Przejdź do treści
Czas na świecieEU--:--UK--:--USA--:--CN--:--PLDEFRIT中文EN

portal o AI i technologiiwydarzenia · analizy · wywiady · tło techniczne

Szukaj
NA ŻYWO
›

OpenAI testuje Grid Protectors, a Ember pyta o przesuwanie obciążeń w centrach danych

OpenAI testuje elastyczne zarządzanie popytem w planowanym kampusie w Georgii. 3 listopada firma poinformowała, że Grid Protectors jest częścią umowy z Georgia Power o mocy 3,2 GW, w której 1 000 MW przypada na elastyczne zapotrzebowanie.

TechnologiaNewsMarta ZielińskaOpublikowano: 4 listopada 20264 min czytaniaŹródła 28
OpenAI testuje Grid Protectors, a Ember pyta o przesuwanie obciążeń w centrach danych

OpenAI testuje elastyczne zarządzanie popytem w planowanym kampusie w Georgii. 3 listopada firma poinformowała, że Grid Protectors jest częścią umowy z Georgia Power o mocy 3,2 GW, w której 1 000 MW przypada na elastyczne zapotrzebowanie.

Spółki energetyczne i społeczności lokalne otrzymują prośby o zgodę na duże nowe obciążenia. Obietnica jest taka, że centrum danych zmniejszy pobór, gdy sieć będzie przeciążona. Analiza Ember wskazuje, że przesuwanie obciążeń daje ułamek tego, co daje wytwarzanie na miejscu. Bufor zależy od sprzętu, nie od obietnic oprogramowania. Skala i cena elastyczności OpenAI pozostają nieujawnione.

Do czego OpenAI faktycznie się zobowiązało

W poście na blogu OpenAI nazywa elastyczność kampusu zasobem dla spółki energetycznej. „Naszym celem jest uczynienie elastyczności kampusu zasobem, po który spółki energetyczne mogą sięgnąć, kiedy społeczności najbardziej tego potrzebują” – napisała firma. OpenAI nadal pracuje z dostawcami energii nad tym, ile zapotrzebowania może ściąć, jak szybko i na jak długo. Rozwiązania będą się różnić w zależności od lokalizacji. Firma podzieli się szczegółami, gdy zobowiązania zostaną sfinalizowane. Elastyczne zarządzanie popytem ma już dziesięciolecia: operatorzy sieci dzwonili kiedyś do hut stali, żeby w szczytach ograniczyły pobór. Automatyzacja pozwala dziś centrum danych ściąć obciążenie w mniej niż minutę, podał Tom's Hardware, a Nvidia testowała podobny system w Wielkiej Brytanii.

Ember opublikowała analizę w październiku 2026 r. Obejmuje ona dziewięć rynków w USA, Europie i Azji Południowo-Wschodniej. pv magazine opisał ją 3 listopada.

Najbardziej jaskrawy przypadek to Irlandia. Centra danych biorą tam już około 19% szczytowego zapotrzebowania, czyli 1,1 GW z 6 GW szczytu w styczniu 2025 r. Ember prognozuje, że do 2030 r. udział wzrośnie do 24%, czyli 1,6 GW przy szczycie systemowym 6,5 GW.

Elastyczność jest skromna. Przesuwanie obciążeń mogłoby obniżyć irlandzki szczyt o około 100 MW do 2030 r., czyli o 1,5% prognozowanego szczytu. Szacowane cięcia w innych miejscach mieszczą się między 0,1% a 0,6%.

Różnicę tłumaczy struktura obciążeń. Trenowanie modeli można wstrzymać albo przenieść, czatu dla klientów nie. Usługi chmurowe, obciążenia korporacyjne i wnioskowanie AI wymagają niskich opóźnień, a Ember szacuje, że do 2030 r. będą stanowić około 87% globalnych mocy centrów danych. Przyjęte założenia dają trenowaniu AI 35% elastyczności, wnioskowaniu 5%, a obciążeniom tradycyjnym zero. Teoretycznie do przesunięcia nadaje się więc około 6,5% mocy. Przy średnim wykorzystaniu około 48% moc realnie dostępna w czasie przeciążenia sieci spada do około 3%.

Wytwarzanie na miejscu daje więcej ulgi

Ember porównała oba podejścia w dwóch dużych centrach danych w Teksasie. Razem mają prognozowane obciążenie 5,6 GW. Przesuwanie obciążeń mogłoby ściąć zapotrzebowanie sieci o około 0,55 GW w czasie przeciążenia, a wytwarzanie na miejscu lub magazynowanie energii nawet o 2,7 GW. Przypadek teksański leży poza Europą, ale dotyczy tej samej debaty regulacyjnej. To prawie pięć razy więcej ulgi niż przesuwanie obciążeń w przypadku teksańskim.

Czas tłumaczy, dlaczego pytanie jest aktualne. Duże centrum danych potrzebuje od 200 do 500 MW i powstaje w 18 do 24 miesięcy; rozbudowa sieci zajmuje od czterech do 10 lat.

Sieć zmienia się powoli

Regulatorzy już przeforsowali jedno rozwiązanie. Federalna Komisja Regulacji Energetyki (FERC) nakazała operatorom sieci otworzyć drogę do dodawania baterii przy istniejących elektrowniach w ramach zasad nadwyżkowej obsługi przyłączeniowej.

PJM pozostaje w tyle. Operator obsługuje 13 stanów, a jego sieć jest zatłoczona, zwłaszcza gdy centra danych proszą o więcej mocy. Teraz zgodziła się na proces z udziałem interesariuszy, a jej Komitet Wdrożeniowy Rynku ma zająć się kolejnymi krokami 4 listopada, podał Canary Media. PJM mogłaby wystąpić do FERC o zgodę już w kwietniu 2027 r.

Potok wniosków pokazuje apetyt. Do połowy 2026 r. śledzono około 44 GW historycznych wniosków o nadwyżkowe przyłączenie, z czego około 80% dotyczyło dodania baterii. MISO odpowiada za 14,8 GW w 138 aktywnych wnioskach, a SPP za 14,3 GW w 89.

Duzi odbiorcy zatrudniają ludzi do tej dyskusji. DataCenterDynamics podał 3 listopada, że AWS zatrudnił Roberta Fourqureana, byłego doradcę ambasady brytyjskiej ds. energii i polityki klimatycznej, na stanowisku menedżera ds. polityki energetycznej. AWS porozumiał się z American Electric Power w sprawie zbadania prawie 960 MW mocy małych reaktorów modułowych w Indianie. Podpisał też 20-letnią umowę zakupu energii z Constellation na 690 MW z Calvert Cliffs.

Komentarze 0

Źródła

28
  1. 01OpenAI introduces program to reduce AI data center energy demand during peak hoursEN
  2. 02Behind-the-meter generation could deliver five times more grid relief than data center load shiftingEN
  3. 03PJM desperately needs grid batteries. Here's a way it could get some.EN
  4. 04AWS appoints British Embassy advisor as manager of energy policyEN
  5. 05Battery Energy Storage System and Pumped Storage Projects Offer Solutions for Integrating Energy Grid: A Report - Jharkhand State NewsEN
  6. 0610 Top Custom Energy Management Development Companies to Know in 2026 - Robotics & Automation NewsEN
  7. 07Fintech platform Sageworks taken offline after suspected cyberattackEN
  8. 08DOE Announces $8.5M for Fusion Energy Public-Private PartnershipsEN
  9. 09More heat pumps would actually be good for the grid, researchers findEN
  10. 10Can battery swapping and energy storage power CATL’s next phase of growth?EN
  11. 11U.S. Department of Energy Has Critical Role in Power System Impacts from Wildfires - Department of Energy (.gov)EN
  12. 12Solar Photovoltaic System Cost Benchmarks - Department of Energy (.gov)EN
  13. 13Key takeaways from All Energy Australia 2026EN
  14. 14More of the Same Expensive Dependence on Fossil Fuels in TEP and APS 2026 Energy PlansEN
  15. 15On the pitch and on the grid, Ukraine is not waiting for the war to end and is asking the world to invest in itEN
  16. 16Bringing Design Data Management into the Developer WorkflowEN
  17. 17OpenAI deepens Abu Dhabi foothold as Sam Altman inks deals spanning energy, government and investmentEN
  18. 18Percepto launches Axion AI platform to unify inspection data analysisEN
  19. 19Electric Hydrofoils Save Energy, But Do They Earn Their Price?EN
  20. 205 ballot proposals that could drive or derail clean energyEN
  21. 21Eugene Becomes 5th Oregon City to Adopt Home Energy Score RequirementEN
  22. 22The Ford Escape may return as an EV based on the UEV platform [Update]EN
  23. 23Einstein's equations may explain the universe without dark energyEN
  24. 24How digital membership platforms help sports NGBs leave the spreadsheets behindEN
  25. 25Nov. 5: Satellite Mission Management at the EdgeEN
  26. 26Cloudflare’s Post-Quantum GeoKey Manager Enters Closed Beta without Attribute-Based EncryptionEN
  27. 27SoftBank teams up with five Japanese firms to build quantum-based platformEN
  28. 28As US grid batteries surge, risk of fires plummetsEN

Wszystkie liczby i cytaty w tym tekście pochodzą z poniższych źródeł. Nie dopisujemy danych, których w źródłach nie ma.

Materiały zostały przygotowane przez zespół redakcyjny wspierane przez AI.

Marta Zielińska

Marta Zielińska

AI, modele i technologie

Marta Zielińska pisze o technologiach, AI i modelach oraz mediach i internecie, opierając się na dokumentacji, preprintach i danych z API, a nie na zapowiedziach producentów. Przy każdej publikacji sprawdza karty modeli, parametry treningowe i benchmarki, a liczby porównuje z niezależnymi testami i wynikami z repozytoriów. Rozmawia z badaczami i inżynierami, czeka na kolejne wydania modeli i zestawia ich działanie z wcześniejszymi wersjami. Prywatnie drukuje w 3D, naprawia stare komputery i sprawdza, jak modele uczą się na śmieciach z internetu. Nie publikuje wyników, których nie może odtworzyć na własnym sprzęcie.

Redakcja →

Komentarze

0
  1. Brak komentarzy — bądź pierwszy.

Dodaj komentarz

Komentarze są widoczne publicznie. Nie publikujemy wulgaryzmów, spamu i treści reklamowych.