AI工作负载的快速增长正把数据中心变成大规模、波动大但时空灵活的电网负荷。北京邮电大学、国网辽宁电力和南洋理工大学联合提出了PowerAtlas，一个用于电-计算协同调度的LLM智能体框架。团队与中国某省级电力公司合作构建了实验性电-计算网络，并基于真实数据中心数据构建了包含2000个调度实例的ECBench基准。
这项工作的一个特别之处是数据来源。电力系统的运行数据通常不对外开放，学术界研究调度问题多数依赖公开的标准测试系统，与真实电网的复杂度有不小差距。这次的基准建立在省级电力公司的去标识化运行数据之上，场景贴近实际。
通用LLM给出的调度方案往往不可行
数据中心的用电特点是：功率大、波动快，但计算任务在时间和空间上有一定灵活性。这为电网调度提供了新的调节手段——如果能协调数据中心的计算任务与电网的运行状态，就能在满足服务水平协议（SLA）的同时缓解电网压力。
问题在于，电网调度受到严格的物理约束：线路潮流限制、电压稳定性、发电机出力范围等。通用大语言模型在生成调度方案时，往往不理解这些约束，导致输出的方案在物理上不可行——会造成线路潮流越限或负荷未满足。
PowerAtlas的解决思路是把领域知识和物理约束显式地整合到智能体决策流程中，而不是期待LLM自己学会这些约束。
图：PowerAtlas从电力任务输入到调度决策与规则检查的整体流程。
三层整合：历史实例、领域知识、物理约束
PowerAtlas的框架包含三个信息来源。历史实例提供类似场景下的调度经验，供模型参考；领域知识包含电网运行规则、SLA定义和调度策略；物理约束则通过显式的约束检查确保生成的方案满足潮流限制。
框架的关键设计是决策循环。LLM生成候选调度方案后，系统会用物理约束求解器进行验证。如果方案不可行，会将违规信息反馈给LLM，让它修正方案。这个循环持续进行直到得到可行方案，或者达到迭代上限。
这个"生成—校验—修正"的闭环，本质上是把不可妥协的部分交给确定性求解器，把开放的搜索空间留给语言模型。潮流是否越限有明确的数学判据，不需要模型去猜；而在众多可行方案里挑一个成本更低、对SLA影响更小的，则需要对场景的综合权衡，这正是LLM的长处。
图：电力系统场景、通用模型与专用调度模块的协同结构。
ECBench：2000个带最优解的调度实例
为了系统评估电-计算协同调度能力，团队从省级电力公司的去标识化运行数据中构建了ECBench基准。基准包含2000个调度实例，每个实例都配有通过传统优化方法求得的最优解（oracle-optimal solution）。这使得可以精确衡量LLM方案与最优方案的差距。
在11种LLM上的实验展示了PowerAtlas框架的效果。关键结果是，在三个开放权重主干模型上均实现了一致的可行性和成本收益。其中一个显著发现是，使用PowerAtlas框架的3B参数模型，在调度质量上超过了直接使用GPT-5.5的结果——框架设计带来的提升，超过了模型规模带来的提升。
图：PowerAtlas的数据构建、训练与电力调度评估流程。
违规降98%，成本降96%
论文报告的核心改进数据：使用PowerAtlas框架后，物理约束违规率降低了98%，调度成本降低了96%。这两个数字都是相对于直接使用LLM生成调度方案的基线。
需要说明实验条件：这些结果来自基于省级电力公司数据构建的仿真网络，而非真实电网的在线运行。真实部署需要考虑更多工程约束，包括通信延迟、设备响应时间、多方协调机制等。
图：PowerAtlas复杂调度系统的可视化结果界面。
从仿真验证到实际部署
PowerAtlas展示了LLM智能体在电力系统调度中的可行性，特别是在与领域约束结合后的表现。对于国内正在快速建设的智算中心而言，如何在满足算力需求的同时降低对电网的冲击，是一个现实问题。
代码已在GitHub开源。下一步的工作包括在更大规模的电网上验证、考虑可再生能源出力的不确定性、以及支持多个数据中心之间的协同调度。团队与省级电力公司的合作也为后续的实际部署验证提供了基础。
