AI:s effektsvängningar spräcker turbiner, förstör batterier och hotar USA:s elnät

Hur GPU-kluster skapar effektchocker på millisekunder

Under AI-träning synkroniserar tiotusentals GPU:er sitt arbete. När de alla avslutar ett beräkningssteg, väntar på en kontrollpunkt eller startar en ny sats, kan effektbehovet svänga från full last till nästan tomgång och tillbaka på under en sekund . Dessa svängningar liknar inget som traditionella datacenter producerar. Effektsteg som motsvarar förbrukningen hos fabriker, städer eller till och med hela orter kan uppstå och försvinna inom loppet av sekunder, vilket skapar upprepade stötar som den anslutna utrustningen har svårt att absorbera .

Drew Baglino, tidigare chef på Tesla och grundare av Heron Power, noterade att AI ibland kan få strömförbrukningen att sticka iväg så mycket som 50 procent över konstruktionens kapacitet – ”så en anläggning på 1 gigawatt kan under en bråkdels sekund använda 1,5 gigawatt” .

Skador på utrustning: spräckta turbiner och förtida batterifel

Gasturbiner och mekanisk resonans

Vid xAI:s Colossus-anläggning i Memphis – byggd på 122 dagar och först driven av ett antal tillfälliga metangasturbiner – orsakade de snabba, upprepade effektsvängningarna från GPU-klustren mekanisk resonans och fysiska sprickor i turbinerna . Ingenjörer ska ha skrivit en anpassad GPU-kernel som tvingade chipen att förbruka extra ström när efterfrågan var låg, vilket jämnade ut lasten men ökade den totala energiförbrukningen . Elon Musk föreslog senare att installera Tesla Megapack-batterier mellan turbinerna och GPU:erna för att absorbera fluktuationerna helt .

Reservbatterier, generatorer och kylsystem

Reservbatterier och UPS-system (avbrottsfri strömförsörjning) cyklas mycket oftare än de är konstruerade för, vilket leder till accelererad degradering och förtida fel . Flera anläggningar rapporterar att batterier, generatorer och kylsystem fungerar sämre eller slits ut långt tidigare än förväntat . Kylinfrastrukturen har svårt att hänga med i de snabba lastförändringarna, vilket ytterligare förkortar utrustningens livslängd .

En akademisk kartläggning av AI-datacenters elbehov bekräftar att storskaliga GPU-kluster producerar effektfluktuationer på hundratals megawatt inom loppet av sekunder, vilket skapar betydande utmaningar för anslutna system .

Den ekonomiska smällen: drifttiden sjunker – kostnaderna stiger

Drifttid nere på 80 procent

Vissa AI-datacenter har redan sett den faktiska operativa drifttiden sjunka till cirka 80 procent, långt under den typiska standarden på 99,99 procent som förväntas av företagsdatacenter . Även några minuters stillestånd kan slå hårt mot intäkterna: i anläggningar värda tiotals miljarder dollar motsvarar varje minuts driftstopp hundratusentals dollar i förlorade beräkningsintäkter .

Tillgångar för biljoner dollar i riskzonen och dolda kostnader

Bloomberg och Fortune rapporterar att den kumulativa kostnaden för accelererat utbytesbehov av utrustning, oplanerade driftstopp och förlorad beräkningskapacitet sätter den biljonbaserade AI-infrastrukturinvesteringsbasen under press . Utöver direkta driftstopp möts operatörer av högre underhållsfrekvens, kortare bytescykler för turbiner och batterier samt behovet av anpassade programvarulösningar för att jämna ut effektbehovet – allt detta innebär oförutsedda kostnader .

Nätstabilitet: NERC:s högsta varning

1 800 megawatts lastbortfall på under en sekund

NERC har dokumenterat ett nytt slags tillförlitlighetshot: AI-träningsanläggningar är så stora att när deras automatiska skyddssystem löser ut kan de koppla bort över 1 800 megawatt från stamnätet på under en sekund – snabbare än någon mänsklig operatör eller konventionell nätkontroll hinner reagera . Både Eastern Interconnection och Electric Reliability Council of Texas (ERCOT) har redan observerat lastminskningshändelser på cirka 1 500 megawatt orsakade av datacenters känslighet för spänningsstörningar .

I juli 2024 utlöste ett vanligt nätfel i norra Virginia en plötslig bortkoppling av mer än 1 500 megawatts datalast över 25–30 transformatorstationer .

Endast den tredje nivå 3-varningen i NERC:s historia

I mitten av 2026 utfärdade NERC sin högsta varningsnivå (Level 3) – endast den tredje sådana varningen i organisationens historia – och pekade på ”betydande risker” för stamnätet från hyperskala AI-datacenter . Varningen innebär att transmissionsplanerare och operatörer måste utveckla modelleringsdatakrav, samla in data om lägsta och högsta förbrukning samt studera lastens sammansättning . NERC har också tillsatt en arbetsgrupp för att hantera dessa risker, vilket kan leda till nya obligatoriska tillförlitlighetsstandarder .

Snabbare än infrastrukturen kan byggas

NERC:s State of Reliability-rapport för 2025 varnar för att datacenter utvecklas snabbare än den elproduktions- och transmissionsinfrastruktur som behövs för att stödja dem, vilket skapar ett strukturellt tillförlitlighetsgap . Myndigheten noterar att spänningskänsligheten och den snabbt föränderliga, ofta oförutsägbara strömförbrukningen hos dessa anläggningar skapar nya operativa utmaningar som ”mer noggranna modeller” måste hantera .

Vad görs åt problemet?

Operatörer undersöker batteribuffertar – som Tesla Megapacks – placerade mellan volatila GPU-laster och känslig produktionsutrustning för att absorbera fluktuationerna . xAI har också börjat ta bort några av sina tillfälliga gasturbiner i takt med att nya transformatorstationer ansluts i Memphis .

Men den grundläggande utmaningen kvarstår: AI-arbetsbelastningar skapar en lastprofil som elnätet aldrig konstruerats för att hantera. NERC har efterfrågat nya modelleringsstandarder, operativ samordning och regelverk för att hantera de unika riskerna med gigawatt-skaliga, mycket volatila AI-laster .