Grid-Oriented Probabilistic Load Forecasting for AI Data Centers

Qingyi Yao; Ding Lin; Tianqiao Zhao; Meng Yue; Jianhui Wang

Résumé IA · arXiv: 2611.08929v1 · eess.SY

Grid-Oriented Probabilistic Load Forecasting for AI Data Centers

Qingyi Yao, Ding Lin, Tianqiao Zhao, Meng Yue, Jianhui Wang

Article original Soumis à arXiv le 06 Nov. 2026 Licence : NONEXCLUSIVE-DISTRIB 1.0 Aussi en : en

Comment lire ce résumé ? Guide illustré

L’essentiel

Le benchmark montre que prévoir les marges ne suffit pas : préserver la dépendance temporelle améliore les scénarios de charge et réduit le coût des réserves.

Question

Comment évaluer des prévisions probabilistes de charge de centres de données IA pour les opérations du réseau, en tenant compte à la fois de leur calibration et de la dépendance temporelle des charges ? Les scénarios produits à partir de ces prévisions améliorent-ils le dimensionnement des réserves ?

Méthode

Les auteurs construisent un benchmark à partir de mesures de puissance GPU et de journaux d’ordonnancement d’un cluster de 448 GPU, sur la période du 5 février au 1er octobre 2021. Ils évaluent quatre étapes — prévision probabiliste, calibration en ligne conditionnée par le régime, génération de scénarios et dimensionnement des réserves — pour trois tâches allant d’un horizon d’une heure à un horizon de 24 heures. Quatre prévisionnistes et quatre générateurs de scénarios sont comparés; les scénarios comprennent 200 trajectoires, et le coût des réserves est évalué pour trois rapports de coûts.

Résultats

Résultat À l’horizon de 24 heures, l’intervalle à 90 % de LightGBM couvre 63,4 % des observations, contre 87,3 % après calibration en ligne.
Voir le passage dans l’article
The online correction raises LightGBM coverage to 87.9%, 87.9% and 87.3%, and the lowest regime coverage at the 24-h horizon from 57.3% to 82.2%.
Résultat Le TCN non calibré atteint une couverture proche de 90 % dans les trois tâches et au moins 84,3 % dans chaque régime.
Voir le passage dans l’article
The TCN covers 88.3%, 88.5% and 87.6% without correction, and at least 84.3% in every regime.
Résultat L’échantillonnage indépendant reproduit mal les rampes et les pics, car il supprime la forte corrélation observée entre erreurs de prévision consécutives.
Voir le passage dans l’article
Consecutive TCN forecast errors are strongly correlated, with a mean lag-1 correlation of 0.84, 0.85 and 0.90 in the three tasks. Sampling the steps separately removes this correlation, so simulated trajectories move up and down from step to step far more than the observed load (Fig. 4a, c).
Résultat Le Schaake shuffle présente les scores ES et VS les plus faibles dans les trois tâches et améliore la calibration des statistiques de trajectoire.
Voir le passage dans l’article
The Schaake shuffle combines the conditional marginals of the TCN with the empirical rank structure. It has the lowest ES and VS in all three tasks and KS distances of 0.07–0.13 for ramp-up and 0.08–0.09 for the peak.
Résultat Avec le Schaake shuffle, le coût moyen des réserves baisse de 7,4 à 10,6 % par rapport à l’échantillonnage indépendant, selon la tâche.
Voir le passage dans l’article
Across the three tasks the cost falls by 7.4%, 9.1% and 10.6%, and the shortfall rate is 10.5%, 9.3% and 7.6%.

Limites

Le benchmark porte sur la puissance GPU IT d’un seul cluster et ne mesure pas la puissance des CPU, le refroidissement ni les pertes des installations.
Voir le passage dans l’article
The target is therefore cluster GPU IT power, which excludes CPU, cooling and facility losses.
Le seuil de puissance au repos des GPU non affectés repose sur une hypothèse de 40 W par GPU, et non sur une mesure de télémétrie.
Voir le passage dans l’article
We add an assumed 40 W for each such GPU, which sets a floor of about 18 kW when the cluster is empty.

Portée

Les auteurs défendent une évaluation par étapes qui relie les prévisions probabilistes aux décisions de réserve, plutôt que de se limiter à des mesures d’exactitude ou de calibration marginale. Leurs résultats soulignent que les scénarios doivent préserver à la fois l’incertitude conditionnelle de la prévision et la dépendance temporelle.

Rédigé par une IA à partir de l’article. Les passages cités sont vérifiés mot pour mot dans le texte analysé ; le reste peut contenir des erreurs.

Mots clés générés par l'IA : Prévision probabiliste consommation des GPU calibration en ligne dépendance temporelle réserves électriques

Pour aller plus loin

Résumé Complet
Résumé vulgarisé
Article de blog
Abstract original

L’article étudie la production de prévisions probabilistes de la consommation électrique des centres de données dédiés à l’intelligence artificielle, en vue de leur utilisation dans l’exploitation des réseaux. Il souligne qu’une prévision exacte de la charge moyenne ne suffit pas : les opérateurs doivent aussi connaître l’incertitude, les rampes de puissance et la durée des périodes de forte charge afin de dimensionner les réserves. Les auteurs évaluent donc conjointement la calibration des prévisions, la dépendance temporelle des scénarios générés et les conséquences de ces choix sur les décisions de réserve. L’étude établit un benchmark à partir des mesures de puissance des GPU et des journaux d’ordonnancement d’un cluster de production comprenant 448 GPU. La cible correspond à la puissance de calcul des GPU, à laquelle s’ajoute une consommation au repos estimée à 40 W par GPU non affecté à une tâche. Elle exclut les CPU, le refroidissement et les pertes de l’installation. Les données couvrent l’année 2021, et les périodes d’entraînement, de validation et de test sont séparées chronologiquement. Les auteurs étudient trois tâches : des prévisions toutes les cinq minutes sur un horizon d’une heure, toutes les quinze minutes sur quatre heures et toutes les heures sur vingt-quatre heures. Ils comparent notamment la persistance, LightGBM avec régression quantile et un réseau convolutif temporel (TCN). Leur méthode comprend quatre étapes : la prévision probabiliste, la calibration en ligne, la génération de trajectoires temporelles et le calcul des réserves nécessaires sur l’ensemble de l’horizon. La calibration en ligne ajuste les quantiles en fonction des erreurs récemment observées, en privilégiant les données correspondant au même régime de charge. Cette correction est causale : elle n’utilise que des cibles déjà observées. Après une hausse de l’utilisation du cluster, LightGBM est fortement sous-calibré à l’horizon de vingt-quatre heures : son intervalle nominal à 90 % ne couvre que 63,4 % des observations. La correction fait passer cette couverture à 87,3 % et réduit le CRPS de 1,746 à 1,551 kW. La couverture minimale entre les régimes de charge augmente également, de 57,3 % à 82,2 %. À ce même horizon, le TCN, qui intègre les conditions récentes dans ses entrées, atteint déjà une couverture de 87,6 % sans correction. La calibration supplémentaire apporte peu et peut élargir excessivement les intervalles. Le TCN obtient le meilleur CRPS pour chacune des trois tâches, avec des valeurs de 0,438, 0,741 et 1,462 kW. Les auteurs montrent ensuite que des quantiles bien calibrés ne suffisent pas à produire des trajectoires réalistes. Le tirage indépendant à chaque pas ignore la forte corrélation entre les erreurs successives du TCN, dont la corrélation moyenne au décalage d’un pas varie de 0,84 à 0,90 selon la tâche. Cette méthode déforme les rampes et les pics. Pour les rampes maximales, la distance de Kolmogorov-Smirnov (KS) atteint 0,70 à 0,88. Parmi les méthodes évaluées, le réordonnancement de Schaake préserve les distributions marginales conditionnelles du TCN tout en reproduisant la structure de rang observée dans les erreurs historiques.

Prévoir la consommation des centres de données IA pour mieux gérer le réseau

Les centres de données consacrés à l’intelligence artificielle peuvent faire varier rapidement leur consommation électrique. Pour les opérateurs de réseau, connaître uniquement la charge moyenne ne suffit donc pas : il faut aussi anticiper les incertitudes, les montées en puissance et la durée des épisodes de forte demande afin de mobiliser les réserves nécessaires.

Dans l’article « Grid-Oriented Probabilistic Load Forecasting for AI Data Centers », Qingyi Yao, Ding Lin, Tianqiao Zhao, Meng Yue et Jianhui Wang examinent comment produire des prévisions probabilistes utiles à l’exploitation du réseau. Leur approche évalue non seulement la précision et la calibration des prévisions, mais aussi le réalisme des trajectoires de consommation générées et leur utilité pour estimer les besoins en réserves.

Un benchmark fondé sur un cluster de production

L’étude s’appuie sur les mesures de puissance des GPU et les journaux d’ordonnancement d’un cluster de production composé de 448 GPU. La consommation étudiée comprend la puissance de calcul des GPU et une estimation de 40 W pour chaque GPU au repos, c’est-à-dire non affecté à une tâche. Elle ne comprend pas les processeurs, le refroidissement ni les pertes de l’installation. Il s’agit donc d’une mesure ciblée de la charge des GPU, et non de la consommation totale du centre de données.

Les données couvrent l’année 2021. Afin de respecter l’ordre temporel des informations disponibles en situation réelle, les périodes d’entraînement, de validation et de test sont séparées chronologiquement. Les auteurs étudient trois échéances de prévision :

Une prévision toutes les cinq minutes sur un horizon d’une heure.
Une prévision toutes les quinze minutes sur un horizon de quatre heures.
Une prévision toutes les heures sur un horizon de vingt-quatre heures.

Parmi les méthodes comparées figurent la persistance, qui prolonge la dernière valeur observée, LightGBM avec régression quantile et un réseau convolutif temporel, ou TCN. Contrairement à une prévision ponctuelle, les méthodes probabilistes produisent plusieurs quantiles, ce qui permet de représenter une gamme de consommations plausibles et le degré d’incertitude associé.

De la prévision aux décisions de réserve

La méthode proposée suit quatre étapes : produire des prévisions probabilistes, les calibrer en ligne, générer des trajectoires temporelles cohérentes, puis calculer les réserves nécessaires sur l’ensemble de l’horizon. Cette dernière étape est importante : les besoins du réseau dépendent de l’évolution de la charge dans le temps, et pas seulement de valeurs prévues isolément.

Corriger les prévisions quand le régime change

Une prévision est bien calibrée lorsque ses intervalles correspondent à la fréquence de couverture annoncée. Par exemple, un intervalle nominal à 90 % devrait contenir environ 90 % des observations. Or, après une hausse de l’utilisation du cluster, LightGBM sous-estime fortement l’incertitude à l’horizon de vingt-quatre heures : son intervalle à 90 % ne couvre que 63,4 % des observations.

Les auteurs appliquent une calibration en ligne qui ajuste les quantiles en fonction des erreurs récentes, en donnant la priorité aux données provenant d’un régime de charge similaire. La correction est causale : elle ne repose que sur des valeurs déjà observées. Après calibration, la couverture de LightGBM passe à 87,3 %, tandis que son CRPS — une mesure de qualité des prévisions probabilistes, pour laquelle une valeur plus basse est préférable — diminue de 1,746 à 1,551 kW. La couverture minimale observée entre les régimes de charge progresse également, de 57,3 % à 82,2 %.

Le TCN, qui intègre les conditions récentes dans ses entrées, réagit mieux à ce changement de régime : à vingt-quatre heures, il atteint déjà une couverture de 87,6 % sans correction. Lui appliquer une calibration supplémentaire apporte peu et peut même élargir les intervalles de façon excessive. Le TCN obtient par ailleurs le meilleur CRPS pour les trois tâches : 0,438, 0,741 et 1,462 kW, respectivement.

Des trajectoires réalistes, pas seulement de bons quantiles

Des quantiles correctement calibrés ne garantissent pas, à eux seuls, des scénarios réalistes. Tirer une valeur indépendamment à chaque pas de temps ignore les liens entre les erreurs successives. Or, pour le TCN, leur corrélation moyenne d’un pas au suivant varie de 0,84 à 0,90 selon la tâche étudiée. Cette dépendance influence directement la forme des trajectoires : les méthodes qui l’ignorent déforment les rampes et les pics de consommation.

L’écart entre ces trajectoires simulées et les rampes maximales observées est important : la distance de Kolmogorov-Smirnov, qui compare deux distributions, atteint 0,70 à 0,88 pour les méthodes concernées. Parmi les approches évaluées, le réordonnancement de Schaake se distingue en conservant les distributions marginales conditionnelles du TCN tout en reproduisant la structure de rang constatée dans les erreurs historiques. Il permet ainsi de générer des scénarios temporellement plus cohérents que des tirages indépendants.

Une évaluation conçue pour les besoins du réseau

La contribution principale de cette étude est de relier plusieurs questions souvent traitées séparément : la qualité des quantiles, leur adaptation aux changements de charge, la cohérence temporelle des scénarios et le calcul des réserves. Pour exploiter des centres de données IA sur un réseau électrique, une prévision ne doit pas seulement être précise en moyenne. Elle doit aussi représenter correctement l’incertitude et préserver les mouvements successifs de la charge.

Le benchmark met ainsi en évidence deux enseignements pratiques. D’une part, une calibration en ligne peut corriger les prévisions qui réagissent mal à un changement de régime, à condition de l’appliquer avec discernement. D’autre part, la génération de trajectoires doit tenir compte des dépendances temporelles. Ensemble, ces éléments rapprochent les prévisions probabilistes des décisions opérationnelles, où les réserves doivent répondre aux variations réelles de la demande, et pas simplement à une valeur moyenne attendue.

Créé le 09 Nov. 2026

Cette synthèse vous a-t-elle été utile ?

Note : 0

Posez des questions sur cet article à notre assistant IA

Comment discuter avec cet article ? Guide illustré

Comparer avec le PDF

Vous pouvez aussi discutez avec plusieurs papiers à la fois ici.

Instructions pour utiliser l'assistant IA ?

Outils pour cet article

Expliquer autrement 1 réécriture gratuite restante aujourd'hui

Enregistrer dans une collection Regroupez des articles en collections pour les comparer, les interroger et les exporter. Continuer avec Google Créer un compte gratuit Se connecter

Exporter BibTeX · RIS (Zotero, Mendeley, EndNote) · Obsidian (Markdown) · Notion (Markdown)

Outils avancés Premium

Pour suivre un domaine de près : alertes de citations, diapositives de journal club, comparaison des versions et envoi vers Zotero. Découvrir Premium

Zotero

Alertes de citation Guide des alertes de citations

Qui travaille dessus ? Les personnes et institutions qui publient sur son sujet

Lettre hebdomadaire Présenté dans « Informatique hors IA cette semaine » du 9 novembre 2026. Informatique hors IA cette semaine : des preuves aux épreuves du réel

Journal club Premium+ Des slides pour le présenter Proposer pour le journal club

Versions Ce qui a changé entre les versions

En parler en public Premium+ Kit presse : communiqué, questions, détecteur de hype Guide du kit presse

Les articles autour de celui-ci

Les voir sur une carte

Classés selon la proximité de leur titre et de leur résumé avec ceux de cet article. Sélectionnez-en pour les lire ensemble.

Les articles les plus proches

Proche Autre approche du problème
Probabilistic Load Forecasting via Point Forecast Feature Integration
Qicheng Chang, Yishen Wang, Xiao Lu et al. · 2019 · Machine Learning · cité 10 fois · Résumé IA disponible

Probabilistic Load Forecasting via Point Forecast Feature Integration prédit la charge électrique avec une méthode en deux étapes, tandis que l’article évalue aussi calibration et scénarios temporels pour les centres IA.

Résumé scientifique
Short-term load forecasting is a critical element of power systems energy management systems. In recent years, probabilistic load forecasting (PLF) has gained increased attention for its ability to provide uncertainty information that helps to improve the reliability and economics of system operation performances. This paper proposes a two-stage probabilistic load forecasting framework by integrating point forecast as a key probabilistic forecasting feature into PLF. In the first stage, all related features are utilized to train a point forecast model and also obtain the feature importance. In the second stage the forecasting model is trained, taking into consideration point forecast feature…
Proche Contexte plus large
Benchmarking CPU, GPU, and ML Power-Flow Solvers from 14 to 70,000 Buses
Benjamin Donnot, Sami Tazi, Eva Boguslawski et al. · 2026 · Distributed, Parallel, and Cluster Computing · Résumé IA disponible

Benchmarking CPU, GPU, and ML Power-Flow Solvers compare des solveurs de flux de puissance sur différents réseaux, sans étudier les prévisions de charge des centres de données.

En bref
Sur les cas étudiés, des solveurs physiques CPU parallélisés ou GPU égalent ou dépassent le débit des substituts neuronaux évalués, avec une précision nettement supérieure.
Proche Contexte plus large
DxPU: Large Scale Disaggregated GPU Pools in the Datacenter
Bowen He, Xiao Zheng, Yuan Chen et al. · 2023 · Distributed, Parallel, and Cluster Computing · cité 18 fois · Résumé IA disponible

DxPU étudie la mise en pool et l’allocation de GPU dans les centres de données, plutôt que la prévision de leur consommation électrique.

Résumé scientifique
The rapid adoption of AI and convenience offered by cloud services have resulted in the growing demands for GPUs in the cloud. Generally, GPUs are physically attached to host servers as PCIe devices. However, the fixed assembly combination of host servers and GPUs is extremely inefficient in resource utilization, upgrade, and maintenance. Due to these issues, the GPU disaggregation technique has been proposed to decouple GPUs from host servers. It aggregates GPUs into a pool, and allocates GPU node(s) according to user demands. However, existing GPU disaggregation systems have flaws in software-hardware compatibility, disaggregation scope, and capacity. In this paper, we present a new implem…
Proche Contexte plus large
Matching Workloads to Blackwell: Power-Resolved Benchmarking of NVIDIA B200 and B300 across HPC and AI Workloads
Mohsen Zand, Trung Dac Nguyen, H. Birali Runesha · 2026 · Distributed, Parallel, and Cluster Computing · Résumé IA disponible

Matching Workloads to Blackwell mesure les performances et la puissance de GPU sur des charges IA et HPC, sans prévoir la demande électrique du centre.

En bref
Le B300 ne surpasse pas uniformément le B200 : ses performances dépendent de la charge, de la précision numérique et de la maturité logicielle.
Apparenté Autre approche du problème
Electricity Demand Forecasting with Hybrid Statistical and Machine Learning Algorithms: Case Study of Ukraine
Tatiana Gonzalez Grandon, Johannes Schwenzer, Thomas Steens et al. · 2023 · Machine Learning · preprint, non relu par les pairs · cité 6 fois · Résumé IA disponible

Electricity Demand Forecasting with Hybrid Statistical and Machine Learning Algorithms prévoit la demande électrique nationale ukrainienne à partir de données horaires, avec une approche hybride.

Résumé scientifique
This article presents a novel hybrid approach using statistics and machine learning to forecast the national demand of electricity. As investment and operation of future energy systems require long-term electricity demand forecasts with hourly resolution, our mathematical model fills a gap in energy forecasting. The proposed methodology was constructed using hourly data from Ukraine's electricity consumption ranging from 2013 to 2020. To this end, we analysed the underlying structure of the hourly, daily and yearly time series of electricity consumption. The long-term yearly trend is evaluated using macroeconomic regression analysis. The mid-term model integrates temperature and calendar reg…
Apparenté Contexte plus large
Not All GPUs Are Created Equal: Characterizing Variability in Large-Scale, Accelerator-Rich Systems
Prasoon Sinha, Akhil Guliani, Rutwik Jain et al. · 2022 · Distributed, Parallel, and Cluster Computing · cité 47 fois · Pas encore résumé

Not All GPUs Are Created Equal caractérise la variabilité des accélérateurs dans les grands systèmes, tandis que l’article prévoit la charge électrique d’un cluster GPU.

Résumé scientifique
Scientists are increasingly exploring and utilizing the massive parallelism of general-purpose accelerators such as GPUs for scientific breakthroughs. As a result, datacenters, hyperscalers, national computing centers, and supercomputers have procured hardware to support this evolving application paradigm. These systems contain hundreds to tens of thousands of accelerators, enabling peta- and exa-scale levels of compute for scientific workloads. Recent work demonstrated that power management (PM) can impact application performance in CPU-based HPC systems, even when machines have the same architecture and SKU (stock keeping unit). This variation occurs due to manufacturing variability and th…
Apparenté Autre approche du problème
TimeGPT in Load Forecasting: A Large Time Series Model Perspective
Wenlong Liao, Fernando Porte-Agel, Jiannong Fang et al. · 2024 · Machine Learning · cité 92 fois · Pas encore résumé

TimeGPT in Load Forecasting examine un modèle de séries temporelles pour prévoir la charge lorsque les données historiques sont rares, sans traiter calibration ni dimensionnement des réserves.

Résumé scientifique
Machine learning models have made significant progress in load forecasting, but their forecast accuracy is limited in cases where historical load data is scarce. Inspired by the outstanding performance of large language models (LLMs) in computer vision and natural language processing, this paper aims to discuss the potential of large time series models in load forecasting with scarce historical data. Specifically, the large time series model is constructed as a time series generative pre-trained transformer (TimeGPT), which is trained on massive and diverse time series datasets consisting of 100 billion data points (e.g., finance, transportation, banking, web traffic, weather, energy, health…
Apparenté Contexte plus large
A hybrid-model approach for reducing the performance gap in building energy forecasting
Xia Chen, Tong Guo, Martin Kriegel et al. · 2022 · Advanced Engineering Informatics 52 (2022): 101627 · cité 39 fois · Résumé IA disponible

A hybrid-model approach for reducing the performance gap in building energy forecasting combine simulation physique et apprentissage automatique pour prévoir la consommation énergétique des bâtiments.

Résumé scientifique
The performance gap between predicted and actual energy consumption in the building domain remains an unsolved problem in practice. The gap exists differently in both current mainstream methods: the first-principles model and the machine learning (ML) model. Inspired by the concept of time-series decomposition to identify different uncertainties, we proposed a hybrid-model approach by combining both methods to minimize this gap: 1. Use the first-principles method as an encoding tool to convert the building static features and predictable patterns in time-series simulation results; 2. The ML method combines the results as extra inputs with historical records simultaneously, trains the model t…

Aller plus loin

Comment ces articles sont-ils trouvés ?

Nous comparons le titre et le résumé de cet article avec ceux de tous les articles résumés sur ce site, et avec les articles que Semantic Scholar recommande, ceux qu’il cite et ceux qui le citent (pour un article très cité, ses citations les plus récentes et, depuis OpenAlex, les plus citées). Parmi les travaux antérieurs et les suites, les articles qui s’utilisent en profondeur, une méthode qu’il utilise et les suites très citées remontent un peu. Les niveaux (très proche, proche, apparenté) viennent de la similarité des textes, pas d’un jugement de qualité ; * signale un article sans résumé, comparé par son titre. La phrase sous un article est écrite par une IA à partir des deux résumés : vérifiez-la dans les articles. Un article jugé hors sujet par trois lecteurs quitte la liste.

Mis à jour le 9 novembre 2026.

Avertissement : Notre outil de synthèse basé sur l'IA et l'assistant virtuel fournis sur ce site Web peuvent ne pas toujours fournir des résumés complets ou des réponses exactes. Nous vous encourageons à examiner attentivement et à évaluer le contenu généré pour vous assurer de sa qualité et de sa pertinence par rapport à vos besoins.

Grid-Oriented Probabilistic Load Forecasting for AI Data Centers

L’essentiel

Question

Méthode

Résultats

Limites

Portée

Pour aller plus loin

Definitions

Prévoir la consommation des centres de données IA pour mieux gérer le réseau

Un benchmark fondé sur un cluster de production

De la prévision aux décisions de réserve

Corriger les prévisions quand le régime change

Des trajectoires réalistes, pas seulement de bons quantiles

Une évaluation conçue pour les besoins du réseau

Posez des questions sur cet article à notre assistant IA

Outils pour cet article

Outils avancés Premium

Les articles autour de celui-ci

Les articles les plus proches

Aller plus loin

Citer cet article (BibTeX)