Перепроверка потенциала энергосистемы США по интеграции крупных гибких нагрузок

Основной вывод

Исследование Герцогского университета (Nicholas Institute for Energy, Environment & Sustainability CC BY-NC 4.0) демонстрирует, что энергосистема США обладает существенным резервом мощности для интеграции крупных гибких электрических нагрузок без значительного расширения генерирующих мощностей.

☞ При надёжности временных отключений на уровне 0,5% годовой потреби способности система может интегрировать 98 ГВт дополнительной нагрузки, что соответствует 14% текущего пикового спроса.

Контекст и актуальность исследования

Электросистема США сталкивается с беспрецедентным ростом спроса на электроэнергию. Согласно прогнозам Североамериканской корпорации надёжности электроснабжения (NERC), зимний пиковый спрос вырастет на 21,5% в течение десяти лет: с 694 ГВ в 2024 году до 843 ГВ к 2034 году.

☞ Федеральная комиссия по регулированию энергетики (FERC) прогнозирует рост пикового спроса на 128 ГВ уже к 2029 году.

Основным катализатором этого роста является взрывной спрос центров обработки данных на электроэнергию. Ожидается, что центры данных добавят от 65 ГВ мощности к 2029 году и будут составлять до 44% от общего роста электропотребления США к 2028 году.

Рабочие нагрузки искусственного интеллекта, по прогнозам, составят от 50% до 70% от потребления центров обработки данных к 2030 году, увеличившись с менее чем 3% в начале десятилетия.

Однако развитие энергосистемы затруднено множеством препятствий: длинные очереди на подключение (некоторые достигают 7–10 лет), ограничения в цепочке поставок трансформаторного оборудования (сроки доставки выросли с менее чем года в 2020 году до 2–5 лет в 2024 году), повышение стоимости оборудования на 80% и строгие процессы получения разрешений.

Основные результаты исследования

Объём потенциальной интеграции нагрузки

Анализ охватывает 22 крупнейших органа управления балансировкой (балансирующих центры), обслуживающих 95% пикового спроса страны. Результаты показывают следующий потенциал интеграции новых нагрузок в зависимости от допустимого уровня отключения:

• 76 ГВ при среднегодовом уровне сокращения нагрузки 0,25% (что составляет примерно 1,643 ГВт·ч из 657 000 ГВт·ч потенциального годового потребления)
• 98 ГВ при уровне 0,5%
• 126 ГВ при уровне 1,0%
• 215 ГВ при уровне 5,0%

Пять регионов с наибольшим потенциалом интеграции при уровне 0,5% сокращения:

Параметры требуемых отключений

Ключевое наблюдение: большинство часов, требующих сокращения нагрузки, предусматривают минимальное отключение фактической мощности:

• При 0,5% допустимом уровне сокращения требуется в среднем 177 часов в год с отключением нагрузки
• Средная продолжительность каждого события отключения составляет 2,1 часа
• В 88% этих часов остаётся минимум половина запрашиваемой нагрузки (сокращение менее 50%)
• В 60% часов сохраняется минимум 75% нагрузки
• В 29% часов остаётся минимум 90% нагрузки

Эти показатели сопоставимы с параметрами существующих программ реагирования на спрос в США.

Сезонные закономерности

Анализ выявил значительное сезонное варьирование потребности в отключениях нагрузки:

• Системы в пустынном юго-западе (AZPS, SRP) демонстрируют тяжело концентрированное летнее спрос
• Прибрежные калифорнийские системы показывают зимнюю концентрацию
• Существует выраженная корреляция между коэффициентом загрузки в зимний период и сезонным распределением требуемых отключений
• Системы с низким коэффициентом зимней загрузки обладают большей способностью интегрировать дополнительную нагрузку с минимальными отключениями

Центры обработки данных и гибкость нагрузки

Почему центры обработки данных становятся гибче

Традиционно центры обработки данных считались неспособными к значительному сокращению потребления из-за требований к непрерывности обслуживания (SLA). Однако развитие вычислительных технологий, ориентированных на ИИ, кардинально меняет эту ситуацию:

Временная гибкость: Тренировка нейросетевых моделей для больших языковых моделей и других алгоритмов машинного обучения являются отложимыми задачами, которые могут быть стратегически распланированы. В отличие от приложений облачных сервисов, требующих обработки в реальном времени, такие задачи (называемые пакетной обработкой) не привязаны к моменту запроса пользователя.

Пространственная гибкость: Возможность динамического распределения рабочих нагрузок между несколькими центрами обработки данных в разных географических местоположениях для оптимизации использования ресурсов. Google уже разработала систему сдвига рабочих нагрузок во времени и планирует расширить её с пространственными возможностями.

Другие методы снижения нагрузки:

• Динамическое изменение напряжения и частоты (DVFS), снижающее потребление энергии серверами за счёт уменьшения напряжения или частоты
• Консолидация рабочих нагрузок на меньшем количестве серверов с отключением недоиспользуемых
• Гибкость охлаждения: поскольку системы охлаждения потребляют 30–40% энергии центра, операторы могут увеличивать охлаждение днём (когда солнечная энергия в изобилии) и снижать его вечером

Рыночные тренды, способствующие гибкости

Три основных тренда создают беспрецедентные возможности:

1. Сложные условия предложения: Длительные сроки подключения и высокие затраты создают стимулы для операторов центров обработки данных искать быстрые альтернативы, включая гибкие варианты.
2. Технологический прогресс: Снижение стоимости возобновляемых источников энергии и систем накопления энергии расширило доступность чистых решений за счёт на базе объекта.
3. Концентрация оператора: Примерно 80% рынка центров обработки данных в 2023 году приходилось на гипермасштабные объекты и операторы с совместным размещением, что позволяет более специализированным операторам внедрять сложные системы гибкости.

Инициативы по демонстрации гибкости

Компании уже предпринимают шаги по внедрению гибкости:

• Google: Развернула алгоритм временного сдвига рабочих нагрузок, учитывающий углеродоёмкость, и участвует в программах реагирования на спрос в Орегоне, Небраске, юго-восточных США, Европе и Тайване.
• ERCOT: Регистрирует более 750 МВт майнинговых нагрузок данных как управляемые ресурсы нагрузки (CLR), которые направляются в соответствии с предустановленными условиями.
• Pacific Gas and Electric (PG&E): Запустила пилотную программу Flex Connect, предоставляющую более быстрый доступ к сети в обмен на гибкость в периоды нехватки.
• Специализированные компании: Verrus, Emerald AI и другие разработчики программного обеспечения создают решения для массового реагирования центров обработки данных на требования сетки.

Взаимосвязь между коэффициентом загрузки и потенциалом интеграции

Критический вывод исследования: потенциал системы по интеграции новой нагрузки определяется её коэффициентом загрузки (соотношением среднего спроса к пиковому спросу).

Анализ показывает сильную корреляцию: системы с более высокими коэффициентами загрузки в период максимального сезонного спроса имеют меньше резерва для интеграции нового. Например:

• CAISO с коэффициентом сезонной загрузки 76% может принять минимум новой нагрузки
• PACW и AZPS с низкими коэффициентами загрузки (ниже 60%) демонстрируют значительно большие возможности интеграции

При уровне сокращения 5%, эта корреляция становится очень значительной (R² = 0,86), что означает, что 86% вариации в возможности интеграции нагрузки можно объяснить различиями в коэффициентах загрузки.

Системы с неравномерным сезонным спросом (низкая загрузка зимой или летом) имеют большую способность интегрировать новые гибкие нагрузки, в то время как системы с более последовательным спросом в течение года сталкиваются с более жёсткими ограничениями.

Выгода для потребителей

Улучшение использования имеющейся инфраструктуры: Энергосистема США спроектирована для обработки экстремальных пиков спроса, которые могут возникать реже одного раза в год. Это означает, что большую часть года генерирующие и передающие мощности недоиспользуются. Значительные основные капиталовложения в эту инфраструктуру распределяются на потребителей.

Интеграция гибких нагрузок без синхронного увеличения пикового спроса позволяет распределить фиксированные затраты на большее количество киловатт-часов, что снижает удельные затраты на электроэнергию для всех потребителей. Примеры регуляторных мер, предпринятых в ответ на опасения по поводу затрат:

• Джорджия: Увеличила требования к контрактам для центров обработки данных, запросила утверждение регулятора для объектов свыше 100 МВт, одобрила строительство 1,4 ГВт газовых мощностей в ответ на спрос в 17 раз превышающий прогноз.
• Огайо: Заключила соглашение, требующее более длительных договоров, планирования нарастания нагрузки и минимальных платежей по спросу для центров обработки данных свыше 25 МВт.
• Иллинойс: Выявила, что крупные нагрузки оплатили только 8,2% своих затрат на подключение, а 91,8% социализированы для других потребителей.

Гибкие нагрузки могут смягчить эти проблемы стоимости.

Ограничения и направления дальнейшего анализа

Исследование признаёт несколько важных ограничений:

Ограничения текущего анализа

1. Сетевые ограничения: Анализ не учитывает передающие мощности и локальные перегрузки. Большая новая нагрузка может избежать превышения совокупного пикового спроса, но всё равно вызвать локальные перегрузки в определённых географических точках, требующие расширения передающей сети.
2. Межвременные ограничения: Не учитываются временные ограничения операций (минимальное и максимальное время работы генераторов, время разгона, скорость изменения мощности и т.д.). Быстрое снижение больших гибких нагрузок может создать локальные проблемы стабильности.
3. Смещение периодов потерь нагрузки: При растущей доле возобновляемых источников энергии периоды максимального риска недостатка мощности смещаются от традиционных пиков. Анализ, ориентированный на пиковый спрос, может недооценивать операционные вызовы.
4. Постоянная нагрузка: Анализ предполагает, что новая нагрузка постоянна во времени, что может преувеличивать требуемое сокращение.

Возможные поправки в сторону увеличения

Вместе с тем некоторые предположения анализа могут привести к недооценке доступного резерва:

1. Установленный резерв мощности: Анализ использует исторический пиковый спрос как потолок, но система планируется с установленным резервом, превышающим наблюдаемые пики.
2. Удаление выбросов: Некоторые удалённые выбросы в данных могут быть законными пиками спроса, которые система способна обслуживать.

Выводы для политики и практики

Исследование предлагает несколько практических рекомендаций:

1. Ускорение интеграции через гибкость: Органы управления энергосистемой и регулирующие органы должны разработать и стандартизировать варианты гибкого подключения, подобно существующим программам реагирования на спрос.
2. Обновление тарифной базы: Текущие тарифные схемы часто разработаны с расчётом на традиционные промышленные нагрузки. Требуется переработка для стимулирования гибкости центров обработки данных.
3. Совершенствование рыночных механизмов: Существующие программы реагирования на спрос часто были разработаны до появления масштабных гибких центров обработки данных. FERC и региональные операторы должны модифицировать правила для облегчения участия.
4. Дальнейший анализ: Необходимо более детальное исследование с учётом сетевых ограничений, временных операционных ограничений и особенностей отдельных центров обработки данных.

Стратегическое значение

В контексте цифровой трансформации экономики и быстрого развития искусственного интеллекта интеграция гибких центров обработки данных в энергосистему представляется критическим фактором для:

• Быстрого развёртывания ИИ-инфраструктуры без ожидания многолетних очередей на подключение
• Снижения затрат как для операторов центров данных, так и для существующих потребителей электроэнергии
• Поддержки целей декарбонизации путём оптимизации использования возобновляемых источников
• Обеспечения надёжности путём лучшего использования существующих мощностей

Исследование демонстрирует, что энергосистема США обладает значительным резервом, который может быть мобилизован через механизмы гибкости, предоставляя жизнеспособный путь для аккомодации быстрого роста спроса на электроэнергию в эпоху ИИ.