AI数据中心电池调度改用决策导向学习：分钟级电网取电波动均值降71.70%，总成本降18.01%
AI数据中心的功率起伏让并网取电难以平滑，而电池功率与能量有限，预测误差大小相近也可能带来完全不同的调度成本。BS-DFL把电池调度目标直接写进训练：先用一个约束感知的神经优化层在无最优解标签下学会排产，再冻结该层，用调度成本与爬坡风险反过来训练需求预测器，部署时无需调用优化求解器。在由实测AI负载导出的10,000分钟仿真中，相对MSE训练预测器加Gurobi求解器，BS-DFL把逐分钟电网取电变化的平均绝对值降低71.70%、总调度成本降低18.01%，平均决策时间18.77 ms。