# 人工智能数据中心

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。

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。

AI 数据中心的选址、购电和制冷仍靠静态单点评分工具在开工当天一次性定下，而站点的水、电、碳状况会在十到二十年的资产寿命里漂移，承诺一旦做出又很难撤回。新做法把长周期建设写成带层级的马尔可夫决策过程：战略承诺只在离散窗口出现、带切换成本、要等依赖来源的交付周期才生效，运行调度只能动用已建成的容量，偏好条件化的多目标智能体一次给出一族策略，规划者可在推理时沿成本、碳、水和可靠性调整。真实站点数据上，不可逆、可逆与只承诺一次三种设定中，偏好条件化在两个目标组合上都给出可确认的权衡，把承诺设为不可逆后前沿覆盖更均匀。

AI 数据中心的选址、购电和制冷仍靠静态单点评分工具在开工当天一次性定下，而站点的水、电、碳状况会在十到二十年的资产寿命里漂移，承诺一旦做出又很难撤回。新做法把长周期建设写成带层级的马尔可夫决策过程：战略承诺只在离散窗口出现、带切换成本、要等依赖来源的交付周期才生效，运行调度只能动用已建成的容量，偏好条件化的多目标智能体一次给出一族策略，规划者可在推理时沿成本、碳、水和可靠性调整。真实站点数据上，不可逆、可逆与只承诺一次三种设定中，偏好条件化在两个目标组合上都给出可确认的权衡，把承诺设为不可逆后前沿覆盖更均匀。

在五个AI数据中心、完成工作量与网络资源相同的对照下，把光路交换纳入计算—电力—网络联合调度，实时购电成本比固定光路低12.50%，本地可再生能源利用率高2.724个百分点。

在五个AI数据中心、完成工作量与网络资源相同的对照下，把光路交换纳入计算—电力—网络联合调度，实时购电成本比固定光路低12.50%，本地可再生能源利用率高2.724个百分点。

在2048块GPU、以风光直供的AI数据中心里，把大模型预训练的检查点等待与可行的三维并行GPU模式一起纳入日前调度，相对固定连续训练把运行成本降低20.02%，弃风从1.077降到0.014兆瓦时。

在2048块GPU、以风光直供的AI数据中心里，把大模型预训练的检查点等待与可行的三维并行GPU模式一起纳入日前调度，相对固定连续训练把运行成本降低20.02%，弃风从1.077降到0.014兆瓦时。