PowerAtlas: Towards Electricity-Computing Co-Scheduling for Power Systems

📄 arXiv: 2607.26710v1 📥 PDF

作者: Kaiwen Jiang, Siya Xu, Ziyue Zhu, Chao Yang, Anh Tuan Luu, Haoran Luo

分类: cs.LG

发布日期: 2026-07-29

备注: 17 pages, 9 figures, 5 tables. Code: https://github.com/JAVA-Jiang/PowerAtlas

🔗 代码/项目: GITHUB

💡 一句话要点

提出PowerAtlas以解决电力与计算调度协同问题

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 电力调度 计算调度 大型语言模型 协同调度 智能电网 数据中心 优化算法

📋 核心要点

  1. 现有方法在电力与计算调度中面临严格的电网约束，导致生成的调度方案往往不可行。
  2. PowerAtlas框架通过整合历史数据、领域知识和物理约束，实现电力与计算的协同调度，满足电网和计算任务的需求。
  3. 实验结果显示，PowerAtlas在多个LLM上均表现出良好的可行性和成本效益，验证了其在真实环境中的有效性。

📝 摘要（中文）

随着人工智能工作负载的快速增长，数据中心变成了大规模、波动性强且时空灵活的电网负载，迫切需要协调电力与计算的调度。在严格的电网约束下，通用的大型语言模型（LLMs）生成的调度往往不可行，导致线路流量违规和未满足的负载。本文提出了PowerAtlas，一个电力与计算协同调度的LLM代理框架，整合历史实例、领域知识和物理约束，生成满足电网操作规则和计算任务服务水平协议（SLA）的联合决策。通过与中国一家省级电力公司合作，我们建立了实验性的电力计算网络，并在真实数据中心数据上验证了决策循环；从去标识化的操作数据中，我们进一步构建了包含2000个调度实例及其最优解的基准ECBench。对十一种LLM的实验表明，PowerAtlas在现实物理操作条件下的有效性，且在三个开放权重骨干网络上均实现了一致的可行性和成本收益。

🔬 方法详解

问题定义：本文旨在解决电力系统中电力与计算调度的协同问题。现有方法在面对严格的电网约束时，生成的调度方案常常导致线路流量违规和未满足的负载，无法有效支持快速增长的AI工作负载。

核心思路：PowerAtlas框架的核心思路是通过整合历史实例、领域知识和物理约束，生成满足电网操作规则和计算任务服务水平协议的联合调度决策。这种设计能够有效应对电网的动态变化和计算需求的波动。

技术框架：PowerAtlas的整体架构包括数据收集模块、调度决策模块和验证模块。数据收集模块负责获取历史调度实例和电网状态，调度决策模块利用LLM生成调度方案，验证模块则确保生成的方案符合电网约束和SLA要求。

关键创新：PowerAtlas的主要创新在于将LLM与电力系统的物理约束相结合，形成了一种新的调度决策机制。这与现有方法的本质区别在于，后者通常忽视了电网的物理特性，导致调度方案的不可行性。

关键设计：在设计上，PowerAtlas采用了特定的损失函数来平衡电力和计算的需求，并通过优化算法调整调度参数。此外，网络结构上，PowerAtlas利用了多种开放权重的LLM骨干，以提高调度的灵活性和适应性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，PowerAtlas在处理真实数据中心数据时，能够在11种不同的LLM上实现一致的调度可行性和成本效益。具体而言，实验显示在多个调度实例中，PowerAtlas的调度方案相较于基线方法具有显著的成本降低和更高的可行性，验证了其在实际应用中的有效性。

🎯 应用场景

PowerAtlas的研究成果具有广泛的应用潜力，特别是在智能电网和数据中心的调度管理中。通过实现电力与计算的协同调度，能够有效提升资源利用率，降低运营成本，并为未来的可持续发展提供支持。此外，该框架还可扩展到其他需要动态调度的领域，如交通管理和制造业。

📄 摘要（原文）

The rapid growth of AI workloads is turning data centers into large-scale, volatile, yet spatiotemporally flexible grid loads, creating an urgent need for coordinated electricity-computing scheduling. Under stringent grid constraints, schedules from general-purpose large language models (LLMs) are often infeasible, causing line-flow violations and unserved load. We present PowerAtlas, an LLM-agent framework for electricity-computing co-scheduling that integrates historical instances, domain knowledge, and physical constraints to produce joint decisions satisfying both grid operational rules and the service-level agreements (SLAs) of computing tasks. Working with a provincial power utility in China, we built an experimental electricity-computing network and validated the decision loop on real data-center data; from de-identified operational data we further constructed ECBench, a benchmark of 2,000 scheduling instances with oracle-optimal solutions. Experiments across eleven LLMs demonstrate the effectiveness of PowerAtlas under realistic physical operating conditions, with consistent feasibility and cost gains across three open-weight backbones. Our code is publicly available at https://github.com/JAVA-Jiang/PowerAtlas.