研究の概要

AIモデルの学習処理は、演算フェーズと通信（データ転送）フェーズが交互に発生するため、データセンターの電力需要が急激に変動する。この「ランプレート（電力変化速度）」が高すぎると、電力系統の安定性を脅かすだけでなく、データセンター自体の電力品質管理コストも増大する。本論文（arXiv, 2026年9月22日）は、こうした課題を電池エネルギー貯蔵システム（BESS）で解決する制御戦略を提案する。

提案するハイブリッド制御は二つの機能を組み合わせている。第一の「グリッドフォーミング・ドループ制御」は長期的な電力交換を管理し、第二の「負荷電流補償」は短時間の急激な電力変動をリアルタイムで抑制する。特筆すべきは、実際の制御システムでは避けられない「通信遅延」を明示的に考慮した点だ。多くの理論的制御設計では遅延を無視するが、本研究は予測補償（Predictor-based Compensation）を組み込むことで、遅延下でも制御性能が劣化しない設計を実現した。

電磁過渡シミュレーション（EMT）による検証では、様々な系統強度条件と時変通信遅延の下でAI学習負荷の変動を効果的に平滑化できることが確認された。

主な発見・成果

  • ハイブリッド制御の有効性: グリッドフォーミング制御と負荷電流補償の組み合わせにより、単体制御と比較して高周波数の電力変動を大幅に抑制
  • 通信遅延の明示的対処: 予測ベースの補償手法により、実際の制御システムで発生する通信遅延（数ms〜数十ms）下でも安定した動作を実現
  • 系統強度への適応性: 弱系統（系統インピーダンスが高い）と強系統の両方で有効に機能し、様々なデータセンター立地条件に対応
  • 実装可能性: 理論的な最適制御ではなく、実際のBESSシステムに組み込み可能な現実的な設計を採用

実務への応用

データセンター運営者・電力調達担当者にとって、本研究は「BESSをコスト削減ツールとして活用する」具体的な方向性を示している。AI学習クラスタの電力変動を平滑化することで、以下の実務的メリットが期待される。

第一に、電力会社との契約における「デマンドチャージ（最大需要電力に対する料金）」の削減。ピーク需要を30〜50%カットできれば、年間の電力コストに直接影響する。第二に、系統接続条件（Grid Code）への適合。欧州などでは変動速度に対する厳しい基準が設けられつつあり、BESSによる変動抑制がコンプライアンスに直結する。第三に、Scope 2排出量の管理。電力変動を抑制することで再生可能エネルギー電力の有効活用率が向上し、脱炭素目標の達成に貢献する。