Phase-Coordinated Model Predictive Control for AI Training Power Smoothing
作者: Jie Zhu, Ye Tian, Yinliang Xu
分类: eess.SY
发布日期: 2026-10-27
💡 一句话要点
提出相位协调模型预测控制以平滑AI训练电力波动
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 模型预测控制 电力平滑 人工智能训练 电力系统稳定性 相位协调
📋 核心要点
- 现有方法在应对AI训练工作负载引起的电力波动时，常常无法有效减少振荡，导致电力系统不稳定。
- 本文提出了一种基于模型预测控制的框架，通过协调训练任务的相位，减少电力波动的叠加，提升了电力系统的稳定性。
- 实验结果显示，所提方法在0.2-2 Hz频段内均方电力波动减少了74.39%，显著提升了电力平滑效果。
📝 摘要（中文）
人工智能（AI）训练工作负载的周期性电力波动可能会引发电力系统的振荡。本文提出了一种模型预测控制（MPC）框架，利用短启动时间延迟来减轻计算源的电力波动。通过协调独立训练任务的相对相位，所提方法在不干扰运行任务或不需要额外电力平滑硬件的情况下，减少了振荡电力成分的叠加。为获得可处理的优化形式，采用余弦和正弦投影来量化主导的振荡电力成分，并利用其幅度构建凸二次电力平滑目标。递归预测框架在新工作负载信息可用时更新启动决策，同时在有限的计算时间内保持调度的可行性。数值结果表明，在0.2-2 Hz频段内，均方电力波动减少了74.39%，电力标准差减少了46.6%，平均启动延迟为2.188秒，所有启动截止时间均得到满足，最大端到端计算时间为0.390秒，低于0.50秒的MPC更新周期。
🔬 方法详解
问题定义：本文旨在解决人工智能训练工作负载引发的周期性电力波动问题。现有方法在处理这些波动时，往往无法有效减少振荡，导致电力系统的不稳定性。
核心思路：论文的核心思路是通过协调独立训练任务的相对相位，利用短启动时间延迟来减轻电力波动的影响。这样的设计可以在不干扰正在运行的任务或不需要额外硬件的情况下，降低振荡电力成分的叠加。
技术框架：整体架构包括三个主要模块：首先，利用余弦和正弦投影量化主导的振荡电力成分；其次，构建一个凸二次电力平滑目标；最后，采用递归预测框架更新启动决策，以适应新的工作负载信息，同时保持调度的可行性。
关键创新：最重要的技术创新点在于通过相位协调来减少电力波动的叠加，这与现有方法的本质区别在于不需要额外的电力平滑硬件或中断运行任务。
关键设计：在参数设置方面，采用了余弦和正弦投影来量化振荡电力成分的幅度，并构建了一个凸二次目标函数以优化电力平滑效果。
🖼️ 关键图片
📊 实验亮点
实验结果表明，所提方法在0.2-2 Hz频段内均方电力波动减少了74.39%，电力标准差减少了46.6%。所有启动截止时间均得到满足，最大端到端计算时间为0.390秒，低于0.50秒的MPC更新周期，显示出良好的实时性和有效性。
🎯 应用场景
该研究的潜在应用领域包括数据中心的电力管理、智能电网的稳定性提升以及AI训练平台的能效优化。通过有效平滑电力波动，能够降低电力系统的运行风险，提高整体能效，具有重要的实际价值和未来影响。
📄 摘要（原文）
Periodic power fluctuations from artificial intelligence (AI) training workloads can excite oscillations in power systems. This paper proposes a model predictive control (MPC) framework that exploits short start-time delays to mitigate power fluctuations at the computing source. By coordinating the relative phases of independent training jobs, the proposed method reduces the superposition of oscillatory power components without interrupting running jobs or requiring additional power-smoothing hardware. To obtain a tractable optimization formulation, cosine and sine projections are employed to quantify the dominant oscillatory power components, and their magnitudes are used to construct a convex quadratic power-smoothing objective. The receding-horizon framework updates launch decisions as new workload information becomes available while maintaining scheduling feasibility under limited computation time. Numerical results demonstrate reductions of 74.39\% in mean-square power fluctuations within the 0.2--2-Hz band and 46.6\% in power standard deviation, with an average launch delay of 2.188~s. All launch deadlines are satisfied, and the maximum end-to-end computation time is 0.390~s, below the 0.50-s MPC update period.