⚡ electrical engineering

To Defer or To Shift? The Role of AI Data Center Flexibility on Grid Interconnection

تقترح هذه الورقة نموذجاً كمياً لتخطيط الشبكة لتقييم مرونة مراكز بيانات الذكاء الاصطناعي، كاشفةً أنه في حين يمكن لإزاحة الأحمال مكانياً وزمانياً أن تقلل استثمارات الشبكة والتكاليف التشغيلية بنسبة تتراوح بين 3 إلى 21%، فإن هذه الفوائد تعتمد على الموقع وتظهر عوائد متناقصة مع فترات التأجيل الأطول.

المؤلفون الأصليون: Yize Chen, Xiaogui Zheng

نُشر 2026-04-08

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Yize Chen, Xiaogui Zheng

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 شبكة الكهرباء كأنها نظام طرق سريعة ضخم ومعقد، ومراكز بيانات الذكاء الاصطناعي كأنها تدفق مفاجئ وانفجاري لشاحنات فائقة الثقل (مثل طائرات بوينج 747 محملة بالذهب) تحتاج للوصول إلى وجهاتها على الفور.

في الوقت الحالي، تم بناء الشبكة للسيارات العادية وشاحنات التوصيل التي تظهر من حين لآخر. وفجأة، لدينا آلاف من هذه الشاحنات الضخمة التي تطلب الدخول إلى الطريق السريع في نفس اللحظة تماماً. والنتيجة؟ ازدحام مروري، وانهيار في الطرق، وفاتورة باهظة لبناء حارات وجسور جديدة لمجرد مواكبة هذا الوضع.

يطرح هذا البحث سؤالاً بسيطاً ولكنه ثوري: ماذا لو لم تكن هذه الشاحنات مضطرة للوصء "الآن فوراً" أو البقاء في "مسار واحد محدد"؟

إليك تفصيل البحث باستخدام تشبيهات من الحياة اليومية:

1. المشكلة: الشاحنة "الجامدة"

حالياً، نتعامل مع مراكز بيانات الذكاء الاصطناعي كأنها شاحنات جامدة وغير قابلة للتحريك. إذا أرادت شركة ما تدريب نموذج ذكاء اصطناعي جديد، يجب على شبكة الكهرباء أن تعد بـ: "سنعطيك 100% من الطاقة التي تحتاجها، على مدار الساعة طوال أيام الأسبوع، مهما حدث".

النتيجة: لضمان ذلك، يتعين على شركة المرافق بناء محطات طاقة ضخمة وتطوير خطوط نقل الكهرباء فقط من أجل لحظات الذروة هذه. الأمر يشبه بناء طريق سريع مكون من 10 حارات لمجرد أن موكباً "قد" يحدث مرة واحدة في السنة. إنه أمر مكلف للغاية وبطيء جداً.

2. الحل: الشاحنة "المرنة"

يقترح المؤلفون التعامل مع مراكز بيانات الذكاء الاصطناعي كـ شاحنات ذكية ومرنة يمكنها القيام بشيئين:

إزاحة الوقت (التأجيل): "مهلاً، لست بحاجة لتسليم هذه الشحنة في هذه اللحظة تحديداً. يمكنني الانتظار ساعتين حتى يخف الازدحام المروري". (هذا هو تأجيل مهام الذكاء الاصطناعي).
إزاحة المكان (الإزاحة الجغرافية): "هذا الطريق السريع مزدحم. سأسلك طريقاً بديلاً إلى مدينة أخرى حيث الطرق فارغة، وأسلم الشحنة هناك، ثم أعيدها". (هذا هو نقل أعباء عمل الذكاء الاصطناعي إلى مراكز بيانات مختلفة في مواقع مختلفة).

3. المفاجأة الكبرى: المرونة لا تعني دائماً "الأقل"

قد تعتقد: "إذا كانت الشاحنات مرنة، فسنحتاج إلى طرق أقل ومحطات طاقة أقل".
يقول البحث: ليس بالضرورة.

إليك التحول في الفكرة:

"تأثير الإطلاق": أحياناً، جعل الشاحنات مرنة يجعل نظام الطريق السريع الحالي يعمل بكفاءة عالية لدرجة أن مشغل الشبكة يدرك: "مهلاً، إذا أضفنا محطة طاقة واحدة إضافية هنا، يمكننا تحقيق توفير هائل في أماكن أخرى".
التشبيه: تخيل مصعداً مزدحماً. إذا كان الجميع جامدين، فستحتاج إلى مصعد أكبر. ولكن إذا كان الناس مرنين (بعضهم ينتظر المصعد التالي، وبعضهم يستخدم السلالم)، فسيعمل المصعد الحالي بشكل أفضل. ومع ذلك، ولأن المصعد أصبح يعمل جيداً الآن، قد تقرر إضافة طابق جديد للمبنى لأن الأمر أصبح مربحاً أخيراً.
النتيجة: التكلفة الإجمالية للنظام (البناء + التشغيل) تنخفض بشكل كبير (بنسبة تتراوح بين 3% إلى 21%)، حتى لو لم تنخفض كمية محطات الطاقة الجديدة التي يتم بناؤها دائماً. المرونة تجعل النظام بأكمله أكثر ذكاءً وأقل تكلفة في التشغيل.

4. "نقطة التوازن المثالية" (تناقص العوائد)

وجد الباحثون حداً لكيفية مساعدة المرونة:

الوقت: إذا أجلت مهمة ذكاء اصطناعي لمدة ساعة أو ساعتين، فهذا يساعد كثيراً. ولكن إذا قلت: "انتظر 10 ساعات"، فإن الفائدة تتوقف عن النمو. الأمر يشبه انتظار الحافلة؛ الانتظار لمدة 10 دقائق يوفر وقتك، لكن الانتظار لمدة ساعتين يجعلك متأخراً دون أن يوفر الكثير.
المكان: نقل البيانات يساعد أكثر عندما تكون الطرق (خطوط الطاقة) مزدحمة بالفعل. إذا كانت الطرق فارغة، فإن نقل الشاحنة لن يوفر الكثير من المال.

5. لماذا هذا مهم؟

هذا البحث هو خارطة طريق للمستقبل. فبدلاً من مجرد الصراخ: "ابنوا المزيد من محطات الطاقة!" أو "توقفوا عن بناء الذكاء الاصطناعي!"، فإنه يقدم حلاً وسطاً:

لمشغلي الشبكة: ليس عليكم دائماً بناء محطة طاقة جديدة فوراً. يمكنكم الطلب من شركات الذكاء الاصطناعي أن تكون مرنة أولاً.
لشركات الذكاء الاصطناعي: يمكنك الحصول على اتصال الطاقة الخاص بك بشكل أسرع إذا وافقت على أن تكون مرناً (بالانتظار قليلاً أو نقل عملك).
للجميع: هذا يوفر المال ويحافظ على استمرار التيار الكهربائي دون الحاجة إلى رصف الريف بأكمله بخطوط كهرباء جديدة.

الخلاصة

يجادل البحث بأن المرونة هي العملة الجديدة. من خلال التعامل مع مراكز بيانات الذكاء الاصطناعي ليس كطلبات جامدة بل كشركاء مرنين يمكنهم تغيير وقتهم ومكانهم، يمكننا حل أزمة الطاقة دون إفلاس الميزانيات. الأمر يتعلق بجعل الشبكة "ترقص" مع الذكاء الاصطناعي، بدلاً من محاولة إجبار الذكاء الاصطناعي على السير بخطى عسكرية متوافقة مع شبكة جامدة.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "التأجيل أم الإزاحة؟ دور مرونة مراكز بيانات الذكاء الاصطناائي في الربط الشبكي" من إعداد ييزي تشن وشياوجوي تشنغ.

1. بيان المشكلة

أدى الانتشار السريع للذكاء الاصطناعي التوليدي (GenAI) والنماذج اللغوية الكبيرة (LLMs) إلى خلق طفرة غير مسبوقة في الطلب على الكهرباء من مراكز بيانات الذكاء الاصطناعي (AIDC). وتشير التوقعات إلى أن طلب الطاقة للذكاء الاصطناعي في الولايات المتحدة قد ينمو بمقدار 30 ضعفاً بحلول عام 2035، ليصل إلى 123 جيجاوات. هذا النمو أدى إلى تجاوز قدرة مسارات الربط الشبكي التقليدية، مما تسبب في تأخيرات تتجاوز خمس سنوات واستلزم تحديثات ضخمة ومكلفة للبنية التحتية.

تتعامل نماذج تخطيط الشبكة الحالية مع مراكز البيانات كأحمال جامدة وثابتة، مما يتطلب من الشبكة توفير الطاقة في أي لحظة لتلبية أهداف مستوى الخدمة (SLOs). هذا النهج أصبح غير مستدام اقتصادياً وتشغيلياً. تعالج الورقة السؤال الجوهري: بالنظر إلى أهداف ربط الأحمال الكبيرة، ما هو نوع وحجم مرونة مراكز البيانات المطلوبة للتخفيف من اختناقات الشبكة، وتقليل التكاليف، وتسريع عملية الربط؟

2. المنهجية

يقترح المؤلفون نموذج توسعة سعة كمي ذو مرحلتين يدمج مرونة أحمال الذكاء الاصطناعي مباشرة في تخطيط الشبكة.

أ. نمذجة مرونة أحمال الذكاء الاصطناعي

تترجم الورقة أهداف مستوى الخدمة (SLOs) للذكاء الاصطناعي (مثل عتبات زمن الاستجابة للاستدلال، والإنتاجية للتدريب) إلى آليتين محددتين للمرونة:

الحمل القابل للتأجيل زمنياً: أعباء العمل التي يمكن تأخيرها ضمن نافذة زمنية محددة ( $W_d$ ). يتم نمذجة ذلك باستخدام ديناميكيات التراكم ( $b_t$ ) حيث يتراكم العمل غير المخدوم ويجب تسويته ضمن نافذة التأخير.
الحمل القابل للإزاحة جغرافياً: أعباء العمل التي يمكن نقلها بين مواقع مراكز البيانات (الحافلات/Buses) لتخفيف الازدحام المحلي. يتم نمذجة ذلك باستخدام متجه إزاحة ( $\delta_t$ ) يخضع لقيود الحفظ ( $\sum \delta_t = 0$ ) وقيود الإزاحة الخاصة بكل حافلة.

ب. إطار التحسين

تم صياغة المشكلة كـ نموذج توسعة حتمي شبيه بالنموذج العشوائي ذي المرحلتين:

المرحلة الأولى (الاستثمار): تقرر إضافة السعة ( $x_g$ ) للمولدات المرشحة لتقليل إجمالي تكاليف الاستثمار ( $C_{inv}$ ).
المرحلة الثانية (التشغيل): تحسن التوزيع كل ساعة ( $p_t$ )، وزوايا الجهد ( $\theta_t$ )، وقرارات الحمل المرن ( $s_t, \delta_t$ ) لتقليل التكاليف التشغيلية (تكلفة التوليد، عقوبات التأخير، وتكاليف الإزاحة).
القيود: يتضمن النموذج تقريبات تدفق القدرة المستمر (DC power flow)، وقيود خطوط النقل، وتوازن القدرة عند العقد، والقيود الزمنية والمكانية المحددة لأعباء عمل الذكاء الاصطناعي.

ج. إعداد المحاكاة

تم اختبار النموذج على نظامين:

نظام IEEE 14-bus: استُخدم كمعيار شفاف لتصور سلوكيات الإزاحة الجغرافية والتحقق من صحة النموذج.
نظام WECC 240-bus: استُخدم لتقييم آثار التخطيط في شبكة نقل واسعة النطاق وواقعية ذات أحمال وأنماط ازدحام متباينة.

البيانات: ملفات تعريف الحمل بالساعة بناءً على بيانات WECC، مع دمج أحمال الذكاء الاصطناعي في حافلات محددة.
السيناريوهات: اختبرت التجارب حجم نافذة التأخير، ونسبة الحمل القابل للإزاحة، ومستوى اختراق أحمال الذكاء الاصطناعي (حتى 1.5 ضعف الحمل الاسمي).

3. المساهمات الرئيسية

التكامل المبتكر: أول عمل يربط صراحةً بين مرونة الحوسبة للذكاء الاصطناعي (التأجيل والإزاحة) مع تخطيط توسعة سعة الشبكة، متجاوزاً نماذج الاستجابة للطلب البسيطة.
رؤية مخالفة للبديهة: تتحدى الدراسة الافتراض بأن المرونة تقلل دائماً من الحاجة إلى سعة توليد جديدة. فهي تثبت أن المرونة يمكن أن تزيد في بعض الأحيان من استثمار السعة الأمثل إذا أدت إلى فتح نظام تشغيل أكثر كفاءة وأقل تكلفة كان غير متاح سابقاً بسبب الازدحام.
تحليل العوائد المتناقصة: تحدد "النقطة المثالية" للمرونة، حيث تظهر أن فوائد التأجيل تستقر بعد عتبة زمنية محددة.
أداة دعم القرار: توفر إطاراً كمياً للمرافق وصناع القرار لتحديد مستويات المرونة المحددة المطلوبة لتجنب التحديثات المكلفة أو لتسريع عمليات الربط.

4. النتائج الرئيسية

تقليل التكاليف: يمكن لكل من المرونة الزمنية والجغرافية تقليل إجمالي التكاليف التشغيلية للشبكة بنسبة 3% إلى 21%، اعتماداً على ظروف الشبكة ومستويات المرونة.
مفارقة استثمار السعة:
- في بعض السيناريوهات، يؤدي إدخال المرونة إلى زيادة في سعة التوليد المطلوبة. يحدث هذا لأن المرونة تسمح للنظام باستخدام مصادر التوليد الأرخص والأكثر فعالية، مما يجعل توسيع السعة مجدياً اقتصادياً حيث لم يكن كذلك سابقاً.
- ومع ذلك، فإن هذه الزيادة في السعة يقابلها انخفاض كبير في التكاليف التشغيلية، مما يؤدي إلى تقليل صافي التكلفة الإجمالية للنظام.
الإزاحة الجغرافية:
- فعالة للغاية في الشبكات المزدحمة. عندما تكون الخطوط في حالة حد قصوى (1.0x سعة)، تساعد إزاحة الحمل في إعادة توزيع الطلب إلى المناطق التي لديها مساحة شاغرة.
- في الشبكات غير المزدحمة (1.2x سعة)، تؤدي زيادة المرونة إلى تقليل استثمار السعة بشكل رتيب بأكثر من 21%.
التأجيل الزمني (نافذة التأخير):
- العوائد المتناقصة: تتضاءل فوائد تأخير الحمل بشكل كبير بمجرد تجاوز نافذة التأخير لـ 3 ساعات. توفر المرونة قصيرة المدى (1-3 ساعات) الجزء الأكبر من الإغاثة للشبكة.
- تقديم تأخيرات تتجاما 3 ساعات يقدم قيمة إضافية ضئيلة لضغط التوزيع في الشبكة.
تخفيف الازدحام: تعمل الإزاحة الجغرافية على تخفيف ازدحام الخطوط بفعالية من خلال نقل الحمل بعيداً عن الحافلات "الساخنة" (مثل الحافلة 9 في حالة الـ 14-bus) إلى المناطق غير المزدحمة أثناء ساعات الذروة.

5. الأهمية والآثار المترتبة

السياسات والتخطيط: تجادل الورقة بأن معاملة أحمال الذكاء الاصطناعي كموارد مرنة أمر ضروري لتخطيط الشبكة الحديث. فالاعتماد على نماذج "الحمل الثابت" يؤدي إلى الاستثمار المفرط في البنية التحتية وإطالة فترات انتظار الربط.
المقايضات الاستراتيجية: يجب على المرافق ومراكز البيانات الموازنة بين تكلفة تنفيذ المرونة (مثل التخزين، أو تقنين البرمجيات، أو التنسيق متعدد المواقع) مقابل التوفير في تحديثات الشبكة. يشير النموذج إلى أن المرونة قصيرة المدى (3 ساعات) هي الرافعة الأكثر فعالية من حيث التكلفة لمشغلي الشبكة.
تصميم الشبكة المستقبلية: تشير النتائج إلى أن قرارات توسعة الشبكة المستقبلية لا ينبغي أن تُتخذ بمعزل عن مرونة الحوسبة. إن النهج المنسق حيث تشارك مراكز البيانات بنشاط في الاستجابة للطلب يمكن أن يفتح المجال أمام أصول التوليد الأرخص ويقلل الحاجة إلى تحديثات خطوط النقل المكلفة.
القيود والعمل المستقبلي: تستخدم الدراسة الحالية إطاراً حتمياً. يجب أن تعالج الأعمال المستقبلية الطبيعة العشوائية لتوليد الطاقة المتجددة وعدم اليقين في أحمال الذكاء الاصطناعي، وربما باستخدام البرمجة العشوائية ذات المرحلتين. بالإضافة إلى ذلك، تتطلب الملفات التعريفية المتميزة للأجهزة لكل من أعباء عمل التدريب مقابل الاستدلال نمذجة أكثر تفصيلاً.

باختصار، توفر هذه الورقة أساساً رياضياً صارماً لفهم كيف يمكن لمراكز بيانات الذكاء الاصطناعي أن تتحول من كونها عائقاً أمام الشبكة إلى أصل مرن، مما يوفر خارطة طريق لتحسين التطور المشترك لشبكة الطاقة وصناعة الذكاء الاصطناعي.