Load Flexibility of Intelligent Computing Centers Aimed for Computing Power-Electric Power Coordination: Challenges and Prospects

WANG Yi; GUO Qinglai

doi:10.7500/AEPS20260121006

您当前的位置：

首页 >

文章列表页 >

Load Flexibility of Intelligent Computing Centers Aimed for Computing Power-Electric Power Coordination: Challenges and Prospects

Computing Power-Electric Power Coordination | 更新时间：2026-09-01

- Load Flexibility of Intelligent Computing Centers Aimed for Computing Power-Electric Power Coordination: Challenges and Prospects
- Automation of Electric Power Systems Vol. 50, Issue 17, Pages: 3-17(2026)
- 作者机构：
  
  清华大学电机工程与应用电子技术系，北京市 100084
- 作者简介：
- 基金信息：
  
  Smart-Grid National Science and Technology Major Project(2025ZD0804800)
- DOI：10.7500/AEPS20260121006
  CLC：
- Received：21 January 2026，
  
  Revised：2026-06-08，
  
  Online First：30 July 2026，
  
  Published：10 September 2026
- 稿件说明：
移动端阅览
王奕,郭庆来.面向算电协同的智算中心负荷灵活性：挑战与展望[J].电力系统自动化,2026,50(17):3-17.

WANG Yi,GUO Qinglai.Load Flexibility of Intelligent Computing Centers Aimed for Computing Power-Electric Power Coordination: Challenges and Prospects[J].Automation of Electric Power Systems,2026,50(17):3-17.
王奕,郭庆来.面向算电协同的智算中心负荷灵活性：挑战与展望[J].电力系统自动化,2026,50(17):3-17. DOI： 10.7500/AEPS20260121006.

WANG Yi,GUO Qinglai.Load Flexibility of Intelligent Computing Centers Aimed for Computing Power-Electric Power Coordination: Challenges and Prospects[J].Automation of Electric Power Systems,2026,50(17):3-17. DOI： 10.7500/AEPS20260121006.

摘要

人工智能（AI）的盛行引发智算中心能耗和碳排激增，源荷双侧的强波动性使得发掘内生负荷灵活性成为算电协同的关键。首先，针对AI计算任务与硬件设施的特殊性，剖析了智算中心负荷灵活性研究面临的多维度异构、细粒度耦合和多主体协同三大挑战。然后，从负荷建模、灵活性发掘与灵活性利用3个核心子问题出发，综述了国内外研究现状。最后，展望了未来研究的趋势，指出应重点推进适应多维度异构的任务级负荷建模，攻克感知细粒度耦合的灵活性动态刻画技术，设计激励多主体协同的灵活性拓展应用策略。

Abstract

The prevalence of artificial intelligence (AI) has led to a sharp increase in energy consumption and carbon emissions in intelligent computing centers. High volatility on both the resource and load sides makes the exploration of endogenous load flexibility the key to computing power-electric power coordination. First

addressing the unique characteristics of AI computing tasks and hardware infrastructure

this paper analyzes the three major challenges faced by the research on load flexibility of intelligent computing centers: multi-dimensional heterogeneity

fine-grained coupling

and multi-stakeholder collaboration. Then

based on the three core sub-problems of load modeling

flexibility exploitation

and flexibility utilization

this paper reviews the current status of domestic and international research. Finally

the paper prospects future research trends

highlighting the need to advance task-level load modeling adapted to multi-dimensional heterogeneity

conquer dynamic flexibility characterization technologies that perceive fine-grained coupling

and design flexibility expansion application strategies to incentivize multi-stakeholder collaboration.

关键词

Keywords

references

De Vries A . The growing energy footprint of artificial intelligence ［J］. Joule ， 2023 ， 7 （ 10 ）： 2191 - 2194 .

Crawford K . Generative AI’s environmental costs are soaring—and mostly secret ［J］. Nature ， 2024 ， 626 （ 8000 ）： 693 .

Kaplan J ， Mccandlish S ， Henighan T ， et al . Scaling laws for neural language models ［PP/OL］. ［ 2026-01-21 ］. http：//arxiv.org/abs/2001.08361 http://arxiv.org/abs/2001.08361 .

Li Y ， Mughees M ， Chen Y ， et al . The unseen AI disruptions for power grids： LLM-induced transients ［PP/OL］. ［ 2026-01-21 ］. http：//arxiv.org/abs/2409.11416 http://arxiv.org/abs/2409.11416 .

Electricity 2024 ［EB/OL］. ［ 2026-01-21 ］. https：//www.iea.org/reports/electricity-2024 https://www.iea.org/reports/electricity-2024 .

Executive summary： energy and AI analysis ［EB/OL］. ［ 2026-01-21 ］. https：//www.iea.org/reports/energy-and-ai/executive-summary https://www.iea.org/reports/energy-and-ai/executive-summary .

国家能源局 . 2024年可再生能源并网运行情况［EB/OL］.［ 2026-01-21 ］. https：//www.nea.gov.cn/20250221/e10f363cabe3458aaf78ba4558970054/c.html https://www.nea.gov.cn/20250221/e10f363cabe3458aaf78ba4558970054/c.html .

National Energy Administration . Renewable energy grid connection operations in 2024 ［EB/OL］. ［ 2026-01-21 ］. https：//www.nea.gov.cn/20250221/e10f363cabe3458aaf78ba4558970054/c.html https://www.nea.gov.cn/20250221/e10f363cabe3458aaf78ba4558970054/c.html .

国家发展和改革委员会 . 关于有序推动绿电直连发展有关事项的通知［EB/OL］.［ 2026-01-21 ］. https：//www.ndrc.gov.cn/xwdt/tzgg/202505/t20250530_1398139.html https://www.ndrc.gov.cn/xwdt/tzgg/202505/t20250530_1398139.html .

National Development and Reform Commission . Notice on matters concerning the orderly promotion of direct grid connection for green electricity ［EB/OL］. ［ 2026-01-21 ］. https：//www.ndrc.gov.cn/xwdt/tzgg/202505/t20250530_1398139.html https://www.ndrc.gov.cn/xwdt/tzgg/202505/t20250530_1398139.html .

Li J M ， Xu H ， Zhu Y B ， et al . Lyra： elastic scheduling for deep learning clusters ［C］// Proceedings of the Eighteenth European Conference on Computer Systems ， 2023 ： 835 - 850 .

Stojkovic J ， Zhang C J ， Goiri Í ， et al . DynamoLLM： designing LLM inference clusters for performance and energy efficiency ［C］// 2025 IEEE International Symposium on High Performance Computer Architecture （HPCA）， 2025 ： 1348 - 1362 .

Bennett C H . Notes on Landauer’s principle， reversible computation， and Maxwell’s Demon ［J］. Studies in History and Philosophy of Science Part B： Studies in History and Philosophy of Modern Physics ， 2003 ， 34 （ 3 ）： 501 - 510 .

Zhang Y W ， Wang Y F ， Wang X R . GreenWare： greening cloud-scale data centers to maximize the use of renewable energy ［C］// 12th International Middleware Conference ， 2011 ： 143 - 164 .

陈敏，郭庆来，井汤博，等 . 算电协同探索：HVDC侧储备一体电池灵活性挖掘［J］. 电力建设， 2025 ， 46 （ 2 ）： 1 - 12 .

Chen Min ， Guo Qinglai ， Jing Tangbo ， et al . Exploring synergy of computing power and electricity： unearthing flexibility of high-voltage direct current-side integrated backup and energy storage batteries ［J］. Electric Power Construction ， 2025 ， 46 （ 2 ）： 1 - 12 .

Dayarathna M ， Wen Y G ， Fan R . Data center energy consumption modeling： a survey ［J］. IEEE Communications Surveys & Tutorials ， 2016 ， 18 （ 1 ）： 732 - 794 .

Huang H K ， Lin W W ， Lin J P ， et al . Power management optimization for data centers： a power supply perspective ［J］. IEEE Transactions on Sustainable Computing ， 2025 ， 10 （ 4 ）： 784 - 803 .

Habibi Khalaj A ， Halgamuge S K . A review on efficient thermal management of air- and liquid-cooled data centers： from chip to the cooling system ［J］. Applied Energy ， 2017 ， 205 ： 1165 - 1188 .

Chen M ， Gao C W ， Song M ， et al . Internet data centers participating in demand response： a comprehensive review ［J］. Renewable and Sustainable Energy Reviews ， 2020 ， 117 ： 109466 .

Fan X B ， Weber W D ， Barroso L A . Power provisioning for a warehouse-sized computer ［C］// Proceedings of the 34th Annual International Symposium on Computer Architecture ， 2007 ： 13 - 23 .

Characteristics and risks of emerging large loads ［EB/OL］. ［ 2026-01-21 ］. https：//www.nerc.com/comm/RSTCReview Items/3_Doc_White%20Paper%20Characteristics%20and%20Risks%20of%20Emerging%20Large%20Loads.pdf https://www.nerc.com/comm/RSTCReviewItems/3_Doc_White%20Paper%20Characteristics%20and%20Risks%20of%20Emerging%20Large%20Loads.pdf .

Uptime institute global data center survey 2024 ［R/OL］. 2024-07-30 . https：//datacenter.uptimeinstitute.com/rs/711-RIA-145/images/2024.GlobalDataCenterSurvey.Report.pdf https://datacenter.uptimeinstitute.com/rs/711-RIA-145/images/2024.GlobalDataCenterSurvey.Report.pdf .

NVIDIA DGX GB rack scale systems user guide ［EB/OL］. ［ 2026-01-21 ］. https：//docs.nvidia.com/dgx/dgxgb200-user-guide/hardware.html https://docs.nvidia.com/dgx/dgxgb200-user-guide/hardware.html .

Ludema J ， Nossokoff M ， Joseph E . Insights into liquid cooling in brownfield HPC and AI data centers ［EB/OL］. ［ 2026-01-21 ］. https：//hyperionresearch.com/wp-content/uploads/2025/04/Hyperion-Research-Quick-Take-Liquid-Cooling-March-202 5-1.pdf https://hyperionresearch.com/wp-content/uploads/2025/04/Hyperion-Research-Quick-Take-Liquid-Cooling-March-2025-1.pdf .

Tadanobu K . Generative AI and data center related business ［EB/OL］. ［ 2026-01-21 ］. https：//holdings.panasonic/global/corporate/investors/pdf/20241127_ai_e.pdf https://holdings.panasonic/global/corporate/investors/pdf/20241127_ai_e.pdf .

国家发展和改革委员会，工业和信息化部，国家能源局 . 数据中心绿色低碳发展专项行动计划［EB/OL］.［ 2026-01-21 ］. https：//www.gov.cn/zhengce/zhengceku/202407/P020240724 272072479001.pdf https://www.gov.cn/zhengce/zhengceku/202407/P020240724272072479001.pdf .

National Development and Reform Commission ， Ministry of Industry and Information Technology ， National Energy Administration . Special action plan for green and low-carbon development of data centers ［EB/OL］. ［ 2026-01-21 ］. https：//www.gov.cn/zhengce/zhengceku/202407/P0202407242720724 79001.pdf https://www.gov.cn/zhengce/zhengceku/202407/P020240724272072479001.pdf .

上海市经济和信息化委员会 . 上海市智算中心建设导则（2025年版）［EB/OL］.［ 2026-01-21 ］. http：//www.sheitc.sh.gov.cn/cmsres/75/75a20d288e334260932b1aeaa36863c9/417aadec108d549cce53436579eec74a.pdf http://www.sheitc.sh.gov.cn/cmsres/75/75a20d288e334260932b1aeaa36863c9/417aadec108d549cce53436579eec74a.pdf .

Shanghai Municipal Commission of Economy and Information Technology . Guidelines for the construction of the Shanghai intelligent computing center （2025 edition）［EB/OL］. ［ 2026-01-21 ］. http：//www.sheitc.sh.gov.cn/cmsres/75/75a20d288e334260932b1aeaa36863c9/417aadec108d549cce53436579eec74a.pdf http://www.sheitc.sh.gov.cn/cmsres/75/75a20d288e334260932b1aeaa36863c9/417aadec108d549cce53436579eec74a.pdf .

Lecun Y ， Bengio Y ， Hinton G . Deep learning ［J］. Nature ， 2015 ， 521 （ 7553 ）： 436 - 444 .

Models ［EB/OL］. ［ 2026-01-21 ］. https：//huggingface.co/models https://huggingface.co/models .

Kwon W ， Li Z H ， Zhuang S Y ， et al . Efficient memory management for large language model serving with paged attention ［C］// Proceedings of the 29th Symposium on Operating Systems Principles ， 2023 ： 611 - 626 .

Agrawal A ， Kedia N ， Mohan J ， et al . Vidur： a large-scale simulation framework for LLM inference ［C］// Proceedings of Machine Learning and Systems ， 2024 ： 351 - 366 .

Hu Q H ， Ye Z S ， Wang Z R ， et al . Characterization of large language model development in the datacenter ［C］// 21st USENIX Symposium on Networked Systems Design and Implementation ， 2024 ： 709 - 729 .

Stojkovic J ， Zhang C J ， Goiri Í ， et al . TAPAS： thermal- and power-aware scheduling for LLM inference in cloud platforms ［C］// Proceedings of the 30th ACM International Conference on Architectural Support for Programming Languages and Operating Systems ， 2025 ： 1266 - 1281 .

Cao Y ， Wang H ， Cao Y ， et al . A task scheduling scheme for preventing temperature hotspot on GPU heterogeneous cluster ［C］// International Conference on Green Informatics ， 2017 ： 117 - 121 .

Malla S ， Deng Q Y ， Ebrahimzadeh Z ， et al . Coordinated priority-aware charging of distributed batteries in oversubscribed data centers ［C］// 2020 53rd Annual IEEE/ACM International Symposium on Microarchitecture （MICRO）， 2020 ： 839 - 851 .

Kontorinis V ， Zhang L E ， Aksanli B ， et al . Managing distributed ups energy for effective power capping in data centers ［J］. ACM SIGARCH Computer Architecture News ， 2012 ， 40 （ 3 ）： 488 - 499 .

Enabling 1 MW IT racks and liquid cooling at OCP EMEA Summit ［EB/OL］. ［ 2026-01-21 ］. https：//cloud.google.com/blog/topics/systems/enabling-1-mw-it-racks-and-liquid-cooling-at-ocp-emea-summit https://cloud.google.com/blog/topics/systems/enabling-1-mw-it-racks-and-liquid-cooling-at-ocp-emea-summit .

Building the 800 V DC ecosystem for efficient ， scalable AI factories ［EB/OL］. ［ 2026-01-21 ］. https：//developer.nvidia.com/blog/building-the-800-vdc-ecosystem-for-efficient-scalable-ai-factories/ https://developer.nvidia.com/blog/building-the-800-vdc-ecosystem-for-efficient-scalable-ai-factories/ .

Choukse E ， Warrier B ， Heath S ， et al . Power stabilization for AI training datacenters ［PP/OL］. ［ 2026-01-21 ］. http：//arxiv.org/abs/2508.14318 http://arxiv.org/abs/2508.14318 .

Bridges R A ， Imam N ， Mintz T M . Understanding GPU power： a survey of profiling， modeling， and simulation methods ［J］. ACM Computing Surveys ， 2017 ， 49 （ 3 ）： 1 - 27 .

Nagasaka H ， Maruyama N ， Nukada A ， et al . Statistical power modeling of GPU kernels using performance counters ［C］// International Conference on Green Computing ， 2010 ： 115 - 122 .

Song S W ， Su C Y ， Rountree B ， et al . A simplified and accurate model of power-performance efficiency on emergent GPU architectures ［C］// 2013 IEEE 27th International Symposium on Parallel and Distributed Processing ， 2013 ： 673 - 686 .

Guerreiro J ， Ilic A ， Roma N ， et al . GPGPU power modeling for multi-domain voltage-frequency scaling ［C］// 2018 IEEE International Symposium on High Performance Computer Architecture （HPCA）， 2018 ： 789 - 800 .

Kandiah V ， Peverelle S ， Khairy M ， et al . AccelWattch： a power modeling framework for modern GPUs ［C］// MICRO-54： 54th Annual IEEE/ACM International Symposium on Microarchitecture ， 2021 ： 738 - 753 .

Arunkumar A ， Bolotin E ， Nellans D ， et al . Understanding the future of energy efficiency in multi-module GPUs ［C］// 2019 IEEE International Symposium on High Performance Computer Architecture （HPCA）， 2019 ： 519 - 532 .

Khairy M ， Shen Z S ， Aamodt T M ， et al . Accel-sim： an extensible simulation framework for validated GPU modeling ［C］// 2020 ACM/IEEE 47th Annual International Symposium on Computer Architecture （ISCA）， 2020 ： 473 - 486 .

Poddar S ， Koley P ， Misra J ， et al . Towards sustainable NLP： insights from benchmarking inference energy in large language models ［C］// Proceedings of the 2025 Conference of the Nations of the Americas Chapter of the Association for Computational Linguistics： Human Language Technologies ， 2025 ： 12688 - 12704 .

Patel P ， Choukse E ， Zhang C J ， et al . Characterizing power management opportunities for LLMs in the cloud ［C］// Proceedings of the 29th ACM International Conference on Architectural Support for Programming Languages and Operating Systems ， 2024 ： 207 - 222 .

Gu D D ， Zhao Y H ， Sun P ， et al . GreenFlow： a carbon-efficient scheduler for deep learning workloads ［J］. IEEE Transactions on Parallel and Distributed Systems ， 2025 ， 36 （ 2 ）： 168 - 184 .

Wang Z B ， Zhang Y J ， Wei F C ， et al . Using analytical performance/power model and fine-grained DVFS to enhance AI accelerator energy efficiency ［C］// Proceedings of the 30th ACM International Conference on Architectural Support for Programming Languages and Operating Systems ， 2025 ： 1118 - 1132 .

Jimenez-Ruiz A ， Milano F . Data center model for transient stability analysis of power systems ［PP/OL］. ［ 2026-01-21 ］. https：//arxiv.org/abs/2505.16575 https://arxiv.org/abs/2505.16575 .

Wang H D ， Jing C . ENNP： an enhanced neural networks-based power consumption prediction algorithm to deep learning-based workloads on AI-enabled data centers ［J］. Cluster Computing ， 2025 ， 29 （ 1 ）： 36 .

Guerreiro J ， Ilic A ， Roma N ， et al . Modeling and decoupling the GPU power consumption for cross-domain DVFS ［J］. IEEE Transactions on Parallel and Distributed Systems ， 2019 ， 30 （ 11 ）： 2494 - 2506 .

Ramakrishnan B ， Turner C ， Alissa H ， et al . Understanding the impact of data center liquid cooling on energy and performance of machine learning and artificial intelligence workloads ［J］. Journal of Electronic Packaging ， 2025 ， 147 （ 2 ）： 021003 .

Heydari A ， Gharaibeh A R ， Tradat M ， et al . Experimental evaluation of direct-to-chip cold plate liquid cooling for high-heat-density data centers ［J］. Applied Thermal Engineering ， 2024 ， 239 ： 122122 .

中国信息通信研究院 . 智算中心液冷产业全景研究报告［R/OL］. 2025-08-30 . https：//www.caict.ac.cn/kxyj/qwfb/ztbg/202508/P020250826611237647336.pdf https://www.caict.ac.cn/kxyj/qwfb/ztbg/202508/P020250826611237647336.pdf .

China Academy of Information and Communications Technology . Comprehensive research report on the liquid cooling industry for intelligent computing centers ［R/OL］. 2025-08-30 . https：//www.caict.ac.cn/kxyj/qwfb/ztbg/202508/P020250826611237647336.pdf https://www.caict.ac.cn/kxyj/qwfb/ztbg/202508/P020250826611237647336.pdf .

Jiao J J ， Li Y ， Gong L ， et al . Enhanced thermal performance of a hybrid air and liquid cooling system for high power data center servers ［J］. Applied Thermal Engineering ， 2026 ， 283 ： 128878 .

Huang Y P ， Liu B ， Xu S J ， et al . Experimental study on the immersion liquid cooling performance of high-power data center servers ［J］. Energy ， 2024 ， 297 ： 131195 .

Xu Y Z ， Yang Y K ， Tian M Y ， et al . An investigation into the effects of various IT scheduling algorithms on thermal control and energy efficiency in liquid-cooled data centers ［J］. Journal of Building Engineering ， 2025 ， 107 ： 112798 .

Qu S L ， Duan K W ， Guo Y X ， et al . Real-time optimization of the liquid-cooled data center based on cold plates under different ambient temperatures and thermal loads ［J］. Applied Energy ， 2024 ， 363 ： 123101 .

Liu Z ， Wierman A ， Chen Y ， et al . Data center demand response： avoiding the coincident peak via workload shifting and local generation ［C］// Proceedings of the ACM SIGMETRICS/International Conference on Measurement and Modeling of Computer Systems ， 2013 ： 341 - 342 .

Celestine A N ， Sulic M ， Wieliczko M ， et al . Hydrogen-based energy storage systems for large-scale data center applications ［J］. Sustainability ， 2021 ， 13 （ 22 ）： 12654 .

Can supercapacitors save the grid from AI’s power spikes？［EB/OL］. ［ 2026-01-21 ］. https：//spectrum.ieee.org/supercapacitor-2671883490 https://spectrum.ieee.org/supercapacitor-2671883490 .

Kurtz J ， Ma Z W ， Saur G ， et al . Analysis of hydrogen infrastructure for the feasibility， economics， and sustainability of a fuel cell powered data center ［J］. Sustainable Energy Technologies and Assessments ， 2023 ， 58 ： 103357 .

Wang D ， Ren C G ， Sivasubramaniam A ， et al . Energy storage in datacenters： what， where， and how much？［C］// Proceedings of the 12th ACM SIGMETRICS/PERFORMANCE Joint International Conference on Measurement and Modeling of Computer Systems ， 2012 ： 187 - 198 .

Zhu Y L ， Englmair G ， Huang H T ， et al . Numerical investigations of a latent thermal energy storage for data center cooling ［J］. Applied Thermal Engineering ， 2024 ， 236 ： 121598 .

Bharadwaj S ， Das S ， Mazumdar K ， et al . Predict； don’t react for enabling efficient fine-grain DVFS in GPUs ［C］// Proceedings of the 28th ACM International Conference on Architectural Support for Programming Languages and Operating Systems ， 2023 ： 253 - 267 .

Zhang Y J ， Wang Q ， Lin Z ， et al . Improving GPU energy efficiency through an application-transparent frequency scaling policy with performance assurance ［C］// Proceedings of the Nineteenth European Conference on Computer Systems ， 2024 ： 769 - 785 .

Zhao D ， Samsi S ， Mcdonald J ， et al . Sustainable supercomputing for AI： GPU power capping at HPC scale ［C］// Proceedings of the 2023 ACM Symposium on Cloud Computing ， 2023 ： 588 - 596 .

Xue Y Q ， Huang J . ReGate： enabling power gating in neural processing units ［C］// Proceedings of the 58th IEEE/ACM International Symposium on Microarchitecture ， 2025 ： 1160 - 1177 .

Radovanovic A ， Koningstein R ， Schneider I ， et al . Carbon-aware computing for datacenters ［J］. IEEE Transactions on Power Systems ， 2023 ， 38 （ 2 ）： 1270 - 1280 .

Cao Y J ， Cheng M ， Zhang S F ， et al . Data-driven flexibility assessment for Internet data center towards periodic batch workloads ［J］. Applied Energy ， 2022 ， 324 ： 119665 .

Ma J H ， Yao R Y ， Zhang B C ， et al . Data-driven flexibility capability modeling of Internet data center considering task dependency ［J］. IEEE Internet of Things Journal ， 2024 ， 11 （ 14 ）： 24538 - 24550 .

Hu Q H ， Sun P ， Yan S G ， et al . Characterization and prediction of deep learning workloads in large-scale GPU datacenters ［C］// Proceedings of the International Conference for High Performance Computing， Networking， Storage and Analysis ， 2021 ： 1 - 15 .

Schrage L . Letter to the editor— a proof of the optimality of the shortest remaining processing time discipline ［J］. Operations Research ， 1968 ， 16 （ 3 ）： 687 - 690 .

Liu W Y ， Yan Y J ， Sun Y M ， et al . Online job scheduling scheme for low-carbon data center operation： an information and energy nexus perspective ［J］. Applied Energy ， 2023 ， 338 ： 120918 .

Carastan-Santos D ， Da Costa G ， De Nardin I F ， et al . Scheduling with lightweight predictions in power-constrained HPC platforms ［J］. IEEE Transactions on Parallel and Distributed Systems ， 2025 ， 36 （ 12 ）： 2609 - 2620 .

Menear K ， Wilkinson A ， Dykes T ， et al . Energy-aware HPC scheduling with LLM-based power prediction ［C］// Proceedings of the SC’25 Workshops of the International Conference for High Performance Computing， Networking， Storage and Analysis ， 2025 ： 1997 - 2006 .

Xu K ， Sun D ， Tian H ， et al . GREEN： carbon-efficient resource scheduling for machine learning cluster ［C］// 22nd USENIX Symposium on Networked Systems Design and Implementation ， 2025 ： 999 - 1014 .

Wang Y F ， Sun W ， Ren P Y ， et al . Multi-objective low-carbon scheduling method for data centers based on ensemble reinforcement learning ［J］. IEEE Transactions on Smart Grid ， 2026 ， 17 （ 1 ）： 297 - 308 .

Ullman J D . NP-complete scheduling problems ［J］. Journal of Computer and System Sciences ， 1975 ， 10 （ 3 ）： 384 - 393 .

Majumdar S ， Eager D L ， Bunt R B . Scheduling in multiprogrammed parallel systems ［J］. ACM Sigmetrics Performance Evaluation Review ， 1988 ， 16 （ 1 ）： 104 - 113 .

Wang Y ， Guo Q L ， Chen M . Providing load flexibility by reshaping power profiles of large language model workloads ［J］. Advances in Applied Energy ， 2025 ， 19 ： 100232 .

Ye Z S ， Gao W ， Hu Q H ， et al . Deep learning workload scheduling in GPU datacenters： a survey ［J］. ACM Computing Surveys ， 2024 ， 56 （ 6 ）： 1 - 38 .

Jeon M ， Venkataraman S ， Phanishayee A ， et al . Analysis of large-scale multi-tenant GPU clusters for DNN training workloads ［C］// USENIX Annual Technical Conference ， 2019 ： 947 - 960 .

Lu N ， Yao R Y ， Wang Z Y ， et al . Low-carbon and QoS-aware operation of data centers by AI task splitting and allocation ［J］. Applied Energy ， 2026 ， 405 ： 127132 .

Wang Y F ， Wang X R ， Zhang Y W . Leveraging thermal storage to cut the electricity bill for datacenter cooling ［C］// Proceedings of the 4th Workshop on Power-Aware Computing and Systems ， 2011 .

Nadjahi C ， Louahlia H ， Lemasson S . A review of thermal management and innovative cooling strategies for data center ［J］. Sustainable Computing： Informatics and Systems ， 2018 ， 19 ： 14 - 28 .

Zhao L ， Brouwer J ， James S ， et al . Fuel cell powered data centers： in-rack DC generation ［J］. ECS Transactions ， 2016 ， 71 （ 1 ）： 131 - 139 .

Oh H ， Jin W C ， Peng P ， et al . Techno-economic performance of reservoir thermal energy storage for data center cooling system ［J］. Applied Energy ， 2025 ， 391 ： 125858 .

Colangelo P ， Coskun A K ， Megrue J ， et al . AI data centres as grid-interactive assets ［J］. Nature Energy ， 2026 ， 11 （ 2 ）： 254 - 261 .

Naug A ， Guillen A ， Kumar V ， et al . LC-Opt： benchmarking reinforcement learning and agentic AI for end-to-end liquid cooling optimization in data centers ［PP/OL］. ［ 2026-01-21 ］. http：//arxiv.org/abs/2511.00116 http://arxiv.org/abs/2511.00116 .

Liang Y ， Yang H B ， Wang H L ， et al . Enhancing energy efficiency of air conditioning system through optimization of PCM-based cold energy storage tank： a data center case study ［J］. Energy ， 2024 ， 286 ： 129641 .

Rahman A ， Liu X ， Kong F X . A survey on geographic load balancing based data center power management in the smart grid environment ［J］. IEEE Communications Surveys & Tutorials ， 2014 ， 16 （ 1 ）： 214 - 233 .

Liu Z H ， Lin M H ， Wierman A ， et al . Greening geographical load balancing ［C］// Proceedings of the ACM SIGMETRICS Joint International Conference on Measurement and Modeling of Computer Systems ， 2011 ： 233 - 244 .

James A ， Schien D . A low carbon Kubernetes scheduler ［C］// International Conference on ICT for Sustainability ， 2019 .

Sun Y M ， Ding Z H ， Yan Y J ， et al . Privacy-preserving energy sharing among cloud service providers via collaborative job scheduling ［J］. IEEE Transactions on Smart Grid ， 2025 ， 16 （ 2 ）： 1168 - 1180 .

Yang T ， Jiang H ， Hou Y C ， et al . Carbon management of multi-datacenter based on spatio-temporal task migration ［J］. IEEE Transactions on Cloud Computing ， 2023 ， 11 （ 1 ）： 1078 - 1090 .

Sun J J ， Yan Y J ， Wang Z Y ， et al . Privacy-preserving coordinated operation of cross-enterprise data centers ［J］. Applied Energy ， 2025 ， 383 ： 125343 .

Ao R ， Luo G ， Simchi-Levi D ， et al . Optimizing LLM inference： fluid-guided online scheduling with memory constraints ［PP/OL］. ［ 2026-01-21 ］. https：//api.semanticscho lar.org/CorpusID：277786938 https://api.semanticscholar.org/CorpusID:277786938 .

Shukla D ， Sivathanu M ， Viswanatha S ， et al . Singularity： planet-scale， preemptive and elastic scheduling of AI workloads ［PP/OL］. ［ 2026-01-21 ］. http：//arxiv.org/abs/2202.07848 http://arxiv.org/abs/2202.07848 .

Choudhury A ， Wang Y ， Pelkonen T ， et al . MAST： global scheduling of ML training across geo-distributed datacenters at hyperscale ［C］// 18th USENIX Symposium on Operating Systems Design and Implementation ， 2024 ： 563 - 580 .

You J ， Chung J W ， Chowdhury M . Zeus： understanding and optimizing GPU energy consumption of DNN training ［C］// 20th USENIX Symposium on Networked Systems Design and Implementation ， 2023 ： 119 - 139 .

Yang Z ， Meng L ， Chung J W ， et al . Chasing low-carbon electricity for practical and sustainable DNN training ［PP/OL］. ［ 2026-01-21 ］. http：//arxiv.org/abs/2303.02508 http://arxiv.org/abs/2303.02508 .

Acun B ， Lee B ， Kazhamiaka F ， et al . Carbon explorer： a holistic framework for designing carbon aware datacenters ［C］// Proceedings of the 28th ACM International Conference on Architectural Support for Programming Languages and Operating Systems ， 2023 ： 118 - 132 .

Power-flexible AI factories： a UK-first demonstration of grid-responsive AI infrastructure ［EB/OL］. ［ 2026-01-21 ］. https：//www.ngpartners.com/stories/emerald-ai-whitepaper https://www.ngpartners.com/stories/emerald-ai-whitepaper .

刘祎泽，向月 . 计及负荷转移需求响应的低碳数据中心光储容量优化配置［J］. 电力自动化设备， 2024 ， 44 （ 7 ）： 149 - 155 .

Liu Yize ， Xiang Yue . Optimal allocation of photovoltaic and storage capacity in low carbon data center considering load transfer demand response ［J］. Electric Power Automation Equipment ， 2024 ， 44 （ 7 ）： 149 - 155 .

Wierman A ， Liu Z H ， Liu I ， et al . Opportunities and challenges for data center demand response ［C］// International Green Computing Conference ， 2014 ： 1 - 10 .

丁巧宜，王梓耀，潘振宁，等 . 面向电量-调频-容量市场的数据中心园区算力及电力资源规划［J］. 电力系统自动化， 2024 ， 48 （ 1 ）： 59 - 66 .

Ding Qiaoyi ， Wang Ziyao ， Pan Zhenning ， et al . Planning of computing power and electric power resources in data center parks for electricity， frequency regulation and capacity markets ［J］. Automation of Electric Power Systems ， 2024 ， 48 （ 1 ）： 59 - 66 .

Chen M ， Gao C W ， Shahidehpour M ， et al . Incentive-compatible demand response for spatially coupled Internet data centers in electricity markets ［J］. IEEE Transactions on Smart Grid ， 2021 ， 12 （ 4 ）： 3056 - 3069 .

文淅宇，朱继忠，李盛林，等 . 基于时空协同的多数据中心虚拟电厂低碳经济调度策略［J］. 电力系统自动化， 2024 ， 48 （ 18 ）： 56 - 65 .

Wen Xiyu ， Zhu Jizhong ， Li Shenglin ， et al . Low-carbon economic dispatch for multiple data center virtual power plant based on spatio-temporal collaboration ［J］. Automation of Electric Power Systems ， 2024 ， 48 （ 18 ）： 56 - 65 .

Tran N H ， Tran D H ， Ren S L ， et al . How Geo-distributed data centers do demand response： a game-theoretic approach ［J］. IEEE Transactions on Smart Grid ， 2016 ， 7 （ 2 ）： 937 - 947 .

Han O Z ， Ding T ， Mu C G ， et al . A two-stage demand response Stackelberg game of data center operators and the system operator based on Kriging metamodel ［J］. IEEE Transactions on Automation Science and Engineering ， 2024 ， 21 （ 4 ）： 6666 - 6679 .

梁晨，曾博，雷乐意，等 . 算力-电力联合市场下数据中心与配电网集成规划：一种多目标区间-随机优化方法［J］. 电力系统保护与控制， 2025 ， 53 （ 16 ）： 120 - 135 .

Liang Chen ， Zeng Bo ， Lei Yueyi ， et al . Integrated planning of data centers and distribution networks under the computing-electricity joint market： a multi-objective interval-stochastic optimization approach ［J］. Power System Protection and Control ， 2025 ， 53 （ 16 ）： 120 - 135 .

曾博，孟自帅，董嘉路，等 . 考虑电-水耦合灵活性的数据中心与城市配电-水网协同规划研究［J］. 电工技术学报， 2025 ， 40 （ 23 ）： 7554 - 7569 .

Zeng Bo ， Meng Zishuai ， Dong Jialu ， et al . Research on synergistic planning of data center and urban electricity-water distribution networks considering electricity-water interdependent flexibility ［J］. Transactions of China Electrotechnical Society ， 2025 ， 40 （ 23 ）： 7554 - 7569 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Research Status and Prospects of Modeling and Applications for Computing Power-Electric Power Coordination

Method and Practice of Computing Power-Electric Power Coordination Based on Idle Computing Power Scheduling

Flexibility Modelling and Optimization for General Computing Task Loads in Data Centres

Optimization Method for Coordinated Operation of Computing Power Network and Electric Power Network Under Multi-source Uncertainty Risk Constraints

Practices and Recommendations of Market-based Capacity Adequacy Mechanisms for New Power Systems

Related Author

YANG Meng

WENG Xi

SHEN Chen

CHEN Yue

FU Zhi

ZHENG Bowen

LIU Xiaochen

CHENG Wei

Related Institution

Department of Mechanical and Automation Engineering, The Chinese University of Hong Kong

Guanghua School of Management, Peking University

Department of Building Science, Tsinghua University

Beijing Gongji Technology Co., Ltd.

China Unicom Guangdong Branch

⁰