等多元数据，通过小时级优化 算法和敏感性分析，为投资者提供“决策地图”。 SUMMARY 摘 要 调度智能：针对海量分布式资源协同难题，以虚拟电厂为核心载体，构建云边协 同多智能体调度体系，聚合光储充及其他可调节负荷资源，成功参与电网需求响应； 在零碳园区实现光储充智能微网，能源自给率显著提升。 市场智能：针对电力现货交易复杂博弈、风险难控的问题，打造电力交易智能体， 实现电价预测、 实现电价预测、策略生成、风险量化、自动执行全链路智能化。日前电价预测准确率 超90%。邦惠电品牌为中小用户提供交易服务，合同履约率100%。 用户智能：针对充电服务体验同质化、用户潜在价值未充分释放的行业痛点，依 托新电途聚合充电平台，构建用户画像与智能推荐、负荷智能引导、车网互动（V2G）、 生态协同连接四大核心能力。截至目前，平台已覆盖 440 余座城市，接入超 290 万个 充电设备，服务超 3000 万注册新能源车主；V2G 中，需大量代表分布式光伏、储能、电动汽车、可调负荷等不同资源的智能体自主 协同。基座需设计适用于新能源场景的多智能体通信、协商与协同机制，如合同网 协议、市场竞价机制、分层控制架构等，使分散的智能体能够完成广域需求响应、 虚拟电厂聚合等复杂任务，实现从智能决策到安全可靠执行的闭环。 在架构实现上，需要厘清“模型”与“智能体”的层级关系：L�层（行业大模 型层）提供可被智能体调用的模型与工具，如时序预测模型、电力知识大模型、工

逻辑架构 ( 大二层 ) 组合， 技术实现要点 • 端口聚合（ LACP ）： 管理节点→管理交换机： 2 条 10G 链路聚合，带宽 20Gbps ， 故 障切换时间＜ 50ms 。 Leaf → Core/Spine ：多条 400G 链路聚合，支持 TB 级带宽。 GPU 服务器→ Leaf 交换机： 2 条 25G 链路聚合，提供 50Gbps 冗余带宽，支持链路负载均衡。 第 23 页 台核心交换机通过 26 条 400G 链路形成全 Mesh 冗余连接，采用端口聚合 + ECMP 足千卡集群的业务调度需求，又通过双核心架构保障可靠性。 2 台业务核心交换机华三 S9850-4C （ 400G QSFP-DD×4 ）作为全网枢纽，作为业务 / 管理核心节点，承载跨集群数据调 台华三 Leaf 交换机与 2 台飞塔防火墙通过 16 条 10G SFP + 单模光纤实现全互联，每台 Leaf 使用 2 个 25G 端口 降速至 10G 连接双防火墙，形成 “双上联 + 链路聚合” 的高可用架构。额外增加 2 条心跳线（ 1G 电口主用 + 备 用） 用于防火墙状态同步，总链路数 18 条。 4. 结合防火墙 HA 与 ECMP 技术，既保证南北向流量的安全过滤，又支持东西向流量的负载均衡。

.............................................................................. 7 （一） 节点架构重构，驱动算力高效聚合.......................................................7 （二） 异构计算技术，实现算力密度突破...................... 高速超宽、高效灵活、高稳可靠四大能力。通过四大能力建设，构建 起高效处理各类 AI 计算任务的基础架构，为 AI 应用创新发展提供坚 实支撑。具体来看，一是高密集约能力，通过硬件架构创新与多芯片 集成设计，实现计算资源的高效聚合，提升并行处理效能，为大规模 AI 任务提供核心算力单元支撑。二是高速超宽能力，聚焦构建高带 宽、低时延数据传输体系，采用芯片级直连等技术，有效保障计算节 点数据的高效流通，破解数据传输瓶颈。三是高效灵活能力，推动异 大化利用，集群扩展成本高且难以实现弹性伸缩。 （三）发展阶段与演进脉络 AI 计算节点发展脉络可以分为三个阶段，从早期分散式设备简 单互联，逐步向机间协同组网，再到规模化卡间直连迭代，节点互联 效率、算力聚合密度、资源协同能力显著提升。 在互联网应用发展时期，业务应用以网页服务、电子商务、在线 办公等简单数据交互型业务为主，对算力协同需求较低。算力供给模 式以多服务器分布式互联为核心，通过负载均衡机制实现业务流量调

设计 的深化与试点示范的加速落地。根据《加快构建新型电力系统行动方 案（2024—2027 年）》，算电协同被列为七大试点方向之一，明确要求 在国家枢纽节点和青海、新疆等能源富集区，通过“绿电聚合供应” 模式提升数据中心绿电占比，并探索算力负荷与新能源功率联合预测、 柔性控制等技术，以降低电网保障容量需求。国家能源局 2025 年 5 月发布的《新型电力系统建设第一批试点通知》进一步细化实施路径， 国家枢纽节点绿电占比 ≥80% • 新建大型数据中心 PUE≤1.25 2024.07 《加快构建新型电力系统行动方案 (2024-2027)》 • 开展“算力+电力”协同 试点 • 探索"绿电聚合供应"模式 • 提升新能源消纳率 15% 如表 1-1 所示，我国算电协同政策呈现三阶段特征：2021-2022 年 侧重空间布局优化，2023 年强化技术标准建设，2024 年后重点突破 指标 体系，包含 6 个一级指标和 18 个二级指标，为行业提供了量化评估 工具。中国信通院发布的《算力电力协同发展研究报告（2025 年）》 则聚焦技术路径，提出“云边端协同调度”“算力负荷聚合响应”等 创新模式。 产业界也取得实质性突破，2023 年 8 月，阿里巴巴与华北电力 大学合作完成全球首次跨区域“算力-电力”优化调度试验，通过将杭 州的 AI 训练任务迁移至内蒙古数据中心，节省电费支出

06 16 21 07 16 21 09 18 22 24 26 11 20 22 12 12 13 13 14 14 14 15 全球产业的演进路线：从硬件聚合到系统构建 技术特征 支撑大模型创新及云服务场景 加速人工智能科学计算，服务算法创新 助力行业企业智能化升级 系统特征 AI 技术从单点能力突破迈向系统能力创新 超节点技术产业生态发展格局 处理器编织为一个逻辑统一的高密度计算体，为高效计算提供了底层支撑。 系统能力则是超节点高效运转的保障，它需要具备大规模、高可靠、多场景等系统特征。大规模的 组网能力突破了单机扩展的硬件限制，为大规模算力聚合提供架构支撑；高可靠的运行特性化解了 网络、计算、存储等子系统的故障风险，保障集群作业的连续性；多场景的适配能力则能通过精细 化资源调度等机制，满足不同业务需求，最大化释放算力价值。 本文系统性地提出并论证了 当前，千亿乃至万亿参数的大模型与 MoE 等先进架构的兴起，对计算基础设施提出了前所未有 的苛刻要求。传统的硬件堆叠模式已难以满足其对于算力规模、通信效率及系统稳定性的需求。《超 节点发展报告》深刻阐述了，必须从单纯的硬件聚合，迈向以“系统工程”思想为核心的创新构建。 超节点通过超高带宽互联、内存统一编址等关键技术，实现了计算、存储、网络资源的深度融合与 高效协同，其大规模灵活组网与高可靠运行的系统优势，是构建稳定、高效、易用的新一代算力系

概念界定 智能计算中心 （简称智算中心） 是基于最新人工智能理论，采用领先的人工智能计算架构， 提供 人工智能应用所需算力服务、数据服务和算法服务的公共算力新型基础设施， 通过算力的生产、 聚合、调度和释放，高效支撑数据开放共享、智能生态建设、产业创新聚集，有力促进 AI 产业化、 产业 AI 化及政府治理智能化 智能计算 中心 B A • 面向政府、企业等输出包括 打造人工智能开放服务 平台 • 汇聚并赋能行业 AI 应用，助力行业智慧应用高效化开发， 加速行业和产业 AI 化 • 基于深度学习、强化学习等创新 AI 技术 • 重点围绕生产算力、聚合算力、调度算力、释放算力四大关键环节提升 AI 算 力 A 核心技术 AI 化 c 服务应用 AI 化 B 输出产品 AI 化 智能生态 建设平台 数据开放 共享平台 以产业创新 升级为目标 数据 处 理库 机器 学习 强化 自监督 学习 学习 自动机器学习平台 内存 配额策略 计算 负载均衡 共享超分 虚拟化 容器化 算力集群 智能网络 智能存储 算力聚合 RDMA 智能管理 软 件定 义 网络 软 件定 义 存储 ASIC 软件生态 先进 多样 成熟丰富 识别检测 语音交互 AI 芯片 自动驾驶 机器人 智能制造 医疗影像 无人商店

模型服务调 用 决策集 评分卡 决策树 决策表 预计算 聚合计算 灵活窗口 实时指标库 实时计算技术 数据清洗 数据加宽 实时维表 窗口计算 变量管理 决策集 决策表 版本管理 评分卡 决策流 PMML 模型 Python 模型 ModelOps API 服务管 理 预计算 计次 / 最值 聚合计算 窗口计算 实时指标库 规则引擎 模型引擎 指标引擎 ServiceMesh Docker K8s 云原生

Hierarchical Ring,NHR) 等多种算法,AI 芯片通过并发使用多路链路,充分利用双向带宽,显著 提升服务器间通信效率。 4. 2. 2 计算通信统一硬化调度 通过最大化反向计算与梯度聚合通信的并行度, 实现计算与通信任务的全硬化调度。 借助专用硬件调 度引擎和硬件通信原语,实现计算与通信任务在硬件 层面无缝衔接,精准控制系统抖动,显著降低调度开 销,优化硬件资源利用率。 在高性能并发方面 提升通信任务执行效率。 4. 3 网络 大模型通过模型并行、流水线并行等方式切分到 AI 集群的各个机器,但不管用什么样的方式,切分后 仍需网络对分布在不同机器的参数进行总体聚合,机 间互联便成了主要的性能瓶颈。 从通信方式的角度来 看,参数聚合会对网络提出很多需求,例如对模型局部 变量进行更新等。 由于专用的 AI 加速芯片中内存与 计算单元的高带宽存储器( High Bandwidth

源弹性可扩展， 支持动态迁移和重配置资源。 高安全：有效保障业务连续性，数据自动副本，分片保存，保 障数据不丢失。统一认证审计，智能管控信息安全。支持负载 均衡和链路聚合。 高性能：通过服务器与存储的集群，性能并行化，带宽聚合化， 负载均衡化，将获得更高的服务性能。 易整合：完备 P2V 和 V2V 工具，支持将现有应用服务和数据 平滑移植到云平台之上，实现整合。 易管理：支持不多终端访问模式，不同视图模式的管理 计算集群 11台 （存储）万兆交换机 （管理）千兆交换机 业务人员 MPLS专线 （业务）千兆交换机 总部 分区 管理集群 1台 数据库服务器 5台 业务网络 管理网络 存储网络 链路聚合 智能会议系统 - 系统概述 多功能电子会议系统是集会议、培训、学术交流等为一体的多功能会议场所。它将高质量的 音频、视频和诸多智能特性紧密结合在一起，通过数字信号处理、压缩编码技术和数据传输等新

Z-score 标准化 z= x− μ σ 4. 时间序列对齐 构建基于 Hadoop 生态的数据同步框架： o 对交易所原生时间戳实施纳秒级校准 o 不同频率数据通过 VWAP（成交量加权平均）聚合到统 一时间轴 o 事件驱动型数据采用动态时间规整(DTW)算法匹配市场 反应 5. 特征工程优化 开发自动化特征筛选流水线： o 计算每个特征的 IC 值（信息系数），保留 IC>0.05 低延迟的存储架构。以下是具体实施方案： 数据源接入采用分级分类管理，通过 API、FTP、WebSocket 等协议对接不同市场数据供应商。核心数据源包括：  交易所官方数据（L1/L2 行情、逐笔成交）  第三方聚合数据（新闻舆情、另类数据）  经纪商账户数据（持仓、资金变动） 建立数据质量校验机制，在采集层部署实时校验模块，包括但 不限于以下检查项： 校验类型 检测方法 容错阈值 连续性校验 时间戳递增检测 成交量突增需对应新闻事件或市场公告  订单簿价差异常需检查流动性提供商状态 关键注意事项  避免在滚动窗口计算中引入未来数据（需使用滞后窗口统计 量）  对高频数据采用逐笔校验，而非聚合后处理  保留异常日志用于策略鲁棒性测试 4.2.2 特征工程 在量化交易中，特征工程是数据预处理的核心环节，其目标是 从原始数据中提取具有预测能力的特征，同时消除噪声和冗余信 息。特征