《Energies》：A Risk-Aware Coordinated Optimisation Scheduling Method for Coupled Power-Computing-Network-Storage Systems in Remote Data Centres Based on Graph Attention, Green Affinity and CVaR
编辑推荐：
随着人工智能基础设施和云计算服务的快速扩展，数据中心正从刚性电力负荷演变为能够促进可再生能源并网、电网调节和跨区域算力分配的灵活资源。针对现有研究中关于多种类型计算任务之间的差异、网络约束下绿色迁移机制以及可再生能源弃电风险刻画等方面的不足，研究人员提出了一种
随着人工智能基础设施和云计算服务的快速扩展，数据中心正从刚性电力负荷演变为能够促进可再生能源并网、电网调节和跨区域算力分配的灵活资源。针对现有研究中关于多种类型计算任务之间的差异、网络约束下绿色迁移机制以及可再生能源弃电风险刻画等方面的不足，研究人员提出了一种针对跨远程数据中心的电力-算力-网络-存储耦合系统的风险感知协同优化调度方法。首先，构建了多类型计算任务的分层模型，将数据中心负荷分为固定实时任务、在线推理任务、长期人工智能（AI）训练任务和机会弹性任务，以表征这些任务在延迟、时移、迁移和完成量约束方面的差异。其次，提出了一种受图注意力启发的绿色亲和先验，将电网拓扑距离、可再生能源可用性、数据中心电能利用效率（PUE）和储能调节能力映射为可解释的迁移信号，从而引导灵活算力向绿电充裕且电网支撑条件良好的节点迁移。随后，引入了条件风险价值（CVaR）指标来量化可再生能源弃电的尾部风险，建立了一个多场景随机线性优化模型，该模型考虑了直流潮流、机组出力、可再生能源利用、园区储能、任务服务水平协议（SLA）和跨节点迁移约束。基于IEEE 10机39节点系统的24小时仿真表明，与固定负荷基线相比，所提方法可将预期弃电量从176.939 MWh降至0 MWh，将CVaR弃电风险从694.085 MWh降至0 MWh，并将绿色算力比例提高9.283个百分点，同时五层协同分数提升4.885分。
论文解读文章
**研究背景与问题**
在全球能源系统向高比例可再生能源和高电气化方向演进的背景下，电力系统运行对灵活性、鲁棒性和时空协调能力提出了更高要求。风电和光伏发电的快速发展改变了电源的时空特性：可再生能源资源集中于偏远西部和北部地区，而负荷中心位于东部和中部经济发达地区。以中国为例，大规模可再生能源基地和西电东送工程通过高压直流（HVDC）和特高压直流（UHVDC）输电走廊实现了远距离电力传输，但同时也引入了可再生能源出力的不确定性、跨区域潮流波动、局部输电阻塞、源-荷时间错配以及对灵活调节资源需求的增加。与此同时，人工智能基础设施的快速扩张使数据中心成为电力系统中不可忽视的新型负荷。现有研究存在三方面不足：第一，数据中心负荷内部高度异质，单一灵活负荷模型难以描述不同计算任务的调度边界，忽略了固定实时任务、在线推理、AI训练和机会弹性任务在延迟、吞吐量和连续性上的差异；第二，数据中心空间迁移决策不仅取决于电价或平均碳强度，还受电网拓扑、可再生能源接入位置、数据中心能效和储能容量的联合影响，而现有迁移信号多依赖电价或绿电比例，缺乏“为什么某节点更适合承载灵活算力”的可解释性；第三，高比例可再生能源并网使弃电从平均意义的小扰动转变为少数极端场景的尾部损失，现有研究对电-算协同调度的弃电尾部风险刻画不足。
**研究开展与结论**
为解决上述问题，研究人员提出了一种基于图注意力启发的绿色亲和先验和条件风险价值（CVaR）的风险感知协同优化调度方法，适用于地理分散的数据中心的电力-算力-网络-存储耦合系统。该方法将数据中心从刚性负荷建模为可参与可再生能源并网、电网调节和算力分配的网络化灵活资源，并在IEEE 10机39节点系统中建立了多场景随机线性优化模型。仿真结果表明：固定数据中心负荷下预期弃电量为176.939 MWh，CVaR弃电风险为694.085 MWh；引入灵活算力和储能协同后，标准协同和基于图注意力与CVaR（GT-CVaR）协同均能将预期弃电和CVaR风险降至零，可再生能源消纳率提升至100%。GT-CVaR协同进一步将绿色算力比例从固定负荷基线的61.696%提升至70.978%（提高9.283个百分点），五层协同分数从66.408提升至71.293（提高4.885分），且优于标准协同（绿色算力比例67.830%）。该论文发表在《Energies》期刊上，其重要意义在于为远程数据中心运营商提供了一种将数据中心从被动负荷转变为主动灵活资源的可行框架，通过电-算-网-储协同优化促进了可再生能源消纳并提升了绿色算力匹配质量。
**主要关键技术方法**
研究人员采用以下主要关键技术方法：①多类型计算任务分层模型，将数据中心负荷分为固定实时任务、在线推理任务、长期AI训练任务和机会弹性任务，并分别为其建立服务水平协议（SLA）约束（包括延迟容忍、日完成量、时移能力、训练连续性和迁移平滑性）；②图注意力启发的绿色亲和先验，将电网拓扑距离（基于最短路径）、可再生能源可用性、数据中心电能利用效率（PUE）和储能调节能力映射为可解释的迁移信号，并分别构建空间绿色亲和度和时间绿色信号；③基于条件风险价值（CVaR）的风险度量，通过引入VaR辅助变量和超额损失辅助变量将弃电尾部风险线性化嵌入多场景随机优化模型；④基于IEEE 10机39节点系统（含39个电网节点、46条馈线、10台火电机组、4个可再生能源注入点和3个远程数据中心）的数值仿真，采用3×3风光荷组合场景树（9个典型场景），使用MATLAB R2025a优化工具箱求解确定性等价线性规划模型。
**研究结果**
4.1 测试系统与输入数据：研究人员基于IEEE 10机39节点系统构建了中国北方低碳工业园区的电-算协同调度案例。系统包含39个节点、46条馈线、10台火电机组（节点30-39）、4个可再生能源并网点（节点4、16、23、29）和3个远程数据中心（节点16乌兰察布绿色云基地、节点23张家口算力枢纽、节点29鄂尔多斯零碳工业园数据中心）。仿真周期24小时，时间分辨率1小时。通过拓扑验证，数据中心节点均靠近可再生能源接入区，但电气距离和支路拥塞情况不同，为图注意力绿色亲和先验提供了物理基础。
4.2 整体运行性能对比：在固定负荷基线场景下，预期弃电量176.939 MWh，CVaR弃电风险694.085 MWh，可再生能源消纳率99.646%。标准电-算协同和GT-CVaR协同均将预期弃电和CVaR风险降至零，消纳率升至100%。GT-CVaR场景下预期碳排放为60.962 ktCO
2，较基线降低约1.129%。绿色算力比例在基线、标准协同和GT-CVaR中分别为61.696%、67.830%和70.978%，GT-CVaR较基线提高9.283个百分点，较标准协同提高3.148个百分点。这表明标准协同已消除平均弃电，而GT-CVaR的主要优势在于提升绿色算力匹配质量和尾部风险控制。
4.3 场景风险与可再生能源消纳机制：固定负荷参考场景下，弃电主要集中在高可再生能源和低负荷的尾部场景（如REN3_LOAD1场景弃电842.844 MWh）。引入灵活算力和储能后，预期弃电和CVaR风险均被消除。GT-CVaR场景下的发电-消费结构显示，数据中心用电作为可调负荷与火电、可再生能源出力共同形成日内功率平衡，且在午后至傍晚时段，灵活计算负荷消纳了部分可再生能源出力。支路-时段拥塞热图表明，三种场景的最大线路负载率均达到100%，说明改善是在保留输电瓶颈的网络条件下实现的。
4.4 计算任务迁移与绿色亲和证据：在固定负荷基线场景下，乌兰察布、张家口和鄂尔多斯的灵活任务量分别为8390.4、7286.4和6403.2 MW
IT·h。标准协同场景中任务显著向乌兰察布和鄂尔多斯迁移（张家口降至2649.6 MW
IT·h），GT-CVaR场景进一步强化绿色先验，乌兰察布承担13161.3 MW
IT·h，张家口2649.6 MW
IT·h，鄂尔多斯6041.1 MW
IT·h。在线推理和AI训练任务均完成额定日任务量（7440和10080 MW
IT·h），机会弹性任务完成量4332 MW
IT·h（额定95%）。GT-CVaR场景的任务迁移量（2570.205 MW
IT·h）高于标准协同（1631.974 MW
IT·h），表明优化器主动增加跨数据中心再分配以换取更高绿色算力比例和更低尾部弃电风险，平均延迟代理保持在0.005小时未恶化。
4.5 储能响应、市场信号与综合效益：基线场景储能停运（吞吐量0），标准协同场景储能吞吐量138.731 MWh，GT-CVaR场景储能吞吐量44.319 MWh。尽管GT-CVaR储能吞吐量较低，但绿色算力比例更高，说明图注意力先验将部分消纳责任从储能转移至灵活计算任务。绿色时间信号与数据中心用电的关系表明，当绿色时间信号较强时，数据中心用电更易向较早时段迁移，但受SLA、容量和网络限制，并非完全线性。
4.6 关键发现讨论：基于IEEE 10机39节点系统的案例研究表明，固定数据中心负荷在高风光出力与局部电网约束下仍产生显著弃电（预期弃电176.939 MWh，CVaR风险694.085 MWh）。引入灵活算力、园区储能和跨节点迁移后，标准协同和GT-CVaR均能将预期弃电和CVaR风险降至零，验证了将灵活计算嵌入电网潮流约束的有效性。GT-CVaR相较标准协同的主要优势在于提升绿色负荷匹配质量和风险可解释性：绿色算力比例升至70.978%，五层协同总分提高至71.293。图注意力绿色亲和先验将电网拓扑、可再生能源可用性、PUE和储能支撑能力转化为可解释的迁移信号，CVaR风险项增强了对尾部弃电场景的约束能力。最大支路负载率达到100%，说明改善是在保留输电瓶颈的网络条件下实现的。
**讨论与结论**
讨论部分指出，标准电-算协同与GT-CVaR协同均能完全消除预期弃电和CVaR风险，但GT-CVaR在绿色算力匹配质量上更优。灵活计算作为可调负荷池嵌入电网潮流约束是有效的，且图注意力先验和CVaR风险项的增量价值在于提升绿色匹配的鲁棒性和可解释性。未来工作需引入交流潮流、动态无功约束、配电网电压安全及数据中心冷却系统非线性特性，结合图神经网络预测、滚动模型预测控制和分布式鲁棒优化构建在线风险感知调度框架，并纳入实际数据中心服务队列、通信网络延迟、实测PUE曲线和电力市场交易数据以增强工程适用性。
研究结论部分翻译：本文针对北方低碳工业园区远程数据中心运营商的协同运行需求，提出了一种电力-算力-网络-存储耦合系统的风险感知协同优化调度方法。该方法将数据中心从刚性电力负荷扩展为具备任务时移、空间迁移、延迟约束、PUE变化和储能协调能力的灵活资源，并在IEEE 10机39节点系统中建立了多场景随机线性优化模型。案例结果表明，固定数据中心负荷在高可再生能源场景下存在显著弃电（预期弃电176.939 MWh，CVaR弃电风险694.085 MWh）；标准电-算协同和GT-CVaR协同均能将预期弃电和CVaR风险降至零，验证了灵活算力和储能协同促进可再生能源消纳的基本价值。此外，GT-CVaR风险感知协同提升了绿色算力匹配质量：与固定负荷基线相比，绿色算力比例提高9.283个百分点，五层协同总分提高4.885分；与标准协同相比，绿色算力比例进一步提高3.148个百分点，表明图注意力启发的绿色亲和先验能引导计算任务向绿电充裕、PUE更低且储能支撑条件良好的数据中心节点迁移。
