近日，北京理工大学能源与环境政策研究中心从荣刚教授课题组研究发现，利用检查点机制将可中断AI训练负载表征为虚拟储能，能够显著提升智算中心日内可再生能源消纳能力，并实现运行成本与实际物理碳排放的协同下降。相关成果以“Interruptible AI training as virtual energy storage for renewable integration in computing centers”为题，发表于国际学术期刊Energy for Sustainable Development。

智算中心用电需求快速增长，但算力负荷与风光出力在日内尺度上常存在时序错配。现有调控手段多依赖实体电池储能或单一电价信号，对异构算力任务内部执行状态的灵活调节潜力缺乏充分挖掘。针对这一问题，研究基于阿里巴巴PAI GPU集群真实算力轨迹重构了不可移动、短期可平移、连续可移动和可中断四类异构算力负荷，以累计计算进度作为虚拟荷电状态（vSoC）构建基线相对虚拟储能模型，并耦合分时电价、阶梯式碳交易与绿证机制，评估了西北典型智算中心微网的日内低碳调度效益。

图1 可中断AI训练作为虚拟储能促进可再生能源消纳的调度框架

研究发现，相较于传统夜间批处理基线情景，所提策略能引导可中断AI训练负荷在晚间高价高碳时段暂停或压减（“虚拟放电”），并在午间光伏大发时段恢复执行（“虚拟充电”）。在保障日内计算任务100%按期完成的前提下，智算中心可再生能源弃电率由22.82%降至0.69%，日运行成本下降14.45%，实际物理碳排放减少30.46%。

图2 可中断算力负荷的虚拟储能效应与计算进度追踪

消融与机制解耦分析表明，占总能耗67%的可中断预训练负荷是虚拟储能调节能力的主要来源，仅激活该类负荷即可减少23.64%的物理碳排放并将弃电率降至1.71%。同时，单一电价信号易引发负荷向夜间低价高碳时段聚集，而“电—碳—证”协同信号有效避免了运行成本与物理碳排放之间的权衡（图3）。在设定工况下，算力侧虚拟储能可作为表后实体电池储能的轻资产互补手段。

图3 不同调度目标下的运行成本与物理碳排放对比

进一步分析表明，该框架在不同季节气象、AI生命周期阶段及动态电网碳强度情景下均保持稳健效益。其中，大模型预训练和微调主导阶段的物理碳排放分别下降30.65%和40.47%，即便在刚性推理负载占比达70%的受限情景下仍能实现14.61%的物理减排（图4）。研究为将AI算力负荷纳入电力系统需求侧响应提供了依据，并为优化智算中心分时绿电匹配机制与低碳市场政策提供了参考。

图4 AI不同生命周期阶段优化前后的算力负荷分布

上述工作得到了国家自然科学基金、碳中和系统工程北京实验室及中央高校基本科研业务费等的支持。

论文详情：Liu, B., Guo, Q., Cong, R.-G. (2027). Interruptible AI training as virtual energy storage for renewable integration in computing centers. Energy for Sustainable Development, 96, 102159.

原文链接：https://doi.org/10.1016/j.esd.2026.102159