Czy centra danych AI mogą przyśpieszać zużycie turbin i generatorów?

W 50-megawatowej części centrum danych AI pobór mocy zmieniał się nawet z szybkością 1,9 wartości znamionowej na sekundę. Najbardziej gwałtowna faza trwała ok. 250 milisekund. Tego przypadku nie można traktować jak zasady dla wszystkich systemów, jednak tego typu dane pokazują, że energetyka musi patrzeć na AI szerzej niż przez pryzmat zużycia energii. Swoją niemałą rolę odgrywa również tempo zmiany poboru oraz rytm, w jakim pojawiają się kolejne skoki mocy.

Liczy się nie tylko ilość, ale także tempo

Duże zespoły procesorów graficznych mogą zmieniać zapotrzebowanie na moc znacznie szybciej niż typowy odbiorca przemysłowy. Co więcej, tysiące układów często wykonują te same zadania w podobnym czasie. Dlatego ich pobór może rosnąć lub spadać niemal jednocześnie.

To zmienia sposób, w jaki branża energetyczna powinna patrzeć na centra danych. Sama moc przyłączeniowa przestaje wystarczać do opisu takiego odbiorcy. Znaczenie ma także to, jak szybko obciążenie się zmienia i jak często takie zmiany się powtarzają.

NERC opisał ten problem w raporcie „Characteristics and Risks of Emerging Large Loads” z lipca 2025 r. Organizacja przeanalizowała pracę 50-megawatowej części większego, 200-megawatowego centrum danych AI. W najbardziej dynamicznym okresie pobór zmieniał się w tempie 1,9 wartości znamionowej na sekundę przez ok. 250 milisekund. Z kolei przejście między treningiem a zapisem stanu modelu mogło nastąpić w czasie krótszym niż sekunda.

Zapis stanu modelu pozwala zachować postęp treningu. Dzięki temu po awarii nie trzeba rozpoczynać całego procesu od nowa. Operator centrum danych na tym korzysta, ale trzeba też pamiętać o wpływie na profil poboru mocy.

Istotne jest to, jak w praktyce wygląda profil poboru mocy dużego klastra GPU podczas trenowania modeli AI lub innych intensywnych obliczeń. Należy zwrócić uwagę na tempo i skalę, w jakiej może się zmienić jego obciążenie.

O tym opowiedział nam Radosław Januszewski, Kierownik Działu Nowych Architektur HPC z Poznańskiego Centrum Superkomputerowo-Sieciowego (PCSS):

– Profil trochę zależy od tego do czego używamy kart GPU, dla zadań typu AI (wnioskowanie / trening) można użyć analogii do klastrów HPC. Można przyjąć, że w pełni dociążony (ale nie przeciążony, czyli nie ma długiej kolejki oczekujących) zużywa w przybliżeniu 70 proc. maksymalnej mocy, którą teoretycznie może klaster pobrać (np. w trakcie testów obciążeniowych).

Dla wnioskowania (czyli obsługa chatów, agentów, itp) obciążenie rozkłada się dość równomiernie i nie ma dużych skoków, bo są tysiące/miliony małych zadań, z których każde angażuje niewielką cześć klastra. Rozłożenie obciążenia zależy od tego czy obsługiwane są chaty (wtedy to jest podobne do aktywności ludzi – w nocy mniej, w dzień są szczyty zainteresowania itp.) czy zastosowania agentowe, gdzie jest to bardziej równomierne obciążenie.

Dla treningu wygląda to inaczej – tam setki/tysiące kart obsługują jeden proces treningu i skoki obciążenia są bardzo duże. Serwer po prostu włączony zużywa w przybliżeniu 20 proc. (lub mniej) prądu, w trakcie treningu może to dochodzić np. do 90 proc. maksymalnego poboru. Co gorsza – taki skok to sekundy. Dlatego właśnie energetyka nie lubi AI.

Co się dzieje, gdy tysiące procesorów pracują w jednym rytmie?

Tradycyjne centrum danych obsługuje zwykle wiele różnych zadań jednocześnie. Część serwerów zwiększa pobór, natomiast inne w tym samym czasie go ograniczają. W efekcie zmiany mogą się częściowo wyrównywać.

W dużym klastrze AI sytuacja może wyglądać inaczej. Jedno zadanie treningowe angażuje bowiem ogromną liczbę procesorów lub akceleratorów. Wiele z nich przechodzi między kolejnymi etapami pracy niemal jednocześnie.

Houle Gan i Parthasarathy Ranganathan opisali to zjawisko 11 lutego 2025 r. na blogu Google Cloud. Autorzy wskazali, że współczesne zadania uczenia maszynowego mogą angażować dziesiątki tysięcy akceleratorów. Zmiany poboru pojawiają się podczas uruchomiania i zatrzymywania zadań, ale także w trakcie samego treningu.

Powodem jest to, że intensywne obliczenia przeplatają się z wymianą danych między urządzeniami. Jeżeli tysiące układów wykonują te same operacje w podobnym momencie, ich zapotrzebowanie na moc również może zmieniać się wspólnie. Wiedza o tym, ile wynosi moc maksymalna to jedno, ale równie ważna jest także wielkość pojedynczego skoku, czas jego trwania oraz częstotliwość powtarzania.

Jak zmiana poboru może oddziaływać na generator?

Generator synchroniczny współpracuje z turbiną poprzez układ wałów i sprzęgieł. Poszczególne elementy wirują razem, lecz nie tworzą idealnie sztywnej konstrukcji.

Turbina dostarcza moment mechaniczny, natomiast generator wytwarza moment elektromagnetyczny. Gdy warunki elektryczne w sieci się zmieniają, zmienia się również oddziaływanie elektromagnetyczne na wirnik.

Jak można zauważyć, zjawisko zaczynające się po stronie odbiorcy może wywołać reakcję mechaniczną po stronie wytwórcy. Nie dzieje się tak w każdych warunkach, ale sam mechanizm został już zaobserwowany przez elektroenergetykę.

Wał można porównać do bardzo sztywnej sprężyny. Jego poszczególne części mogą nieznacznie skręcać się względem siebie. Układ ma przy tym własne częstotliwości drgań.

Jeśli zewnętrzne wymuszenie pojawia się w niekorzystnym tempie, może wzmacniać te drgania. Właśnie dlatego znaczenie ma nie tylko wielkość zmiany mocy, ale również jej częstotliwość.

Największy skok nie zawsze jest najgroźniejszy

Pojedyncza, duża zmiana poboru nie musi oznaczać największego ryzyka. Znacznie ważniejsze może być mniejsze zaburzenie, które powtarza się długo i regularnie.

NERC zwraca uwagę na wymuszenia zbliżone do częstotliwości drgań własnych maszyn. W takich warunkach odpowiedź mechaniczna może być silniejsza. Organizacja opisała w lipcu 2025 r. również możliwość występowania trwałych pulsacji momentu skrętnego. Jeżeli takie zjawisko utrzymuje się odpowiednio długo, może zwiększyć liczbę cykli naprężeń mechanicznych. To z kolei ma znaczenie dla zmęczenia materiału.

Nie każdy dynamiczny profil centrum danych skraca życie turbiny. Skutek zależy od wielu parametrów. Liczą się m.in. konstrukcja wału, tłumienie drgań, miejsca przyłączenia odbiorcy oraz charakter sieci. Dlatego nie da się wskazać jednej wartości mocy, po której przekroczeniu pojawia się problem. Potrzebna jest analiza konkretnego układu.

EPRI bada wpływ centrów danych na maszyny wirujące

Obecnie EPRI prowadzi badania dot. właśnie takich oddziaływań i publikuje pierwsze metody ich oceny. W ramach programu DCFlex instytut analizuje wpływ oscylacyjnego poboru centrów danych na maszyny synchroniczne. Badacze sprawdzają m.in. czy zmienne obciążenie może pobudzać drgania skrętne zespołów turbin i generatorów. EPRI analizuje także możliwość wzrostu naprężeń oraz szybszego zmęczenia mechanicznego.

Gdyby tego było mało, instytut pracuje też nad metodą wstępnej oceny ryzyka. Ma ona pomóc określić, kiedy wystarczy standardowa analiza przyłączeniowa. W bardziej wymagających przypadkach operator może potrzebować dokładniejszych badań dynamicznych.

Dotychczas operator pytał przede wszystkim o to, czy sieć może dostarczyć określoną moc. Teraz musi również wiedzieć, jak szybko odbiorca będzie tę moc zwiększał i zmniejszał.

Problem można ograniczać już wewnątrz centrum danych

Operator centrum danych może ograniczać gwałtowne zmiany poboru jeszcze przed punktem przyłączenia. Pomagają w tym zarówno układy zasilania, jak i sterowanie pracą urządzeń obliczeniowych.

Google opisał takie podejście w swojej infrastrukturze TPU. Wg autorów odpowiednie rozłożenie aktywności układów w czasie ograniczyło wielkość wahań niemal o połowę.

– Najważniejszym czynnikiem zmniejszającym pobór (ale nie skoki) to zastosowanie chłodzenia wodnego – redukuje to całkowity koszt energii o 30-40 proc. w stosunku do tradycyjnego chłodzenia powietrzem. Próby wygładzania skoków można robić tylko w pewnym stopniu np. poprzez stopniowe uruchamianie nieaktywnych wcześniej serwerów (u nas to 200 na minutę) albo stopniowe uruchamianie zadań. Jeśli jest duże zadanie treningowe, które wymaga np. całego klastra, to nic nie jest się w stanie zrobić – po prostu musi się uruchomić jednoczenie. Ogólnie sprowadza się to trochę do odpowiedniego zarządzania ile i jakiego typu obliczeń uruchamiamy, ale to czasem nie jest po prostu możliwe – jeśli są usługi interaktywne, to nikt nie chce czekać kilka minut na odpowiedź chata, bo właśnie optymalizujemy skoki poboru mocy. – wyjaśnia Radosław Januszewski.

Między procesorem a siecią pracuje wiele urządzeń

Procesor graficzny nie jest połączony bezpośrednio z siecią elektroenergetyczną. Między nim a punktem przyłączenia działa wiele elementów infrastruktury. Należą do nich zasilacze, przekształtniki, transformatory oraz systemy zasilania bezprzerwowego. Coraz częściej pojawiają się również magazyny energii.

Każdy z tych elementów może wpływać na to, jak dynamiczny pobór GPU wygląda z punktu widzenia operatora sieci. Odpowiednio sterowany magazyn może na przykład przejąć część krótkiego skoku mocy.

Odpowiednio zaprojektowany oraz sterowany system UPS lub magazyn energii także może pełnić rolę bufora. W takim przypadku serwery przez chwilę zwiększają zapotrzebowanie, ale sieć nie musi od razu pokrywać całej różnicy.

Znaczenie ma również sposób sterowania przekształtnikami. Mogą one ograniczać szybkość zmian mocy widzianych w punkcie przyłączenia. Jednak wymaga to odpowiedniego doboru parametrów i koordynacji poszczególnych urządzeń. Sama obecność energoelektroniki nie rozwiązuje więc problemu automatycznie. Układy sterowania również mogą wchodzić w niepożądane interakcje z siecią.

Z tego właśnie powodu analiza powinna obejmować cały obiekt. Sam profil poboru procesów nie wystarcza do określenia rzeczywistego wpływu centrum danych na system elektroenergetyczny.

Czy elektrownie wodne też mogą być podatne na takie zjawiska?

Badacze z Pacific Northwest National Laboratory sprawdzają podobne mechanizmy również w innych typach jednostek wytwórczych. W analizie „Assesing Risk of Hydro-Generator Shaft Fatique from Data Center Load Oscillations” z 15 lipca 2026 r. czytamy o modelowaniu wpływu długotrwałych oscylacji obciążenia centrum danych AI na wał hydrogeneratora.

Badanie pokazało, że odpowiedź układu zależy od konstrukcji konkretnej maszyny. Znaczenie mają m.in. bezwładność turbiny i generatora oraz poziom tłumienia drgań.

Ta sama zmiana poboru może więc oddziaływać inaczej na różne jednostki. Maszyna o jednej charakterystyce może słabo reagować na dane wymuszenie. Natomiast inna może być bardziej podatna na drgania przy tej samej częstotliwości.

Nie można zatem wskazać jednej uniwersalnej granicy bezpieczeństwa dla wszystkich hydrogeneratorów. Trzeba uwzględnić zarówno parametry jednostki, jak i charakter zmian obciążenia. Jednak autorzy przytoczonej analizy nie dowodzą, że centra danych powodują uszkodzenia hydrogeneratorów. Jest to analiza modelowa, która pokazuje potencjalny mechanizm oraz wskazuje obszary, które wymagają dalszych badań.

Sama moc szczytowa to za mało

Moc maksymalna nie wystarcza do opisu wpływu dużego centrum AI na system. Potrzebne są również dane o mocy średniej, stopniu wykorzystania oraz tempie zmian obciążenia.

Istotne natomiast pozostają takie czynniki jak amplituda i częstotliwość krótkotrwałych skoków. Dzięki tym parametrom operator może oceniać nie tylko wielkość odbiorcy, lecz także jego zachowanie w danym przedziale czasowym.

W kontekście parametrów, które najlepiej opisują wpływ infrastruktury AI/HPC na system zasilania, Radosław Januszewski dodaje:

– Obecnie doszliśmy do sytuacji, w której wielość infrastruktury obliczeniowej nie mierzy się wydajnością tylko maksymalnym zużyciem prądu. Dla obecnych generacji takim referencyjnym rozwiązaniem jest 1 szafa z 72kartami GPU (np. Nvidia NVL72 GB300), która w pełni wykorzystana, zużywa 130-150kW. Dla następnej generacji kart prawdopodobnie będzie to 150-200kW/szafę. Dla dużych instalacji (przykładowo planowane przez EU AI gigafactory to 100000 kart GPU) trzeba się liczyć z realnym poborem na poziomie 300 MW, co jest już sporym wyzwaniem dla energetyki – to jest pojedynczy blok elektrowni.

Dodatkowo pamiętać należy, że (ze względów bezpieczeństwa) często zasilanie doprowadzone jest z 2 źródeł, czyli dla 300MW realnego poboru mocy trzeba zapewnić niemal gigawat mocy przyłączeniowej, bo serwerownia musi być gotowa na obsługę skoków obciążenia (np. do 400MW szczytowego vs średni pobór na poziomie 300MW). Największe centra danych dla AI to nawet 3x lub więcej (ponad 1 GW) – stąd problemy ze znalezieniem źródła zasilania (i chłodzenia) dla takich obiektów.

Przyłączenie centrum może wymagać nowych danych

Rozwój dużych klastrów AI może zmienić sposób oceny nowych przyłączeń. Operatorowi nie zawsze wystarczy deklarowana moc maksymalna oraz przewidywane roczne zużycie.

Potrzebne mogą być także informacje o tempie zmian poboru. Ważne będą także charakterystyczne cykle pracy oraz zachowanie obiektu przy uruchamianiu dużych zadań. Dopiero taki zestaw danych daje pełniejszy obraz odbiorcy. Centrum danych o mocy 300 MW może bowiem zachowywać się spokojnie przez większość czasu, lecz inny obiekt o tej samej mocy będzie generował częstsze i gwałtowniejsze zmiany.

Pozwala to operatorowi na sprawdzenie zawczasu wpływu inwestycji na sieć oraz pobliskie jednostki wytwórcze. Może również ustalić, czy potrzebne będą dodatkowe środki techniczne. Propozycją może być choćby ograniczenie dopuszczalnego tempa zmiany poboru. Albo wymóg zastosowania lokalnego magazynu energii lub odpowiedniego sterowania obciążaniem.

Wymagania mogą znaleźć się w warunkach przyłączenia. Zwłaszcza tam, gdzie duży odbiorca będzie zlokalizowany w pobliżu jednostek podatnych na określone rodzaje drgań. Wprawdzie inwestor będzie miał wtedy więcej danych do przygotowania, ale za to pojawi się dla niego szansa na uzyskanie przewagi. Centrum danych, które potrafi ograniczać gwałtowne zmiany poboru może się okazać po prostu łatwiejsze do przyłączenia.

AI może stać się bardziej elastycznym odbiorcą

Centra danych mają jedną cechę, której nie ma wiele zakładów przemysłowych. Mianowicie chodzi o to, że część obliczeń można przesunąć w czasie.

Niektóre zadania można uruchomić później. Inne można przenieść do innego ośrodka lub czasowo ograniczyć ich moc. To daje operatorowi centrum danych możliwość reagowania na warunki panujące w sieci. Nie każda operacja obliczeniowa wymaga bowiem wykonania dokładnie w tej samej sekundzie.

System zarządzania może również skoordynować pracę serwerów z magazynem energii. Dzięki temu centrum danych może zmniejszać swój wpływ na sieć. Możliwe jest także rozłożenie uruchamiania kolejnych zadań w czasie. Wtedy tysiące procesorów nie zwiększają poboru jednocześnie, a zmiana, którą widzi system staje się łagodniejsza.

AI może się zatem stać elastycznym odbiorcą, a ta elastyczność w przyszłości stanie się być może wartością dla samego systemu elektroenergetycznego. Centrum danych mogłoby ograniczać pobór w trudnym momencie albo przesuwać część zadań na okres większej dostępności energii.

Nie oznacza to jednak, że każdy klaster AI automatycznie stanie się zasobem wspierającym sieć. Potrzebne są odpowiednie systemy sterowania, zachęty ekonomiczne oraz uzgodnienia z operatorem.

I choć istnieją badania pokazujące mechanizm, którego nie można lekceważyć, to jednak obecnie nie ma podstaw, by twierdzić, że centra danych AI powszechnie i zawsze skracają żywotność turbin czy generatorów. Energetyka sztucznej inteligencji nie zamyka się jedynie w liczbie megawatogodzin. Coraz większe znaczenie ma to, jak szybko i często zmienia się pobór.

SPRAWDŹ TAKŻE inne wpisy dot. relacji AI z energetyką: Powiązanie sztucznej inteligencji z magazynowaniem energii kluczem do transformacji energetycznej?

---

Michał Krajniak

Dziennikarz analityczny, który patrzy na energetykę przez pryzmat polityki i gospodarki. Opisuje wyzwania sektora oraz przygląda się postępującym trendom rynkowym.