⚡ electrical engineering

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

यह शोध पत्र एक विकेंद्रीकृत स्विचिंग-रेफरेंस वोल्टेज नियंत्रण ढांचे का प्रस्ताव करता है जो वितरण प्रणालियों में तीव्र वोल्टेज उतार-चढ़ाव को प्रभावी ढंग से कम करने के साथ-साथ नियंत्रण लागत और समन्वय आवश्यकताओं को न्यूनतम करने के लिए AI प्रशिक्षण वर्कलोड की संरचित, आवधिक प्रकृति का लाभ उठाता है।

मूल लेखक: Mingyuan Yan, Trager Joswig-Jones, Baosen Zhang, Yize Chen, Wenqi Cu

प्रकाशित 2026-03-17

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Mingyuan Yan, Trager Joswig-Jones, Baosen Zhang, Yize Chen, Wenqi Cu

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

इलेक्ट्रिकल ग्रिड की कल्पना एक विशाल, जटिल प्लंबिंग सिस्टम (नलसाजी प्रणाली) के रूप में करें। इस सिस्टम में "पानी का दबाव" वोल्टेज है। यदि दबाव बहुत अधिक हो जाता है, तो पाइप फट जाते हैं (उपकरण टूट जाते हैं); यदि यह बहुत कम हो जाता है, तो पानी बस टपकता रहता है (लाइटें मद्धम हो जाती हैं, कंप्यूटर क्रैश हो जाते हैं)।

दशकों से, इस सिस्टम को स्थिर, अनुमानित पानी के उपयोग को संभालने के लिए डिज़ाइन किया गया है—जैसे कि एक परिवार द्वारा शावर चालू करना या एक फैक्ट्री द्वारा एक मशीन को निरंतर गति पर चलाना। ग्रिड चीजों को स्थिर रखने के लिए "प्रेशर रेगुलेटर्स" (वोल्टेज नियंत्रण) का उपयोग करता है।

नई समस्या: "AI जिम"

अब, कल्पना कीजिए कि पड़ोस में एक नए प्रकार की इमारत आ गई है: एक विशाल AI ट्रेनिंग डेटा सेंटर।

इस डेटा सेंटर को एक स्थिर फैक्ट्री के रूप में नहीं, बल्कि तालमेल बिठाकर वजन उठाने वाले (वेटलिफ्टर्स) लोगों से भरे एक जिम के रूप में सोचें।

वर्कआउट (कंप्यूट चरण): हर कुछ सेकंड में, हजारों वेटलिफ्टर्स (AI चिप्स) एक साथ भारी वजन उठाते हैं। यह बिजली की मांग में अचानक आया एक बड़ा उछाल है।
आराम (कम्युनिकेशन चरण): फिर, वे सांस लेने के लिए रुकते हैं और आपस में बात करते हैं। बिजली की मांग उतनी ही अचानक गिर जाती है।

यह एक लयबद्ध, तीव्र चक्र में होता है: वजन उठाओ! रुको! वजन उठाओ! रुको!

संकट: पारंपरिक वोल्टेज रेगुलेटर एक धीमी गति वाले गार्डन होज़ (बगीचे के पाइप) की तरह हैं। वे दबाव में बदलाव होने के बाद प्रतिक्रिया देते हैं। जब तक रेगुलेटर दबाव को ठीक करने के लिए कोशिश करता है, तब तक वेटलिफ्टर्स द्वारा वजन छोड़ने के बाद दबाव पहले ही बहुत ज्यादा बदल चुका होता है। तालमेल बिठाने की कोशिश में, रेगुलेटर पागलों की तरह वाल्वों को खोलता और बंद करता है, जिससे वह घिस जाता है और फिर भी दबाव को स्थिर रखने में विफल रहता है।

पेपर का समाधान: "स्मार्ट रेफरेंस स्विचिंग"

लेखक दबाव को नियंत्रित करने का एक नया तरीका प्रस्तावित करते हैं। एक एकल, कठोर "परफेक्ट" स्तर (जैसे 1.0) पर दबाव को वापस लाने की कोशिश करने के बजाय, वे लक्ष्य (टारगेट) को बदलने का सुझाव देते हैं।

यहाँ उपमा (एनालॉजी) है:
कल्पना कीजिए कि आप एक गेंद को पकड़ने की कोशिश कर रहे हैं जो दो ऊंचाइयों के बीच ऊपर-नीचे उछल रही है।

पुराना तरीका (फिक्स्ड रेफरेंस): आप स्थिर खड़े रहते हैं, गेंद के आपके हाथ के स्तर तक आने का इंतज़ार करते हैं। जब भी गेंद ऊपर या नीचे उछलती है, आपको पागलों की तरह कूदना पड़ता है। यह थका देने वाला है और अक्सर आप गेंद चूक जाते हैं।
नया तरीका (स्विचिंग रेफरेंस): आप महसूस करते हैं कि गेंद का एक पैटर्न है। जब गेंद ऊपर होती है, तो आप एक ऊंचे स्टूल पर खड़े हो जाते हैं। जब गेंद नीचे होती है, तो आप एक नीचे के स्टूल पर उतर जाते हैं। आप अपने "लक्ष्य की ऊंचाई" को उसके लय के साथ मिलाने के लिए बदलते हैं। अब, आपको गेंद को पकड़ने के लिए अपने हाथों को बहुत कम हिलाना पड़ता है।

वास्तविक दुनिया में यह कैसे काम करता है

पेपर एक विकेंद्रीकृत (decentralized) प्रणाली पेश करता है। इसका मतलब है कि ग्रिड का हर हिस्सा (हर मोहल्ले का ट्रांसफार्मर) एक स्मार्ट व्यक्ति की तरह कार्य करता है जिसे किसी केंद्रीय बॉस से अनुमति लेने की आवश्यकता नहीं है।

लय को सुनना: स्थानीय कंट्रोलर वोल्टेज को सुनता है। वह "ऊपर और नीचे" के तीव्र उतार-चढ़ाव को देखता है जो AI जिम के कारण होते हैं।
शिफ्ट की गणना करना: वह जल्दी से गणना करता है: "ठीक है, जब AI कड़ी मेहनत कर रहा होता है, तो वोल्टेज स्वाभाविक रूप से गिरना चाहता है। इसलिए, मैं उस गिरावट से मेल खाने के लिए अपने 'लक्ष्य' वोल्टेज को थोड़ा कम कर दूँगा।" जब AI आराम करता है, तो वह अपने लक्ष्य को वापस ऊपर ले आता है।
परिणाम: क्योंकि लक्ष्य लोड के साथ चलता है, इसलिए वोल्टेज कभी भी बेतहाशा नहीं बदलता। "वाल्व" (रिएक्टिव पावर कंट्रोल्स) को उतनी मेहनत नहीं करनी पड़ती। वे शांत और कुशल बने रहते हैं।

यह क्यों महत्वपूर्ण है

कम टूट-फूट: ग्रिड के उपकरणों को हर सेकंड पागलों की तरह एडजस्ट नहीं करना पड़ता। यह ऊर्जा बचाता है और हार्डवेयर के जीवनकाल को बढ़ाता है।
केंद्रीय मस्तिष्क की आवश्यकता नहीं: ग्रिड का प्रत्येक हिस्सा अपने स्थानीय माप का उपयोग करके इसे स्वयं समझ लेता है। यह मजबूत और तेज़ है।
AI के साथ काम करता है: भले ही AI डेटा सेंटर अपने स्वयं के बिजली उपयोग को सुचारू बनाने की कोशिश करे (जैसे वेटलिफ्टर्स द्वारा धीरे-धीरे वजन उठाने की कोशिश करना), यह सिस्टम स्वचालित रूप से अनुकूलित हो जाता है। इसे AI कंपनी और बिजली कंपनी के बीच किसी जटिल हैंडशेक की आवश्यकता नहीं है।

संक्षेप में

यह पेपर "तेज, लयबद्ध बिजली के उतार-चढ़ाव" की समस्या को हल करने के लिए, ग्रिड को लोड के विरुद्ध लड़ने के बजाय लोड के साथ नाचना सिखाकर समाधान करता है। एक चौकोर खांचे को गोल छेद में जबरदस्ती फिट करने के बजाय, वे छेद का आकार बदल देते हैं ताकि वह खांचे के अनुरूप हो सके, जिससे सिस्टम स्थिर और कुशल बना रहता है।

यहाँ शोध पत्र "Switching-Reference Voltage Control for Distribution Systems with AI-Training Data Centers" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

हाइपरस्केल डेटा केंद्रों में बड़े पैमाने पर आर्टिफिशियल इंटेलिजेंस (AI) ट्रेनिंग वर्कलोड की तीव्र तैनाती, बिजली वितरण प्रणालियों में एक नए प्रकार के अत्यधिक गतिशील लोड (dynamic loads) को पेश कर रही है। धीरे-धीरे विकसित होने वाले पारंपरिक लोड के विपरीत, AI ट्रेनिंग वर्कलोड तीव्र, आवधिक और बड़े परिमाण के शक्ति उतार-चढ़ाव (power fluctuations) प्रदर्शित करते हैं।

मूल कारण: ये उतार-चढ़ाव GPU/TPU रैक के सिंक्रोनाइज्ड ऑपरेशन से उत्पन्न होते हैं, जो उच्च-शक्ति कंप्यूट चरणों (फॉरवर्ड/बैकवर्ड प्रोपेगेशन) और निम्न-शक्ति कम्युनिकेशन चरणों (सिंक्रोनाइजेशन/चेकपॉइंटिंग) के बीच बारी-बारी से चलते हैं।
परिणाम: फीडरों से जुड़े होने पर, ये अचानक होने वाले पावर स्विंग्स महत्वपूर्ण वोल्टेज विचलन (voltage deviations) पैदा करते हैं, जो संभावित रूप से स्वीकार्य सीमाओं (जैसे, $\pm5\%$ ) से अधिक हो सकते हैं।
मौजूदा विधियों की सीमाएँ:
- ड्रूप कंट्रोल (Droop Control): पारंपरिक विकेंद्रीकृत वोल्ट-वार ड्रूप कंट्रोल धीरे-धीरे बदलने वाले लोड के लिए डिज़ाइन किया गया है। AI वर्कलोड पर लागू होने पर, यह प्रत्येक ट्रांजिशन पर प्रतिक्रिया करता है, जिससे निरंतर दोलन (oscillations), अत्यधिक रिएक्टिव पावर कंट्रोल प्रयास और सबसे खराब स्थिति वाले वोल्टेज स्पाइक्स को प्रभावी ढंग से कम करने में विफलता होती है।
- आंतरिक समन्वय (Internal Coordination): हालांकि कुछ दृष्टिकोण आंतरिक डेटा सेंटर लोड स्मूथिंग या बाहरी संपत्तियों के साथ समन्वय का सुझाव देते हैं, लेकिन इनमें अक्सर जटिल बुनियादी ढांचे की आवश्यकता होती है या वे AI ट्रेनिंग की विशिष्ट संरचित गतिशीलता (structured dynamics) की अनदेखी करते हैं, जिससे उप-इष्टतम प्रदर्शन होता है।

2. कार्यप्रणाली (Methodology)

लेखक एक विकेंद्रीकृत स्विचिंग-रेफरेंस वोल्टेज कंट्रोल फ्रेमवर्क का प्रस्ताव करते हैं जो AI ट्रेनिंग वर्कलोड के रैंडम नॉइज़ के बजाय उनके संरचित, दो-मोड व्यवहार का लाभ उठाता है।

A. सिस्टम मॉडलिंग (System Modeling)

नेटवर्क मॉडल: सक्रिय ( $p_t$ ) और रिएक्टिव ( $q_t$ ) पावर इंजेक्शन के संबंध में बस वोल्टेज ( $v_t$ ) को दर्शाने के लिए LinDistFlow मॉडल का उपयोग करता है: $v_t = R p_t + X q_t + \mathbf{1}$ ।
लोड लक्षण वर्णन (Load Characterization): डेटा सेंटर लोड को दो मोड ( $m_t \in \{0, 1\}$ $m_{t} \in {0, 1}$ ) के बीच स्विच करते हुए मॉडल किया गया है:
- मोड 0 (कम्युनिकेशन): कम शक्ति।
- मोड 1 (कंप्यूटेशन): उच्च शक्ति।
- एक्टिव पावर को $p_{j,t} = \bar{p}_j(m_t) + w_t$ के रूप में मॉडल किया गया है, जहाँ $w_t$ इंट्रा-फेज उतार-चढ़ाव का प्रतिनिधित्व करता है।

B. कंट्रोल लॉ डिज़ाइन (Control Law Design)

एक निश्चित वोल्टेज रेफरेंस (जैसे, 1.0 p.u.) के बजाय, प्रस्तावित नियंत्रक एक समय-परिवर्तित रेफरेंस $v^{ref}_t$ का उपयोग करता है जो डेटा सेंटर के ऑपरेटिंग मोड के अनुरूप दो स्तरों के बीच स्विच करता है।

रेफरेंस संरचना: $v^{ref}_{i,t} = v^{bias}_{i,t} + s_{i,t} v^{amp}_{i,t}$ $v_{i, t}^{r e f} = v_{i, t}^{bia s} + s_{i, t} v_{i, t}^{am p}$ , जहाँ:
- $v^{bias}$ : मिडपॉइंट बायस।
- $v^{amp}$ : आयाम (मोड स्विचिंग द्वारा प्रेरित वोल्टेज स्टेप का आधा)।
- $s_{i,t} \in \{-1, +1\}$ : वर्तमान मोड को इंगित करने वाला साइन।
सैद्धांतिक आधार: पावर स्टेप द्वारा प्रेरित वोल्टेज परिवर्तन ( $\Delta v_{mode} = R(\bar{p}(0) - \bar{p}(1)$ ) के साथ रेफरेंस वोल्टेज शिफ्ट को संरेखित करके, नियंत्रक प्रभावी रूप से वोल्टेज स्विंग के एक हिस्से को "पूर्व-एम्प्टिवली" (pre-emptively) अवशोषित करता है। यह क्लोज्ड-लूप एरर डायनेमिक्स में डिस्टर्बेंस टर्म को कम करता है, जो सैद्धांतिक रूप से फिक्स्ड-रेफरेंस कंट्रोल की तुलना में पीक वोल्टेज विचलन को आधा कर देता है।

C. मेजरमेंट-आधारित अनुकूलन (Measurement-Based Adaptation)

चूंकि ग्रिड कंट्रोलर के पास डेटा सेंटर के आंतरिक मोड स्टेट ( $m_t$ ) या इष्टतम मापदंडों तक सीधी पहुंच नहीं होती है, इसलिए रेफरेंस को केवल स्थानीय वोल्टेज माप के आधार पर अनुकूलित किया जाता है:

एम्प्लीट्यूड अपडेट ( $v^{amp}$ ): हाल के टाइम विंडो में देखे गए अधिकतम एक-चरण वोल्टेज परिवर्तन के आधे के रूप में अनुमानित किया जाता है, जो मोड ट्रांजिशन के परिमाण को कैप्चर करता है।
बायस अपडेट ( $v^{bias}$ ): इसे दो रेफरेंस स्तरों को इस तरह केंद्रित करने के लिए कैलकुलेट किया जाता है कि स्थिर अवस्था (steady-state) के वोल्टेज चरम मान 1.0 p.u. के मान से समान दूरी पर हों, जिससे सबसे खराब स्थिति का विचलन न्यूनतम हो सके।
साइन चयन ( $s_{i,t}$ ): वर्तमान स्थानीय वोल्टेज की अनुमानित बायस से तुलना करके निर्धारित किया जाता है। यदि $v > v^{bias}$ , तो सिस्टम हाई-पावर मोड में है; अन्यथा, यह लो-पावर मोड में है।

3. मुख्य योगदान (Key Contributions)

नया कंट्रोल फ्रेमवर्क: AI ट्रेनिंग वर्कलोड की आवधिक, दो-मोड गतिशीलता के लिए विशेष रूप से तैयार किया गया विकेंद्रीकृत स्विचिंग-रेफरेंस ड्रूप कंट्रोलर।
सैद्धांतिक गारंटी: वोल्टेज अभिसरण (convergence) के लिए शर्तों की स्थापना और प्रमाण कि प्रस्तावित स्विचिंग रेफरेंस फिक्स्ड रेफरेंस की तुलना में वर्स्ट-केस स्टेडी-स्टेट वोल्टेज विचलन को न्यूनतम करता है।
विकेंद्रीकृत कार्यान्वयन: एक पूर्णतः स्थानीय, मेजरमेंट-आधारित एडैप्टेशन एल्गोरिदम का विकास जिसे डेटा सेंटर या उसके आंतरिक स्टेट के साथ संचार की आवश्यकता नहीं है, जो स्केलेबिलिटी और मौजूदा ग्रिड एसेट्स के साथ अनुकूलता सुनिश्चित करता है।
अनुकूलता: यह प्रदर्शन कि यह विधि तब भी प्रभावी रहती है जब डेटा सेंटर आंतरिक लोड स्मूथिंग रणनीतियों का उपयोग करते हैं, बिना किसी री-ट्यूनिंग या समन्वय की आवश्यकता के।

4. परिणाम (Results)

प्रस्तावित विधि का मूल्यांकन IEEE 33-बस डिस्ट्रीब्यूशन फीडर पर एक वितरित AI ट्रेनिंग जॉब (H200 GPUs पर LLaMA-2-70B) के वास्तविक पावर ट्रेसेस का उपयोग करके सिमुलेशन के माध्यम से किया गया।

सिंगल डेटा सेंटर परिदृश्य:
- फिक्स्ड-रेफरेंस कंट्रोल: निरंतर वोल्टेज दोलन और रिएक्टिव पावर कंट्रोल एक्शन का बार-बार सैचुरेशन (सीमा तक पहुँचना) हुआ।
- स्विचिंग-रेफरेंस कंट्रोल: रिएक्टिव पावर एडजस्टमेंट के परिमाण और आवृत्ति को काफी कम कर दिया। वोल्टेज लगातार 5% विचलन बैंड के भीतर और नाममात्र मान के करीब रहा।
मल्टीपल डेटा सेंटर परिदृश्य:
- नियंत्रक ने सफलतापूर्वक वोल्टेज विचलन को दबा दिया, भले ही अलग-अलग बसों पर स्थित दो डेटा सेंटरों ने एक साथ, एसिंक्रोनस स्विचिंग गड़बड़ी उत्पन्न की हो।
लोड स्मूथिंग के साथ अनुकूलता:
- जब आंतरिक लोड स्मूथिंग (बैटरी स्टोरेज का उपयोग करके) सक्रिय की गई, तो पावर फ्लक्चुएशन कम हो गए। प्रस्तावित नियंत्रक बिना किसी बाहरी समन्वय के प्रभावी वोल्टेज रेगुलेशन बनाए रखते हुए नए पावर प्रोफाइल के अनुसार स्वचालित रूप से अनुकूलित हो गया।

5. महत्व (Significance)

यह कार्य बिजली प्रणालियों में एक महत्वपूर्ण उभरती चुनौती को संबोधित करता है: AI बूम द्वारा संचालित विशाल, गैर-पारंपरिक लोड का एकीकरण।

दक्षता: यह इनवर्टर और स्टोरेज सिस्टमों से आवश्यक "कंट्रोल एफर्ट" (रिएक्टिव पावर साइकलिंग) को काफी कम करता है, जिससे उपकरणों का जीवनकाल बढ़ता है और परिचालन लागत कम होती है।
स्थिरता: यह वोल्टेज उल्लंघन को रोकने के लिए एक मजबूत तंत्र प्रदान करता है जो AI वर्कलोड की अनूठी, उच्च-आवृत्ति स्विचिंग के कारण होता है, जिसे पारंपरिक नियंत्रण विधियाँ संभालने में विफल रहती हैं।
व्यावहारिकता: केवल स्थानीय माप पर निर्भर रहकर और डेटा सेंटरों के साथ जटिल समन्वय से बचकर, यह समाधान मौजूदा वितरण नेटवर्क में तुरंत तैनात करने योग्य है। यह AI कंप्यूटिंग की तेज़ गतिशीलता और ग्रिड रेगुलेशन की धीमी गतिशीलता के बीच के अंतर को पाटता है।