⚡ electrical engineering

Grid Integration of Gigawatt-Scale AI Data Centers under Connect-and-Manage

تقترح هذه الورقة إطار تنسيق هرمي لمراكز بيانات الذكاء الاصطناعي ذات النطاق الجيجاواطي تحت قواعد الربط "التوصيل والإدارة"، والذي يدمج مرونة أعباء العمل المتمايزة والتخزين في الموقع لتقليل تقليص الشبكة بشكل كبير مع الحفاظ على أعباء عمل التدريب الحرجة رغم آليات قبول مشغل نظام النقل غير الشفافة.

المؤلفون الأصليون: Xin Lu, Qianwen Xu

نُشر 2026-05-15

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Xin Lu, Qianwen Xu

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 مصنع ذكاء اصطناعي ضخم وفائق السرعة (مركز بيانات للذكاء الاصطناعي بقدرة جيجاوات) يحتاج إلى الاتصال بشبكة الكهرباء الوطنية للقيام بعمله. في الماضي، كان بناء اتصال بالشبكة يشبه شراء مسار طريق سريع دائم وغير محدود: كنت تدفع مقابل الإنشاء، ويمكنك القيادة بقدر ما تريد، وقتما تريد.

لكن العالم يتغير. هذه المصانع للذكاء الاصطناعي تنمو بسرعة كبيرة لدرجة أن شبكة الكهرباء لا يمكن ترقيتها بسرعة كافية لاستيعابها جميعًا. لذا، تظهر قاعدة جديدة تسمى "الاتصال والإدارة" (Connect-and-Manage).

فكر في هذه القاعدة الجديدة كأنها الحصول على خطة بيانات "الدفع حسب الاستخدام" للكهرباء بدلاً من خطة غير محدودة. يمكنك التوصيل، ولكن شركة الكهرباء (مشغل الشبكة) قد تخبرك أحيانًا: "عذرًا، الطريق مزدحم للغاية الآن؛ عليك الإبطاء أو التوقف لفترة".

تقترح هذه الورقة نظامًا ذكيًا لمساعدة مصانع الذكاء الاصطناعي هذه على التعامل مع أوامر "الإبطاء" تلك دون تعطل عملها. وإليك كيف يعمل ذلك، مقسمًا إلى أجزاء بسيطة:

1. لعبة "الطلب والرد"

بدلاً من مجرد التخمين كم يحتاجون من الطاقة، تلعب مصنع الذكاء الاصطناعي وشبكة الكهرباء لعبة الطلب والرد اليومية:

الطلب: يسأل مصنع الذكاء الاصطناعي: "هل يمكنني الحصول على 1000 ميجاواط من الطاقة الآن؟"
الرد: ينظر مشغل الشبكة إلى حركة المرور على خطوط الطاقة. إذا كانت الخطوط خالية، يقول: "نعم، خذها كلها!". إذا كانت الخطوط مزدحمة، يقول: "لا، يمكنك الحصول على 900 ميجاواط فقط. نحن سنقطع 100 ميجاواط للحفاظ على سلامة الشبكة".
العقبة: مصنع الذكاء الاصطناعي لا يعرف بالضبط كيف يتخذ مشغل الشبكة هذه القرارات. الأمر يشبه محاولة تخمين نمط إشارة المرور دون رؤية المستشعرات. يجب على الذكاء الاصطناعي أن يتعلم من خلال التجربة والخطأ.

2. "العقل الذكي" لمصنع الذكاء الاصطناعي (ثلاث طبقات)

للتعامل مع عدم اليقين هذا، تصمم الورقة "عقلاً" من ثلاث طبقات لمصنع الذكاء الاصطناعي:

الطبقة 1: الاستراتيجي (التخطيط)
هذا هو المخطط طويل الأمد. ينظر إلى الطقس، والوقت من اليوم، وسلوك الشبكة السابق ليخمن: "مهلاً، عادة ما يكون هناك ازدحام في الساعة 2 ظهرًا، لذا ربما يجب أن أطلب طاقة أقل في ذلك الوقت". يستخدم التعلم المعزز (نوع من أنواع الذكاء الاصطنا_الذي يتعلم من الأخطاء) ليصبح أفضل في التنبؤ متى سيقول المشغل "لا".
الطبقة 2: الحارس (مشغل الشبكة)
هذه هي شركة الكهرباء. يتحققون مما إذا كان الطلب آمنًا. إذا لم يكن كذلك، يقومون بقطع الطاقة (التقليص) ويخبرون المصنع بالحد الجديد.
الطبقة 3: التكتيكي (التنفيذ)
هذا هو المدير الميداني. بمجرد تلقي المصنع إشعار "القطع"، يقوم هذا المستوى بإعادة ترتيب العمل فورًا. يقرر أي الحواسيب يمكنها الإبطاء وأيها يجب أن يستمر في العمل بالسرعة الكاملة.

3. "ثلاثة أنواع من العمال" (أعباء العمل)

تدرك الورقة أن ليس كل عمل الذكاء الاصطناعي متشابهًا. لذا تقسم عمل المصنع إلى ثلاث مجموعات، مثل مطبخ المطعم:

طهاة "الحدود" (تدريب الحدود - Frontier Training): هؤلاء يعملون على وصفة ضخمة ومعقدة (مثل تدريب ذكاء اصطناعي فائق جديد) تستغرق أيامًا أو أسابيع. إذا توقفوا، ستفسد الوصفة بأكملها. هم كبار الشخصيات (VIPs). النظام يحميهم بكل قوة.
طها طهي "الدفعات" (تدريب الدفعات - Batch Training): هؤلاء يقومون بمهام أصغر، مثل تقطيع الخضروات أو اختبار وصفات صغيرة. إذا توقفوا، سيكون الأمر مزعجًا، لكن يمكنهم البدء من جديد لاحقًا. هم المرنون. عندما تزدحم الشبكة، هم أول من يُطلب منهم الإبطاء.
نادلوا "الاستدلال" (الاستدلال - Inference): هؤلاء يخدمون الزبائن الآن (الإجابة على الأسئلة). لا يمكنهم التوقف فعليًا؛ هم فقط يقدمون الخدمات بقدر ما لديهم من طاقة.

4. "مخزن البطارية" (حقيبة الطوارئ)

يمتلك المصنع أيضًا بطارية ضخمة في الموقع. فكر في هذا كأنه حقيبة ظهر مليئة بالوجبات الخفيفة الإضافية.

عندما تقطع الشبكة الطاقة: يفتح المصنع حقيبة الظهر ويستخدم الطاقة المخزنة لإبقاء "طهاة الحدود" مستمرين في العمل بينما يأخذ "طها طهي الدفعات" استراحة.
عندما تكون الشبكة هادئة: يقوم المصنع بملء حقيبة الظهر مرة أخرى، منتظرًا الطوارئ القادمة.

5. النتائج: ماذا حدث؟

اختبر الباحثون هذا النظام على شبكة كهرباء محاكية (بناءً على السوق الأسترالي ونظام اختبار كهربائي قياسي). وإليك ما وجدوه:

تقليص أقل: قبل هذا النظام الذكي، كان يتم قطع الطاقة عن مصنع الذكاء الاصطناعي بنسبة 9.1% من الوقت. ومع النظام الجديد، انخفضت القطوعات إلى 2.8% فقط.
حماية كبار الشخصيات: حتى عندما حدثت قطوعات، نجح النظام في إبقاء عمل "الحدود" مستمرًا بنسبة 98.1% من هدفه.
تضحيات ذكية: تعلم النظام التضحية بعمل "الدفعات" (طها طهي الدفعات المرنين) لإنقاذ عمل "الحدود". لقد تذبذبت إنتاجية "الدفعات" صعودًا وهبوطًا بشكل حاد، حيث عملت كممتص للصدمات للشبكة.
سحر البطارية: لم تكن البطارية تجلس هناك فحسب؛ بل قامت بتفريغ الشحن بنشاط أثناء القطوعات وأجلت الشحن عندما كانت الشبكة تحت الضغط، لتعمل كمخفف للنبضات وتنعيم التقلبات.

ملخص

باخت مختص، تعلم هذه الورقة مصنع الذكاء الاصطناعي الضخم كيفية الرقص مع شبكة الكهرباء. فبدلاً من محاربة الشبكة عندما تزدحم، يتعلم المصنع كيف يطلب بأدب، ويتنبأ بحركة المرور، ويضحي بالمهام الأقل أهمية للحفاظ على العمل الأكثر أهمية مستمرًا. إنه يستخدم بطارية ذكية كممتص للصدمات وذكاءً اصطناعيًا متعلمًا لمعرفة أفضل طريقة لطلب الطاقة دون التعرض للرفض.

ملخص تقني: دمج مراكز بيانات الذكاء الاصطنايعي بقدرة جيجاوات في الشبكة تحت نظام "التوصيل والإدارة"

بيان المشكلة
يؤدي النشر السريع لمراكز بيانات الذكاء الاصطناعي (AIDCs) ذات النطاق الجيجاواتي إلى عدم توافق هيكلي مع الجدول الزمني الممتد لعدة سنوات لتعزيز شبكات النقل. ولتجسير هذه الفجوة، تسمح أطر عمل "التوصيل والإدارة" (connect-and-manage) الناشئة بربط مراكز بيانات الذكاء الاصطناعي دون الحاجة لترقيات مسبقة للشبكة، مع إخضاعها لعمليات تقليص الأحمال (curtailment) في الوقت الفعلي أثناء فترات الضغط على الشبكة. ومع ذلك، تفتقر الأدبيات الحالية إلى تمثيل رسمي للتفاعل الثنائي بين مركز بيانات الذكاء الاصطناعي ومشغل نظام النقل (TSO) تحت هذا النظام. فالنماذج الحالية إما تعامل مراكز البيانات كموارد سلبية للاستجابة للطلب، أو تفترض تماثلاً كاملاً في المعلومات، مما يفشل في تصوير واقع "التوصيل والإدارة" حيث يكون قرار القبول من جانب مشغل نظام النقل عبارة عن "صندوق أسود" بالنسبة لمركز بيانات الذكاء الاصطناعي. علاوة على ذلك، فإن النماذج الفيزيائية الحالية غالباً ما تجعل أحمال مراكز بيانات الذكاء الاصطناعي متجانسة، متجاهلة المرونة المتميزة لكل من تدريب النماذج الرائدة (Frontier training)، والتدريب الدفعي (Batch training)، والاستدلال (Inference)، كما تغفل دور أنظمة تخزين طاقة البطاريات (BESS) في الموقع كمنظم (buffer).

المنهجية
يقترح البحث إطار عمل رسمي يتكون من ثلاثة مكونات أساسية:

بروتوكول التفاعل وحدود المعلومات:
يصيغ المؤلفون التنسيق بين مركز بيانات الذكاء الاصطناعي ومشغل نظام النقل (AIDC–TSO) كبروتوكول تسلسلي للطلب والقبول. في كل خطوة زمنية $t$ ، يقدم مركز البيانات طلباً للطاقة $P_{req}(t)$ . يقوم مشغل النظام بتقييم هذا الطلب مقابل قيود الشبكة (المُنمذجة عبر تدفق القدرة المستمر DC مع حدود المولدات ومجموعة عدم يقين للطلب مقيدة بالميزانية) ويعيد طاقة مقبولة $P_{acc}(t) = P_{req}(t) - \kappa(t)$ ، حيث يمثل $\kappa(t)$ متغير تقليص الحمل. ومن الأهمية بمكان وضع حد صارم للمعلومات: حيث يراقب مركز البيانات الطاقة المقبولة والإشارات العامة، لكنه يفتقر إلى الرؤية داخل توبولوجيا الشبكة الداخلية للمشغل، أو تكاليف المولدات، أو منطق التحسين الخاص به. وهذا يجعل عملية قبول مشغل النظام عبارة عن "صندوق أسود"، مما يحول دون استخدام نماذج التحسين ثنائي المستوى (bilevel optimization) التقليدية.
النمذجة الفيزيائية غير المتجانسة:

جانب مركز بيانات الذكاء الاصطناعي: يتم تفكيك المنشأة إلى ثلاثة أنواع فرعية من أحمال العمل: تدريب النماذج الرائدة (نماذج تأسيسية ضخمة تتطلب الاستمرارية)، والتدريب الدفعي (مهام أصغر قابلة للمقاطعة)، والاستدلال (طلب خارجي يتتبع الطلب). ويتم دمج نظام BESS في الموقع ليعمل كمنظم للفجوة بين الطاقة المقبولة من الشبكة وحمل تكنولوجيا المعلومات الداخلي.
جانب الشبكة: يتم نمذجة جدوى مشغل النظام باستخدام نهج التحسين المتين (robust optimization) مع مجموعة عدم يقين مرتبطة بالميزانية لمراعاة انحرافات الطلب، مما يضمن الأمن في ظل أسوأ السيناريوهات ضمن ميزانية محددة.

بنية اتخاذ القرار الهرمية:
للتغلب على عدم تماثل المعلومات، تم تطوير بنية ثلاثية الطبقات:

طبقة التخطيط (القائمة على التعلم): يتعلم وكيل التعلم المعزز (Soft Actor-Critic - SAC) سياسة مدركة للسعة. يراقب الوكيل نتائج التفاعل التاريخية (أنماط التقليص) وإشارات النظام لتوليد طلبات طاقة تتوقع قيود مشغل النظام.
طبقة مشغل النظام (القبول المتين): يحل مشغل النظام مسألة تحسين متينة مقيدة بالسلامة لتحديد الطاقة المقبولة، مع تقليل تقليص الأحمال وتكاليف التوليد مع الالتزام بحدود الشبكة.
طبقة التنفيذ (التحسين): يقوم برنامج خطي مختلط (MILP) ذو خطوة واحدة بترجمة أهداف التخطيط إلى عمليات داخلية قابلة للتنفيذ. وهو يفرض توازناً دقيقاً للطاقة، ويدير توزيع نظام BESS، ويعيد تخصيص ميزانية الطاقة المخفضة عبر المجموعات، مع إعطاء الأولوية لتدريب النماذج الرائدة على التدريب الدفعي بناءً على أوزان جزاء غير متماثلة.

المساهمات الرئيسية

صياغة مفهوم "التوصيل والإدارة": يضع البحث بروتوكولاً تسلسلياً للطلب والقبول مع متغير تقليص واضح وحدود معلومات محددة، مما يوفر أول تمثيل رسمي لهذا النظام التشغيلي الناشئ.
النمذجة الفيزيائية المتمايزة: يقدم نموذجاً دقيقاً لمركز بيانات الذكاء الاصطناعي يميز بين أحمال التدريب الرائد، والتدريب الدفعي، والاستدلال مع قيود تشغيلية وهياكل جزاء مختلفة، مع دمج نظام BESS في الموقع كمنظم ديناميكي للطاقة.
إطار اتخاذ القرار الهرمي: يقترح إطار عمل مبتكر ثلاثي الطبقات يجمع بين التعلم المعزز (للتعامل مع طبيعة الصندوق الأسود للمشغل) والتحسين المتين (لأمن الشبكة) وتحسين التنفيذ (للقابلية التشغيلية الداخلية)، مما يحل مشكلة القرار بفعالية تحت ظروف عدم تماثل المعلومات.

النتائج
أظهرت دراسات الحالة التي استخدمت مركز بيانات ذكاء اصطناعي بقدرة جيجاوات على نظام IEEE 39-bus مع بيانات السوق الأسترالية فعالية الإطار المقترح:

تقليل تقليص الأحمال: خفض النهج القائم على التعلم تقليص الأحمال من 9.1% (في ظل استراتيجية المنظم الثابت) إلى 2.8%.
الحفاظ على أحمال العمل: رغم الضغط على الشبكة، حافظ الإطار على 98.1% من حمل تدريب النماذج الرائدة، متفوقاً بشكل كبير على النماذج المرجعية القائمة على القواعد التجريبية والتعلم المعزز العميق (DDPG, TD3).
تمايز الموارد: تؤكد النتائج أن التدريب الدفعي يعمل كمورد رئيسي مرن للشبكة، حيث يظهر أكبر تقلبات في الإنتاجية أثناء ذروة الطلب، بينما يتم حماية تدريب النماذج الرائدة، ويظل الاستدلال مرتبطاً بالطلب.
وظيفة نظام BESS: يعمل نظام BESS في الموقع كمنظم حاسم، حيث يوفر تفريغاً نشطاً أثناء أحداث التقليص الشديدة ويؤجل الشحن لامتصاص القيود المتبقية، مما يقلل من فقدان الإنتاجية.

الأهمية والادعاءات
يزعم البحث أن إطاره يوفر منهجية ضرورية لاتخاذ القرار في مراكز بيانات الذكاء الاصطناعي تحت نظام "التوصيل والإدارة"، وهو إعداد تفشل فيه أساليب التحسين العشوائي والتحسين ثنائي المستوى التقليدية بسبب عدم تماثل المعلومات. ومن خلال صياغة بروتوكول التفاعل وتطوير طبقة تخطيط قائمة على التعلم مقترنة بنموذج شبكة متين، يوضح العمل أن مراكز بيانات الذكاء الاصطناعي ذات النطاق الجيجاواتي يمكن أن تعمل بمرونة وموثوقية دون الحاجة لترقيات مسبقة للشبكة. وتبرز الدراسة أن الجمع بين إدارة أحمال العمل المتنوعة والتخزين في الموقع يسمح لمراكز بيانات الذكاء الاصطناعي بالعمل كموارد مرنة للشبكة، مما يحافظ على أحمال الذكاء الاصطناعي الحرجة مع استيعاب قيود النقل. ويشير المؤلفون إلى وجود قيود تتعلق بدقة الـ 15 دقيقة واستبعاد عدم يقين جانب العرض المتجدد، مما يفتح المجال للأعمال المستقبلية في تنسيق تعدد مراكز البيانات والتدفقات المترددة (AC power flow).