电力市场基础 2 第九章 电力市场中发电厂商的竞价策略  电力市场概述  电力市场中的报价规约  电力市场中的报价策略  主要研究工作  计及网络阻塞影响的发电公司的最优报价策略  计及风险的发电公司的最优报价策略  结论 3 第一部分：电力市场概论 第一部分：电力市场概论 4 电力市场的特征  有限数目的发电公司；  输配电系统具有自然的垄断特征；  大的投资规模 能量价格和发电机组的运行约束，这需要用机组 最优组合程序来完成。  这种方法可以保证所得到的发电调度计划在技术 上是可行的。 18 联营体市场中的报价方式 ( 续 ) ： 多部分报价  机组最优组合问题是一个非凸的、非线性混合 整数规划问题。  对于大规模机组最优组合问题，并不存在可以 保证求得该问题的全局最优解的有效算法。  由于局部最优解不能保证在发电公司间进行公 平的负荷分配，这种报价方法曾受到不少批评。 基本思想  基于博弈论模型如 Cournot 模型、 Stackelberg 模型、和供给函数模型来描述发电公司报价策 略问题；  然后寻找这些模型的平衡点；  这些平衡点对应发电公司的最优报价策略。 38 主要问题  主要问题：  为迎合这些博弈论模型，对发电公司报价策略问题做了 很多简化，这样得到的平衡点可能没有多大意义；  如产量竞争；价格竞争；线性供给函数竞争

推进健康中国未来十年发展的蓝图设计和重点工程。 中国智慧健康医疗蓝皮书 2022 4 为“健康中国”插上智慧的翅膀 图 1-1 智慧健康医疗的定义 基于该重大项目的研究成果，智慧健康医疗被定义为现代数智 科技赋能的最优化大健康生态体系。这个健康生态体系将现代数字 化、智能化科技手段集成应用并深度融合于健康医疗实践，通过全 要素、全流程、全链条的系统优化，实现覆盖全人群、全生涯、全 维度的全域照护，最终实现优质、高效、经济、可及的价值医疗。 需的健康 管理、医疗卫生和康复养老等各种健康医疗服务，形成全域覆盖的 健康照护体系。智慧健康医疗的服务效能主要体现在价值医疗上， 即在医疗成本、治疗效果和患者体验三者之间寻求最佳平衡并实现 最优化获益，从而推动整个国家乃至全球的卫生健康事业持续改进 和优化。 面向中国新时代发展需求，我国医疗卫生事业经历了以治病为 智慧健康医疗体系概述 1 5 中心向以健康为中心的重要转变，智慧健康医疗的发展，也符合“将 智慧健康医疗中的主要数字技术 技 术 内涵 在健康医疗领域的 应用场景 应用实例 人 工 智 能 通过计算机或由计算机控制的终 端，模拟、延伸和扩展人类智能， 能够感知环境、获取并使用知识 来获得最优结果的技术 人工智能与健康医疗的结合已初步应用在 卫生健康产业发展、临床辅助诊疗、医院 智能管理、医学科研与教育、公共卫生智 能服务等方向 智能影像辅助诊断：对脑、肺、眼、骨、心脑血管、皮

置相互影响，深度耦合 长时储能等需要实现跨季、跨月、 跨周优化调度 6 （二）时序模拟需要面临的新场景 关键问题六：多方案比较方法难以找到多类 型设备的最优配比，无法开展复杂最优解的 求解。通过运筹计算内核可以直接得出多维 空间的最优解。 关键问题五：新型电力系统规划需要考虑源 网协同，电网输电通道限额、输电断面限额、 安全稳定极限、跨省跨区直流运行方式约束 等对电源外送、新能源消纳有较大影响。 X轴：电力平衡 Y轴：电量平衡 Z轴：调峰平衡 P轴：消纳能力 Q轴：规划投资 S轴：电力市场 … 多维空间： 最优规划方案 7 （二）时序模拟需要面临的新场景 关键问题七：针对大区多子系统算例，需要 统筹考虑区域总平衡和各子系统自平衡，实 现跨区互济协调调度，达到各分区最优调度。 A：-100 B：-200 D：160 C：180 A：10 B：10 D：10 C：10 关键问题八：对多分区电力流互济进行优化，  跨省跨区互济 合理调配机组开机及电力 流流向，实现复杂拓扑下 的电力流互济能力  协议电量 需要考虑跨省跨区通道的 电量约束，满足地区之间 年度电量协议，合理优化 电量分配，实现最优调度  输配电价成本 电力流互济需要考虑跨省 送电成本，电力流损失等， 精细化模拟系统互济情况 二、当前时序模拟方法遇到的问题 8 （一）时序生产模拟计算迫切需要解决的问题 9 时序运行模拟

合通信数据传输有堵点，“快等慢”造成部分资源浪费。针对大模型推理过程，由于预填充 和解码阶段对算力和显存的需求量不同，传统大模型推理过程算力显存阶段互为瓶颈，造成 低水平资源利用率，需要解决异构算力协同调度问题使其匹配到最优计算任务。 8 第二章 算力协同体系架构 为了打破异构算力生态壁垒，实现不同类型智算异构算力高效协同工作，南向屏蔽底层 ASIC、GPGPU 不同路线算力差异，北向承载多场景、多行业、多模态大模型，构建异构算 化技术实现自适应的即时编译优化；各异构算力厂商间算子各异，需要构建跨架构的统一算 子接口，提炼通用算子的统一数学描述，解耦硬件实现细节，形成能够在厂商间源码共享的 算子库，省去重复开发成本且保障一致的算子实现，能够发挥硬件的最优性能，打造融合算 力底座。 （2）统一通信：构建低延迟高吞吐的智算高速公路 统一通信是异构算力协同的必要功能，旨在解决打破异构硬件间协议壁垒导致的“数据 孤岛”困境，构建跨厂商、跨架构的确定 Direct Memory Access）等关键技术实现算力间显存高效 互通，实现不同芯片间的超低时延传输。 （3）统一调度：实现全局最优的资源编排中枢 统一调度是异构算力协同的智能决策中枢，旨在解决多任务资源争用引发的“效率下降” 难题，构建全局最优的资源编排范式，实现对异构算力集群的全维度精细化调度。针对异构 算力计算能力差距，面向大模型训练场景构建分布式并行策略组合、业务感知的非均质拆分

发展。算力网络作为实现算网基础设施化的一个重要载体，旨在将泛 在的算力资源依托网络进行打通互联、协同调度，并将不同的应用业 务通过最优路径调度到最优的计算节点，在实现用户体验最优的同时， 第九届未来网络发展大会白皮书 服务生成算力网络白皮书 3 保证网络资源和计算资源利用率最优化。 算力网络的核心思想是基于泛在分布的网络实现无处不在的算 力资源，通过构建一张计算资源可感知、可分配、可调度的新型网络 以用户体验为主：算力网络的目标是为用户提供极致的服务体验， 而这需要其具备高度的自动化、智能化水平，能够根据用户意图自动 第九届未来网络发展大会白皮书 服务生成算力网络白皮书 4 化地提供最优资源服务，然而现有算力网络的系统架构、流程机制、 使能技术、服务模式等无法支撑上述目标的实现。 近年来，以深度学习、知识图谱为代表的 AI 技术得到了飞速发 展，并在诸多领域取得了巨大突破。算力网络作为支撑各行业数智化 所示。对于算力网络建设者来说，生成式 第九届未来网络发展大会白皮书 服务生成算力网络白皮书 5 AI 技术将打造全新的算网设计范式，彻底取代人类专家在算网设计 配置的工作，并能够根据场景自动生成最优算网部署方案。算网建设 者仅需要将场景需求、指标期望等输入给 AI 专家系统，然后按照生 成的方案在现实世界中执行对应的操作。对于算力网络运营者来说， AI 技术能够对算网全流程赋能，包括用户意图感知、业务智能承载、

双体船，三体船的参数化建模工作及线型优化。提高航速，降低优化助力（风、伴流）。 • 螺旋桨设计：一维的传统图谱螺旋桨设计环流理论设计方法进行二维的螺旋桨设计三维的螺 旋桨设计；。考虑船机桨匹配的效率以及桨径的空间限制，设计最优的螺旋桨。 • 海洋平台 ( 钻井、采油、集运、观测、导航、施工 ) 优化：提供各类供应船及浮式装置的线型优 化工作。提高航速，降低油耗 ; 提高作业时常，增加经济效益。 智能工业优化设计解决方案 在业务规则层上的优化 技术特色 大规模整数规划 近似算法 启发式算法 解决的业务问题 • 基于 AI 和优化算法，在上架过程中即可动条 调整 sku 的最优摆放 • 对于上架、拣选任务，考虑不同类型设备， 给出最优路径规划，提升效率 • 通过 API 的方式实现与传统 WMS 的对接 TMS 系统 ERP/MES/OMS 系统 WMS 系统 智慧算法 API 布局优化 系统 30 2.1.2 仓储优化算法功能概览 上架优化 路径优化 × 布局优化 收货完毕，在考虑相关性及热度的智能分布和 最优上架路径实时计算出每一板货的最优上架 货位 库存管理优化 布局优化 × 补货优化 对 sku 的相关性及热度分析给出最优初始布局， 并在每日运作中做动态调整 任务管理优化 人力、设备、路径、时间的均衡 在考虑多变量的情况下，用算法强大的数据整合

且多样化需求，已经难以有效应对。分布式算力感知与调度技术应运 而生，成为应对海量、泛在、实时计算需求的关键基础设施。这一理 念旨在构建一个能够动态感知全网算力资源，并根据任务需求进行智 2 能化、自动化、最优化调度的新型信息基础设施，降低计算延迟与成 本，支撑新型智能化应用的落地。 分布式算力是相对于传统集中式算力（如单一超级数据中心）而 言的算力部署与利用模式，其核心是将一个大的计算任务分解成若干 式算力并非单 一形态，边缘算力是前者重要组成部分，是分布式思想的一种具体体 现。边缘算力强调“地理近端性”，即计算能力的部署靠近数据源， 以满足低延迟和高实时性的需求；而分布式算力更关注“全局最优性”， 侧重任务的分解与协同，以处理大规模和复杂的计算任务可能调度至 边缘、核心云或两者协同，例如“云-边-端”分层推理。 分布式算力感知与调度的核心在于“感知”与“调度”两个相互 依存、紧 “调度”则是基于“感知”结果所采取的行动，是整个系统的“大 脑”和中枢。它根据感知到的全网算力资源分布图景和实时状态，在 复杂约束条件下，通过智能高效的算法，将计算任务合理地分配到最 合适的节点上执行，从而实现全局最优的资源利用率、最低的运营成 本和最佳的用户体验。调度决策是一个高度复杂的优化问题，其目标 函数通常是多维度的，需要在性能目标、经济目标和系统目标之间寻 求最佳平衡点。分布式调度策略多种多样，从传统的基于静态规则的

(３)动态平台指动态改变操作系统或硬件平台,通过更改 其结构和软硬件配置来提高系统安全性. Zhang等提出在 多 个 平 台 上 按 策 略 进 行 关 键 服 务 的 迁 移,并根据系统回报确定是否执行服务迁移和最优服务的迁 移时机,并在迁移后重置当前平台[４１].Sourour等 设 计 在 攻 击频率较 低 的 网 络 中,通 过 可 信 动 态 逻 辑 异 构 系 统 (TALＧ ENT),在多个候选平台中进行周期性的随机迁移 与 者 在 博 弈 开 始 时 同 时 进 行 决 策,并根据其他参与者的决策获得相应收益. Jiang仅考虑单阶段博弈系统,提出了一种基于信号博弈 的移动目标防御决策模型,根据贝叶斯法则求解最优防御策 略.但单阶段博弈模型只考虑了攻防过程中各种随机因素稳 定不变的情况,并不符合真实网络攻防情景[５５]. ②多阶段博弈指所有参与者可以在多个阶段进行决策, 根据其他参与者的决策及时调整策略 可用性之间较为均衡的最优防御策略[５９]. ②动态博弈相较于静态博弈,更充分考虑了攻防双方行 动的非同时性,双方采用实时行动进行攻防博弈,更加符合实 际网络攻防场景.其中较为常见的是通过信号收发进行行动 选择的信号博弈,以及参与者决策、收益都可由微分方程描述 且连续可导的微分博弈. Liu等提出一种 信 号 博 弈 模 型,使 用 博 弈 模 型 和 最 优 求 解算法选取最优策略,并结合容器调度方法进行容器迁移

极端天气与韧性要求升级 从被动抢险到主动免疫 ， AI + 孪生构建电网 “免疫系统” 数据要素与虚实闭环 构建自学习、 自优化、 自演进的数字化生命 体 灾中自愈 虚拟沙盘推演 ， AI 生 成最优应对预案。 灾前预测 融合气象数据 ， AI 预 测破坏路径与程 度。 灾后恢复 精准定位故障 ， 自 动隔离并恢复供电。 融合背景与必要性 ©CSG 2023. All Rights ，缩短策略迭代周期。 元宇宙交互与培训 培训即实战、 远程即现场 基于 AR/VR 把调度员、检修工“带入”孪生电网 ，完成沉浸式巡检、 沙盘演练、远程协同操作。 AI 实时识别手势、语音 ，生成 最优操作路径与风险提示 ，极大 降低误操作风险。 系统融合发展思路 2/3 ©CSG 2023. All Rights Reserved 标准与开放生态 构建可复制、 可扩展、 可商用的产业生态 架空输电线路地灾监测及智能化处理 ©CSG 2023. All Rights Reserved 智能规划与网架优化 AI 在虚拟空间演算千万级方案 ，实现规划最优解 新能源接入优化：模拟大规模接入影响 ， AI 自动优 化接入点和容量。 网架智能规划： AI 推荐最优线路 扩建和变电站建设方案 ，节省投资。 数字孪生和人工智能融合发展场景 5/8 虚拟电厂 (VPP) ：聚合分布式资源 ，参与调峰调频。

调度到最适合的智算资源上，在任务执行过程中，会持续监控容器运 行状态、节点健康度，一旦出现算力节点故障、数据传输超时等异常 情况，会再次触发调度机制，重新评估资源状态，将数据、容器迁移 至更优节点，确保任务以最优方式执行。框架层提供训练框架和推理 框架，包括 TensorFlow、PyTorch 等主流框架。这些框架封装了大量 央国企智算创新实践报告（2025 年） 22 高级 API 和工具， 和工具，使得开发者能够更直观、高效地编写、调试和优化 深度学习模型。运营层作为智算平台的中枢神经，负责整个平台的监 控、调度与优化。通过收集并分析来自各层的实时数据，运营层利用 智能算法进行资源调度和任务管理，确保平台能够以最优状态运行。 应用层涵盖计算机视觉、自然语言处理、跨媒体分析推理等常见智算 应用。这些应用依托下层提供的强大计算能力、灵活模型开发环境与 高效运营管理机制，实现了从数据输入到结果输出的全自动化处理。 有序地满足各类业务 需求。常见的算力编排策略包括整体业务性能最优、高优先级业务性 能最优、响应速度最优、能耗最优等。其中，整体业务性能最优策略 的核心目标是最大化整个业务系统的整体性能；高优先级业务性能最 优策略优先保障高优先级业务的算力需求；响应速度最优策略优先为 需要快速响应的业务分配算力资源，以减少用户等待时间；能耗最优 策略则综合考虑业务需求和资源使用情况，制定一个既能满足业务需