パターンの一致性を保証したデータセンター用動的負荷モデルの模式適合定量化

arXiv:2602.07859v1 Announce Type: new 要旨：データセンターの急激な発展により、大型電子負荷（LEL）のモデル化は電力システム解析においてますます重要になっています。そのような負荷は、従来の負荷モデルでは捉えられない、ワークロード駆動による急速な変動性と、保護系駆動による接続と再接続の挙動を特徴としています。既存のデータセンター負荷モデルには、グリッドシミュレーションに対して解釈可能な構造を提供する物理に基づくアプローチと、データからの実証的なワークロード変動を捉えるデータ駆動アプローチが含まれています。しかし、物理ベースのモデルは一般的にファシリティレベルの操作に未適合化されており、データ駆動手法における軌道対齊は過剰適合と不自然な動的挙動を引き起こすことがよくあります。これらの限界を解決するために、本研究では物理ベースの構造とデータ駆動の適応性を両方活用するフレームワークを設計しました。物理ベースの構造は、実操作的データからデータ駆動の模式一致性適合（pattern-consistent calibration）を可能にし、ファシリティレベルのグリッド計画を支援するようにパラメータ化されました。さらに、我々は本質的に確率的なデータセンター負荷に対して、軌道レベルの対齐が限界であることを示しました。したがって、 temporal contrastive learning（TCL）を用いて、時間的パターンと統計的パターンを対齐させる適合を設計しました。この適合はファシリティレベルでローカルに実行され、のみ校准されたパラメータが電力会社と共有されることで、データプライバシーが保護されます。提案された負荷モデルは、MIT Supercloud、ASU Sol、Blue Waters、および ASHRAE データセットからの実際の運用負荷データによって適合化されました。その後、ANDES プラットフォームに統合され、IEEE 39 バス、NPCC 140 バス、および WECC 179 バスシステム上で評価されました。我々は、未適合化された負荷モデルでは捕捉されない、互いとの相互作用が障害後の復旧挙動を本質的に変えることを発見し、それを構成する断続・再接続ダイナミクスや遅れた安定化が生じることを確認しました。

arXiv:2602.07859v1 Announce Type: new Abstract: The rapid growth of data centers has made large electronic load (LEL) modeling increasingly important for power system analysis. Such loads are characterized by fast workload-driven variability and protection-driven disconnection and reconnection behavior that are not captured by conventional load models. Existing data center load modeling includes physics-based approaches, which provide interpretable structure for grid simulation, and data-driven approaches, which capture empirical workload variability from data. However, physics-based models are typically uncalibrated to facility-level operation, while trajectory alignment in data-driven methods often leads to overfitting and unrealistic dynamic behavior. To resolve these limitations, we design the framework to leverage both physics-based structure and data-driven adaptability. The physics-based structure is parameterized to enable data-driven pattern-consistent calibration from real operational data, supporting facility-level grid planning. We further show that trajectory-level alignment is limited for inherently stochastic data center loads. Therefore, we design the calibration to align temporal and statistical patterns using temporal contrastive learning (TCL). This calibration is performed locally at the facility, and only calibrated parameters are shared with utilities, preserving data privacy. The proposed load model is calibrated by real-world operational load data from the MIT Supercloud, ASU Sol, Blue Waters, and ASHRAE datasets. Then it is integrated into the ANDES platform and evaluated on the IEEE 39-bus, NPCC 140-bus, and WECC 179-bus systems. We find that interactions among LELs can fundamentally alter post-disturbance recovery behavior, producing compound disconnection-reconnection dynamics and delayed stabilization that are not captured by uncalibrated load models.