任务启动时间弹性对AIDC峰值型增量储能需求的影响：基于公开生产轨迹的条件式比较

摘要

本文研究人工智能数据中心（Artificial Intelligence Data Center, AIDC）中可调整任务启动时间是否能够降低为计算并发峰值配置的增量储能容量。研究在结果前固定 9 个 AcmeTrace 生产任务窗口，并使用 National Laboratory of the Rockies（NLR）H100 功率测量构建 8 GPU 反事实计算块。任务时间余量取 0、5、15、30、60 min，比较固定最早截止时间优先（Earliest Deadline First, EDF）任务安排与任务—储能联合混合整数线性规划（Mixed-Integer Linear Programming, MILP）。45 个条件均完成运行，27 个形成双侧最优的精确配对。30 min 和 60 min 条件下各有 8/9 个窗口可精确比较，8 个窗口均表现为联合调度所需增量储能容量更低；两档容量差中位数均为 1.3155 kWh，最大值分别为 1.7240 和 3.0732 kWh。重复出现的 1.3155 kWh 主要由 75% 供电上限与 1C 储能功率额定共同形成，说明任务时间弹性在当前模型中首先替代的是峰值功率约束驱动的增量储能，而非一个可直接外推的总储能比例。

1 研究背景与问题

AIDC 的部分批处理任务具有一定时间弹性，而储能系统通常被用于限制外部取电峰值。如果任务调度与储能配置分开设计，电池可能承担一部分本可通过任务错峰消除的功率峰值。

前期数据审计确认：公开任务轨迹能够提供任务到达、持续时间与 GPU 资源需求，但真实业务 deadline 并未公开。因此，本研究不从任务类别或历史排队时间反推业务容忍度，而将任务启动时间余量 s 作为显式实验变量。

本文回答：

在同一批任务、相同资源容量、供电上限和储能状态约束下，允许任务在 deadline 前调整启动时间，是否降低为计算峰值新增的通用储能容量；该影响随时间余量如何变化？

本阶段使用不指定化学体系的通用储能，以避免把钠电/LFP 差异与任务调度贡献混在一起。

2 数据与方法

2.1 任务窗口与功率锚点

任务侧来自 AcmeTrace Seren。结果前从满足字段与资源条件的作业中冻结 9 个互不重叠的 20 作业窗口，使其覆盖不同的任务到达密度。

功率侧使用 NLR 两条 2-node / 8×H100 训练聚合实测曲线的平均功率作为统一锚点。两条曲线的平均聚合功率约为 5.268 kW 与 5.256 kW，取均值后得到：

式（1） p_ref = 0.6577485808 kW/GPU

主实验不按 AcmeTrace 任务类型分配不同 NLR 波形，以避免引入缺少一手映射依据的类别假设。

2.2 任务时间余量

对任务 i：

式（2） d_i = r_i + p_i + s

其中：

r_i：任务释放时刻；
p_i：任务运行时长；
s：实验时间余量；
d_i：实验 deadline。

s 分别取 0、5、15、30、60 min。这里的 s 是研究干预，不是现实客户服务等级协议（Service Level Agreement, SLA）。

2.3 计算与供电条件

反事实计算块包含 8 个 GPU 逻辑槽。满载计算功率为：

式（3） P_full = 8·p_ref = 5.2619886464 kW

外部供电上限冻结为满载功率的 75%：

式（4） P_grid,max = 3.9464914848 kW

通用储能采用：

最大充电倍率：1C；
最大放电倍率：1C；
单向效率：0.975；
初始能量：50% 安装容量；
最低备用：20% 安装容量；
实验末能量至少恢复到 50% 安装容量。

2.4 对照与主要指标

固定基线采用非抢占 EDF，任务释放后在 GPU 资源允许时尽早启动；储能只在任务安排确定后优化。

联合方案允许 MILP 同时决定任务启动时刻与储能动作。

对窗口 w、时间余量 s，定义容量差：

式（5） ΔE(w,s) = E_fixed(w,s) − E_joint(w,s)

其中 E_fixed 与 E_joint 分别为两种策略满足同一服务与供电约束所需的最小通用储能能量容量。

只有两种方案均达到结果前规定的最优性门槛并通过独立检查器时，才计算精确 ΔE。联合方案仅获得可行解但未证明到最优性门槛时，不进入精确容量差。

3 结果

3.1 可行性与精确比较数量

45 个“窗口 × 时间余量”条件均完成运行。所有返回物理轨迹的方案均通过独立检查器。27 个条件中固定/联合两侧均证明达到最优状态，可进行精确容量比较。

0 min 时间余量下，9 个窗口均未形成精确比较，因为任务首先受 8 GPU 资源约束，固定 EDF 与联合模型均无法满足实验 deadline。该档因此不能用于估计储能容量差。

表1汇总不同时间余量下的正式结果。

时间余量	精确比较	容量下降	可行域扩大	无精确比较	ΔE中位数	ΔE最大值
0 min	0/9	0	0	9	—	—
5 min	3/9	3	1	5	1.3155 kWh	1.3155 kWh
15 min	7/9	7	0	2	1.3155 kWh	1.3155 kWh
30 min	8/9	8	0	1	1.3155 kWh	1.7240 kWh
60 min	8/9	8	0	1	1.3155 kWh	3.0732 kWh

3.2 时间弹性与容量差

图1给出全部可精确比较条件的 ΔE。随着时间余量从 5 min 增至 60 min，可精确比较的窗口数增加，多数窗口的容量差保持在约 1.3155 kWh；部分更拥挤窗口在 30—60 min 条件下出现更大差异。

图1 不同任务时间余量下的增量储能容量差

图1 不同任务时间余量下固定 EDF 与联合调度的增量储能容量差。 每个点代表一个结果前冻结任务窗口中两种方案均达到精确比较门槛的条件；横线表示对应时间余量下的中位数。0 min 无可精确比较条件，因此不绘制容量差。

30 min 条件下，8/9 个窗口可精确比较，8 个窗口均为 ΔE>0，中位数为 1.3155 kWh，最大值为 1.7240 kWh。

60 min 条件下，8/9 个窗口可精确比较，8 个窗口均为 ΔE>0，中位数仍为 1.3155 kWh，最大值增至 3.0732 kWh。另 1 个窗口的联合解在 5 s 求解时限内最优性差距约 0.90%，按结果前规则不进入精确差异。

3.3 1.3155 kWh 的来源

多数精确比较得到约 1.3155 kWh，并非随机出现。根据式（3）—（4）：

式（6） P_gap = P_full − P_grid,max = 1.3154971616 kW

通用储能最大放电倍率为 1C，因此仅为了提供这一峰值功率，安装容量至少满足：

式（7） E_power,min = P_gap / 1C ≈ 1.3155 kWh

图2展示该约束。

图2 8 GPU满载功率、供电上限与1C储能容量下限

图2 8 GPU满载功率与供电上限形成的功率缺口。 在 1C 储能条件下，1.3155 kW 的功率缺口对应约 1.3155 kWh 的最低安装容量，因此固定 EDF 一旦触及 8 GPU 并发峰值，就容易出现这一重复容量差。

3.4 q90 窗口

q90-block-372 在 30 min 时间余量下：

固定 EDF：3.0732 kWh；
联合调度：1.3492 kWh；
ΔE：1.7240 kWh。

时间余量增加到 60 min 后：

固定 EDF：3.0732 kWh；
联合调度：0 kWh；
ΔE：3.0732 kWh。

这里的 0 kWh 只表示当前模型不需要为了削减计算峰值额外配置这类通用储能，不表示数据中心不需要 UPS 或可靠性备用。

4 讨论

4.1 任务时间弹性首先替代的是功率型增量储能

重复出现的 1.3155 kWh 表明，当前模型的主要机制首先是功率额定，而非长时能量缺口。固定 EDF 产生 8 GPU 并发时，供电上限留下约 1.3155 kW 缺口；1C 储能必须以至少约 1.3155 kWh 的安装容量换取相同数量的放电功率。

联合调度通过改变任务启动时刻降低并发，使这一功率驱动的容量下限消失。因此，当前结果更适合解释为：

任务时间弹性能够替代部分为计算峰值功率而新增的储能配置。

不能解释为“任务调度普遍减少固定比例的总储能”。

4.2 服务可行性与储能容量需要分开报告

5 min 条件下，q10-block-1240 的固定 EDF 任务基线无法满足全部 deadline，而联合调度可以找到可行任务安排。此类结果首先属于计算任务可行域扩大，不能直接换算成储能节省百分比。

0 min 条件更明确：在 8 GPU 资源下任务本身不可行，此时加电池不能解决计算资源不足。因此储能比较必须建立在相同服务可行性之上。

5 局限

AcmeTrace 与 NLR 来自不同系统，组合后是公开来源约束的合成回放；
5—60 min 是实验时间余量，不是现实客户 SLA；
75% 供电上限与 1C 通用储能是结果前设定，不代表实际数据中心配置；
备用要求按安装容量比例定义，不是独立 UPS 备用时长要求；
主功率模型使用统一每 GPU 平均功率锚点，未在本阶段引入高频任务类型差异；
结果不包含钠电/LFP化学体系、寿命、真实报价和在线预测误差。

6 结论

在结果前冻结的 9 个 AcmeTrace 任务窗口、8 GPU 反事实 H100 计算块、75% 供电上限和 1C 通用储能条件下，15—60 min 时间余量使多数可精确比较窗口中的联合任务—储能优化需要更少峰值型增量储能。30 min 与 60 min 条件下各有 8/9 个窗口可精确比较，容量差中位数均为 1.3155 kWh。

该数值主要由满载计算功率与供电上限之间的 1.3155 kW 功率缺口以及 1C 储能额定共同决定，不能外推为真实 AIDC 的普适节省常数。下一阶段需要在扣除任务调度收益后，再比较全 LFP、全钠与严格混合体系的独立价值。

参考文献

[1] InternLM. AcmeTrace. https://github.com/InternLM/AcmeTrace

[2] National Laboratory of the Rockies. Generative AI Workload Power Profiles. DOI: 10.7799/3025227. https://data.nlr.gov/submissions/312

[3] Google Cloud. Using demand response to reduce data center power consumption. 2023. https://cloud.google.com/blog/products/infrastructure/using-demand-response-to-reduce-data-center-power-consumption

署名：Akira

本研究使用 AI 辅助代码实现、结果复核与文稿整理；任务窗口、参数、分析门槛和正式结果均在结果可见前后通过版本控制与科研数据库留痕。