⚡ electrical engineering

Wide-Area Power System Oscillations from Large-Scale AI Workloads

本文提出了一种针对 AI 数据中心负载的动态功率建模方法，通过数值仿真揭示了大规模 AI 工作负载固有的周期性功率波动可能激发并加剧广域电网振荡的风险，并量化分析了系统强度、渗透率及部署策略等关键因素的影响。

原作者： Min-Seung Ko, Hao Zhu

发布于 2026-04-21

📖 1 分钟阅读☕ 轻松阅读

原作者： Min-Seung Ko, Hao Zhu

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文探讨了一个非常前沿且紧迫的问题：随着人工智能（AI）的爆发式增长，超级数据中心正在给电网带来一种前所未有的“新麻烦”——电网振荡。

为了让你轻松理解，我们可以把整个电力系统想象成一个巨大的、精密的交响乐团，而电网就是指挥家手中的指挥棒，需要保持完美的节奏和平衡。

以下是用通俗语言和生动比喻对这篇论文核心内容的解读：

1. 新的“捣蛋鬼”：AI 数据中心的独特节奏

过去，我们担心的是工厂突然开工或停工（就像乐团里突然有人大声喊叫或突然静音），这种变化虽然剧烈，但通常是“阶梯式”的，电网容易适应。

但现在的 AI 数据中心（特别是用来训练大模型的）不一样。

比喻：想象 AI 训练过程就像一群极其自律的鼓手在集体打鼓。他们不是乱打，而是按照严格的节奏，反复进行“用力敲击（计算）”和“短暂停顿（数据传输/同步）”的循环。
问题：这种“敲击 - 停顿”的循环非常快（每秒几次），而且成千上万个 GPU（图形处理器）像训练有素的士兵一样整齐划一地行动。这就产生了一种持续、有规律、像心跳一样的电力波动。
后果：这种波动不像普通的用电高峰那样只是“变重”，而是像有人在指挥棒上有节奏地推搡。如果这个推搡的节奏（频率）恰好和乐团（电网）某个乐器（发电机）的固有共振频率撞上了，就会引发剧烈的“共振”，导致整个乐团乱套，甚至崩溃。

2. 核心发现：什么会让“共振”更严重？

研究人员在模拟了美国两个主要电网系统（WECC 和 NPCC）后，发现几个关键因素会让这种“共振”变得更危险：

电网越“虚”，越容易晃（系统惯性低）：
- 比喻：传统的火电厂像大胖子，惯性大，推一下晃得慢；现在的可再生能源（风能、太阳能）像轻飘飘的羽毛，惯性小。如果电网里“胖子”少了，“羽毛”多了，那个有节奏的推搡（AI 波动）就能轻易把电网晃得东倒西歪。
AI 越多，晃得越厉害（渗透率高）：
- 如果电网里 AI 数据中心的占比越大，这种“推搡”的力量就越强，振荡幅度就越大。
单个数据中心越大，越危险（单体规模）：
- 比喻：与其让 7 个小鼓手分散在乐团各处，不如让 1 个超级鼓手（巨型数据中心）站在中间。研究发现，单个巨大的数据中心比同等总功率分散成的小数据中心更容易引发剧烈振荡。因为大鼓手的力量更集中，更容易“带偏”节奏。
分布越散，越容易“乱套”（地理位置）：
- 这有点反直觉。人们以为把数据中心集中在一起会好控制，但研究发现，如果把它们分散在电网的不同角落，它们可能会同时“踩中”电网里不同位置的多个“共振点”，导致整个电网多个地方同时出现混乱。
节奏越单一，越危险（波动频率范围窄）：
- 如果 AI 的“敲击”节奏非常固定（比如死死卡在 1 赫兹），而电网恰好在这个频率上有弱点，那就完了。如果节奏稍微乱一点（频率范围宽），反而不容易形成完美的共振。

3. 怎么解决？“治标”不如“治本”

面对这种振荡，研究人员测试了两种解决办法：

方法 A：给电网加“减震器”（增加阻尼/惯性）
- 这就像给摇摆的桌子加个重物。虽然有用，但效果有限，因为电网太大，很难在每个地方都加好减震器。
方法 B：让“鼓手”别敲那么狠（抑制负载波动）
- 比喻：直接告诉那个有节奏的鼓手：“你敲的时候轻一点，或者节奏乱一点，别那么整齐。”
- 结论：这是最有效的方法。如果能在数据中心内部把电力的波动“抹平”（比如通过电池缓冲或调整算法），不让这种有规律的波动传出去，电网就安全了。这比在电网末端修修补补要管用得多。

4. 总结与启示

这篇论文告诉我们：

AI 不仅仅是消耗电，它还在“指挥”电。 它的用电模式非常特殊，像是一个有节奏的捣蛋鬼。
未来的电网规划必须考虑 AI 的“性格”。 我们不能只算算 AI 要用多少度电，还得算算它是怎么用这些电的（是不是有规律的波动）。
选址和规模很重要。 建数据中心不能只看哪里便宜，还得看会不会正好“踩中”电网的共振点。
源头治理是关键。 最好的办法是让 AI 数据中心自己学会“温柔”地用电，而不是等电网出问题了再去救火。

一句话总结：
AI 数据中心就像一群节奏感极强的鼓手，如果它们敲鼓的节奏正好撞上了电网的“心跳弱点”，就会引发大风暴。为了防止电网“心脏病发作”，我们需要让鼓手们敲得柔和一点，或者把鼓手分散得聪明一点，而不是等电网晃起来再去扶。

这是一份关于 IEEE《电力系统汇刊》（IEEE Transactions on Power Systems）论文《大规模 AI 工作负载引发的广域电力系统振荡》（Wide-Area Power System Oscillations from Large-Scale AI Workloads）的详细技术总结。

1. 研究背景与问题 (Problem)

随着生成式人工智能（GenAI）和大语言模型（LLM）的爆发式增长，数据中心已成为电力需求增长的主要驱动力。预计到 2030 年，美国数据中心用电量将占总用电量的 12%。然而，现有的电网规划和分析主要关注传统工业负载的**阶梯式功率变化（Ramping）**和暂态稳定性，忽视了新一代超大规模 AI 数据中心带来的独特挑战：

新型负载特性： 与传统负载不同，AI 工作负载（特别是训练和微调阶段）在 GPU 集群架构下，会产生周期性、持续性且结构化的秒级功率波动。
强迫振荡风险： 这些波动并非简单的随机噪声，而是具有特定频率特征的“强迫输入信号”。如果这些信号的频率与电力系统的固有振荡模式（特别是低频振荡模式）重合，可能引发广域振荡（Wide-area Oscillations），甚至导致系统失稳。
研究空白： 目前缺乏针对此类 AI 诱导的秒级功率波动的定量模型，也缺乏系统级的电网振荡分析框架。

2. 方法论 (Methodology)

为了解决上述问题，作者提出了一套完整的建模与分析框架：

A. AI 工作负载的随机功率建模

作者建立了一个随机模型来表征 AI 数据中心的功率消耗，重点聚焦于**训练（Training）和微调（Fine-tuning）**阶段（推理阶段因间歇性且功率较低被简化处理）：

周期性结构： 基于 GPU 的“计算 - 通信”循环（Mini-batch processing），将功率波形建模为周期性信号，包含高功率的“计算相”（Up phase/Tail phase）和低功率的“通信/同步相”（Down phase/Idle phase）。
随机性引入：
- 周期波动： 迭代周期时长围绕主导频率 $f_0$ 波动（受 GPU 运行时抖动影响）。
- 相位功率波动： 各相的功率水平包含基准偏移和细粒度的随机偏差（高斯分布）。
聚合模型： 将单个大型训练任务、多个小型训练任务及微调任务的功率曲线叠加，模拟整个数据中心的总负载。模型参数基于现有文献和 HPC 数据集设定（如主导频率范围 0.5-1.5 Hz）。

B. 电网仿真与案例分析

测试系统： 使用 WECC 179 节点系统（代表美国西部电网）和 NPCC 140 节点系统（代表美国东北部电网）。
仿真设置： 在系统中部署多个 GW 级数据中心（渗透率约 10%-34.5%），将 AI 负载作为随时间变化的 PQ 负载接入。
分析工具： 采用 ANDES 工具进行时域仿真，结合 FFT（快速傅里叶变换）、Prony 分析（用于识别模态频率和阻尼比）和**伪能量（Pseudo-energy）**指标来量化振荡的严重性和可见性。

3. 主要贡献 (Key Contributions)

建立新的负载模型： 首次将 AI 数据中心建模为连续的、结构化的强迫振荡源，超越了传统的仅关注功率爬坡（Ramping）的模型，能够分析其诱发区间振荡和局部振荡的潜力。
随机建模框架： 开发了能够同时捕捉周期性模式和细粒度随机性的随机 AI 工作负载模型，生成了逼真的时变负载曲线。
系统性评估： 在真实电网模型中系统评估了大规模 AI 工作负载对电网振荡的影响，揭示了实际电力系统中存在的聚合共振现象。
关键因素识别： 识别并量化了影响振荡严重性的关键部署和运行因素，包括系统惯性、渗透率、波动频率范围、数据中心规模、地理分布、波动抑制水平及工作负载比例。

4. 关键研究结果 (Key Results)

通过大量仿真，论文得出了以下核心结论：

系统惯性与模态匹配是决定性因素：
- 当 AI 负载的波动频率（通常在 0.5-1.5 Hz）与电网的不稳定模态（如 WECC 系统中的 1.06 Hz 模态）重合时，会发生强烈的共振，导致振荡幅度急剧放大。
- 低系统惯性（如高比例可再生能源替代同步发电机）会加剧这种共振效应，但在某些情况下（如缺乏特定频率的不稳定模态），低惯性反而可能降低特定频段的振荡。
渗透率与规模效应：
- 渗透率： 数据中心渗透率越高，振荡幅度越大，但主要体现为幅值的线性缩放，不改变波形特征。
- 单体规模： 单个数据中心规模越大（在总容量不变的情况下），引发的振荡越剧烈。这是因为大单体负载的波动更集中，对电网的强迫作用更强，能更显著地激发高频分量。
地理分布的复杂影响（反直觉发现）：
- 通常认为集中部署会加剧波动，但研究发现，**分散部署（Distributed Siting）**反而可能引发更严重的振荡。
- 分散部署使得负载波动能与系统中多个不同的局部模态相互作用，激发更宽频带的振荡（包括低频区），并增加了系统响应的随机性和不确定性。
频率范围的影响：
- 窄带波动（频率范围集中）比宽带波动更容易引发严重振荡，因为其能量集中在特定频率，更容易与不稳定模态发生共振。
缓解策略对比：
- 源头抑制（最有效）： 直接抑制 AI 工作负载的功率波动幅度（如通过平滑算法），是减少强迫振荡最有效的手段。
- 系统阻尼： 增加系统阻尼虽然能降低振荡，但效果不如源头抑制显著，且阻尼资源分散，难以针对特定强迫源进行精准抑制。
工作负载比例： 减少大型训练任务比例、增加小型任务比例，会将主导振荡频率从 1 Hz 向更高频（如 1.8 Hz）转移，因为多个小任务的叠加引入了高频分量。

5. 意义与启示 (Significance)

电网规划新范式： 未来的电网规划必须将 AI 数据中心的秒级功率波动特性纳入考量，不能仅将其视为静态或慢速变化的负荷。
选址策略优化： 数据中心的选址不仅需要考虑电压稳定性（如集中部署可能导致的低电压问题），还需评估其对广域振荡模式的激发风险。分散部署虽能缓解电压问题，但可能加剧振荡风险。
运行控制建议：
- 优先在数据中心侧实施波动抑制技术（如储能缓冲、负载平滑），从源头消除强迫信号。
- 电网运营商需监测 AI 负载的波动频率，避免其与电网脆弱的不稳定模态发生共振。
政策与标准： 为应对 AI 驱动的电力需求爆发，需要制定新的并网标准和规划指南，量化评估 AI 负载对电网动态稳定性的影响。

总结： 该论文揭示了大规模 AI 工作负载作为一种新型强迫振荡源，对高比例新能源电网构成的独特且严峻的稳定性挑战。研究强调，理解并管理 AI 负载的频率选择性和时空分布，是保障未来高 AI 渗透率电网安全运行的关键。