研究の概要

大規模AIデータセンターの急増は、電力系統に大容量・集中・変動の大きな負荷を与えている。本研究は逆の視点に立ち、「AIデータセンターの負荷変動を系統安定化のリソースとして積極的に活用できないか」という問いに答えた論文。TILS（Training-Induced Load Surge：学習誘起負荷増加）と呼ぶ戦略を提案し、系統事故後に一時停止していた柔軟な学習ワークロードを再開させることで有効電力需要を増加させ、脱調寸前の発電機の加速エネルギーを吸収するという逆転の発想を実証。

主な発見・成果

  • SMIB（単機無限大母線）系統での理論解析から始まり、IEEE 39母線系統と大規模韓国電力系統の3システムで評価
  • いずれの系統でも、TILS適用により過渡安定度制約下の発電容量上限（TSCGL）が増加することを確認
  • 高速なDL学習ワークロード（GPU演算）の起動・停止は秒単位の応答が可能であり、従来の電力調整手段（揚水・火力の出力変更）より応答速度が速い可能性がある
  • 特に送電制約下の電力系統（変電所容量が限界近い地域）で効果が大きい

実務への応用

  • データセンター事業者が「調整力提供」として系統運用者（一般送配電事業者）にTILS相当の能力を売電できるビジネスモデルの設計が射程に入る
  • 電力系統安定化のためにDR（デマンドレスポンス）を活用している電力会社は、AIデータセンターを「超高速フレキシブル負荷」として組み込む仕組みを検討できる
  • 日本でも2025年以降に大規模AIデータセンターの連系要請が急増しており、系統側からも「負荷として安定化に貢献できるか」の評価が求められる