Resilience Enhancement of Electricity-Computing Interdependency System against Contingency

Resumen Técnico: Mejora de la Resiliencia del Sistema de Interdependencia Electricidad-Computación frente a Contingencias

Planteamiento del Problema
Las infraestructuras urbanas modernas, incluyendo hospitales, instituciones financieras y sistemas de agua, dependen en gran medida de los servicios de computación estables proporcionados por los centros de datos (DC). Sin embargo, los modelos de resiliencia existentes para la recuperación post-desastre suelen considerar a los DC meramente como cargas eléctricas con niveles de prioridad fijos. Esta perspectiva pasa por alto la interdependencia crítica donde los DC convierten la energía eléctrica en potencia de computación para dar soporte a otras funciones urbanas. En consecuencia, los modelos tradicionales de "energía eléctrica encendida, función activa" no logran capturar las fallas en cascada que ocurren cuando el suministro de potencia de computación se interrumpe, incluso si la energía eléctrica se restaura parcialmente. Además, los estudios actuales de programación de recursos suelen asumir que existen recursos eléctricos suficientes, ignorando las limitaciones impuestas por desastres extremos sobre la disponibilidad de potencia de computación. Existe una falta de un marco unificado para describir la coordinación entre los sistemas de potencia de computación, los sistemas de potencia eléctrica y las infraestructuras urbanas bajo condiciones extremas.

Metodología
Para abordar estas brechas, los autores proponen un marco de Sistema de Interdependencia Electricidad-Computación (ECIS) y una estrategia de optimización colaborativa.

1. Modelado del Sistema:

   • Nivel Funcional: El nivel funcional general del sistema ($F_{sys}$) se define como una suma ponderada de los niveles funcionales de las instalaciones individuales, la cual varía con la relación de suministro de energía eléctrica ($k$).
   • Modelado de DC: El DC se modela como una instalación que transforma la energía eléctrica en potencia de computación. Una función por partes ($g(P_{dc})$) mapea la entrada de energía eléctrica a la salida de potencia de computación, capturando los umbrales de arranque, las etapas de rampa y la saturación.
   • Funcionalidad de la Instalación: El nivel de función básica ($B_i$) de una infraestructura es una suma ponderada de su satisfacción de energía eléctrica y su satisfacción de potencia de computación. Los pesos ($\alpha_i, \beta_i$) reflejan la dependencia específica de cada tipo de instalación (por ejemplo, las instituciones financieras tienen un $\beta_i$ alto).
   • Propagación de la Dependencia: Un modelo iterativo basado en una matriz de peso de dependencia ($A$) simula cómo el fallo de una instalación afecta a otras. El nivel funcional real ($F_i$) es el producto de la función básica de la instalación y su nivel de satisfacción de dependencia externa, actualizado hasta la convergencia.

2. Estrategia de Optimación:

   • El objetivo es maximizar la resiliencia general del sistema ($R$), definida como el área bajo la curva del nivel funcional del sistema a través de las etapas de recuperación.
   • El problema se formula como un problema de optimización no lineal con restricciones, resuelto mediante un Algoritmo Genético.
   • Se comparan dos estrategias:
     • Estrategia A (Línea Base): Una estrategia de restauración de lista de prioridades predefinida donde el DC es tratado como una carga convencional con un peso fijo.
     • Estrategia B (Propuesta): Una estrategia de optimización colaborativa que ajusta dinámicamente la cuota de energía eléctrica del DC basándose en los estados del sistema, considerando explícitamente los beneficios indirectos del suministro de potencia de computación y las interdependencias de la infraestructura.

Contribuciones Clave

1. Marco ECIS: El artículo introduce un marco que caracteriza las relaciones de acoplamiento entre la potencia de computación, la potencia eléctrica y las interdependencias de la infraestructura en escenarios post-desastre.
2. Estrategia de Optimización Colaborativa: Se desarrolla una nueva estrategia que integra el suministro de potencia de computación y las dependencias de la infraestructura en la asignación de potencia eléctrica. A diferencia de los métodos tradicionales, trata al DC no solo como una carga, sino como un productor de un recurso crítico (potencia de computación) para el sistema más amplio.

Resultos
Los casos de estudio que simulan relaciones de suministro de energía eléctrica del 20% al 100% revelan lo siguiente:

• Limitaciones de las Prioridades Fijas (Estrategia A): Asignar una prioridad alta fija al DC conduce al colapso funcional del sistema durante escaseces severas de energía (suministro del 20–40%) porque otras instalaciones críticas se quedan sin energía. Por el contrario, asignar una prioridad baja provoca escaseces de potencia de computación que degradan la funcionalidad de las instalaciones de alta dependencia (por ejemplo, instituciones financieras) durante la recuperación moderada (suministro del 50–80%).
• Desempeño de la Estrategia Propuesta (Estrategia B): La Estrategia B ajusta dinámicamente el nivel de satisfacción de la energía eléctrica del DC, sacrificando al DC durante escaseces severas para sostener las funciones urbanas básicas e incrementando la asignación de energía al DC a medida que el suministro se recupera para aprovechar los beneficios de la potencia de computación.
• Mejoras Cuantitativas:
  • La Estrategia B logra un valor de resiliencia del sistema de 0.553, el cual es un 23.2% mayor que la Estrategia A con un peso de DC bajo y un 27.7% mayor que la Estrategia A con un peso de DC alto.
  • Considerar las interdependencias de la infraestructura dentro de la Estrategia B mejora la resiliencia en un 9.5% en comparación con una versión de la estrategia que ignora estas dependencias.
  • En general, la estrategia propuesta mejora la resiliencia del sistema en más de un 20% durante los periodos de escasez de energía en comparación con las estrategias tradicionales de listas de prioridades predefinidas.

Significancia
El artículo sostiene que, en el contexto de la revolución de la IA y el desarrollo de la infraestructura digital, la potencia de computación se ha convertido en un recurso crítico para la resiliencia urbana. Evaluar la recuperación post-desastre únicamente desde la perspectiva de la energía eléctrica ya no es suficiente. Al modelar el DC como un convertidor de energía eléctrica a potencia de computación y contabilizar las interdependencias, el marco ECIS propuesto proporciona un enfoque más preciso y efectivo para optimizar la asignación de recursos durante eventos extremos. El estudio destaca que ignorar estas interdependencias conduce a una sobreestimación de los niveles funcionales urbanos y a una planificación de resiliencia subóptima. Se señala que el trabajo futuro implicará la integración de topologías de redes de distribución reales y la coordinación de múltiples centros de datos.