⚡ electrical engineering

Switching-Reference Voltage Control for Distribution Systems with AI-Training Data Centers

تقترح هذه الورقة إطار عمل للتحكم اللامركزي في جهد المرجع التبدلي يستفيد من الطبيعة الهيكلية والدورية لأعباء عمل تدريب الذكاء الاصطناي، وذلك للتخفيف بفعالية من تقلبات الجهد السريعة في أنظمة التوزيع مع تقليل تكاليف التحكم ومتطلبات التنسيق إلى أدنى حد.

المؤلفون الأصليون: Mingyuan Yan, Trager Joswig-Jones, Baosen Zhang, Yize Chen, Wenqi Cu

نُشر 2026-03-17

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Mingyuan Yan, Trager Joswig-Jones, Baosen Zhang, Yize Chen, Wenqi Cu

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل الشبكة الكهربائية كأنها نظام سباكة ضخم ومعقد. "ضغط الماء" في هذا النظام هو الجهد الكهربائي (Voltage). إذا ارتفع الضغط أكثر من اللازم، تنفجر الأنابيب (تتعطل المعدات)؛ وإذا انخفض كثيراً، يتدفق الماء بضعف شديد (تخفت الأضواء، وتتعطل أجهزة الكمبيوتر).

لعقود من الزمن، صُمم هذا النظام للتعامل مع استخدام مستقر ومتوقع للمياه — مثل فتح عائلة لمرشة الاستحمام أو تشغيل مصنع لآلة تعمل بسرعة ثابتة. تستخدم الشبكة "منظمات ضغط" (التحكم في الجهد) للحفاظ على استقرارها.

المشكلة الجديدة: "صالة تدريب الذكاء الاصطناعي"

الآن، تخيل أن نوعاً جديداً من المباني قد انتقل إلى الحي: مركز بيانات ضخم لتدريب الذكاء الاصطناعي.

فكر في مركز البيانات هذا ليس كمصنع مستقر، بل كـ صالة رياضية مليئة برفع الأثقال المتزامن.

مرحلة التمرين (مرحلة الحوسبة): كل بضع ثوانٍ، يقوم آلاف من رافعي الأثقال (رقائق الذكاء الاصطناعي) برفع أوزان ثقيلة في وقت واحد. هذا يمثل طفرة مفاجئة وهائلة في الطلب على الطاقة.
مرحلة الراحة (مرحلة التواصل): ثم يتوقف الجميع فجأة لالتقاط أنفاسهم والتحدث مع بعضهم البعض. ينخفض الطلب على الطاقة بنفس السرعة المفاجئة.

هذا يحدث في دورة إيقاعية وسريعة: ارفع! توقف! ارفع! توقف!

الأزمة: منظمات الجهد التقليدية تشبه خراطيم الحديقة بطيئة الحركة. فهي تستجيب لتغيرات الضغط بعد حدوثها. وبحلول الوقت الذي يحاول فيه المنظم إصلاح الضغط بعد أن يضع رافعو الأثقال أوزانهم، يكون الضغط قد تذبذب بالفعل بشكل حاد. وللمحاولة في مواكبة ذلك، يبدأ المنظم في فتح وإغلاق الصمامات بجنون، مما يؤدي إلى استهلاكها وتلفها، ومع ذلك يفشل في الحفاظ على استقرار الضغط.

حل الورقة البحثية: "التبديل المرجعي الذكي"

يقترح المؤلفون طريقة جديدة للتحكم في الضغط. بدلاً من محاولة فرض ضغط واحد ثابت و"مثالي" (مثل 1.0)، يقترحون تحريك الهدف.

إليك التشبيه:
تخيل أنك تحاول الإمساك بكرة ترتد صعوداً وهبوطاً بين ارتفاعين مختلفين.

الطريقة القديمة (المرجع الثابت): تقف ثابتاً، منتظراً الكرة لتصل إلى مستوى يدك. وفي كل مرة ترتد فيها الكرة للأعلى أو للأسفل، تضطر للقفز بجنون للإمساك بها. هذا أمر مرهق وغالباً ما تفشل في الإمساك بها.
الطريقة الجديدة (المرجع المتغير): تدرك أن للكرة نمطاً معيناً. عندما تكون الكرة مرتفعة، تقف على كرسي مرتفع. وعندما تكون الكرة منخفضة، تنزل إلى كرسي منخفض. أنت تحرك "ارتفاع هدفك" ليتناسب مع إيقاع الكرة. الآن، بالكاد تحتاج لتحريك يديك للإمساك بها.

كيف يعمل ذلك في الواقع

تقدم الورقة نظاماً لامركزياً. وهذا يعني أن كل جزء من الشبكة (كل محول في حي ما) يعمل كفرد ذكي لا يحتاج للاتصال بـ "رئيس مركزي" لطلب الإذن.

الاستماع إلى الإيقاع: يتحكم الجهاز المحلي في الجهد عبر "الاستماع" للجهد الكهربائي. إنه يرى تذبذبات "الصعود والهبوط" السريعة الناتجة عن "صالة رياضة الذكاء الاصطناعي".
حساب الإزاحة: يقوم بسرعة بحساب الآتي: "حسناً، عندما يعمل الذكاء الاصطناعي بجهد كبير، يميل الجهد طبيعياً للانخفاض. لذا، سأقوم بخفض 'هدفي' من الجهد قليلاً ليتماشى مع هذا الانخفاض. وعندما يستريح الذكاء الاصطناعي، سأرفع هدفي مجدداً".
النتيجة: لأن الهدف يتحرك مع الحمل، فإن الجهد لا يتذبذب بجنون. كما أن "الصمامات" (أدوات التحكم في القدرة غير الفعالة/القدرة الردية) لا تضطر للعمل بجهد كبير، فتظل هادئة وفعالة.

لماذا هذا الأمر مهم؟

تقليل التآكل والجهد: لا تضطر معدات الشبكة للتعديل بجنون كل ثانية، مما يوفر الطاقة ويطيل عمر الأجهزة.
لا حاجة لعقل مركزي: كل جزء من الشبكة يكتشف هذا بمفرده باستخدام قياسات محلية. هذا يجعل النظام قوياً وسريعاً.
يتوافق مع الذكاء الاصطناعي: حتى لو حاول مركز بيانات الذكاء الاصطناعي تنعيم استهلاكه للطاقة (مثل محاولة رافعي الأثقال رفع الأوزان ببطء أكبر)، فإن هذا النظام يتكيف تلقائياً. لا يحتاج إلى "مصافحة" معقدة بين شركة الذكاء الاصطنا_ي وشركة الكهرباء.

باخت-اختصار

تحل هذه الورقة مشكلة "تذبذبات الطاقة السريعة والإيقاعية" الناتجة عن مراكز بيانات الذكاء الاصطناعي من خلال تعليم الشبكة كيف ترقص مع الحمل بدلاً من محاربتها. بدلاً من محاولة إدخال وتد مربع في ثقب مستدير، هم يغيرون شكل الثقب ليناسب الوتد، مما يحافظ على استقرار النظام وكفاءته.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "التحكم في جهد مرجع التبديل لأنظمة التوزيع مع مراكز بيانات تدريب الذكاء الاصطناعي".

1. بيان المشكلة

يؤدي النشر السريع لأحمال تدريب الذكاء الاصطناعي (AI) واسعة النطاق في مراكز البيانات فائقة الضخامة إلى إدخال فئة جديدة من الأحمال عالية الديناميكية إلى أنظمة توزيع الطاقة. وخلافًا للأحمال التقليدية التي تتطور تدريجيًا، تظهر أحمال تدريب الذكاء الاصطناعي تقلبات في القدرة سريعة، ودورية، وذات حجم كبير.

السبب الجذري: تنشأ هذه التقلبات من التشغيل المتزامن لرفوف وحدات معالجة الرسومات (GPU) أو وحدات معالجة التنسور (TPU)، والتي تتناوب بين مراحل الحوسبة عالية القدرة (الانتشار الأمامي/الخلفي) ومراحل الاتصال منخفضة القدرة (المزامنة/نقاط الفحص).
العواقب: عند توصيلها بمغذيات التوزيع، تسبب هذه التقلبات المفاجئة في القدرة انحرافات كبيرة في الجهد، مما قد يتجاوز الحدود المسموح بها (على سبيل المثال، $\pm5\%$ ).
قصور الطرق الحالية:
- التحكم بالانحدار (Droop Control): صُمم التحكم بالانحدار (volt-var) اللامركزي التقليدي للأحمال التي تتغير ببطء. وعند تطبيقه على أحمال الذكاء الاصطناعي، فإنه يستجيب لكل انتقال، مما يؤدي إلى تذبذبات مستمرة، وجهد مفرط في التحكم في القدرة غير الفعالة، والفشل في تخفيف ذروات الجهد الأسوأ بفعالية.
- التنسيق الداخلي: بينما تقترح بعض النهج تنعيم أحمال مركز البيانات داخليًا أو التنسيق مع الأصول الخارجية، إلا أن هذه الطرق غالبًا ما تتطلب بنية تحتية معقدة أو تغفل عن الديناميكيات المهيكلة المحددة لتدريب الذكاء الاصطناعي، مما يؤدي إلى أداء دون المستوى الأمثل.

2. المنهجية

يقترح المؤلفون إطار عمل لامركزي للتحكم في جهد مرجع التبديل يستغل سلوك وضع التشغيل الثنائي المهيكل لأحمال تدريب الذكاء الاصطناعي بدلاً من معاملتها كضوضاء عشوائية.

أ. نمذجة النظام

نموذج الشبكة: يستخدم نموذج LinDistFlow لربط جهود الحافلات ( $v_t$ ) بحقن القدرة الفعالة ( $p_t$ ) وغير الفعالة ( $q_t$ ): $v_t = R p_t + X q_t + \mathbf{1}$ .
توصيف الحمل: يتم نمذجة حمل مركز البيانات كعملية تبديل بين وضعين ( $m_t \in \{0, 1\}$ $m_{t} \in {0, 1}$ ):
- الوضع 0 (الاتصال): قدرة أقل.
- الوضع 1 (الحوسبة): قدرة أعلى.
- يتم نمذجة القدرة الفعالة كـ $p_{j,t} = \bar{p}_j(m_t) + w_t$ ، حيث تمثل $w_t$ التقلبات داخل المرحلة الواحدة.

ب. تصميم قانون التحكم

بدلاً من استخدام مرجع جهد ثابت (مثل 1.0 p.u.)، يستخدم المتحكم المقترح مرجعًا متغيرًا مع الزمن $v^{ref}_t$ يتبدل بين مستويين يتوافقان مع أوضاع تشغيل مركز البيانات.

هيكل المرجع: $v^{ref}_{i,t} = v^{bias}_{i,t} + s_{i,t} v^{amp}_{i,t}$ $v_{i, t}^{r e f} = v_{i, t}^{bia s} + s_{i, t} v_{i, t}^{am p}$ ، حيث:
- $v^{bias}$ : الانحياز المتوسط.
- $v^{amp}$ : السعة (نصف خطوة الجهد الناتجة عن تبديل الوضع).
- $s_{i,t} \in \{-1, +1\}$ : الإشارة التي تشير إلى الوضع الحالي.
الأساس النظري: من خلال مواءمة إزاحة مرجع الجهد مع تغير الجهد الناتج عن خطوة القدرة ( $\Delta v_{mode} = R(\bar{p}(0) - \bar{p}(1))$ )، يقوم المتحكم فعليًا بامتصاص جزء من تذبذب الجهد "استباقيًا". وهذا يقلل من حد الاضطراب في ديناميكيات الخطأ في الحلقة المغلقة، مما يقلل نظريًا من ذروة انحراف الجهد إلى النصف مقارنة بالتحكم ذي المرجع الثابت.

ج. التكيف القائم على القياس

بما أن متحكم الشبكة لا يملك وصولًا مباشرًا إلى حالة الوضع الداخلية لمركز البيانات ( $m_t$ ) أو المعلمات المثلى، يتم تكييف المرجع بناءً فقط على قياسات الجهد المحلية:

تحديث السعة ( $v^{amp}$ ): تُقدر كضعف نصف أقصى تغير للجهد في خطوة واحدة لوحظ في نافذة زمنية حديثة، مما يلتقط حجم انتقال الوضع.
تحديث الانحياز ( $v^{bias}$ ): يُحسب لتوسيط مستويات المرجع المزدوجة بحيث تكون القيم القصوى والنسبية للجههد في حالة الاستقرار على مسافة متساوية من القيمة الاسمية 1.0 p.u.، مما يقلل من أسوأ انحراف ممكن.
اختيار الإشارة ( $s_{i,t}$ ): يتم تحديده بمقارنة الجهد المحلي الحالي بالانحياز المقدر. إذا كان $v > v^{bias}$ ، فإن النظام في وضع القدرة العالية؛ وإلا فهو في وضع القدرة المنخفضة.

3. المساهمات الرئيسية

إطار تحكم مبتكر: تقديم متحكم انحدار بمرجع تبديل مصمم خصيصًا للديناميكيات الدورية ثنائية الوضع لأحمال تدريب الذكاء الاصطناعي.
ضمانات نظرية: وضع شروط لتقارب الجهد وإثبات أن مرجع التبديل المقترح يقلل من أسوأ انحراف للجهد في حالة الاستقرار مقارنة بالمراجع الثابتة.
تنفيذ لامركزي: تطوير خوارزمية تكيف محلية بالكامل تعتمد على القياس، ولا تتطلب أي تواصل مع مركز البيانات أو معرفة بحالته الداخلية، مما يضمن القابلية للتوسع والتوافق مع أصول الشبكة الحالية.
التوافق: إثبات أن الطريقة تظل فعالة حتى عندما تستخدم مراكز البيانات استراتيجيات تنعيم الأحمال الداخلية، دون الحاجة إلى إعادة ضبط أو تنسيق.

4. النتائج

تم تقييم الطريقة المقترحة باستخدام عمليات محاكاة على مغذى توزيع IEEE 33-bus باستخدام آثار قدرة حقيقية من مهمة تدريب ذكاء اصطناعي موزعة (LLaMA-2-70B على وحدات GPU من نوع H200).

سيناريو مركز بيانات واحد:
- التحكم بالمرجع الثابت: أدى إلى تذبذبات مستمرة في الجهد وحالات تشبع متكررة لإجراءات التحكم في القدرة غير الفعالة (الوصول إلى الحدود القصوى).
- التحكم بمرجع التبديل: قلل بشكل كبير من حجم وتكرار تعديلات القدرة غير الفعالة. ظل الجهد باستمرار ضمن نطاق انحراف الـ 5% المسموح به وبالقرب من القيمة الاسمية.
سيناريو مراكز بيانات متعددة:
- نجح المتحكم في كبح انحرافات الجهد حتى عندما تسببت مراكز بيانات مختلفة في حافلات مختلفة في اضطرابات تبديل متزامنة وغير متزامنة.
التوافق مع تنعيم الأحمال:
- عندما تم تفعيل تنعيم الحمل الداخلي (باستخدام تخزين البطاريات)، انخفضت تقلبات القدرة. وتكيف المتحكم المقترح تلقائيًا مع ملف القدرة الجديد، محافظًا على تنظيم فعال للجهد دون الحاجة إلى تنسيق خارجي.

5. الأهمية

يعالج هذا العمل تحديًا ناشئًا وحرجًا في أنظمة الطاقة: دمج الأحمال الضخمة غير التقليدية المدفوعة بطفرة الذكاء الاصطناعي.

الكفاءة: يقلل بشكل كبير من "جهد التحكم" (دورات القدرة غير الفعالة) المطلوبة من العواكس وأنظمة التخزين، مما يطيل عمر المعدات ويقلل التكاليف التشغيلية.
الاستقرار: يوفر آلية قوية لمنع انتهاكات الجهد الناتجة عن التبديل الفريد وعالي التردد لأحمال الذكاء الاصطناعي، والتي تفشل طرق التحكم التقليدية في التعامل معها.
العملية: من خلال الاعتماد فقط على القياسات المحلية وتجنب التنسيق المعقد مع مراكز البيانات، فإن الحل قابل للنشر الفوري في شبكات التوزيع الحالية. إنه يسد الفجوة بين الديناميكيات السريعة للحوسبة بالذكاء الاصطناعي والديناميكيات الأبطأ لتنظيم الشبكة.