay zekâ iş yükü güç profili modelleme (A. Eğitim iş yükü modelleme, B. İnce ayar iş yükü modelleme, C. Veri merkezi güç profili için toplanmış yapay zekâ iş yükleri)
3. Simülasyon sonuçları (A. Simülasyon ayarları, WECC 179 baralı ve NPCC 140 baralı sistemler, özdeğer analizi, penetrasyon ve konum duyarlılığı)
4. Yapay zekâ veri merkezi dağıtımının salınım çıkarımları
5. Sonuç

Belgeyi okuyun

Yayın bilgileri

Yazarlar

Min-Seung Ko; Hao Zhu

Yayıncı

arXiv preprint (University of Texas at Austin; formatted for IEEE Transactions on Power Systems)

Yıl

2025

Belge numarası

arXiv:2508.16457

Belge dili

İngilizce

Kaynak türü

Bilimsel yayın

Erişim

Açık lisans — indirilebilir

DOI

10.48550/arXiv.2508.16457

Lisans

CC BY 4.0 — atıf vererek paylaşabilirsiniz

Lisans kanıtı

arxiv.org

Künye