전력망 효율 극대화를 위한 분산형 AI 데이터 센터 구축

주장엔비디아와 협력사들은 전력망의 유연성을 확보하고자 변전소 인근에 소규모 데이터 센터를 배치하는 새로운 운영 모델을 제시합니다. 이 방식은 전력 수요가 집중되는 지역의 부하를 분산하고 유휴 전력을 효율적으로 활용합니다.

팩트엔비디아는 인프라파트너스, 프로로지스, 전력연구소와 협력하여 올해 말 미국 내 5개 유틸리티 업체와 함께 약 25개의 소규모 데이터 센터를 건설합니다. 각 데이터 센터는 5에서 20메가와트 규모로 설계됩니다.

교차검증개별 변전소의 유휴 전력은 5에서 20메가와트 수준으로 단일 데이터 센터 운영자에게는 규모가 작다는 한계가 존재합니다. 하지만 여러 센터를 하나의 네트워크로 통합 운영하면 전력 효율을 극대화할 수 있습니다.

팩트미국 내 데이터 센터는 2030년까지 전체 전력 생산량의 9에서 17퍼센트를 소비할 전망입니다. 이는 현재 사용량의 두 배를 넘어서는 수치이며, 인공지능 모델 학습을 위한 데이터 센터는 기가와트 단위의 전력을 소모합니다.

주장데이터 센터 개발자들은 전력망 연결 승인을 위해 최대 10년을 대기해야 하는 상황에 직면합니다. 이를 해결하고자 자체 가스 발전소를 건설하거나 송전망 인프라 비용을 직접 부담하는 공격적인 전략을 취합니다.

팩트듀크 대학교의 2025년 보고서에 따르면, 미국 전력망 운영자들은 평균적으로 전체 발전 용량의 약 53퍼센트만을 사용합니다. 전력망이 연중 가장 전력 사용량이 많은 피크 타임을 기준으로 설계되었기 때문입니다.

교차검증브래틀 그룹의 3월 보고서는 데이터 센터와 같은 대규모 부하 시설이 피크 타임의 0.25퍼센트 시간 동안만 전력 사용을 줄여도 미국 전력망이 76기가와트의 추가 전력을 확보한다고 분석합니다. 이는 전체 피크 수요의 약 10퍼센트에 해당합니다.

팩트변전소 인근에 소규모 데이터 센터를 배치하면 송전선, 전신주, 변압기 등 새로운 전력 인프라 구축 비용을 절감합니다. 또한 변전소에 설치된 광섬유 라인을 활용하여 고속 인터넷 연결을 즉시 확보합니다.

주장인공지능 작업은 학습과 추론으로 구분되는데, 분산형 데이터 센터는 추론 작업에 특히 적합합니다. 학습은 대규모 그래픽 처리 장치 연결이 필수적이지만, 추론은 상대적으로 적은 자원으로도 처리가 가능하여 여러 장소로 분산하기 용이합니다.

출처IEEE Spectrum의 보도 내용과 관련 보고서를 교차 검증했습니다.