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

기술 요약: 연결 및 관리 상호연결 관행 하의 초대규모 AI 데이터센터의 배터리 보조 운영

1. 문제 제기

초대규모 인공지능 데이터센터 (AIDC) 의 급속한 배포는 현대 전력 시스템에 상당한 도전을 제기합니다. 단일 AIDC 는 수백 메가와트 (MW) 의 전력을 요구할 수 있지만, 송전 인프라의 계획 주기는 종종 AIDC 배포보다 뒤처집니다. 결과적으로 그리드 운영자는 전통적인 '먼저 검토 후 연결' 패러다임에서 '연결 및 관리 (connect-and-manage)' 관행으로 전환하고 있습니다. 이 프레임워크 하에서는 새로운 초대형 부하의 연결이 허용되지만, 송전 신뢰성을 보장하기 위해 공통 접속점 (PCC) 에서 실시간으로 변동하는 허용 전력 교환 한도에 따르게 됩니다.

이는 AIDC 에 근본적인 갈등을 초래합니다:

• 내부 역학: 대규모 AI 학습 워크로드를 수용하는 AIDC 는 본질적으로 상태 유지 (stateful) 특성을 가집니다. 중단은 이산적인 체크포인트 시점에서만 허용됩니다. furthermore, IT 컴퓨팅 부하는 냉각 시스템과 긴밀하게 결합되어 있어 빠른 내부 열적 및 전력 역학을 생성합니다.
• 외부 제약: 그리드는 네트워크 혼잡에 기반하여 변동하는 전력 교환 한도를 부과합니다.
• 불일치: 내부 AIDC 역학을 외부 그리드 한도에 직접 매핑하는 것은 문제가 있습니다. 그리드가 한도를 강화할 경우, 직접적인 부하 감축 전략은 빈번하고 위험한 계산 중단 및 서비스 제공 실패를 초래할 수 있습니다. 기존 부하 유연성 모델은 종종 부하를 임의로 전환할 수 있다고 가정하는데, 이는 체크포인트 제약이 있는 AI 학습에는 적용되지 않는 가정입니다.

2. 방법론

이 논문은 빠른 내부 AIDC 역학을 시간 변동 그리드 제약으로부터 분리하기 위해 현장 배터리 에너지 저장 시스템 (BESS) 을 물리적 버퍼링 인터페이스로 활용하는 배터리 보조 운영 프레임워크를 제안합니다.

A. 에너지 - 컴퓨팅 모델링
저자들은 세 가지 결합된 계층을 포착하는 공동 모델을 개발했습니다:

1. 컴퓨팅 계층: AIDC 워크로드는 상태 유지, 배치 지향 AI 학습으로 모델링됩니다. 이 모델은 체크포인트 인식 연속성을 강제하며, 컴퓨팅 클러스터는 특정 시간 슬롯 ($\delta_{ckpt}$) 에서만 종료될 수 있습니다. 처리량은 소프트웨어 정의 전력 한도를 통해 규제되며, 전력과 컴퓨팅 처리량 사이에는 엄격한 볼록 (strictly convex) 관계가 존재합니다.
2. 열 계층: 1 차 RC 열 회로 모델이 데이터 홀 온도 역학을 설명합니다. 냉각 전력은 IT 열 발생과 결합되어 열적 관성 활용 (예: 사전 냉각) 을 통해 냉각 부하를 이동시킬 수 있게 합니다.
3. 그리드 인터페이스: PCC 전력 교환은 송전 시스템 운영자 (TSO) 가 부과하는 시간 변동 상한 및 하한 ($P_{grid}^{min}(t), P_{grid}^{max}(t)$) 과 램프 속도 요구 사항에 의해 제약됩니다.

B. 2 단계 의사결정 프레임워크
전일 계획과 실시간 운영 간의 정보 비대칭성을 해결하기 위해 2 단계 논리가 수립되었습니다:

• 1 단계: 전일 (DA) 워크로드 약속:
  • 역사적 데이터와 공개적으로 관찰 가능한 신호 (가격, 수요, 온도) 를 사용하여 **조건부 생성 모델 (CTSGAN)**이 허용되는 PCC 전력 한도 궤적 세트를 예측합니다.
  • 시나리오 기반 최적화는 90% 신뢰 수준으로 필터링된 모든 유지된 시나리오에 걸쳐 신뢰성 있게 제공 가능한 단일 스칼라 워크로드 약속 ($W_{DA}^*$) 을 결정합니다. 이 단계는 에너지 효율적 운영 지점에서의 편차를 패널티로 부과하면서 약속된 워크로드를 최대화합니다.
• 2 단계: 실시간 (RT) 제공 보장:
  • 예측 제어 (receding-horizon) 컨트롤러가 15 분 간격으로 작동합니다.
  • 실현된 그리드 한도와 가격을 수신한 후, IT 처리량, 냉각, 그리고 BESS 충전/방전 배분을 최적화합니다.
  • 목표는 그리드 제약을 엄격히 준수하고 전일 약속된 워크로드의 제공을 보장하면서 운영 비용 (에너지 + 배터리 열화) 을 최소화하는 것입니다. 미제공 슬랙에는 큰 패널티가 부과됩니다.

3. 주요 기여

1. 새로운 모델링 접근법: 이 논문은 상태 유지, 체크포인트 제약이 있는 AI 학습 워크로드와 긴밀하게 결합된 IT-냉각 열 역학을 공동으로 특성화하는 에너지 - 컴퓨팅 모델을 제시하여, 전력 제약 하의 AIDC 운영 연속성에 대한 일관된 표현을 제공합니다.
2. 물리적 버퍼링 프레임워크: 현장 BESS 가 물리적 인터페이스로 작용하여 빠른 내부 컴퓨팅 - 냉각 역학과 외부 송전 제약 사이의 시간 척도 분리를 가능하게 하는 그리드 인식 프레임워크를 제안합니다.
3. 2 단계 의사결정 논리: 불확실한 송전 혼잡 하에서도 약속이 신뢰할 수 있도록 유지하면서 엄격한 그리드 준수를 보장하기 위해 전일 워크로드 약속과 실시간 그리드 실행 가능성을 정렬하는 조정 메커니즘이 개발되었습니다.

4. 결과

2026 년 1 월 호주 에너지 시장 (AEMO) 의 실제 데이터를 사용하여 IEEE 39 버스 시스템에 대한 사례 연구가 수행되었습니다.

• 향상된 약속 능력: 송전 혼잡 하에서 BESS 보조 프레임워크는 신뢰할 수 있는 전일 워크로드 약속을 크게 증가시켰습니다. 대표적인 혼잡 시나리오에서 BESS 가 있는 AIDC 는 그리드 한도가 0 MW 로 붕괴된 기간 동안 약 175 MW 운영을 유지한 반면, BESS 가 없는 경우 7.75 시간의 완전한 서비스 중단에 직면했습니다.
• 제공 강건성: 31 일 시뮬레이션 동안 BESS 보조 시스템은 워크로드 미제공을 BESS 없음 (17 일) 에서 5 일로 줄였습니다. 평균 미제공은 한 자릿수 (order of magnitude) 감소하여 일간 간 불확실성에 대한 개선된 강건성을 입증했습니다.
• 정세 의존적 BESS 역할:
  • 실행 가능성 지향: 엄격한 송전 제약 하에서 BESS 는 주로 연속성 교량으로 작용하여 그리드 수입이 제한될 때 IT 운영을 유지하기 위해 방전합니다.
  • 경제성 주도: 송전 제약이 완화됨에 따라 BESS 역할은 경제적 유연성으로 전환되어, 전체 에너지 비용을 절감하면서 제공을 훼손하지 않고 가격 신호 (예: 고가 기간 중 전력 수출) 를 활용합니다.
• 용량 및 체크포인트 민감성:
  • 충분한 BESS 에너지 용량은 열적 관성을 통해 냉각 부하를 이동시키고 그리드 혼잡 시 IT 컴퓨팅에 전력을 우선시하는 '사전 냉각' 전략을 가능하게 하는 데 중요합니다.
  • 체크포인트 빈도는 BESS 활용도를 결정합니다. 희소한 체크포인팅은 BESS 가 허용되는 종료 창 사이의 간격을 메우기 위해 지속적인 지원을 제공하도록 강요하는 반면, 빈번한 체크포인팅은 저장소에 대한 의존도가 적은 더 유연한 부하 감축을 가능하게 합니다.

5. 중요성 및 주장

이 논문은 제안된 프레임워크가 제약된 송전 네트워크에 대규모 AIDC 를 통합하기 위한 물리적으로 근거 있고 운영적으로 실행 가능한 접근법을 제공한다고 주장합니다. BESS 를 명시적으로 물리적 인터페이스로 위치시킴으로써, 이 프레임워크는 내부 운영 유연성과 그리드 보안 요구 사항 간의 불일치를 해결합니다.

이 연구 결과는 '연결 및 관리' 관행 하에서 BESS 가 단순한 경제적 자산이 아니라 운영 연속성의 핵심 촉진제임을 시사합니다. 이는 불확실한 그리드 조건에도 불구하고 AIDC 가 신뢰할 수 있는 전일 약속을 내리고 실시간으로 안정적인 제공을 보장할 수 있게 합니다. 이 연구는 BESS 의 가치가 정세에 의존함을 강조합니다: 송전 한도가 구속적일 때 실행 가능성에 필수적이며, 제약이 완화될 때 경제적 최적화로 전환됩니다. 이는 미래 전력 시스템과 컴퓨팅 집약적 인프라의 공동 설계에 대한 실행 가능한 통찰력을 제공합니다.