⚡ electrical engineering

Battery-Assisted Operation of Hyperscale AI Data Centers under Connect-and-Manage Interconnection Practices

Este artículo propone un marco operativo asistido por baterías que integra el almacenamiento de energía in situ con un modelo de energía y computación consciente de la continuidad y una estrategia de control de dos etapas para permitir que los centros de datos de IA a escala hipergrande concilien la rápida dinámica interna de la carga de trabajo y el enfriamiento con los límites de interconexión de la red en tiempo real y variables en el tiempo, mejorando así tanto el compromiso de la carga de trabajo como la robustez de su entrega bajo congestión de transmisión.

Autores originales: Xin Lu, Jing Qiu, Jiafeng Lin, Sihai An, Mingyang Sun, Junhua Zhao

Publicado 2026-05-15

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Xin Lu, Jing Qiu, Jiafeng Lin, Sihai An, Mingyang Sun, Junhua Zhao

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

La imagen general: El problema de "Conectar y Gestionar"

Imagina una fábrica masiva y de alta tecnología (un Centro de Datos de IA) que necesita una cantidad enorme de electricidad para hacer funcionar sus superordenadores. Esta fábrica es tan grande que equivale al consumo eléctrico de una manzana de ciudad.

En los viejos tiempos, antes de construir esta fábrica, la compañía eléctrica decía: "Necesitamos revisar nuestras carreteras (las líneas eléctricas) primero. Si no pueden soportar el tráfico, no podemos permitirte construir". Esto es lento y costoso.

Ahora, está surgiendo una nueva norma llamada "Conectar y Gestionar". Es como decir: "¡De acuerdo, puedes construir tu fábrica y conectarte a la red inmediatamente! Pero, si las carreteras se vuelven demasiado congestionadas, pondremos un límite de velocidad temporal o una puerta que solo permita pasar cierta cantidad de tráfico en momentos específicos".

El Problema:
El entrenamiento de la IA es como un corredor de maratón que no puede detenerse en medio de la carrera sin perder su posición. Si la compañía eléctrica cierra repentinamente la puerta (reduce el límite de potencia), la fábrica tiene que detenerse. Pero detener el entrenamiento de la IA es malo porque se pierde el progreso. Además, la fábrica genera mucho calor, por lo que necesita aire acondicionado, lo cual también consume electricidad.

La fábrica está atrapada entre dos mundos conflictivos:

Interior: Necesita energía estable y continua para mantener los ordenadores en funcionamiento y controlar el calor.
Exterior: La red eléctrica es impredecible y a veces dice: "Solo puedes usar el 50% de tu energía en este momento".

La Solución: El "Amortiguador de Batería"

El documento propone una solución: Colocar una batería gigante (BESS) justo al lado de la fábrica.

Piensa en la batería como un amortiguador o un tanque de agua entre la fábrica y la red eléctrica.

Cuando la red está tensa: La red dice: "Solo puedes tomar 100 unidades de energía". La fábrica realmente necesita 200. La batería interviene y dice: "Yo te daré las otras 100", para que la fábrica siga funcionando sin detenerse.
Cuando la red está relajada: La red dice: "Puedes tomar 300 unidades". La fábrica toma lo que necesita, y la batería se llena con el exceso de energía (o la vende de nuevo a la red para obtener ganancias).

Esta batería actúa como un amortiguador físico, suavizando los baches para que la fábrica no tenga que entrar en pánico cada vez que la red cambia de opinión.

Cómo lo planifican: La danza de dos pasos

Los investigadores crearon un plan inteligente de dos pasos para hacer que esto funcione:

Paso 1: La promesa del día anterior (El pronóstico)
El día anterior, el gerente de la fábrica observa el clima, los precios de la electricidad y los patrones históricos de tráfico. Utilizan un modelo informático para adivinar qué tan estricta será la red eléctrica mañana.

Basándose en estas suposiciones, hacen una promesa: "Prometemos completar esta cantidad de trabajo de IA mañana".
Calculan la cantidad más segura de trabajo que pueden prometer, asumiendo que la red podría ponerse tensa. No prometen demasiado, o podrían fallar.

Paso 2: La danza en tiempo real (La ejecución)
El día del evento, la red envía actualizaciones en tiempo real: "De acuerdo, ahora mismo, el límite es estricto", o "Ahora, el límite está totalmente abierto".

La fábrica utiliza un controlador inteligente (como un coche autónomo) que observa las próximas horas.
Si la red se tensa, el controlador le dice instantáneamente a la batería: "¡Descarga ahora para mantener los ordenadores funcionando!".
Si la red está abierta y la electricidad es barata, el controlador le dice a la batería: "¡Cárgate!" o "¡Enciende el aire acondicionado temprano para enfriar las cosas mientras es barato!".

Lo que descubrieron (Los resultados)

Los investigadores probaron esta idea utilizando una red eléctrica simulada y datos reales de Australia. Esto es lo que sucedió:

Se realiza más trabajo: Con la batería, la fábrica pudo prometer realizar un 38% más de trabajo el día anterior en comparación con no tener batería. Sin la batería, la fábrica tenía que detener el trabajo cada vez que la red se congestionaba.
Menos paradas: Sin la batería, la fábrica tuvo que detenerse en 17 de los 31 días. Con la batería, solo tuvo que detenerse en 5 días. La batería actúa como una red de seguridad.
La batería cambia de roles:
- Cuando la red está muy congestionada: La batería actúa como un bote salvavidas. Hace todo lo necesario para mantener los ordenadores funcionando, incluso si cuesta un poco más. Su único trabajo es la supervivencia.
- Cuando la red está relajada: La batería actúa como un inversor inteligente. Espera electricidad barata para cargarse y vende energía cuando los precios son altos, ahorrando dinero a la fábrica.
El tamaño importa: Si la batería es demasiado pequeña, se queda sin energía durante un apagón prolongado y los ordenadores aún tienen que detenerse. Una batería más grande permite a la fábrica "pre-enfriar" el edificio (encender el aire acondicionado temprano) y luego sobrevivir solo con energía de batería durante los momentos críticos.
La regla de los "Puntos de control": El entrenamiento de la IA solo se puede pausar de forma segura en momentos específicos (como guardar un juego). Si estos "puntos de guardado" están muy separados, la batería tiene que trabajar más para mantener la máquina funcionando hasta el siguiente punto de guardado. Si los puntos de guardado son frecuentes, la fábrica simplemente puede pausar y esperar, necesitando menos ayuda de la batería.

La conclusión

Este documento muestra que para que los masivos centros de datos de IA se conecten a la red eléctrica sin causar apagones o ser cerrados, necesitan una batería gigante en el sitio. Esta batería actúa como un traductor y un amortiguador, permitiendo que la fábrica siga ejecutando sus complejas tareas de IA incluso cuando la red eléctrica está teniendo un mal día. Convierte una conexión eléctrica volátil e impredecible en una operación fiable y suave.

Resumen Técnico: Operación de Centros de Datos de IA de Hiperescala Asistida por Baterías bajo Prácticas de Interconexión de Conexión y Gestión

1. Declaración del Problema

El despliegue rápido de Centros de Datos de Inteligencia Artificial de Hiperescala (AIDC) presenta un desafío significativo para los sistemas de energía modernos. Un solo AIDC puede demandar cientos de megavatios, sin embargo, los ciclos de planificación para la infraestructura de transmisión a menudo se retrasan respecto al despliegue de los AIDC. En consecuencia, los operadores de la red están cambiando de los paradigmas tradicionales de "revisión primero, conexión después" a prácticas de "conexión y gestión". Bajo este marco, se permite que nuevas cargas masivas se conecten, pero están sujetas a límites de intercambio de potencia admisible en tiempo real y variables en el tiempo en el Punto de Acoplamiento Común (PCC) para garantizar la fiabilidad de la transmisión.

Esto crea un conflicto fundamental para los AIDC:

Dinámicas Internas: Los AIDC que albergan cargas de trabajo de entrenamiento de IA a gran escala son inherentemente con estado. Las interrupciones solo son permisibles en momentos discretos de punto de control. Además, las cargas de computación TI están estrechamente acopladas con los sistemas de refrigeración, creando dinámicas internas térmicas y de potencia rápidas.
Restricciones Externas: La red impone límites de intercambio de potencia fluctuantes basados en la congestión de la red.
La Desincronización: Mapear directamente las dinámicas internas del AIDC a los límites externos de la red es problemático. Si la red endurece los límites, una estrategia de reducción directa de carga arriesga interrupciones computacionales frecuentes e inseguras y fallos en la entrega de servicios. Los modelos existentes de flexibilidad de carga a menudo asumen que las cargas pueden conmutarse arbitrariamente, una suposición que no se cumple para el entrenamiento de IA con restricciones de puntos de control.

2. Metodología

El artículo propone un marco operativo asistido por baterías que utiliza Sistemas de Almacenamiento de Energía por Batería (BESS) en el sitio como una interfaz de amortiguación física para desacoplar las dinámicas internas rápidas del AIDC de las restricciones de la red variables en el tiempo.

A. Modelado de Energía-Computación
Los autores desarrollan un modelo conjunto que captura tres capas acopladas:

Capa de Computación: Las cargas de trabajo del AIDC se modelan como entrenamiento de IA con estado y orientado a lotes. El modelo impone continuidad consciente del punto de control, donde el clúster de computación solo puede apagarse en intervalos de tiempo específicos ( $\delta_{ckpt}$ ). El rendimiento se regula mediante límites de potencia definidos por software, exhibiendo una relación estrictamente convexa entre la potencia eléctrica y el rendimiento computacional.
Capa Térmica: Un modelo de circuito térmico RC de primer orden describe la dinámica de la temperatura del salón de datos. La potencia de refrigeración se acopla con la generación de calor de TI, permitiendo la explotación de la inercia térmica (por ejemplo, pre-enfriamiento) para desplazar las cargas de refrigeración.
Interfaz de Red: El intercambio de potencia en el PCC está restringido por límites superiores e inferiores variables en el tiempo ( $P_{grid}^{min}(t), P_{grid}^{max}(t)$ ) y requisitos de velocidad de subida impuestos por el Operador del Sistema de Transmisión (TSO).

B. Marco de Decisión de Dos Etapas
Para abordar la asimetría de información entre la planificación a un día vista y la operación en tiempo real, se formula una lógica de dos etapas:

Etapa I: Compromiso de Carga de Trabajo a un Día Vista (DA):
- Utilizando datos históricos y señales públicamente observables (precios, demanda, temperatura), un modelo generativo condicional (CTSGAN) predice un conjunto de trayectorias de límites de potencia PCC admisibles.
- Una optimización basada en escenarios determina un único compromiso de carga de trabajo escalar ( $W_{DA}^*$ ) que es creíblemente entregable en todos los escenarios retenidos (filtrados para un nivel de confianza del 90%). Esta etapa maximiza la carga de trabajo comprometida mientras penaliza las desviaciones de los puntos de operación energéticamente eficientes.
Etapa II: Garantía de Entrega en Tiempo Real (RT):
- Un controlador de horizonte deslizante opera en intervalos de 15 minutos.
- Recibe los límites de red y precios realizados, luego optimiza la programación del rendimiento de TI, la refrigeración y la carga/descarga del BESS.
- El objetivo es minimizar los costos operativos (energía + degradación de la batería) mientras se adhiere estrictamente a las restricciones de la red y se garantiza la entrega de la carga de trabajo comprometida en DA. Se aplica una gran penalización a cualquier holgura de entrega insuficiente.

3. Contribuciones Clave

Enfoque de Modelado Novel: El artículo presenta un modelo de energía-computación que caracteriza conjuntamente cargas de trabajo de entrenamiento de IA con estado y con restricciones de puntos de control, y dinámicas térmicas de TI-refrigeración estrechamente acopladas, proporcionando una representación coherente de la continuidad operativa del AIDC bajo restricciones de potencia.
Marco de Amortiguación Física: Propone un marco consciente de la red donde el BESS en el sitio actúa como una interfaz física, permitiendo el desacoplamiento de escalas de tiempo entre las dinámicas internas rápidas de computación-refrigeración y las restricciones externas de transmisión.
Lógica de Decisión de Dos Etapas: Se desarrolla un mecanismo coordinado para alinear los compromisos de carga de trabajo a un día vista con la viabilidad de la red en tiempo real, asegurando que los compromisos permanezcan creíbles bajo congestión de transmisión incierta mientras se mantiene un cumplimiento estricto de la red.

4. Resultados

Se realizaron estudios de caso en el sistema IEEE de 39 barras utilizando datos reales del Mercado de Energía Australiano (AEMO) para enero de 2026.

Capacidad de Compromiso Mejorada: Bajo congestión de transmisión, el marco asistido por BESS aumentó significativamente el compromiso de carga de trabajo a un día vista creíble. En un escenario congestionado representativo, el AIDC con BESS mantuvo una operación de ~175 MW durante períodos en los que el límite de la red colapsó a 0 MW, mientras que el caso sin BESS enfrentó 7.75 horas de interrupción completa del servicio.
Robustez de Entrega: Durante una simulación de 31 días, el sistema asistido por BESS redujo la entrega insuficiente de carga de trabajo de 17 días (sin BESS) a 5 días. La entrega insuficiente promedio se redujo en un orden de magnitud, demostrando una mayor robustez frente a la incertidumbre interdiaria.
Rol del BESS Dependiente del Régimen:
- Orientado a la Viabilidad: Bajo restricciones de transmisión estrictas, el BESS actúa principalmente como un puente de continuidad, descargando para sostener las operaciones de TI cuando las importaciones de la red están restringidas.
- Impulsado por la Economía: A medida que se relajan las restricciones de transmisión, el rol del BESS transiciona a la flexibilidad económica, explotando señales de precios (por ejemplo, exportando energía durante períodos de alto precio) para reducir los costos energéticos generales sin comprometer la entrega.
Sensibilidad de Capacidad y Punto de Control:
- La capacidad de energía suficiente del BESS es crítica para habilitar estrategias de "pre-enfriamiento", donde la inercia térmica permite desplazar las cargas de refrigeración, priorizando la potencia para la computación de TI durante la congestión de la red.
- La frecuencia de los puntos de control dicta la utilización del BESS; la escasez de puntos de control fuerza al BESS a proporcionar soporte sostenido para cubrir las brechas entre ventanas de apagado admisibles, mientras que la frecuencia de puntos de control permite un desprendimiento de carga más flexible con menos dependencia del almacenamiento.

5. Significado y Afirmaciones

El artículo afirma que el marco propuesto ofrece un enfoque fundamentado físicamente y operativamente viable para integrar AIDC a gran escala en redes de transmisión restringidas. Al posicionar explícitamente al BESS como una interfaz física, el marco resuelve la desincronización entre la flexibilidad operativa interna y los requisitos de seguridad de la red.

Los hallazgos sugieren que bajo prácticas de "conexión y gestión", el BESS no es meramente un activo económico, sino un habilitador crítico de la continuidad operativa. Permite a los AIDC hacer compromisos creíbles a un día vista a pesar de las condiciones inciertas de la red y asegura una entrega confiable en tiempo real. El estudio destaca que el valor del BESS es dependiente del régimen: es esencial para la viabilidad cuando los límites de transmisión son vinculantes y se desplaza hacia la optimización económica cuando las restricciones se relajan. Esto proporciona información procesable para el diseño conjunto de futuros sistemas de energía e infraestructuras intensivas en computación.