合各种可再生能源发电单元、常规发电机组、用 户侧可调度资源等，与电网或电力调度中心 (independent system operator, ISO)进行交互，根据 实际负荷需求和各个发电单元的约束进行最优出 力决策，以促进可再生能源消纳、提升系统整体 经济性，是新型电力系统的一类重要结构形态。 随着能源市场的不断发展，VPP 能够聚合的 能源形式逐渐多样化，它既可以用于市场能源交 易，增加运营收益，还能提高电力系统的灵活性。 文献[1]聚合了风电和储电设备，采用鲁棒优化实 现日前和实时市场的收益最大化；文献[2]聚合了 分布式能源，综合考虑 VPP 与 ISO 交易时的总成 本以及VPP内部运营成本，实现整体的经济最优； 文献[3]聚合了风光及需求响应(demand response, DR)，通过对 VPP 进行建模和求解，得到既满足 VPP 运行成本最小，又满足 VPP 内部各个单元收 益最大的竞标策略。随着多种能源形式的设备加 ，能够激励消费 者自愿进行负荷转移，从而有利于提高系统的灵 活性。DR 的电价随 DR 的实际值而阶梯变化，服 从价格配额曲线 [22]，通过对 CHP-VPP 的经济性进 行优化从而得到最优的电价及出力决策。在价格 配额曲线中，其价格随其市场配额的关系可表述 为一个分段阶梯函数，在分时电价峰、平、谷三 个时段的基础上，不同时段内按照电量配额进行 分块，电量较少时对应的价格较高，电量较多时

潮流约束等条件 ，建立安全调度 模型 ，对最优经济调度方案进行修正 ，满足配电网安 全 稳定运行。 特点 ：考虑接入电源、 负荷等物理特性和电网的实际运 行情况。 商业型虚拟电厂（ commercial VPP ， CVPP ） 功能 ：从经济角度考虑 ，基于用户需求、 负荷预测和发 电潜力预测 ，制定最优发电计划 ，参与市场竞标。 特点 ：打包交易 ，分布式资源的商业模式。 能效优化控制方案是对中央空调系统、照明系统等柔性可调节负荷 ，制定可靠的、实际的能效控制策略方案 ，对其下发能效 优化策略 ，进行远程控制和管理 ，并不断的进行策略微调优化 ，最终得到切合实际的最优的能效控制方案 ，实现能效提升的目的。 业务场景 - 能 效管理 虚拟电厂未来展望 虚拟电厂总体分析 虚拟电厂系统架构 虚拟电厂业务规划 C 4 “ 分布式能源之家” 虚拟电厂综合业务支撑平台

，最重分部件重量约 20kg 。 整机功耗≤ 200 瓦 ，可实现太阳能电池板供电 ，连续阴雨天运行 7 到 10 天。 l 全天候全自动无人值守系统 一键开关机 ，无需专业人员操作； 自适应体扫模式 ，选择最优观测角度； 自动切换运行模式 ，节能环保；数据量小 ，普通网络即可满足远程值守和数据传输。 l 高适应性水文行业需求及水文模型系统 雷达观测数据机内外实时订正；结合地面雨量计动态修正降水算法系数； 强化学习是一种模型在环境中进行探索 ，并通过奖励和惩罚来学习如何实现其目标的机器学 习 方法。例如 ，训练一个游戏 AI ，如下棋或打电子游戏 ，以便它能够学习如何赢得比赛。在水 库调度中也可以通过奖惩信息来决策最优调度方案。 在 10 个实时月内经历了大约 4 万 5 千年的游戏 训练，平均每天的游戏量相当于人类玩家 250 年的积累。 技术成果： 提升模拟速 度 游戏世界冠军被 OpenAI 轻松击败

障场景下需要毫秒级响应，而在常规巡检时则可容忍秒级延迟；同样是“任务协调”消息，紧急停 机时需要广播给所有设备，而正常作业调整可能只需要通知相邻的数台设备。这种意图的多样性和 动态性使得网络难以预先配置最优的通信策略。 第二，人形机器人场景——复杂环境下的多元交互与突发协同 在智能家庭场景中，人形机器人、机器狗作为家庭智能助手，需要在高度动态的生活环境中与家庭 成员、智能设备、外部服务进行复杂交 务提供环境理解底座。 4.3.3 端网任务协同 端网协同任务指基于 5G 核心网控制面能力（如 TSN、网络切片）动态调度终端、边缘节点、云平台 的算力与网络资源，实现任务需求与资源供给的全局最优匹配。其本质是通过“网络即服务”（NaaS） 模式将离散终端整合为有机智能体，解决传统垂直系统中资源僵化、响应滞后等痛点。 无人机集群应急救灾场景需协调百架级无人机执行三维测绘、物资投送等任务，动态分配航路以避 流，签约特定的 QoS，完成特定任务的 专属计费等操作。 因任务加入了智能群组后，智能群组可为各类终端提供单播、广播、组播类通讯能力，并支持群组 内终端设备、特定业务之间彼此相互发现，自动形成最优的转发拓扑。 智能群组也具备智能化终端管理能力，智能群组中，网络提供 TDS 智能体，与智能化终端之间完成 意图交流，并基于意图进一步推动任务分解，任务执行，细化和完善群组子网的调整和运营。 在智能群组中，TDS

( U₂W) -RUs®) 最终分区方案 5 9 典 曲 节点撕裂转换 选取切割边的一个端点 撕裂节点集合 配电网最优分区算法 (1) 基于谱聚类算法的初始划分 (2) 撕裂节点选取 协调网络 Y₁U₁I⁶+Y₁U₁⁶⁹+Y₄U₄⁶=I, 1 U-(L₁¹₂1 …….-1)π-1) UA 故障定位方程 构造约束条件 治理需求量化 感知层 监测装置优化配置 电压暂降状态估计 诊断层 暂降风险域刻画 脆弱节点辨识 暂降源追溯 治理层 规划一运行决策支持 最优治理方案筛选 同源检测 参数辨识 扰动评估 多点监测数据对齐可信 系统模型参数动态更新 DG 响应特性准确刻 画 2 小结 Wen-xi Hu,Xian-yong Xiao.A

多种智能调度模型，考虑重点水库下泄流量与关键保护区 域淹没深度的不同层次等级，按照洪水的发展正向进行预演 同时以关键位置的防护要求为目标反向进行水工程调度 演算，评估不同调度方案的风险， 选取最优解决方案，最大程度降低灾害风险，为洪水防御决策提供科学支撑。 紧水滩 09-0615:00 玉溪 09-0618:00 大港头 09-0620:00 上南山 09-0619:00 红圩 09-0707:00 基于防洪实际业务管理的需求，通过模拟水库群联合调度在达到既有目标 ( 是否启用蓄 滞 洪区、 是否超保证水位、 是否分洪等 ) 下预演洪水演变、淹没情况，综合评估各项防洪预案的优劣点的基础上推荐最优防洪预案，为防洪 调度提供可靠分析支撑。 预案一 预案二 预案三 GISTC

能耗需求方面仍将发挥一定作用， 但全球趋势将聚焦于推动数据中心低碳化，特别是在政策监管严格的地区。 不论未来采用何种能源形式，英飞凌都将凭借其完善的产品组合，确保电能以尽可能低的损耗，传输至 AI 数据中心。 在最优架构下，将高效、可靠的功率半导体器件与低损耗拓扑结构相结合，将成为以清洁能源为 AI 数据中心供电 的关键。 21 结论 展望 AI 供电的未来，整个行业正处于一个关键的转折点——许多根本性问题亟待解决，例如，是否应将数据中心 技术在处理器、服务器机架乃至 整个数据中心层面日益增长的功耗需求。唯有如此，才能在技术、环境与经济三者之间取得平衡，以负责任且可 持续的方式推动 AI 能力的扩展。这需要在推进 AI 技术发展与最大限度减轻环境影响之间取得最优平衡。 总而言之，AI 的未来与先进电源解决方案的发展息息相关。随着英飞凌在创新和可持续发展领域的持续投入， 我们将看到更多能够满足 AI 数据中心全新需求的高效电源解决方案不断涌现，让 AI 在不牺牲效率与环境友好性

找到水系中闸门和泵站等可控工程设施的组合运行调度规则，使整个水系的综合防洪效 果达到最优。调度寻优模型以水系的暴雨径流过程为输入，通过预报调度耦合模型模拟 计算得到整个水系中的水库、闸门、泵站、河流等水利设施的泄流过程，利用这些计算 结果进而可以计算出联合调度的特征值（如水库水位等），对比模型计算得到的不同方案 特征值，确定各个计算时段闸泵水库的最优启闭组合及开度，进而对整个河网水系的洪 水过程进行优化分配，以 水过程进行优化分配，以充分发挥现有河道的行洪能力、槽蓄作用，提高水系的防洪能 力，实现系统的防洪作用最优。 3.2.2.1.3.3 调度效果评价模型 在调度执行完成后，需要通过对关键指标的计算来评价调度效果，为下一次调度提 供经验。因此，需要构建调度效果评价模型。调度评价模型包括单一评价模型和组合决 策模型。 3.2.2.1.4 溪源溪小流域模型接口及平台 通过对溪源溪小流域防洪调度模涉及的水文水动力模型、淹没分析模型、预报调度

节 点 ) 下 层 子 微 网 主 体 自 治 平 衡 ( 智 能 体 ) 分级多时间尺度嵌套 日前计划、日内滚动、准实时调整、实时调整 多目标协同优化 经济性、安全性、环保性；多维度帕累托最优 动态边界控制 根据电网状态自适应调整交换功率限值 下层模型 ( 优化调控 ): 子微电 网 上 层 模 型 ( 优 化 调 控 ) : 微 电 网 群 “ - 一 公 2 +0-P) 实 施 指 引 发展展望 202 5 01 智能体优势体现 提升调度能效精度 智能体技术通过深度学习算法， 对虚拟电厂中的分布式能源进行 精准预测与控制，实现能源供需 平衡的最优化。相较于传统方法， 智能体调度能效显著提升，减少 能源浪费，提升整体运营效率。 降低运维成本费用 智能体的自动化监控与管理功能， 大幅减少了人工干预的需求，降 低了运维成本。同时，智能预警

传统运维核心目标是保障机房基础设施和 IT 基础设施的稳定运行，侧重 高可用性以确保业务连续性；服务对象多为企业内部业务系统或基础网络服务； 算力运维核心目标高效释放算力资源，侧重算力密度最大化与能耗比最优；服 务对象主要是高性能计算、人工智能训练/推理、云计算等对算力需求极强的 场景。 （2）. 传统运维管理模式标准化，流程成熟，侧重流程合规与故障快速恢复；团 队需掌握服务器部署、网络排障等基础技能，对硬件底层原理深入理解要求较 需求。 然而，由于不同智能计算任务对计算能力、存储容量、数据传输带宽等资源的需求差 算力运维体系技术白皮书 - 8 - 异显著，实现资源与任务的精确匹配变得极为困难。在任务调度过程中，资源的最优 配置难以实现，从而导致资源分配的不合理性。其次，企业在智能计算资源的配置与 管理方面缺乏长期规划和合理的资源利用模式。这导致资源配置往往出现过度配置的 现象。特别是在应对大规模、高复杂度计算任务时，企业倾向于预留更多资源以应对 实现端到端追踪。 2) 自定义指标：针对 AI 应用新增监控指标（如模型推理时延、GPU 利用 率），设置动态阈值（如推理时延>100ms 告警）。 （2）. 性能调优实践 1) 算力适配：根据应用类型分配最优算力（如 CNN 模型优先调度 GPU，NLP 模型启用 TPU 加速），推理性能提升 3-5 倍。 2) 资源弹性：通过 HPA（HorizontalPodAutoscaler）实现应用自动扩缩容，