مقاله ادغام مراکز داده هوش مصنوعی در مقیاس گیگاوات در شبکه با رویکرد اتصال و مدیریت.
,

مقاله ادغام مراکز داده هوش مصنوعی در مقیاس گیگاوات در شبکه با رویکرد اتصال و مدیریت.

تومان249,950

رویکردهای نوظهور اتصال و مدیریت، مراکز داده هوش مصنوعی (AIDCs) در مقیاس گیگاوات را قادر می‌سازد تا بدون ارتقاء قبلی شبکه، به شبکه انتقال متصل شوند، اما این اتصال با هزینه کاهش توان در زمان واقعی در زم…

انتخاب پلن

torobpay
هر قسط با ترب‌پی: تومان62,488
۴ قسط ماهانه. بدون سود، چک و ضامن.
شناسه محصول: SuperPaper-0000000265 دسته: ,

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

ادغام مراکز داده هوش مصنوعی در مقیاس گیگاوات در شبکه با رویکرد اتصال و مدیریت.

Grid Integration of Gigawatt-Scale AI Data Centers under Connect-and-Manage

نویسندگان: Xin Lu, Qianwen Xu

شناسه منبع: arxiv / 2605.14109v1

دسته: eess.SY

چکیده (فارسی)

رویکردهای نوظهور اتصال و مدیریت، مراکز داده هوش مصنوعی (AIDCs) در مقیاس گیگاوات را قادر می‌سازد تا بدون ارتقاء قبلی شبکه، به شبکه انتقال متصل شوند، اما این اتصال با هزینه کاهش توان در زمان واقعی در زمان فشار بر شبکه همراه است. این مقاله، هماهنگی حاصل بین AIDC و اپراتور سیستم انتقال (TSO) را به صورت یک پروتکل ترتیبی درخواست-پذیرش با یک متغیر صریح کاهش توان و یک مرز اطلاعاتی مشخص بین این دو طرف، رسمی‌سازی می‌کند. مدل‌های فیزیکی در هر دو سوی نقطه اتصال مشترک توسعه یافته‌اند: AIDC به زیرکلاس‌های آموزش پیشرو، آموزش دسته‌ای و ارائه استنتاج تقسیم می‌شود که از ذخیره‌سازی انرژی باتری در محل استفاده می‌کنند و انعطاف‌پذیری زمانی متمایز را به تصویر می‌کشند؛ شبکه انتقال از طریق جریان توان DC با محدودیت‌های ژنراتور و عدم قطعیت تقاضای محدود به بودجه مدل‌سازی می‌شود. از آنجایی که نگاشت پذیرش TSO برای AIDC شفاف نیست، یک معماری سلسله مراتبی سه لایه تدوین شده است که در آن یک لایه برنامه‌ریزی مبتنی بر یادگیری درخواست‌های توان را تولید می‌کند، TSO هر درخواست را از طریق یک مکانیزم پذیرش قوی ارزیابی می‌کند، و یک بهینه‌ساز اجرای تک مرحله‌ای، امکان‌پذیری داخلی را تحت بودجه توان واقعی اعمال می‌کند. مطالعات موردی با یک AIDC در مقیاس گیگاوات بر روی سیستم ۳۹ باس IEEE با داده‌های بازار استرالیا نشان می‌دهد که این چارچوب، کاهش توان را از ۹.۱٪ به ۲.۸٪ کاهش می‌دهد و در عین حال ۹۸.۱٪ از بار کاری آموزش پیشرو را حفظ می‌کند، آموزش دسته‌ای به عنوان منبع اصلی انعطاف‌پذیر در برابر شبکه با بیشترین نوسان توان در زمان اوج تقاضا عمل می‌کند، و باتری در محل از طریق تخلیه فعال و تعویق شارژ، بافر کاهش توان را فراهم می‌کند.

Abstract (English)

Emerging connect-and-manage interconnection practices allow gigawatt-scale artificial intelligence data centers (AIDCs) to connect to the transmission network without prior network upgrades, at the cost of real-time curtailment during grid stress. This paper formalizes the resulting AIDC-transmission system operator (TSO) coordination as a sequential request-acceptance protocol with an explicit curtailment variable and a strict information boundary between the two parties. Physical models are developed on both sides of the point of common coupling: the AIDC is decomposed into frontier training, batch training, and inference serving subclasses sharing on-site battery energy storage, capturing differentiated temporal flexibility; the transmission network is modeled via DC power flow with generator constraints and budget-constrained demand uncertainty. Because the TSO's acceptance mapping is opaque to the AIDC, a three-layer hierarchical architecture is formulated in which a learning-based planning layer generates power requests, the TSO evaluates each request through a robust acceptance mechanism, and a single-step execution optimizer enforces internal feasibility under the realized power budget. Case studies with a gigawatt-scale AIDC on the IEEE 39-bus system with Australian market data show that the framework reduces curtailment from 9.1% to 2.8% while preserving 98.1% frontier training workload, that batch training acts as the primary grid-elastic resource with the largest throughput swing during peak demand, and that the on-site battery provides curtailment buffering through active discharge and charge deferral.

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “مقاله ادغام مراکز داده هوش مصنوعی در مقیاس گیگاوات در شبکه با رویکرد اتصال و مدیریت.”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

محصولات مشابه

پیمایش به بالا