跳到正文
世界时间EU--:--UK--:--USA--:--CN--:--PLDEFRIT中文EN

关于人工智能与技术的门户事件 · 分析 · 访谈 · 技术背景

搜索
直播
›

电网软件转向空间天气预报与节能型GPU共享

微软研究院称,一条机器学习流水线能在空间天气影响发生前30至60分钟,为美国66935座变电站标出风险。另一篇SOSP '26论文报告,更聪明的GPU共享可节能1.4至2.3倍。

科技新闻王雅琴发布: 2026年9月30日4 分钟阅读资料来源 10
电网软件转向空间天气预报与节能型GPU共享

本周出现了两项与电网相关的软件研究。它们都指向同一个问题:支撑电力与算力的基础设施,必须在预警更少、能耗更低的情况下做更多的事。

其中日期较新的一项来自微软研究院。该机构9月30日发布博客文章,介绍一条用于预测电网空间天气风险的流水线。

逐座变电站的空间天气预报

微软研究院称,这套系统使用预报时刻的太阳风信息,为美国本土66935座变电站生成与位置相关的风险评估。它把极光电急流指数(AE)和地磁暴扰动时间指数(Dst)的预报,与当地纬度、地质条件和大地电导率结合起来。博客称,在评估期内,这条流水线识别出近80%的重大空间天气事件。它能在具体风险出现前30至60分钟向电网运营商发出预警。

文章从运营角度说明了问题所在。知道风暴要来,和知道它的影响何时、何地最严重,并不是一回事。同一篇文章指出,地磁感应电流(GIC)取决于当地条件。基岩电阻率高的地区,电流可能比地质更导电的地区更强。文中以2024年5月的地磁暴作为例子,那场风暴把极光推到了远超出通常范围的地方。

博客称,这项工作是在微软研究院的一次暑期实习期间完成的。作者把它描述为端到端的机器学习流水线,而不是物理模拟。这一区别对电网运营商很重要。他们需要的是能直接据以行动的预报,而不是需要解读的研究模型。

GPU集群里不只看利用率,还要看能耗

第二篇论文9月28日发表在SOSP '26上,瞄准的是能耗问题的另一面。作者是Prasoon Sinha、Dimitrios Liakopoulos、Nathan Lemma和Neeraja J. Yadwadkar。在《Beyond Utilization: Energy-Conscious GPU Sharing for Inference Serving》一文中,他们认为只优化GPU利用率,反而可能增加能耗。他们的系统EnerTune用解析模型估算每个模型的性能和功耗,也估算共享GPU上同置模型的功耗,再把这些估算送入一个能耗感知的装箱算法。

论文报告称,EnerTune在满足性能SLO的同时把能耗降低1.4至2.3倍,相比最先进的基线方案把功耗降低1.3至2.6倍。作者指出,在大规模下对所有可能配置逐一做性能剖析,成本高得不可行。这正是解析模型的意义所在。每个模型都可能以数百种配置部署,而剖析本身也要耗电。

这两项成果与一波电网软件动态出现在同一周。《Energy Digital Magazine》9月30日发布了十大智能电网供应商名单。《Sustainable Views》同一天撰文认为,欧洲必须把电网作为一个系统来建设和运营。《Utilities Middle East》也在9月30日刊登了一篇西门子关于释放电网容量的文章。

储能方面,据Business Wire 9月29日报道,Energy Vault的125 MW / 1 GWh Stoney Creek电池储能项目获得新南威尔士州开发许可,为开工建设扫清了道路。《Energy Source & Distribution》9月30日也报道了同一项许可。同一周,《Energy-Storage.News》刊文解释为何可用性作为电池储能的性能指标很重要,以及如何计算它。该媒体还报道,SMA的电池逆变器成为首个获得德国惯性市场构网型认证的产品。

预测与灵活性

预测不只是空间天气的问题。《pv magazine Global》9月29日报道了一张数字地图,可预测西班牙2027年的电网约束和弃电热点地区。同一天,Business Wire报道Critical Loop为加州工业用户提供了灵活并网方案,并提到首款获得CSIP 2030.5认证和UL 3141列名的功率控制器。

9月29日,Spectra by MHI发布一篇解读文章,讲虚拟电厂如何让电网面向未来。Business Wire报道称,Willow正把自主智能体部署到《财富》100强企业的楼宇资产组合中。MarketScale报道了IFS的一项调查,结果显示只有33%的公用事业高管认为自己的资产管理达到先进水平。这个数字与各种自动化宣称放在一起,显得颇为尴尬。

共同点在于,电网软件正从仪表盘走向决策。微软的流水线不只是显示一场风暴,而是按变电站估算风险并给出提前量。EnerTune不只是把模型塞进GPU,而是在能耗与延迟、吞吐之间做权衡。运营商是否信任这两套系统、并据其输出采取行动,是另一个问题。两项成果都没有直接回答它。

评论 0

资料来源

10
  1. 01Forecasting space weather risks on power gridsEN
  2. 02Beyond Utilization: Energy-Conscious GPU Sharing for Inference ServingEN
  3. 03CHOMPI portable sampler instrument is now open-sourceEN
  4. 04The open-source AI platforms vying to become China's Hugging FaceEN
  5. 05Report: Kakao is shutting down Tapas webtoon platformEN
  6. 06Justice Department and FBI Seize Platforms Operated and Used by China State-Sponsored HackersEN
  7. 07Japan's fusion energy startup to begin power-on tests at pilot reactor in 2027EN
  8. 08Dear Software MakersEN
  9. 09OpenClaw Enterprise – The Open Agent PlatformEN
  10. 10Estimating software projects without fooling yourselfEN

本文所有数字与引语均来自下列来源,未添加来源之外的内容。

本内容由编辑部在人工智能辅助下制作完成。

王雅琴

王雅琴

人工智能、模型与技术

王雅琴负责FLASH24的人工智能、模型与技术报道,覆盖科技、人工智能与模型、媒体与互联网领域。她习惯直接查阅技术文档、模型卡与官方博客,而非依赖新闻稿,对未经核实的参数和跑分数据一概不放行。每篇报道前,她会逐项核对基准测试结果,对照论文原文与开源代码,确认版本号、数据集和评测条件是否一致。她常联系开发者与研究人员求证细节,也盯着各大厂商的发布会和论文截稿日期,横向比较同类模型的实际表现。私下她自建服务、折腾家庭网络,这让她对部署成本和真实算力需求有直观判断。她的原则是:没有可复现来源的数字,不写进稿子。

编辑部 →

评论

0
  1. 还没有评论——来说两句吧。

写评论

评论公开展示。我们不发布辱骂、垃圾信息和广告内容。