同样的绿电能量，不同的时间价值：任务弹性与增量储能的相位替代和条件互补

摘要

数据中心的时间弹性可以把计算任务移到更有利的供电时段，但绿电与任务调度究竟互相替代还是互相增强，取决于绿电出现的时间位置。本文在 9 个冻结 GPU 任务窗口上，固定任务工作量、30 min 时间余量、75% 外部供电上限、通用 1C 储能规则以及绿电总能量，仅将同一个 30 min 平顶绿电块在 [0,30)、[30,60) 和 [60,90) min 之间平移。216 个策略状态形成 108 个固定/联合调度配对和 81 个非零相位交互。66 个精确交互中，early 的 22/22 条全部表现为替代，中位交互量 I_C=-0.855073 kWh；slack-aligned 的 22 条中 21 条中性，仅 q90 常功率出现精确互补 I_C=+0.449743 kWh；late 的 22 条全部中性。加入 q90 动态功率的求解界限后，所有 24 个可确定方向的 early 条件仍然是替代。结果表明，绿电总量相同并不意味着其对任务弹性的价值相同：当联合调度基线已经触及 0 kWh 容量地板时，提前出现的绿电主要替代任务错峰价值；只有在联合基线仍需正容量的紧约束窗口中，合适相位才可能形成正互补。

1 研究背景与问题

可延迟计算任务使数据中心能够作为需求侧灵活资源参与峰值管理和电力系统响应[1,2]。随着光伏等可再生能源进入数据中心能源系统，任务调度、储能和绿电预测开始被放到同一个优化框架中[3]。但“绿电更多”与“绿电出现得更合适”是两个不同问题：即使总能量完全相同，供给出现在任务释放之前、可移动窗口之内或窗口之后，可能对所需储能容量产生不同影响。

前序研究已经建立三个边界。第一，1 min 规划尺度下，任务—储能联合调度在多数冻结任务窗口中显著降低峰值型增量储能容量。第二，动态任务功率会改变这一价值的幅度。第三，0.2 s 回放显示部分分钟级 0 kWh 配置并不具备亚分钟硬件可行性。因此，R4 不重新讨论“任务弹性是否有价值”，而是进一步隔离一个外部时间结构问题：相同绿电能量只改变时间相位时，绿电会替代任务弹性的容量价值，还是与之形成互补？

2 数据与方法

2.1 冻结任务与功率条件

任务时序继续使用 9 个结果前冻结的 AcmeTrace 20 任务窗口[6]。每个任务保留释放时间、持续时间、GPU 请求和显式 30 min 时间余量；集群容量为 8 GPU。任务功率采用前序冻结的 0.6577485807986369 kW/GPU 锚点，并保留常功率、Llama2-70B LoRA 和 Stable Diffusion 三种功率条件，其中两条动态形状来自 NLR GenAI Power Profiles[4,5]。

外部供电上限固定为满 GPU 计算功率的 75%，即 3.9464914847918213 kW。储能采用通用 1C 规则：最大充电和放电倍率均为 1C，单向效率 0.975，初始/备用/终态最低能量比例分别为 0.5/0.2/0.5。

2.2 同能量绿电相位干预

对每个窗口，先计算全部任务的冻结计算能量 E_task。三个非零绿电条件都固定

式（1）

E_RE = 0.5 × E_task

并使用持续 30 min 的平顶功率块，因此

式（2）

P_RE = E_RE / 0.5 h。

三个相位仅改变该绿电块的位置：

• early：[0,30) min；
• slack-aligned：[30,60) min；
• late：[60,90) min。

另设 none 无绿电基线。同一窗口跨三种任务功率模板的绿电序列逐元素相同，三种非零相位的离散积分总能量相对误差小于 1×10^-12。

2.3 固定 EDF 与联合调度

固定 EDF 条件保持任务开始时刻不随绿电相位变化，仅针对该排程优化通用储能容量和出力。联合条件同时优化任务开始时刻、储能容量/出力和绿电实际使用量，并继续满足任务释放、截止和 GPU 并发约束。

每个分钟步满足

式（3）

P_grid(t) + P_RE,used(t) + P_dis(t) = P_task(t) + P_ch(t)

并要求 0 ≤ P_RE,used ≤ P_RE,available、0 ≤ P_grid ≤ P_grid,max。不允许电网反送，弃电定义为可用绿电减去实际使用绿电。

2.4 相位交互量

令固定 EDF 与联合调度的最小增量储能容量分别为 C_fixed(φ) 和 C_joint(φ)。任务弹性的容量价值定义为

式（4）

ΔC_task(φ) = C_fixed(φ) − C_joint(φ)。

以无绿电为基线，定义相位交互量

式（5）

I_C(φ) = ΔC_task(φ) − ΔC_task(none)。

I_C>1×10^-7 kWh 记为互补，I_C<-1×10^-7 kWh 记为替代，其余精确结果记为中性。只有构成交互的四个容量状态均证明最优并通过独立物理校核时才报告精确点估计；feasible_limit 只形成上下界。

主网格为 9 窗口 × 3 功率条件 × 4 绿电相位 × 2 策略，共 216 个策略状态。无绿电 54 状态承担 R2 退化控制。

3 结果

3.1 同能量绿电的时间位置显著改变任务弹性的容量价值

216 个状态中，184 个达到 optimal，8 个为 feasible_limit，12 个固定 EDF 为服务排程不可行，12 个联合问题不可行。正式结果形成 108 个相位配对和 81 个非零相位交互，其中 66 个交互形成精确点估计。

独立校核重新构造全部任务场景与绿电相位，物理校核失败、运行指标重算失败、绿电相位身份失败和重复运行身份均为 0。无绿电 54 状态继续逐项恢复前序 30 min / 75% 结果，46 个既有最优状态的容量误差最大为 0 kWh。

图1 同能量绿电相位与任务弹性的容量交互。 每个点为一个窗口—功率模板上的精确 I_C，箱体表示四分位区间，中线为中位数。I_C<0 表示绿电替代部分任务弹性容量价值，I_C>0 表示互补。q20 服务不可行和 q90 动态功率的界限条件不进入箱线分布。

3.2 early 绿电在所有可确定方向条件中均表现为替代

early 相位的 22 个精确交互全部为替代，中位数为 -0.855073 kWh，四分位区间为 -1.211354 至 -0.570049 kWh，范围为 -1.526673 至 -0.285024 kWh。q90 的两条动态功率条件虽然没有精确点估计，但交互界限也完全位于负侧。因此，在全部 24 个能够确定方向的 early 条件中，方向均为替代。

q10 常功率案例揭示了这种替代的容量地板机制（图2左）。无绿电时，固定 EDF 需要 1.315497 kWh，而联合调度为 0 kWh；early 绿电出现后，两侧都降到 0 kWh。任务弹性的容量价值因此从 1.315497 kWh 降为 0，得到 I_C=-1.315497 kWh。

换言之，当联合调度基线已经把峰值型增量储能压到 0 kWh 时，提前出现的绿电还能继续降低固定 EDF 的硬件缺口，却无法让联合侧低于 0，因而表现为替代。

3.3 slack-aligned 只在 q90 紧约束边界出现正互补

slack-aligned 的 22 个精确交互中，21 个为中性，只有 q90 常功率形成精确互补 I_C=+0.449743 kWh。

q90 无绿电时，固定 EDF 与联合调度容量分别为 3.073241 和 1.349228 kWh，任务弹性价值为 1.724013 kWh。绿电移到 [30,60) min 后，固定 EDF 降至 2.173756 kWh，联合调度则降至 0 kWh，任务弹性价值增至 2.173756 kWh。因此相位使联合侧消除的剩余容量大于固定 EDF 侧的容量下降，形成正互补（图2右）。

q90 Stable Diffusion 的交互虽受 feasible_limit 限制，但区间 [0.270731,0.378776] kWh 完全位于正侧，支持同一互补方向；q90 Llama2 区间 [-0.089279,0.425822] kWh 跨越 0，保持未决。

图2 两个代表性容量机制。 左：q10 常功率中 early 绿电把固定 EDF 从 1.315497 kWh 降到 0，而联合调度本来已经为 0，因此 early 替代任务弹性价值。右：q90 常功率中 slack-aligned 绿电使联合侧从 1.349228 kWh 降至 0，而固定 EDF 仍需 2.173756 kWh，从而形成 +0.449743 kWh 的正互补。

3.4 late 的精确容量交互全部中性，但运行方式仍发生变化

late 相位的 22 个精确交互全部为中性；除约 -4.44×10^-16 kWh 的浮点残差外，其余精确 I_C 都为 0。q90 两条动态功率界限均跨越 0，也不能升级为确定替代或互补。

容量交互中性并不表示运行层没有变化。以 q90 常功率为例，late 条件下固定 EDF / 联合调度容量仍为 3.073241 / 1.349228 kWh，但两种策略的绿电使用、弃电、购电与储能吞吐明显不同。当前主要结论因此严格限定在最小容量交互。

4 讨论

4.1 任务弹性价值不是一个与外部能源时间结构无关的常数

需求响应研究长期把工作负载迁移视为一种可与本地供能结合的灵活资源[1]，近期轨迹研究也量化了延迟容忍任务的需求侧灵活性[2]。R4 进一步显示，即使绿电总能量和形状完全相同，只改变它相对任务可移动窗口的时间位置，就足以改变任务弹性的峰值型增量储能价值。

early 的稳定替代不是因为绿电量更多，而是因为固定 EDF 能先从提前供给中获得原本由任务错峰提供的一部分峰值缓解；联合调度在多数窗口已处于 0 kWh 地板。相反，q90 的联合基线仍需要正容量，给 slack-aligned 绿电留下了进一步降低联合侧容量的空间，于是互补才出现。

4.2 正互补是条件式边界，而不是普遍规律

66 个精确交互只有 1 个正互补，另有 1 个 q90 Stable Diffusion 条件形成确定正向界限。其余 slack-aligned 精确结果全部中性。

因此，本研究不支持“把绿电和任务调度放在一起就一定产生协同”的一般化表述。更准确的结论是：互补需要两个条件同时存在——联合调度的无绿电基线尚未触及容量地板，并且绿电相位落在任务移动能够利用的时间区域。

4.3 当前结果是机制实验，不是现实光伏曲线结论

本文固定 50% 任务能量和 30 min 平顶块，目的是把绿电总量、形状和相位分离，单独识别相位。真实光伏和风电具有日内爬坡、天气波动和预测误差，因此不能把“early 替代、slack-aligned q90 互补”直接翻译为特定地区的太阳能时段规律。

此外，R4 仍是 1 min 规划模型。前序 0.2 s 回放已经证明分钟级容量结果不自动等于亚分钟硬件可行性。若未来把 R4 动态条件升级为工程配置，还需要细时间尺度功率额定校核。

4.4 下一关键问题从“相位是否重要”转向“离线相位价值能否在线实现”

R4 联合调度知道完整未来任务和绿电序列，而实际调度只能依赖已到达任务、历史和预测。Yang 等近期工作把 PV、储能、任务到达与在线预测共同纳入调度[3]，这说明信息结构本身可能决定离线最优能保留多少。

因此，既定 R5 将不再改变 R4 已冻结的相位定义，而是改变信息可见性：比较无预测、简单预测和学习预测能保留多少离线联合收益。这样可以直接判断 R4 的替代/互补边界是否依赖全知未来。

5 适用范围与限制

本文结论限定于：

• 9 个冻结 AcmeTrace 20 任务窗口；
• 30 min 显式任务时间余量；
• 75% 外部供电上限与 0 kW 刚性负载；
• 常功率与两条 NLR 动态任务功率条件；
• 每窗口绿电总能量固定为任务总能量 50%；
• 30 min 平顶绿电块及 [0,30)、[30,60)、[60,90) min 三个预定义相位；
• 通用 1C 增量储能，单向效率 0.975；
• 离线全知联合调度；
• 1 min 规划时间尺度。

q20 在冻结条件下固定 EDF 和联合问题均不可行，因此不形成容量交互。q90 两条动态功率条件包含 feasible_limit，本文只使用求解界限，不把返回容量当作已证明最优点估计。

晚相位绿电使用率还受到终态库存语义影响：当前只要求窗口末储能能量不低于初始比例，因此部分 late 绿电可以作为期末库存保留。该细节不改变主要容量交互，但限制了对二级“绿电消纳率”的现实解释。

6 结论

在绿电总能量与块形状完全相同的情况下，时间相位本身足以改变任务弹性的峰值型增量储能价值。early 绿电在全部可确定方向的 24 个条件中一致表现为替代；late 的精确容量交互全部中性；slack-aligned 的正互补只出现在 q90 这类无绿电联合基线仍需正容量的紧约束窗口。

这意味着任务弹性与绿电不是固定的“协同资源对”。当一种资源已经把容量需求推到地板，另一种资源的新增容量价值会被压缩；只有系统仍保留紧约束余量时，合适的时间对齐才可能形成正互补。下一步需要在 R5 中把离线全知改为因果信息与预测，检验这些相位边界在在线运行中还能保留多少。

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] 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.

[3] 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.

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

[5] 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.

[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、独立校核、图表生成与文稿整理；正式数值来自结果前冻结的研究设计、可追溯 Python 分析结果和独立验证，不由写作阶段重新估计。