Современная эра искусственного интеллекта заметно трансформирует технический ландшафт и энергопотребление мировых центров обработки данных. Обучение ИИ-моделей на гигаваттном уровне приводит к беспрецедентным нагрузкам на электросети, которые созданы для стабильного равновесия между генерацией и потреблением энергии в обычных условиях. Резкие колебания энергопотребления в масштабных кластерах GPU становятся причиной повышенного риска сбоев в энергосистемах и даже возможных масштабных отключений, затрагивающих миллионы пользователей и предприятия. В этой статье рассматриваются причины таких нагрузочных изменений, их последствия для электроэнергетических систем, а также пути решения возникающих проблем. Особенности нагрузки крупных AI-центров Обучение моделей глубокого обучения требует синхронной работы сотен тысяч графических процессоров, что является главным источником нестабильности энергопотребления.
В отличие от традиционных дата-центров, которые обслуживают широкий спектр разнообразных и распределённых нагрузок, AI-кластеры характеризуются резкими скачками и падениями потребляемой мощности. Эти колебания происходят в доли секунды — от полного максимума до почти нулевой нагрузки, вызывая стресс для системы питания и нарушая стабильность сетевых параметров, таких как напряжение и частота. В процессе обучения возникают типичные моменты, когда мощность резко уменьшается — например, при сохранении контрольных точек (checkpointing), синхронизации между узлами или в завершении тренировочного цикла. Все GPUs в кластере могут одновременно перейти в режим ожидания или полной работы, что приводит к изменению нагрузки на десятки мегаватт мгновенно. Подобное поведение оказывалось неожиданным для энергетических служб, поскольку ранее для крупных промышленных потребителей подобных резких скачков не было.
Влияние таких колебаний на энергосистемы Электрические сети работают при строго регулируемых параметрах напряжения и частоты. Отклонения более чем на 10 % могут привести к повреждению оборудования, срабатыванию защитных механизмов и отключению потребителей. Баланс между генерацией и потреблением поддерживается с использованием инерционных свойств классических электростанций, где вращающаяся масса генератора способна на короткий срок компенсировать дисбаланс. Рост доли возобновляемых источников, таких как солнечные и ветровые электростанции, снижает общую инерционность системы. Эти установки работают на основе инверторов и не обладают физическим вращающимся запасом энергии, что ухудшает возможности пассивного сглаживания дисбалансов.
В сочетании с резкими нагрузочными колебаниями гигаваттных AI-центров, потенциал непредсказуемых трансмиссионных процессов и нестабильных сетевых параметров значительно возрастает. Риски каскадных отключений Что особенно опасно, — отключение значительной нагрузки (в том числе дата-центров) может привести к так называемому каскадному эффекту, когда из-за внезапного снижения потребления частота и напряжение в сети превышают допустимые значения. Это вызывает отключение других потребителей и генераций, приводя к распространению и углублению сбоя по всей энергосистеме. Недавний пример — отключение в Иберийском полуострове в 2025 году, когда внезапное отключение 2,2 ГВт генерации вызвало цепочку отказов и полный крах системы. В Техасе электросистема ERCOT уже испытывает давление от планируемых подключений огромных дата-центров.
Суммарные заявленные нагрузки превышают 108 ГВт, что при общем пиковом спросе в 745 ГВт является значительной долей. Расчеты показывают, что отключение нескольких ГВт нагрузки, связанной с AI-центрами, может вывести систему из равновесия и спровоцировать выключения, особенно в периоды пикового потребления и низкой инерционности. Технические и инженерные меры реагирования Для минимизации опасности внедряются аппаратные и программные решения. Одно из первых – использование команд для генерации тестовых нагрузок, которые позволяют искусственно сглаживать пики потребления, но такие методы не подходят для масштабного применения из-за дополнительных энергозатрат и расходов. Ведущие компании инвестируют в передовые решения по хранению энергии.
Tesla, например, активно продвигает свои Megapack аккумуляторы, способные быстро реагировать на изменения потребления и сглаживать нагрузку, обеспечивая тем самым необходимую поддержку электросети. Такие батарейные системы хранения (BESS) способны оперативно приобретать и отдавать мощности в диапазонах мегаватт и более, что недоступно для традиционных генераторов и компенсирующих устройств. Кроме того, для улучшения устойчивости и снижения рисков, последние исследования рекомендуют внедрение синхронных конденсаторов – магнитно-инерционных устройств, способных временно поддерживать параметры напряжения и частоты. Однако их установка обходится дорого, и требуется продуманное проектирование инфраструктуры. Важной ролью в решении проблемы становится внедрение программ гибкого управления нагрузкой (demand response).
Эта практика позволяет временно снижать потребление или перераспределять нагрузку, что облегчает балансировку системы во время пиков и сбоев. Однако на данный момент многим электронным сетям, особенно в США, не хватает развитой инфраструктуры и мотиваций для повсеместного применения таких инструментов. Перспективы и вызовы Масштаб нагрузок, связанных с искусственным интеллектом, будет только расти с развитием технологий и возрастающей востребованностью вычислительных мощностей. В связи с этим потребуется комплексный подход к развитию энергетической инфраструктуры, включающий синергии оборудования, программного обеспечения и сотрудничества между операторами сетей, поставщиками энергии и крупными потребителями. Значительные капитальные затраты на системы хранения энергии и дополнительные меры безопасности придется учитывать в финансовом планировании новых дата-центров.
