引言
在生成式人工智能高速演进和数字经济全面深化的背景下，全球算力规模呈指数级扩张，大模型参数量从百亿级迈向万亿级，引发数据中心算力需求与能耗同步飙升［1］。据中国信通院权威统计，2019~2030年全球算力规模年均增速高达 47%，我国数据中心用电量预计在2030年逼近 3 000~7 000亿千瓦时，届时社会用电量占比将突破5%，成为能耗增长的核心源头［2］。同时，新一代AI芯片推动算力密度突破，带来前所未有的瞬时功率冲击，使数据中心呈现强耦合的“算力突发-负荷跃增”特性［3］，而针对这一特性的精准刻画，离不开高质量的数据支撑与科学的数据治理体系。
数据治理作为数字基础设施建设的核心环节，是实现数据中心算力与电力负荷协同优化的基础前提，数据中心的算力运行、电力能耗、环境保障等多源数据存在异构性、碎片化、质量参差不齐等问题，若缺乏系统的数据治理，将导致数据价值难以挖掘，无法精准捕捉算力与负荷的内在关联。当前，国内外研究主要集中于数据中心整体能效指标PUE(Power Usage Effectiveness，电源使用效率)优化［4］，或单一维度的负荷预测方法改进，对数据治理的重视不足，未形成“数据治理-数据挖掘-协同分析-预测优化”的完整体系：既有研究多从基础设施节能、制冷优化角度切入，对算力任务数据的挖掘分析不够深入；传统负荷预测模型依赖低质量、碎片化数据，难以应对算力波动带来的复杂场景［5］。
基于上述研究现状与挑战，本文从数据中心算力行为的时空特征出发，构建覆盖“数据治理-数据挖掘-模式识别-耦合建模-预测优化”的系统化分析框架，并着力凸显数据治理的核心支撑作用：首先，面向数据中心多源异构数据，构建标准化的数据治理体系，涵盖数据采集、清洗、质量控制、时空对齐等全流程，夯实数据基础设施，为后续分析提供高质量数据支撑；其次，基于治理后的高质量数据，通过数据挖掘方法提取算力核心特征、识别典型算力模式，构建算力与电力负荷的协同映射关系；最后，基于治理数据与挖掘成果，构建高精度负荷预测模型，实现算力驱动下负荷变化的精准预测。通过上述研究，完善数据中心数据治理体系，挖掘算力与负荷数据的核心价值，为数据中心能效优化与算力调度提供技术支撑。
本文详细内容请下载：
http://www.chinaaet.com/resource/share/2000007159
作者信息：
孙钢1，杜旸旸2
(1.国网浙江省电力有限公司营销服务中心，浙江杭州311121；
2.浙江省轨道交通运营管理集团有限公司，浙江杭州311121)
