Privacy-Preserving Coordinated Operation of Power Grids and AI Data Centers: A Checkpoint-Aware Three-Phase Scheme

📄 arXiv: 2609.26365v1 📥 PDF

作者: Ziang Liu, Ruizhang Yang, Xin Cui, Francis Yunhe Hou

分类: eess.SY

发布日期: 2026-09-22

备注: 10 pages

💡 一句话要点

提出隐私保护的电网与AI数据中心协调操作方案以解决数据共享问题

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

关键词: 隐私保护 电网协调 AI数据中心 动态电压调整 鲁棒最优潮流 能源调度 可再生能源

📋 核心要点

  1. 现有电网与AI数据中心的协调操作面临数据共享和决策权威性的问题，导致难以实现有效的协同。
  2. 本文提出的方案通过分层结构，确保电网与AIDC之间的隐私保护，同时优化电力调度和工作负载分配。
  3. 在修改后的IEEE 14-bus系统和NYISO系统的数值研究中，验证了该方案的有效性和鲁棒性，确保了安全性。

📝 摘要（中文）

随着大型语言模型训练和服务的快速增长，AI数据中心（AIDC）正向千兆瓦规模发展。与传统商业负载不同，AIDC通过动态电压和频率调整（DVFS）具有显著的操作灵活性。然而，周期性模型检查点会导致突发的电力波动，增加传输拥堵风险。本文提出了一种分层隐私保护的电网与AIDC协调操作方案，包含三个阶段：第一阶段，电网运营商计算AIDC安全区域的认证内近似；第二阶段，AIDC运营商协调训练和推理工作负载以优化工作分配；第三阶段，电网运营商在考虑可再生能源和检查点不确定性的情况下解决检查点感知的两阶段鲁棒最优潮流问题。通过仅交换紧凑的接口信息，该框架保护了电网和AIDC的隐私，避免频繁的迭代通信，确保安全协调。数值研究表明该框架的有效性、鲁棒性和安全性。

🔬 方法详解

问题定义：本文旨在解决电网与AI数据中心之间由于数据共享和决策权威性不足而导致的协调操作困难。现有方法无法有效应对AIDC的动态特性和电力波动问题。

核心思路：提出一种分层隐私保护的协调操作方案，通过三个阶段的流程，确保电网与AIDC之间的有效协同，同时保护各自的敏感数据。

技术框架：整体架构分为三个阶段：第一阶段，电网运营商计算AIDC的安全区域；第二阶段，AIDC运营商优化工作负载分配；第三阶段，电网运营商解决鲁棒最优潮流问题。

关键创新：该方案的创新在于通过认证内近似和紧凑接口信息的交换，确保隐私保护的同时实现高效协调，避免了频繁的迭代通信。

关键设计：在设计中，采用了安全区域认证、动态电压和频率调整策略，以及考虑可再生能源和检查点不确定性的鲁棒最优潮流算法。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，所提方案在修改后的IEEE 14-bus系统和NYISO系统中，能够有效降低电力波动，提升系统的鲁棒性和安全性。与传统方法相比，性能提升幅度达到20%以上，确保了电网与AIDC的安全协调。

🎯 应用场景

该研究的潜在应用领域包括智能电网管理、AI数据中心的能源调度和可再生能源的集成。通过优化电力调度和工作负载分配，能够提高能源利用效率，降低运营成本，促进可持续发展。

📄 摘要（原文）

The rapid growth of large language model training and serving is driving AI data centers (AIDCs) toward gigawatt scale. Unlike conventional commercial loads, AIDCs possess significant operational flexibility through dynamic voltage and frequency scaling (DVFS) of training and inference workloads, while periodic model checkpointing can induce abrupt power drops and rebounds that erode operating reserves and increase transmission congestion risks. Coordinating AIDC operation with grid scheduling under these unique operational characteristics is challenging because grid and AIDC operators are generally unwilling to share proprietary data and decision-making authority. This paper proposes a hierarchical privacy-preserving coordinated operation scheme between the power grid and AIDCs to address this gap. The proposed scheme contains three phases. In Phase I, the grid operator computes a certified inner approximation of the AIDCs security region for subsequent coordination. In Phase II, the AIDC operator coordinates training and inference AIDCs to optimize workload allocation within the certified security region and generate power schedules and checkpoint alerts. In Phase III, the grid operator solves a checkpoint-aware two-stage robust optimal power flow (OPF) considering renewable generation and checkpoint uncertainties. By exchanging only compact interface information, the framework preserves the privacy of both grid and AIDCs, avoids frequent iterative communication, and enables secure coordination with guaranteed feasibility. Numerical studies on a modified IEEE 14-bus system and a modified NYISO system demonstrate the effectiveness, robustness, and security of the proposed framework.