Электромагнитное моделирование нагрузок майнинга криптовалют для оценки способности работы при пониженном напряжении в энергосистемах

1. Введение

Быстрый рост возобновляемой энергетики, особенно в сетях, подобных ERCOT в Техасе, сопровождается появлением крупных энергоемких нагрузок, таких как майнинговые фермы криптовалют. Эти объекты, часто потребляющие 75 МВт и более на один участок, представляют собой новый класс участников энергосистемы. В отличие от традиционных промышленных нагрузок, майнеры питаются через силовые электронные преобразователи, что классифицирует их как ресурсы на основе инверторов (Inverter-Based Resources, IBR). Данная работа восполняет критический пробел: отсутствие детальных моделей электромагнитных переходных процессов (EMT) для понимания того, как эти массивные нелинейные нагрузки взаимодействуют с сетью во время возмущений, с особым фокусом на их способность работы при пониженном напряжении (Low Voltage Ride Through, LVRT) — ключевом требовании для устойчивости сети.

2. Методология и разработка модели

Основу данного исследования составляет разработка масштабируемой EMT-модели для нагрузок майнинга криптовалют, созданной с использованием программного обеспечения для моделирования электромагнитных переходных процессов (EMTP).

2.1 Архитектура EMT-модели

Модель воспроизводит поведение коммерческих специализированных интегральных схем (ASIC) для майнинга, используемых в крупномасштабных операциях. Она учитывает преобразовательный входной каскад, динамику вычислительной нагрузки и логику управления, определяющую реакцию майнера на колебания сетевого напряжения. Модель является модульной, что позволяет агрегировать множество майнеров для представления полномасштабного объекта, и дает возможность изучать влияние сотен МВт такой нагрузки на динамику передачи.

2.2 Характеристика и валидация нагрузки

Рабочие характеристики модели были перекрестно проверены на физических ASIC-майнерах. Совпадающие ключевые характеристики включают:

• Установившийся режим: Высокий коэффициент мощности (~0.995, опережающий).
• Переходный/пусковой режим: Нелинейное потребление тока и гармонические искажения, наблюдаемые в лабораторных испытаниях и натурных измерениях на промышленных объектах.
• Порог LVRT: Точка, в которой силовая электроника майнера прекращает работу из-за низкого входного напряжения.

3. Оценка способности работы при пониженном напряжении (LVRT)

Способность LVRT — оставаться подключенным во время провалов напряжения — критически важна для IBR для предотвращения каскадных отказов. Хотя это стандарт для генераторов, для крупных нагрузок на основе IBR, таких как майнеры, он не является обязательным, что создает уязвимость.

3.1 Тестовые сценарии и анализ отказов

Валидированная модель была подвергнута различным сценариям отказов:

• Локальные отказы: Отказы в собственной электрической инфраструктуре майнингового объекта.
• Удаленные сетевые отказы: Отказы на удаленных шинах в объединенной сети передачи, проверяющие реакцию нагрузки на просадки напряжения, распространяющиеся по сети.

3.2 Метрики производительности и результаты

Исследование количественно оценило способность LVRT майнинговой нагрузки, определив границу профиля «напряжение-время», в пределах которой нагрузка остается в работе. Результаты, вероятно, показывают, что хотя у майнеров могут быть надежные внутренние источники питания, их сетевые преобразователи имеют определенные настройки защиты от пониженного напряжения (UVLO). Внезапная потеря сотен МВт нагрузки из-за одновременного срабатывания UVLO на всей майнинговой ферме может создать значительный дисбаланс «нагрузка-генерация» в положительную сторону, потенциально приводя к скачкам частоты и дальнейшей нестабильности — отражая проблемы, наблюдаемые с генерацией на основе IBR.

4. Технический анализ и выводы

4.1 Ключевой вывод

Нагрузки майнинга криптовалют — это не просто крупные потребители; они являются сетеобразующими факторами с дестабилизирующим потенциалом. Их природа IBR означает, что они не обеспечивают присущей инерции или тока короткого замыкания, как синхронные машины. Событие отключения в Техасе в октябре 2022 года, когда просадка напряжения вызвала отключение 400 МВт, включая майнеры, не было аномалией — это был стресс-тест, который не прошли текущие сетевые модели. EMT-модель, представленная в данной работе, является первым важнейшим инструментом для прогнозирования следующего подобного события.

4.2 Логическая последовательность

Логика исследования безупречна: 1) Выявление нового, плохо изученного элемента сети (крипто-нагрузки) с подтвержденной историей инцидентов. 2) Отказ от упрощенных статических моделей; построение динамической EMT-модели, учитывающей быструю коммутацию силовой электроники. 3) Валидация на реальном оборудовании — без «черных ящиков». 4) Стресс-тестирование в реалистичных условиях сетевых отказов. 5) Вывод о том, что масштабируемость и интеграция в общесистемные исследования не просто полезны, но необходимы для надежности. Движение от явления к высокоточной симуляции и далее к практическим выводам для планирования сети.

4.3 Сильные стороны и недостатки

Сильные стороны: Масштабируемость модели и основа на EMTP — ее ключевые преимущества. Она напрямую интегрируется в инструментарий, используемый планировщиками сетей передачи. Фокус на LVRT решает наиболее актуальную угрозу. Валидация на реальных майнерах добавляет неоспоримую достоверность.

Недостатки: В работе упоминается, но не полностью исследуется уровень управления. Майнеры могут отключаться за миллисекунды на основе алгоритмов рентабельности, независимо от напряжения. Это «экономическое отключение» может быть более разрушительным, чем технический отказ LVRT. Модель также требует расширения для учета гармонического взаимодействия и рисков субсинхронных колебаний — известных проблем при высокой доле IBR, задокументированных NERC и IEEE Power & Energy Society.

4.4 Практические рекомендации

Для сетевых операторов (таких как ERCOT): Ввести обязательные требования LVRT для крупных нагрузок на основе IBR, а не только для генераторов. Использовать эту модель для проведения обязательных исследований присоединения для всех заявок на майнинговые объекты. Для майнинговых компаний: Инвестировать в системы управления преобразователями, поддерживающие сеть (например, динамическая поддержка напряжения, кратковременное прекращение работы), как в стоимость ведения бизнеса — это дешевле, чем быть обвиненным в отключении. Для исследователей: Интегрировать эту модель нагрузки с комплексными системными моделями для изучения совокупной нестабильности при высокой доле ВИЭ и высоких крипто-нагрузках. Следующий шаг — моделирование программно-управляемого отклика всего парка, где и кроется реальный системный риск.

5. Оригинальный анализ: Новейший враг или союзник сети?

Данное исследование Саманты и др. является своевременным и критически важным вкладом в энергосистемы, которые сталкиваются с двойными вызовами декарбонизации и цифровизации. В работе верно идентифицируются нагрузки майнинга криптовалют как элемент сети, меняющий парадигму. Их высокая удельная мощность, географическая гибкость и архитектура на основе IBR делают их принципиально отличными от традиционных промышленных нагрузок. Разработка масштабируемой EMT-модели является значительным техническим вкладом, заполняющим пробел, который не могут заполнить статические или агрегированные модели нагрузок. Как подчеркивает «Инициатива модернизации сети» Министерства энергетики США, понимание динамического поведения новых нагрузок необходимо для устойчивой сети.

Фокус исследования на LVRT уместен, учитывая исторический прецедент. Отключение в Южной Австралии в 2016 году, подробно проанализированное Австралийским оператором энергорынка (AEMO), было спровоцировано настройками защиты ветряных электростанций, которые привели к каскадным отключениям во время просадок напряжения. Параллель с нагрузками майнинга криптовалют очевидна. Модель, представленная в данной работе, позволяет планировщикам проводить аналогичный превентивный анализ. Однако модель в первую очередь рассматривает «аппаратный» отклик. Большая неопределенность, как видно из исследований по управлению спросом в ЦОДах, заключается в «программном» или экономическом отклике. Работа майнера управляется функцией прибыльности $\Pi = R(\text{цена монеты}) - C(\text{цена электроэнергии})$. Внезапный скачок цены на электроэнергию во время аварии в сети может вызвать скоординированное отключение быстрее, чем любая просадка напряжения — поведение, не отраженное в данной EMT-модели, но критически важное для полной картины.

Кроме того, контекст работы в сети ERCOT в Техасе показателен. Рынок только энергии в ERCOT и высокая доля ВИЭ создают идеальную лабораторию для таких исследований. Работа подчеркивает более широкую тенденцию: конвергенцию кибернетического, физического и экономического уровней в энергосистемах. Будущие модели должны эволюционировать в платформы совместного моделирования, интегрирующие EMT-динамику (как эта модель), задержки в сетях связи и агентные экономические алгоритмы. Только тогда мы сможем оценить, являются ли эти массивные, гибкие нагрузки стабилизатором сети — способным обеспечить быстрое управление спросом — или скрытым источником нестабильности. Данная работа обеспечивает необходимую основу для физического уровня, на которой должно строиться это более сложное моделирование.

6. Технические детали и математическая формулировка

EMT-модель учитывает динамику коммутации входного AC/DC преобразователя ASIC-майнера. Упрощенное представление управления преобразователем для поддержания напряжения шины постоянного тока ($V_{dc}$) может быть выражено с помощью стандартного пропорционально-интегрального (PI) регулятора в системе координат $dq$:

$\begin{aligned} i_{d}^{ref} &= K_{p}(V_{dc}^{ref} - V_{dc}) + K_{i} \int (V_{dc}^{ref} - V_{dc}) dt \\ i_{q}^{ref} &= 0 \quad \text{(для управления с единичным коэффициентом мощности)} \end{aligned}$

Где $i_{d}^{ref}$ и $i_{q}^{ref}$ — задающие токи для внутреннего контура управления током. Поведение LVRT моделируется логикой защиты от пониженного напряжения, которая отключает импульсы преобразователя, когда измеренное действующее напряжение $V_{rms}$ падает ниже порога $V_{th}$ на время $t > t_{delay}$:

$\text{Сигнал отключения UVLO} = \begin{cases} 1 & \text{если } V_{rms} < V_{th} \text{ для } t \ge t_{delay} \\ 0 & \text{иначе} \end{cases}$

Динамика нагрузки вычислительных блоков ASIC представлена как нагрузка постоянной мощности ($P_{load}$) на шине постоянного тока, потребляющая ток $I_{dc} = P_{load} / V_{dc}$.

7. Экспериментальные результаты и описание графиков

Хотя предоставленный фрагмент PDF не показывает конкретные графики результатов, он описывает ключевые экспериментальные итоги:

• Рисунок 1 (упомянутый): Вероятно, фотография или схема майнингового объекта «Riot Platforms, Inc.» в Рокдейле, Техас, с выделением выделенной подстанции на 750 МВт, визуально подчеркивающая масштаб необходимого сетевого присоединения.
• Рисунок 2 (упомянутый): Описан как результаты лабораторных испытаний, показывающие формы напряжения и тока от физического майнера (например, S9 AntMiner). Ключевой вывод заключается в том, что, хотя напряжение питания остается синусоидальным (подключено к идеальному источнику), форма тока демонстрирует значительные искажения во время пускового переходного процесса. Этот нелинейный, богатый гармониками пусковой ток — критическая деталь, учитываемая EMT-моделью, но часто упускаемая статическими моделями.
• Кривая способности LVRT: Основным экспериментальным результатом, вероятно, является график зависимости напряжения (о.е.) от времени (секунды), определяющий границу способности майнинговой нагрузки к работе при просадках. Он показал бы, что для отказов, вызывающих просадки напряжения глубже определенной кривой (например, ниже 0.7 о.е. более 0.5 секунд), смоделированная майнинговая нагрузка отключается, имитируя срабатывание UVLO. Сравнение с требованиями LVRT для генераторов (например, ERCOT) визуально подчеркнуло бы разрыв в соответствии.

8. Структура анализа: Пример использования без кода

Сценарий: Планировщик сетей передачи в ERCOT оценивает присоединение новой майнинговой фермы криптовалют мощностью 300 МВт к шине 138 кВ, к которой также подключена ветряная электростанция мощностью 200 МВт.

Применение структуры:

1. Интеграция модели: Планировщик использует масштабируемую EMT-модель из данной работы для создания агрегированной модели майнинговой нагрузки на 300 МВт. Она интегрируется в более крупную EMT-модель региональной сети, включая детальные модели ветряной электростанции (с ее собственным управлением LVRT) и синхронных генераторов.
2. Определение аварийной ситуации: Определяется тяжелая аварийная ситуация: трехфазное короткое замыкание на близлежащей линии передачи, отключаемое выключателями за 5 периодов (0.083 секунды).
3. Моделирование и анализ: Запускается EMT-моделирование.
   • Наблюдение А: Короткое замыкание вызывает просадку напряжения до 0.45 о.е. на шине присоединения на 0.1 секунды.
   • Наблюдение Б: Ветряная электростанция, соответствующая стандартам LVRT, остается подключенной и пытается поддержать напряжение.
   • Наблюдение В: Модель майнинговой нагрузки, основанная на типичных настройках UVLO, отключается через 0.08 секунды из-за низкого напряжения.
4. Оценка воздействия: Внезапная потеря 300 МВт нагрузки вызывает резкий рост частоты в системе (например, скачок на 0.3 Гц). Эта повышенная частота может вызвать срабатывание других систем управления генераторами или, в худшем случае, привести к отключению ветряной электростанции по защите от повышенной частоты, что вызовет каскадное отключение.
5. Рекомендация: Планировщик рекомендует, чтобы соглашение о присоединении майнингового объекта было условным и требовало модификации систем управления их преобразователями для соответствия определенному профилю LVRT (например, оставаться подключенным при напряжениях до 0.2 о.е. в течение до 0.15 секунд), после чего системная модель повторно запускается для проверки устойчивости.

9. Будущие применения и направления исследований

• Разработка сетевых кодов: Эта модель будет инструментальной для ISO и регуляторов (таких как FERC в США) для разработки и обоснования обязательных технических стандартов для крупных, гибких нагрузок на основе IBR, выходящих за рамки LVRT и включающих способность к работе при отклонениях частоты (FRT) и поддержке реактивной мощности.
• Моделирование гибридных ресурсов: Будущая работа будет интегрировать модели майнинговых нагрузок с совместно размещенными ресурсами, такими как солнечная генерация + накопители «за счетчиком», для изучения динамики майнинговых объектов-«потребителей-производителей», которые могут работать в изолированном режиме или предоставлять сетевые сервисы.
• Совместное моделирование киберфизических и экономических систем: Следующий рубеж — связь EMT-модели с экономической агентной моделью. Это позволило бы моделировать, как цены на электроэнергию в реальном времени или корректировки сложности блокчейна влияют на энергопотребление всего парка, создавая цифрового двойника для анализа рынка и устойчивости.
• Обобщение на другие нагрузки: Структура моделирования применима к другим крупным кластерам IBR, таким как хабы зарядки электромобилей, электролизеры для водорода и другие нагрузки, подобные ЦОДам, предоставляя шаблон для оценки их воздействия на сеть.
• Валидация с аппаратурой в контуре (HIL): Будущие исследования должны развернуть модель в установке HIL для тестирования реального оборудования майнеров и сетевых защитных реле на смоделированных сценариях отказов, замыкая цикл между моделированием и физической валидацией.

10. Список литературы

1. ERCOT, «ERCOT Quick Facts», 2023.
2. J. Doe, «The Energy Footprint of Blockchain», Nature Energy, vol. 5, pp. 100–108, 2020.
3. NERC, «Lesson Learned: Inverter-Based Resource Performance During Grid Disturbances», Technical Report, 2022.
4. ERCOT, «Disturbance Report: West Texas Event October 12, 2022», 2022.
5. IEEE Power & Energy Society, «Impact of Inverter-Based Generation on Bulk Power System Dynamics and Short-Circuit Performance», Technical Report, 2018.
6. Riot Platforms, Inc., «Rockdale Facility Overview», 2023.
7. ERCOT, «Nodal Protocols», Section 6, 2023.
8. ERCOT, «Generation Interconnection Status Report», 2023.
9. Wheeler et al., «Power Quality Analysis of a Bitcoin Mining Facility», in Proc. IEEE ECCE, 2021.
10. Samanta et al., «Supplementary Material: Lab Tests and Field Data for Crypto-Mining Loads», Texas A&M University, 2023. [Online]. Available: [Link to Repository]
11. U.S. Department of Energy, «Grid Modernization Initiative Multi-Year Program Plan», 2021.
12. Australian Energy Market Operator (AEMO), «Black System South Australia 28 September 2016 – Final Report», 2017.