分钟级任务—储能联合调度的细时间尺度可行性：0.2 s 功率回放与容量修正

摘要

任务启动时间与储能联合调度可以在分钟级模型中降低人工智能数据中心的峰值型增量储能需求，但分钟平均功率可能掩盖亚分钟峰值。本文固定前一阶段已经选定的任务开始时刻与通用 1C 储能配置，对 9 个冻结任务窗口中的 495 条规划轨迹进行 0.2 s 功率回放。165 条常功率控制全部恢复分钟级结果；两条 NLR 动态功率模板对应的 330 条轨迹中，92 条保持直接可行，238 条在细尺度失效。失效轨迹均不能仅靠相同硬件下的快速补偿或跨分钟出力重分配恢复，其中 202 条首先受到瞬时功率—电网边界限制。联合调度仍显著提高细尺度可行性，但 135 条分钟级动态 0 kWh 联合轨迹中有 43 条在 0.2 s 下重新需要正容量。结果表明，分钟级任务调度的方向性价值可以保留，但“零增量储能”和既有 1C 配置的可执行范围需要经过更细功率尺度校核。

1 研究背景与问题

数据中心的部分计算工作可以在服务期限内改变执行时刻，因此工作负载调度已经被用于需求响应、峰值管理和低碳运行研究[1–3]。当站内同时配置储能时，任务负载与充放电状态进一步形成跨时间耦合；近期研究也开始把任务调度、储能、可再生能源和在线决策放在同一优化框架中[4]。

前一阶段在 9 个冻结 GPU 任务窗口上，以 1 min 为规划时间步，联合优化任务开始时刻与储能出力。结果显示，在形成精确比较的条件中，联合调度一致降低了峰值型增量储能容量，并在大量动态功率条件中把该容量降到 0 kWh[8]。这一结果回答了分钟级配置问题，但没有回答一个更接近执行层的问题：分钟级可行的任务排程和储能配置，在任务内部功率波动恢复到亚分钟尺度后是否仍然可行？

本文保持前一阶段的任务开始时刻、外部供电上限、通用 1C 储能参数与服务约束不变，将两条公开 H100 训练功率曲线映射到 0.2 s 时间步，依次检查原分钟出力直接下放、相同硬件下的快速补偿，以及固定任务排程后的细尺度最小容量。研究目标是区分分钟级调度收益与亚分钟硬件可行性，而不是重新优化一套任务计划。

2 数据与方法

2.1 冻结任务轨迹与细功率输入

任务时序来自 AcmeTrace Seren 公开 GPU 作业轨迹[7]。研究使用结果前冻结的 9 个窗口，每个窗口包含 20 个任务；释放时刻、持续时间、GPU 请求、实验截止时间和分钟级任务开始时刻均沿用前一阶段正式结果。

细功率形状来自 National Laboratory of the Rockies（NLR）GenAI Power Profiles[5,6]：Llama2-70B LoRA 与 Stable Diffusion 两条 2-node / 8×H100 训练曲线的实际采样间隔中位数约为 0.2 s。源功率先按时间积分归一化，再按任务进度做能量守恒重采样，使一个任务在 1 min 与 0.2 s 表示下保持相同总能量。常功率条件承担时间尺度实现控制。

进入 R3 的输入为前一阶段实际保存且独立校核通过的 495 条主轨迹：常功率、Llama2 和 Stable Diffusion 各 165 条；其中固定 EDF 243 条、联合调度 252 条。参数网格是同一 9 个窗口上的重复条件，不作为 495 个独立统计样本。

2.2 直接保持分钟出力

第一层回放把分钟级储能充放电功率在每个 60 s 区间内保持不变，仅把任务功率展开为 300 个 0.2 s 子步。每个细步重新计算

式（1）

P_grid(t) = P_rigid(t) + P_task(t) + P_charge(t) − P_discharge(t)

其中，P_grid 为电网取电功率，P_rigid 为刚性负载，P_task 为任务功率，P_charge 与 P_discharge 分别为储能充电和放电功率，单位均为 kW。

储能能量状态满足

式（2）

E(t+1) = E(t) + η_c P_charge(t) Δt − P_discharge(t) Δt / η_d

其中 E 为储能能量（kWh），η_c、η_d 为充放电效率，Δt = 0.2/3600 h。逐步检查电网功率、储能额定功率、容量上界、备用下界与终态要求。

2.3 相同硬件下的快速补偿可达性

直接保持失败并不意味着硬件一定不足，因为细尺度控制器可以在分钟内调整储能出力。为此，第二层回放固定任务排程、储能容量、额定功率以及每个分钟末的能量目标，仅允许 0.2 s 储能净功率变化。

令 u(t) 为有符号储能功率，正值表示放电、负值表示充电。当前不允许向电网反送功率时，每个细步满足

式（3）

max[−P_c,max, P_load(t) − P_grid,max] ≤ u(t) ≤ min[P_d,max, P_load(t)]

其中 P_load = P_rigid + P_task，P_c,max 与 P_d,max 为最大充放电功率。若式（3）的区间为空，则当前硬件在该细步不存在满足电网边界的储能动作。

对非空功率区间逐步传播可达能量区间，并在每个 60 s 边界要求其与前一阶段保存的分钟末能量目标相交。这样可以区分“分钟指令过粗，但相同硬件仍可快速跟踪”与“硬件可行域本身不足”。

2.4 固定任务排程下的细尺度容量修正

若相同硬件仍不可行，则取消逐分钟能量目标，只保留同一任务开始时刻、初始状态、备用、终态和通用 1C 规则，在完整 0.2 s 时域内重新分配储能出力并搜索最小可行容量。

对前一阶段已经证明最优的轨迹定义

式（4）

ΔC_fine = C_fine,min − C_R2

其中 C_fine,min 为固定任务排程下的细尺度最小容量，C_R2 为 1 min 规划得到的最小容量，单位均为 kWh。容量二分搜索的最终宽度门槛为 1×10^-7 kWh；为避免该最终判定容差扩大最小化可行域，容量候选的内部数值可达性使用 1×10^-9 容差。最终科学可行性和容量差判定仍使用结果前固定的 1×10^-7 门槛。

2.5 数值控制

常功率条件用于检验 0.2 s 实现是否能够退化回原分钟模型。160 条前一阶段已证明最优的常功率轨迹全部通过直接保持和状态跟踪，细尺度最小容量相对原结果的最大绝对偏差为 6.724×10^-8 kWh。动态任务总能量相对误差最大为 3.86×10^-16，细功率重新聚合为分钟功率的相对误差最大为 8.59×10^-15。495 条正式轨迹均通过完整性与数值门禁。

3 结果

3.1 动态功率使 72.1% 的细尺度轨迹失去原硬件可行性

常功率的 165 条轨迹全部能够直接继承分钟级硬件与出力。两条 NLR 动态模板共 330 条轨迹中，92 条直接可行，195 条需要增加原本已为正的储能容量，另有 43 条把分钟级的 0 kWh 结论修正为正容量。由此共有 238/330 条动态轨迹在 0.2 s 下失效，占 72.1%。

图1 固定 EDF 与联合调度在 0.2 s 回放下的可行性分类。 每根柱表示相应策略—功率模板下的全部可回放轨迹，并归一化为 100%。蓝色区域为原分钟硬件与出力直接可行，橙色区域需要增加原本已为正的通用 1C 容量，绿色区域表示 R2 的 0 kWh 条件在细尺度重新需要正容量。柱顶 n 是轨迹条件数，同一任务窗口上的网格条件属于相关重复条件。

3.2 联合调度保留了明显的细尺度鲁棒性优势

固定 EDF 的 162 条动态轨迹没有一条能够直接执行，全部需要增加容量。联合调度的 168 条动态轨迹中，92 条直接可行，占 54.8%；其余 76 条中，33 条需要增加既有正容量，43 条属于分钟级 0 kWh 在细尺度失效。

因此，R3 没有推翻任务—储能联合调度的方向性价值。相同动态功率下，联合调度形成了固定 EDF 未出现的直接可行细尺度轨迹。但联合调度也没有保证分钟级硬件结论在所有亚分钟条件下成立。

R2 中共有 135 条动态联合轨迹的增量储能容量为 0 kWh，其中 43 条在 0.2 s 下重新需要正容量，占 31.9%。这 43 条的细尺度最小容量中位数为 0.340409 kWh，范围为 0.022144–0.773464 kWh；该现象分布在 8 个冻结窗口中。

3.3 快速控制不能救回 238 条失效轨迹，主要缺口是瞬时功率额定

238 条直接保持失效轨迹全部在“分钟末状态跟踪快速补偿”中继续失败；进一步取消分钟末能量目标、允许完整时域重新分配储能出力后，这 238 条在相同硬件下仍全部失败。因此，当前失效不是仅靠更快控制器即可解决的分钟指令问题。

状态跟踪的首个失败约束中，202 条为式（3）的功率—电网可行区间为空，占 84.9%；36 条首先表现为分钟末能量目标不可达，占 15.1%（图2A）。原分钟出力直接保持时，125 条首先超过电网取电上限，113 条首先产生当前模型不允许的负电网功率。

图2 动态轨迹的首发失效机制与细尺度容量修正。 A：238 条分钟末状态跟踪失败轨迹的首个约束类型。B：R2 求解状态为最优且细尺度容量修正超过 1×10^-7 kWh 的 221 条动态轨迹，按功率模板与调度策略分组；箱体表示四分位区间，中线为中位数，须状线采用 Matplotlib 默认 1.5×IQR 规则，点为其外观测。这里的网格轨迹用于定位边界，不作为独立样本量。

3.4 精确正容量修正的中位数为 0.343 kWh

在 R2 已证明最优且需要正容量修正的 221 条动态轨迹中，ΔC_fine 中位数为 0.343058 kWh，四分位区间为 0.297198–0.476660 kWh，最大值为 0.781115 kWh（图2B）。

对于原本已有正 R2 容量、并形成精确正修正量的 178 条动态轨迹，新增容量相对原容量的中位比例为 25.2%，四分位区间为 16.7%–49.2%。Llama2 与 Stable Diffusion 两种功率形状均出现广泛的正容量修正，说明该现象并非由单一模板的个别尖峰独占。

4 讨论

4.1 分钟级调度收益与亚分钟硬件可行性是两个不同问题

前一阶段的 1 min 结果表明，移动任务开始时刻能够降低并发功率缺口，从而降低峰值型增量储能容量[8]。R3 保留了这一方向：联合调度在动态条件下产生 92 条直接可行轨迹，而固定 EDF 的动态轨迹全部需要容量修正。

但更细时间尺度暴露出另一层约束。任务开始时刻决定哪些任务在同一时段运行，却不能消除一个运行中任务内部的 0.2 s 功率变化。分钟平均负载已经低于供电上限时，亚分钟峰值仍可能暂时超过供电能力；如果储能额定功率也不足，调度层的分钟级可行性不会自动转化为执行层可行性。

4.2 当前容量修正首先反映 kW 缺口，而不能直接解释为更多能量需求

本文的通用储能模型采用 1C 额定，因此安装容量增加时，可用充放电功率也同比增加。202/238 条失效首先出现瞬时功率可行区间为空，这表明当前修正主要受到功率额定推动。

因此，ΔC_fine 是“在 1C 功率—能量耦合硬件模型下恢复细尺度可行性所需的等效容量修正”，不能直接解释成系统真实需要额外储存同等 kWh 能量。下一步最有判别力的实验是解耦 kW 与 kWh：单独提高功率倍率，再判断多少细尺度缺口无需增加能量容量即可消除。

4.3 分钟级 0 kWh 应保留为规划尺度结论

R2 的 0 kWh 表示在冻结 1 min 模型中，无需为了当前计算峰值额外安装通用储能。R3 显示，这一结论在 68.1% 的动态联合 0 kWh 轨迹中仍成立，但另外 31.9% 在 0.2 s 下重新出现正容量需求。

因此，更稳健的工程表述是：任务弹性可以消除部分分钟级峰值型增量储能需求，而亚分钟执行还需要独立检查功率额定与更细负载形状。把分钟级 0 kWh 直接解释为“不需要快速储能能力”会超出当前证据。

5 适用范围与判别条件

本文结论对应以下边界：

• 9 个结果前冻结的 AcmeTrace 20 任务窗口；
• 前一阶段 1 min 主网格中实际形成可回放轨迹的 495 个条件；
• 常功率与两条 NLR H100 动态功率形状；
• 0.2 s 细时间步；
• 固定前一阶段任务开始时刻，不重新进行任务优化；
• 通用 1C 储能，单向效率 0.975，初始/备用/终态能量比例为 0.5/0.2/0.5；
• 当前模型不允许电网反送功率；
• 九个任务窗口是独立推断单位，参数网格用于定位条件边界。

AcmeTrace 任务时序与 NLR 功率形状共同构成来源约束的合成回放。NLR 曲线提供真实测得的 H100 作业功率形状，但它们通过归一化任务进度映射到 AcmeTrace 任务，因此不代表每个任务自身的实测功率。

0.2 s 是当前两条源曲线直接支持的细时间尺度。真实变流器响应、通信延迟、热限制和电化学瞬态会进一步决定工程执行边界。对当前 202 条首发功率边界失效轨迹，下一条判别条件是把储能的额定功率 kW 与能量容量 kWh 解耦，并比较不同倍率规格能否在不增加同等能量容量的情况下恢复可行性。

6 结论

在冻结的任务排程与通用 1C 储能模型中，0.2 s 回放显著收窄了分钟级配置结论的适用范围。两条动态功率模板的 330 条轨迹中，238 条在原硬件下失效；其中 202 条首先受瞬时功率—电网边界限制。135 条分钟级动态 0 kWh 联合轨迹中有 43 条在细尺度重新需要正容量。

联合任务—储能调度的方向性价值仍然成立：固定 EDF 的全部动态轨迹都需要容量修正，而联合调度仍有 92/168 条动态轨迹能够直接执行。由此，数据中心储能设计需要同时区分规划尺度的任务错峰价值与执行尺度的瞬时功率能力。下一步应解耦 kW 与 kWh 规格，判断细尺度缺口究竟需要更多能量，还是主要需要更高倍率的快速功率支路。

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] Wiesner P, Behnke I, Scheinert D, Gontarska K, Thamsen L. Let’s Wait Awhile: How Temporal Workload Shifting Can Reduce Carbon Emissions in the Cloud. Proceedings of the 22nd International Middleware Conference. 2021:260–272. DOI: 10.1145/3464298.3493399.

[3] Caprara A, Yu Y, Teng F, Junyent-Ferré A, Bullich-Massagué E, Aragüés-Peñalba M. Data center workload flexibility for power system demand response: Evidence from Alibaba traces. International Journal of Electrical Power & Energy Systems. 2026;178:111940. DOI: 10.1016/j.ijepes.2026.111940.

[4] Yang P, Chen T, Zhong Z, Wu Y, Luo Q. Decision focused online learning for real time energy aware scheduling of interconnected data centers with photovoltaic generation and battery storage. Scientific Reports. 2026. DOI: 10.1038/s41598-026-67967-z.

[5] National Laboratory of the Rockies. Generative AI Workload Power Profiles. 2026. DOI: 10.7799/3025227.

[6] 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.

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

[8] Akira. 任务时间弹性、供电上限与钠锂储能配置边界：基于公开 GPU 任务轨迹的冻结网格分析. 1836. 内容 ID: cmv97cjp800f63kp08zdx2nc0.

---

署名：Akira

AI 使用说明：本研究使用 AI 辅助代码实现、数值校核、图表生成与文稿整理；正式数值来自结果前冻结的输入与比较规则、可追溯的 Python 分析结果和独立轨迹校核。