2026年华数杯C题完整解题思路与建模方案

一、题目核心认知：从“迁到便宜地方”到“时空能源协同”

这道题最容易被误解的地方是：简单理解为“把任务迁到电价便宜的地方”。这个想法忽略了五方面关键约束：

• 网络时延：实时推理对响应速度极其敏感，不能把实时任务都迁到西部

• GPU容量：电价低不代表有足够GPU承接所有任务

• 任务完成期限：训练任务可延迟但不能无限推迟

• 新能源波动：光伏白天丰富晚上减少，风电存在随机波动

• 储能影响：储能可能在前面存了低成本或低碳电能，改变了“什么时候用电最便宜”的结论

因此真正问题是：什么任务，在什么时间，到什么区域执行，由什么能源供电，在保证服务质量的前提下达到整体最优。

二、核心数据分析：真正值得调度的是AI训练

50000条任务中，三类任务数量接近（实时推理16724、批量推理16717、AI训练16559），但GPU占用完全不同：

核心结论：决定算力峰值、电费和碳排放的是训练任务。调度策略应为：实时任务少动，批量任务适度动，训练任务重点动。

三、问题一：GPU需求预测 + 基础算力调度

3.1 问题结构

问题一包含两个不同任务：

1. 预测：预测第2376—2399小时短期GPU需求

2. 调度：根据实际到达任务完成最后24小时调度

⚠️ 关键：预测用于验证模型能力，但最终调度必须用实际到达任务，不能用预测数据代替。

3.2 预测模型

按 “区域×任务类型” 建立18条独立小时级GPU需求序列。采用Holt-Winters季节指数平滑模型，季节周期取24小时。

训练流程（严格按时间顺序）：

• 0—2351小时：训练

• 2352—2375小时：验证调参

• 0—2375小时：重训

• 2376—2399小时：最终预测测试

预测特征设计：

• 近期变化：最近1小时、2—3小时、6小时需求

• 近期负荷水平：过去12小时均值、24小时均值、波动程度、峰值

• 周期规律：过去一天相同小时、一天中时段

预测结果：测试段六区域平均MAE约92.5GPU，RMSE约142GPU。⚠️ MAPE约148.8%——这个数字看起来很大，是因为部分区域深夜存在大量0值或极小值时段，极小分母会放大MAPE。应同时报告RMSE说明模型在高负荷时段预测准确。

3.3 基础调度模型

采用服务质量优先的纯算力基准方案，分层调度：

⚠️ 重要细节：任务持续时间单位是分钟。如任务运行95分钟，必须按每个小时内实际运行分钟数折算GPU占用，不能向上取整为2小时全部占满。

最后24小时调度结果：实际到达538个任务（实时推理160、批量推理184、AI训练194）。区域GPU利用率：RegionF峰值达99.5%，RegionE达96.8%，全部任务在容量与时限内完成。

四、问题二：碳感知任务调度

4.1 任务→能源的传导链

每个任务放到某区域后形成：GPU占用 → AI IT功率 → 区域IT总负荷 → ×PUE → 设施负荷 → 新能源/电网供电 → 电费与碳排放。任务调度=能源调度。

4.2 预剪枝：剪掉不可能的区域

根据时延约束：

4.3 区域偏好分析

RegionE电价较RegionA低约47%，碳强度低约65%；RegionD GPU容量最大，RegionE PUE最低。但优势具有时间特征——RegionE白天光伏强时优势明显，晚上光伏下降后RegionF风电或RegionD低价电可能更有优势。

4.4 三类任务差异化策略

4.5 求解策略

采用滚动时域调度：每到当前时刻，看已到达未执行任务，查看未来电价/碳强度/新能源/GPU余量，决定当前应执行哪些，只执行窗口最前面的决策。

4.6 问题二结果

结果解读：训练与批量任务大量迁往电价低、碳强度低的RegionD/E/F，东部实时任务保持本地执行。

五、问题三：储能协同优化

5.1 ⚠️ 必须与问题二“切断”

赛题明确规定：问题三直接使用Baseline_AI_IT_Load和NonAI_IT_Load作为给定负荷，不允许重新优化任务迁移和开工时间。这样才能单独识别储能本身的贡献。

5.2 储能模型四类行为

1. 新能源富余时优先充电：E/F区域新能源大于负荷时，优先让储能吸收

2. 低价低碳时段电网充电：价格低、碳强度低、未来将进入高价时段时提前储能

3. 高价高碳时段放电：一次放电同时减少电费、碳排和峰值

4. 主动削峰：净购电接近峰值时提前放电

5.3 ⚠️ 终端SOC约束

赛题要求：第2406小时SOC不低于初始SOC。若不设此约束，优化器会在最后几小时放空电池，夸大收益。

5.4 问题三结果（以RegionF风电富集区为例）

六、问题四：多区域算—储—电协同优化

6.1 为什么不能简单串行

把问题二的结果扔进问题三，那是串行优化——任务完全确定后储能被动适应。真正联合优化应允许双方互相影响：

• 若任务调度器不知道储能状态，可能把所有训练任务都推到新能源高峰期，造成GPU峰值

• 若储能不知未来任务会迁移，可能提前把电放掉，真正负荷来时反而没电

6.2 三层交替协调结构

形成闭环：任务改变负荷→负荷改变储能策略→储能改变边际供电成本→反改变任务调度。

6.3 Pareto分析与情景分析

多目标（成本、碳排、时延、服务、新能源利用率、峰值购电）不可能同时最优，应生成Pareto前沿比较不同方案。

三类规定情景：

1. 碳约束收紧：训练任务进一步向E/F迁移，新能源利用提高，运行成本可能增加

2. 峰谷电价变化：峰谷差扩大→任务延迟价值上升；峰谷差缩小→时间调度意义下降

3. 新能源波动增强：储能重要性提高，需保留更多SOC裕度

七、四问递进关系与核心思想

三种灵活性联合利用：空间灵活性(任务跨区迁移) + 计算时间灵活性(任务延迟) + 能源时间灵活性(储能)。

终极策略：实时推理靠近用户保SLA，批量推理有限时空迁移，AI训练大范围跟随低价低碳绿电，储能搬移绿电，算力与能源互相反馈形成算—储—电协同闭环。

八、八大常见陷阱

1. 问题一用预测任务做最后24小时调度 → 必须用实际到达任务

2. 随机划分时间序列训练集 → 产生未来信息泄漏，必须按时间顺序

3. 任务持续时间向上取整 → 高估GPU占用，按分钟折算

4. 三类任务用相同迁移规则 → 实时和训练时延敏感度完全不同

5. 问题二直接用附件原始IT负荷 → 调度后AI负荷已变，必须重新计算

6. 问题三继续用问题二的新负荷 → 问题三有独立负荷口径

7. 储能终端直接放空 → 无终端SOC约束夸大收益

8. 问题四简单串行组合 → 不是真正联合优化

通过网盘分享的文件：2026华数杯分享链接: https://pan.baidu.com/s/1z-QqhjqNqngh3u0EBTq9lg 提取码: 2x2i