A Power Market Model with Hypersaclers and Modular Datacenters

📄 arXiv: 2602.19310v1 📥 PDF

作者: Yihsu Chen, Abel Souza, Fargol Nematkhah, Andrew L. Liu

分类: eess.SY

发布日期: 2026-02-22

💡 一句话要点

提出考虑超大规模数据中心和模块化数据中心的电力市场模型，优化LLM推理负载迁移。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 电力市场模型 超大规模数据中心 模块化数据中心 大型语言模型 可再生能源 负载迁移 互补问题

📋 核心要点

  1. 现有电力市场模型难以有效利用边缘可再生能源，且未能充分考虑超大规模数据中心LLM推理负载的灵活性。
  2. 论文提出一种电力市场模型，允许超大规模数据中心将LLM推理工作负载迁移到与可再生能源共址的模块化数据中心。
  3. 在IEEE RTS-24总线案例研究中，验证了该模型在降低系统拥堵和减少碳排放方面的潜力，并分析了合同重组的影响。

📝 摘要（中文）

人工智能的快速发展导致计算需求激增，特别是自2022年ChatGPT问世以来，大型语言模型（LLM）的需求尤为突出。与此同时，大量可再生能源被部署，但由于输电拥堵和需求不足，最终被削减。本文构建了一个电力市场模型，允许超大规模数据中心将LLM推理工作负载空间迁移到地理分布的模块化数据中心（MDC），这些数据中心与网络边缘的近端可再生能源共址。除了消费者、生产者和电网运营商之外，我们还介绍了超大规模数据中心和MDC面临的优化问题，其中超大规模数据中心达成租赁MDC的协议，同时确保满足所需的服务水平目标（SLO）。整个市场模型被表述为一个互补问题，并提供了证明解的存在性和唯一性的证明。当将该模型应用于IEEE RTS-24总线案例研究时，我们表明，即使规定MDC披露与其能源供应来源相关的CO$_2$排放量，由于所谓的合同重组，租赁污染较少的MDC也不太可能产生有意义的减排效果。当传统负荷通过购电协议以远期合约方式供应时，这种情况可以得到缓解。当超大规模数据中心越来越注重成本时，这也会导致系统拥堵的减少。

🔬 方法详解

问题定义：论文旨在解决电力市场中可再生能源消纳问题，以及超大规模数据中心LLM推理负载的优化调度问题。现有电力市场模型未能充分利用地理分布的边缘可再生能源，并且缺乏对超大规模数据中心灵活性的建模，导致可再生能源的浪费和系统拥堵。

核心思路：论文的核心思路是构建一个电力市场模型，允许超大规模数据中心根据电力价格和碳排放情况，将LLM推理工作负载动态迁移到与可再生能源共址的模块化数据中心。通过这种方式，可以提高可再生能源的利用率，降低碳排放，并缓解系统拥堵。

技术框架：该模型包含以下主要组成部分：消费者、生产者、电网运营商、超大规模数据中心和模块化数据中心。超大规模数据中心与模块化数据中心签订租赁协议，并根据服务水平目标（SLO）的要求，将LLM推理工作负载分配给不同的模块化数据中心。电力市场通过互补问题进行建模，求解电力价格和各方的最优决策。

关键创新：论文的关键创新在于将超大规模数据中心和模块化数据中心纳入电力市场模型，并考虑了LLM推理负载的灵活性。此外，论文还分析了合同重组对碳排放的影响，并提出了通过购电协议缓解合同重组的方法。

关键设计：该模型使用互补问题来描述电力市场的均衡状态。超大规模数据中心的优化问题包括最小化成本和满足服务水平目标。模块化数据中心的优化问题包括最大化利润和满足电力需求。模型中考虑了CO$_2$排放成本，并分析了不同碳排放政策对市场的影响。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在IEEE RTS-24总线案例研究中，结果表明，即使MDC披露碳排放信息，合同重组现象也可能导致减排效果不佳。通过引入购电协议，可以缓解合同重组，降低系统拥堵，并提高超大规模数据中心的成本意识。研究还量化了不同碳排放政策对电力市场的影响。

🎯 应用场景

该研究成果可应用于电力市场设计、数据中心选址和能源调度优化等领域。通过优化LLM推理负载的迁移，可以提高可再生能源的利用率，降低碳排放，并提高电力系统的可靠性和效率。该模型还可以用于评估不同碳排放政策对电力市场的影响。

📄 摘要（原文）

The rapid adoption of AI has led the growth of computational demand, with large language models (LLMs) at the forefront since ChatGPT's debut in 2022. Meanwhile, large amounts of renewable energy have been deployed but, ultimately, curtailed due to transmission congestion and inadequate demand. This work develops a power market model that allows hyperscalers to spatially migrate LLM inference workloads to geo-distributed modular datacenters (MDCs), which are co-located with near renewable sources of energy at the edge of the network. We introduce the optimization problems faced by the hyperscaler and MDCs in addition to consumers, producers, and the electric grid operator, where the hyerscaler enters an agreement to lease MDCs while ensuring that the required service level objectives (SLOs) are met. The overall market model is formulated as a complementarity problem, where the proof is provided showing the existence and uniqueness of the solutions. When applying the model to an IEEE RTS-24 bus case study, we show that even with a provision that requires MDCs to disclose the CO$_2$ emissions associated with their energy supply sources, renting less polluting MDCs is unlikely to yield meaningful emission reductions due to so-called contract-reshuffling. The situation can be mitigated when conventional loads are supplied by forward contracts through power purchase agreements. This also leads to a decline in system congestion when the hyperscaler becomes increasingly cost-aware.