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

Titel: Schakelende Referentie-Spanningsregeling voor Distributiesystemen met AI-Opleidingsdatacenters

1. Probleemstelling

De snelle groei van kunstmatige intelligentie (AI) heeft geleid tot de inzet van hyperscale datacenters voor het trainen van grote modellen. Deze datacenters vertonen een unieke lastprofiel:

• Periodieke en snelle schommelingen: In tegenstelling tot traditionele, langzaam veranderende elektriciteitsvraag, veroorzaken gesynchroniseerde AI-opleidingsworkloads grote, periodieke sprongen in het actieve vermogen. Dit komt door de cyclus van berekening (hoge vraag, "compute phase") en communicatie/synchronisatie (lage vraag, "communication phase").
• Spanningsafwijkingen: Wanneer deze lasten worden aangesloten op een distributienetwerk, veroorzaken de abrupte vermogensschommelingen significante spanningsafwijkingen die de toegestane limieten (bijv. ±5%) kunnen overschrijden.
• Beperkingen van bestaande methoden: Traditionele spanningsregelingstechnieken, zoals vaste referentie-droopregeling (Volt-VAR), zijn ontworpen voor langzaam veranderende lasten. Ze reageren pas na een spanningsverandering, wat leidt tot:
  • Grote transiënte spanningspieken.
  • Overmatig en onnodig reactief vermogensregeling (hoge kosten en slijtage).
  • Ineffectiviteit bij het mitigeren van de ergste spanningsviolaties die optreden tijdens de overgangen tussen de werkingsmodi.

2. Methodologie

Het artikel stelt een gedecentraliseerd spanningsregelframe voor dat gebruikmaakt van de gestructureerde dynamiek van AI-workloads. In plaats van te reageren op elke fluctuatie met een vaste referentie, past de controller de spanningsreferentie dynamisch aan.

Kerncomponenten van de methode:

• Twee-modellen structuur: Het vermogensverbruik van het datacenter wordt gemodelleerd als schakeling tussen twee dominante niveaus (berekening en communicatie).
• Schakelende Referentie (Switching Reference):
  • De controller gebruikt een tijdvariabele spanningsreferentie ($v^{ref}_t$) die schakelt tussen twee niveaus, afgestemd op de werkingsmodus van het datacenter.
  • Door de referentie te verschuiven voordat of tijdens de vermogensovergang, wordt een deel van de spanningsverandering "geabsorbeerd" door de referentie zelf, waardoor de netto afwijking wordt verminderd.
• Regelwetten en Convergentie:
  • Er wordt een lineaire droop-regelwet toegepast: $q_{t+1} = q_t - K(v_t - v^{ref}_t)$.
  • De auteurs bewijzen theoretische voorwaarden voor de convergentie van de spanningsafwijking. Ze tonen aan dat door de referentie zo te kiezen dat deze de spanningsverandering door modusschakeling compenseert, de verstoringsterm in de systeemvergelijking drastisch wordt gereduceerd.
  • Een optimale "bias" (verschuiving) wordt berekend om de gemiddelde spanningsafwijking ten opzichte van de nominale waarde (1 p.u.) te minimaliseren.
• Op metingen gebaseerde implementatie (Decentralisatie):
  • De controller heeft geen kennis nodig van de interne status van het datacenter (zoals de exacte modus $m_t$).
  • In plaats daarvan worden de parameters (amplitude van de schakeling en bias) online geschat op basis van lokale spanningsmetingen in een tijdsvenster.
  • Signaalkeuze: De schakelingsrichting ($+1$ of $-1$) wordt bepaald door te kijken of de gemeten spanning boven of onder de geschatte bias ligt.

3. Belangrijkste Bijdragen

1. Nieuw Regelframe: Introductie van een schakelende referentie-droopregeling die specifiek is ontworpen voor de periodieke, stapsgewijze aard van AI-opleidingslasten.
2. Theoretische Analyse: Het afleiden van convergentievoorwaarden en het karakteriseren van de optimale referentiewaarden die de verstoring door modusschakeling minimaliseren.
3. Decentrale Implementatie: Ontwikkeling van een algoritme dat volledig autonoom werkt op basis van lokale spanningsmetingen, zonder noodzaak voor uitgebreide coördinatie met het datacenter of centrale sturing.
4. Compatibiliteit: De methode is compatibel met interne datacenterstrategieën (zoals lastgladmaking via batterijen) en vereist geen aanpassing van de interne datacentercontrole.

4. Resultaten (Simulaties)

De methode is getest op het IEEE 33-bus distributienetwerk met datacenterlasten gebaseerd op echte vermogenssporen van LLaMA-2-70B training op H200 GPU-racks.

• Vergelijking met Vaste Referentie:
  • Vaste Referentie: Leidt tot aanhoudende oscillaties in de spanning en frequente verzadiging van de reactieve vermogensregeling (constant op de limiet).
  • Schakelende Referentie: Vermindert zowel de grootte als de duur van de regeling aanzienlijk. De spanning blijft binnen de toegestane 5% bandbreedte en dichter bij de nominale waarde.
• Meerdere Datacenters: De methode blijft effectief zelfs wanneer meerdere datacenters op verschillende bussen gelijktijdig schakelende storingen veroorzaken.
• Compatibiliteit met Lastgladmaking: Wanneer het datacenter interne lastgladmaking activeert (na 1400s in de simulatie), past de controller zich naadloos aan aan de veranderde vermogensprofielen zonder dat er extra coördinatie nodig is. De regeling blijft effectief en wordt zelfs milder naarmate de fluctuaties afnemen.

5. Betekenis en Conclusie

Dit onderzoek biedt een cruciale oplossing voor de integratie van hyperscale AI-datacenters in elektriciteitsnetten.

• Efficiëntie: Het reduceert de noodzaak voor intensieve reactieve vermogensregeling, wat de levensduur van omvormers verlengt en operationele kosten verlaagt.
• Stabiliteit: Het voorkomt spanningsviolaties die anders zouden kunnen optreden door de snelle, periodieke aard van AI-workloads.
• Toepasbaarheid: Omdat de oplossing lokaal en gedecentraliseerd is, is deze schaalbaar en eenvoudig te implementeren in bestaande netwerken zonder ingrijpende infrastructuurwijzigingen of complexe communicatieprotocollen.

Samenvattend stelt de auteurs dat het benutten van de gestructureerde dynamiek van AI-lasten via een schakelende referentie een veel efficiëntere manier is om de netstabiliteit te waarborgen dan traditionele, statische regelingstechnieken.