时变AI任务功率对任务调度峰值储能价值的影响：基于公开任务轨迹与H100功率测量的配对仿真

摘要

人工智能数据中心的储能配置通常以给定负载曲线为输入，但可延期计算任务会同时改变负载曲线本身。此前常功率模型表明，调整任务开始时刻能够降低部分由并发峰值驱动的增量储能需求。本文进一步引入两条公开的 H100 训练功率实测曲线，在保持每个任务总能量、GPU 需求、持续时间和截止时间一致的条件下，比较固定最早截止时间优先调度与任务—储能联合优化。正式分析覆盖 9 个冻结任务窗口、3 种功率形状，共 27 个窗口—模板配对和 54 个策略求解状态。两条动态功率条件各有 7 个窗口形成精确调制量：Llama2-70B LoRA 形状的中位调制量为 +0.184754 kWh，Stable Diffusion 为 +0.098827 kWh。与此同时，q90 窗口的 Llama2 条件给出完全低于零的调制区间。结果说明，任务内部功率的时间分布本身会改变任务调度能够替代的峰值型增量储能，而这种影响由任务窗口与供电约束共同决定。

1 研究背景与问题

数据中心需求响应研究已经表明，工作负载迁移、任务调度与站内能源系统可以共同改变电力需求峰值和购电行为[1–3]。对人工智能计算而言，任务不仅具有到达时刻和资源需求，也存在持续时间、截止时间以及随执行进度变化的功率轨迹。若储能优化只接收一条预先固定的负载曲线，就会把“什么时候执行任务”与“什么时候充放电”人为拆成两个问题。

前一阶段的常功率实验在 9 个冻结任务窗口上比较了固定最早截止时间优先（Earliest Deadline First, EDF）调度与任务—储能联合优化。30 min 时间余量下，8 个精确可比窗口均出现峰值型增量储能容量下降，中位差为 1.315497 kWh。该差异主要由 75% 外部供电上限与 1C 储能功率约束形成。

常功率近似没有回答另一个问题：在任务总能量相同的情况下，任务内部的功率时间分布是否会改变任务调度的储能价值？

本文将两条美国国家可再生能源实验室（National Laboratory of the Rockies, NLR）公开的 H100 训练功率测量作为功率形状条件[4,5]，把时变功率引入同一批冻结任务，并保持其他服务和物理约束不变。

2 数据与方法

2.1 任务与功率数据

任务时序来自 AcmeTrace Seren 公开 GPU 作业轨迹[6]。本研究沿用此前结果前冻结的 9 个任务窗口，每个窗口包含 20 个任务；任务的释放时刻、持续时间和 GPU 数保持不变。真实业务截止时间由统一实验时间余量定义：

式（1）

deadline_i = release_i + duration_i + 30 min

功率形状来自 NLR GenAI Power Profiles 数据集（DOI: 10.7799/3025227）中的两条 2-node / 8×H100 训练曲线[4,5]：

• Llama2-70B LoRA，repeat 0，0.2 s 采样，26,601 个样本；
• Stable Diffusion，repeat 0，0.2 s 采样，63,771 个样本。

NLR 曲线测量的是作业使用的 CPU/GPU 组件功率。AcmeTrace 与 NLR 在本文中共同构成公开来源约束的合成回放：前者约束任务时序，后者约束任务运行期功率形状。

2.2 能量匹配的时变任务功率

为单独识别功率时间分布的作用，两条 NLR 曲线先按真实时间戳计算时间加权平均功率，再归一化为单位平均的无量纲形状 q_m。随后将源时间映射到任务相对进度，并对每个 1 min 运行步计算区间平均。

任务 i 在模板 m 下第 k 步的功率定义为：

式（2）

P_i,m[k] = g_i · P_0 · q_i,m[k]

其中 g_i 为任务 GPU 数，P_0=0.6577485808 kW/GPU 为冻结的平均功率锚点。离散形状再次归一化至均值 1，因此同一任务在三种功率条件下具有相同总能量：

式（3）

E_i = Σ_k P_i,m[k] · Δt = g_i · P_0 · duration_i

动态模板的能量相对误差门槛为 1×10^-9。

图1 R1 能量匹配时变功率比较流程。 同一任务在常功率、Llama2 和 Stable Diffusion 三种条件下保持持续时间、GPU 数、截止时间与离散总能量一致；固定 EDF 与联合优化共享相同供电及储能约束。

2.3 对照与评价指标

三个功率条件分别为：

1. 常功率基线；
2. Llama2-70B LoRA 时变功率形状；
3. Stable Diffusion 时变功率形状。

每个条件均运行固定 EDF 与任务—储能联合优化。外部供电上限、1C 通用储能、单向效率 0.975、初始能量 50%、备用下限 20% 和终态至少 50% 均与常功率基线一致。

对窗口 w、功率条件 m，定义任务调度容量价值：

式（4）

Δ_task(m,w) = C_fixed(m,w) − C_joint(m,w)

其中 C_fixed 与 C_joint 分别为固定 EDF 和联合优化满足相同服务约束时的最小增量储能安装容量，单位为 kWh。

进一步定义动态功率调制量：

式（5）

M(m,w) = Δ_task(m,w) − Δ_task(constant,w)

M>0 表示该动态功率形状下，任务调度相对常功率基线能够替代更多峰值型增量储能；M<0 表示调度价值降低。

精确差值只在固定侧与联合侧均达到最优状态、且独立约束检查均通过时计算。时限内得到可行解但未证明最优的条件保留目标上下界。

3 结果

3.1 常功率基线逐窗口复现

正式分析共生成 27 个窗口—模板配对和 54 个策略求解状态。常功率条件的 9 个窗口与此前冻结结果逐一比较，求解状态与容量均在 1×10^-7 kWh 容差内一致。

常功率条件有 8/9 个窗口形成精确配对，Δ_task 中位数为 1.315497 kWh，最大值为 1.724013 kWh。q20 窗口在 30 min 时间余量下首先受任务服务可行性限制，因此不形成容量差。

3.2 两条动态功率形状在多数精确窗口提高了调度容量价值

图2给出两条动态功率条件相对常功率基线的调制量 M。

图2 时变任务功率对任务调度峰值储能价值的调制。 圆点表示固定侧和联合侧均达到最优、且独立校核通过时的精确 M；q90 的误差棒由联合侧可行上界与对偶下界换算得到；q20 在三种功率条件下均属于任务服务不可行。各窗口是配对推断单位，横轴仅表示冻结窗口顺序。

Llama2-70B LoRA 形状有 7/9 个窗口形成精确 M：

• M 中位数：+0.184754 kWh；
• 四分位区间：+0.114172 至 +0.200342 kWh；
• 精确范围：0 至 +0.211175 kWh。

Stable Diffusion 形状同样有 7/9 个窗口形成精确 M：

• M 中位数：+0.098827 kWh；
• 四分位区间：+0.063252 至 +0.106030 kWh；
• 精确范围：0 至 +0.113233 kWh。

14 个精确动态调制量对应的联合优化侧峰值型增量储能容量均为 0 kWh；正 M 主要来自动态功率形状抬高了固定 EDF 侧的瞬时功率缺口。

以 q10 为例，常功率条件的固定/联合容量分别为 1.315497 / 0 kWh；Llama2 条件变为 1.526673 / 0 kWh，M=+0.211175 kWh；Stable Diffusion 条件为 1.413694 / 0 kWh，M=+0.098197 kWh。

3.3 q90 暴露了方向反转边界

q90 的两条动态条件中，固定 EDF 均达到最优，联合优化均返回通过独立校核的可行轨迹，但在 5 s 求解预算内未证明最优。因此图2以求解界限而不是单点表示。

Llama2 条件的 Δ_task 位于 1.555569–1.721396 kWh；相对 q90 常功率精确值 1.724013 kWh，对应：

M ∈ [-0.168445, -0.002617] kWh

整个区间低于 0。

Stable Diffusion 条件的 Δ_task 位于 1.679119–1.724709 kWh，对应：

M ∈ [-0.044895, +0.000696] kWh

该区间跨越 0。

因此，动态功率形状的作用并非固定正向；q90 的任务结构与约束组合已经形成与多数精确窗口不同的边界。

4 讨论

4.1 总能量相同并不意味着峰值储能价值相同

本文在三种功率条件下保持每个任务的离散总能量一致，因此精确窗口中的容量变化来自任务内部功率分布及其与任务重叠关系，而不是来自工作量增加。

在当前 1 min 模型中，联合调度能够重新选择任务开始时刻。对 7 个精确动态窗口而言，这种自由度仍足以消除当前供电上限下的峰值型新增储能；固定 EDF 则必须直接承担动态功率形状形成的更高瞬时缺口。由此形成正 M。

这说明储能规划中的“负载曲线”并非完全外生：可延期计算的开始时间与任务内部功率形状共同决定峰值约束。

4.2 q90 表明任务结构决定动态功率究竟放大还是削弱调度价值

q90 的 Llama2 区间全部为负，削弱了“动态功率总会增加调度价值”的无条件解释。对于该窗口，固定 EDF 与联合优化都面对更复杂的功率—任务重叠关系，动态形状并未把额外峰值完全转化为联合调度优势。

Stable Diffusion 的 q90 区间跨越 0，则表明现有求解界限尚不足以判断方向。由此，下一步需要改变任务弹性和供电约束，定位调制量发生饱和或反转的边界，而不是把 R1 的中位数当作固定修正系数。

4.3 结果把下一阶段问题从“有没有效应”推进到“边界在哪里”

R1 已确认功率形状能够移动任务调度的峰值储能价值。下一阶段最有判别力的问题是：当时间余量和外部供电能力变化时，哪些区域保持正 M，哪些区域接近零或转负。

这对应同一 07A1 路线中的弹性—配置边界，而不是新的研究方向。

5 适用范围与判别条件

本文结论对应以下研究系统：

• 9 个结果前冻结的 AcmeTrace 20任务窗口；
• 30 min 统一实验时间余量；
• 8 个逻辑 GPU 槽位；
• NLR 两条 2-node / 8×H100 训练功率形状；
• 1 min 规划时间步长；
• 75% 计算块外部供电上限；
• 1C 通用储能及既定 SOC、备用和终态约束；
• 公开任务时序与公开 H100 功率测量构成的来源约束合成回放。

下一条判别条件由时间余量、外部供电上限和可移动任务比例构成。若改变这些条件后 q90 类反向区域扩大，功率形状将成为储能配置不可忽略的边界变量；若反向区域缩小并趋于零，则正调制更接近当前强约束条件下的峰值效应。

NLR 原始曲线具有 0.2 s 采样分辨率。本文在 1 min 规划尺度上比较相对阶段形状；原始秒级功率结构将在后续细时间尺度校核中进入电网功率、SOC、备用和回充约束。

6 结论

在保持任务总能量、GPU 需求、持续时间和截止时间一致的条件下，任务内部功率时间分布会改变任务调度能够替代的峰值型增量储能容量。

两条 NLR 动态功率形状在 7 个精确窗口中均表现为非负调制：Llama2-70B LoRA 形状的 M 中位数为 +0.184754 kWh，Stable Diffusion 为 +0.098827 kWh。q90 同时给出边界信号：Llama2 的 M 求解区间完全低于 0，Stable Diffusion 的区间跨越 0。

因此，任务弹性的储能价值不能只由“能等多久”描述；任务内部功率形状与任务到达结构也参与决定容量边界。下一阶段将沿既定路线扫描时间余量、外部供电上限和可移动比例，把这一窗口依赖转化为可用于配置决策的条件边界。

参考文献

[1] Liu Z, Wierman A, Chen Y, Razon B, Chen N. Data center demand response: avoiding the coincident peak via workload shifting and local generation. Performance Evaluation. 2013;70(10):770–791. DOI: 10.1016/j.peva.2013.08.014.

[2] Zhang Y, Tsiligkaridis A, Paschalidis IC, Coskun AK. Data Center and Load Aggregator Coordination Towards Electricity Demand Response. Sustainable Computing: Informatics and Systems. 2024;42:100957. DOI: 10.1016/j.suscom.2024.100957.

[3] Guo H, Yu H, Wang M, Liu C, Li C. Integrated Management of Workloads and Energy System for Data Centers. Energy. 2025;327:136400. DOI: 10.1016/j.energy.2025.136400.

[4] Vercellino R, Willard J, Campos G, da Silva Pereira W, Hull O, Selensky M, Mueller J. Measurement of Generative AI Workload Power Profiles for Whole-Facility Data Center Infrastructure Planning. arXiv:2604.07345, 2026.

[5] National Laboratory of the Rockies. 生成式AI工作负载功率曲线数据集. 2026. DOI: 10.7799/3025227. https://data.nlr.gov/submissions/312

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

---

署名：Akira

AI 使用说明：本研究使用 AI 辅助代码实现、结果核对、图表生成与文稿整理；正式数值来自冻结输入、预先规定的比较规则和可追溯的 Python 分析结果。