[全网首发]2026华数杯C题完整思路解析：面向算电协同的多目标调度优化，四个问题逐题拆解

2026年第七届"华数杯"C题《面向算电协同的多目标调度优化研究》是一道非常典型的**"算力调度 + 电力

这道题最大的特点并不是某一个模型特别复杂，而是四个问题具有非常明显的递进关系：

问题一解决"算力怎么预测、任务怎么排"；
问题二解决"任务应该去哪儿、什么时候跑更省钱更低碳"；
问题三解决"任务负荷确定后，储能应该怎么充放"；
问题四最终解决"算力、储能、电网和新能源怎样真正联合起来"。

赛题设置了6个区域，其中RegionA、B、C代表东部高负荷区域，RegionD为西部大型算力中心，RegionE和RegionF分别代表光伏、风电资源富集区域。任务又分为实时推理、批量推理和AI训练三类，三类任务在网络时延和延迟调度能力上存在明显差异。

整道题真正考察的是：

能不能把"任务的计算属性"和"电力系统的能源属性"放到同一个框架下进行联合决策。

下面不写公式、不贴代码，专门按照四个问题把建模思路、难点、针对性方法以及结果应该如何解释完整拆开。

优惠链接：关注最上方名片和qun链接，2026最新华数杯数学建模竞赛成品资料

赛题ABC题全套参考方案，全套代码+思路+助攻论文+结果数据

Ahttps://download.csdn.net/download/qq_40379132/93241497

Bhttps://download.csdn.net/download/qq_40379132/93241502

Chttps://download.csdn.net/download/qq_40379132/93241516

一、先看懂整道题：为什么不能简单理解成"把任务迁到电价便宜的地方"

如果只看题目背景，很容易形成一个过于简单的思路：

东部电价高，就把AI任务迁到西部。

实际上这样做很容易出错。

因为任务迁移必须同时受到至少五方面限制：

第一，网络时延。

实时推理对用户响应速度非常敏感，即使西部电价再低，也不能把所有实时任务迁到西部。

第二，GPU容量。

某个区域电价低，不代表它有足够GPU承接所有任务。

第三，任务完成期限。

训练任务虽然可以延迟，却不能无限期推迟。

第四，新能源是波动的。

RegionE的光伏白天丰富，但晚上明显减少；RegionF的风电则可能出现更强随机波动。

第五，储能会改变"什么时候用电最便宜"的结论。

某个时刻本地新能源不足，并不意味着必须立即购电，因为储能可能在前面已经存下了低成本或低碳电能。

因此本题真正的问题不是：

"哪里电价最低？"

而是：

什么任务，在什么时间，到什么区域执行，并由什么能源供电，才能在保证服务质量的前提下达到整体最优？

附件对整个场景的定义也明确指出，算电协同的核心是在满足服务质量和数据中心资源约束的前提下，协调算力调度、电力成本、碳排放、新能源消纳、储能运行和区域购售电。

二、数据分析之后首先得到一个非常关键的结论：真正值得调度的是AI训练

这道题有50000条AI任务。

三类任务的数量实际上非常接近：

实时推理：16724条；
批量推理：16717条；
AI训练：16559条。

表面看起来三类任务的重要性差不多。

但如果看GPU实际占用时间，情况完全不同。

AI训练虽然任务数只占约三分之一，却贡献了约：

80.14%的总GPU-hour。

进一步结合功率映射后，AI训练还贡献了约：

87.12%的AI IT能耗。

换句话说：

真正决定数据中心算力峰值、电费和碳排放的，不是任务数量，而是训练任务。

这实际上直接决定了后面问题二和问题四的优化重点。论文中的数据分析也明确把AI训练识别为系统最主要的柔性负荷。

因此，整个调度策略不应该平均地"折腾"三类任务，而应该形成：

实时任务少动，批量任务适度动，训练任务重点动。

这是一条贯穿全文的核心逻辑。

三、问题一：GPU需求预测 + 基础算力调度到底怎么做？

1. 问题一实际上包含两个完全不同的任务

问题一看起来只有一句话，但其实应该拆成两部分。

第一部分：

预测未来短期GPU需求。

第二部分：

根据实际到达任务完成最后24小时调度。

这两部分千万不能混在一起。

赛题明确规定：

2376---2399小时的数据用于预测模型评价，但最后24小时真正做基础调度时，必须使用实际到达任务。

所以正确理解是：

预测模型是用来证明你具备短期负荷感知能力的；最终调度不能拿预测数据代替真实任务。

这一点很容易在论文里写混。

四、问题一第一部分：为什么不能只预测"全系统总GPU需求"？

因为六个区域、三种任务类型之间差异太大。

如果把所有任务加在一起预测一个总数，会丢掉很多真正对调度有用的信息。

例如：

RegionA、B、C的实时推理比例都超过54%；

而RegionD、E、F的AI训练任务比例接近60%甚至更高。

这意味着：

同样是100个GPU需求，

如果发生在RegionA：

很可能是大量不能延迟的实时业务；

如果发生在RegionF：

则可能是能够延迟、迁移的大型训练任务。

两者调度含义完全不同。

所以更合理的做法是：

按照"区域 × 任务类型"建立18条独立的小时级GPU需求序列。

这样预测出来的不只是"系统要多少GPU"，而是：

哪个区域、哪种类型的任务即将产生多大的资源压力。

这才真正能够为后续调度提供信息。

论文也是按照18条区域---任务类型序列构建预测模型。

五、问题一预测模型应该抓住什么信息？

短期GPU需求并不是非常规则的周期序列。

AI任务到达具有很强的随机性。

因此如果单纯使用：

"昨天这个小时是多少，今天就预测多少"

通常不够稳健。

比较合理的预测特征应该同时考虑三类信息。

第一类：最近发生了什么

例如：

第二类：近期负荷水平如何

例如：

过去12小时平均值；

过去24小时平均值；

近期波动程度；

近期峰值。

这类特征用于判断当前到底处于高负荷还是低负荷阶段。

第三类：有没有稳定周期

例如：

过去一天相同小时；

过去一周相似时间；

当前处于一天中的哪个时间段。

这可以帮助模型识别日周期或者周周期。

论文中采用的也是"滞后特征 + 局部统计特征"的组合，而不是简单的单一历史外推。

六、为什么预测模型一定要按时间划分训练集，而不能随机打乱？

这是时间序列建模里一个非常容易犯的错误。

如果把0---2399小时所有数据随机打乱：

80%训练；

20%测试。

那么训练集中很可能已经出现"未来数据"。

模型实际上是在偷看未来。

最终预测效果看起来很好，但完全不能用于真实业务。

赛题已经给出了比较规范的划分：

0---2351小时训练；
2352---2375小时调参验证；
模型确定后重新使用0---2375；
2376---2399小时做最终预测测试。

这个划分本身就是一道隐含考点。

七、问题一第二部分：基础调度到底应该优化什么？

问题一还没有要求考虑电价、碳排和新能源。

因此这个阶段不应该提前把问题二的能源逻辑硬塞进来。

更合理的是建立一个**"服务质量优先的纯算力基准方案"**。

调度优先级可以设计成：

第一优先级：任务必须合法完成

包括：

实时任务到达立即开始；

不能超时；

不能超过网络时延；

不能超过GPU容量；

不能超过IT功率；

不能超过设施功率。

第二优先级：尽量不迁移

因为问题一还没有能源收益，没必要为了"看起来复杂"而大量跨区域调度。

第三优先级：减少等待

批量推理和训练任务可以延迟，但不应该无意义地拖到截止时间。

第四优先级：负载均衡

当多个区域都能执行时，把任务分配给当前GPU利用率较低的区域。

这样得到的调度方案就可以作为：

问题二的基准调度方案。

论文也明确采用"SLA硬约束---最小迁移---最小等待---负载均衡"的分层策略。

八、问题一一个很容易被忽略的细节：任务不是按整数小时运行

任务持续时间单位是分钟。

例如：

某个任务运行95分钟。

如果程序简单地认为：

"95分钟≈2小时，所以两个小时都占满全部GPU"

就会明显高估容量。

正确做法应该按照：

任务在每一个小时内真正运行了多少分钟

来折算该小时的GPU占用。

例如一个任务只在某小时中运行15分钟，那么这一小时只能按部分GPU-hour计算，而不能直接当成完整一小时。

附件也明确要求每小时容量约束按照实际重叠时长折算GPU-hour。

这是问题一模型精度非常重要的地方。

九、问题一最后24小时应该重点展示什么？

2376---2399小时一共实际到达538个任务，其中：

实时推理160个；
批量推理184个；
AI训练194个。

但是训练任务产生的GPU-hour远高于另外两类，约占最后24小时主要算力压力。

博客中问题一最后最好展示三类结果：

第一张图：预测值与实际值。

说明模型能够提前认识未来负荷。

第二张图：调度甘特图。

说明每个任务最终去了哪里、什么时候执行。

第三张图：六区域GPU利用率曲线。

说明调度以后有没有资源超限，以及是否实现负载均衡。

十、问题一最核心的创新可以怎么概括？

问题一的创新不建议写成"采用了某某机器学习模型"。

更有价值的创新是：

把预测和调度分开：预测用于感知未来，真实任务用于最终执行；同时根据任务实际分钟重叠时间精确计算GPU占用。

这一设计既符合赛题口径，又避免了典型的信息泄漏与容量高估问题。

十一、问题二：碳感知调度到底是在优化什么？

到了问题二，整个题目的核心真正出现了。

现在不再只是考虑GPU。

每一个任务放到某个区域以后，都会形成：

GPU占用

↓

AI IT功率

↓

区域IT总负荷

↓

乘以PUE

↓

数据中心设施负荷

↓

新能源或电网供电

↓

电费与碳排放

所以任务调度直接变成了能源调度。

赛题要求问题二同时考虑：

区域电价；
碳强度；
可用新能源；
网络时延；
运行成本；
新能源利用率。

这意味着：

任务的执行区域和执行时刻都变成决策变量。

十二、问题二首先应该做的，不是优化，而是"剪掉根本不可能的区域"

网络时延数据提供了一个非常强的预处理条件。

三种任务的允许时延分别大致表现为：

实时推理：20 ms；
批量推理：80 ms；
AI训练：150 ms。

根据实际网络矩阵分析：

实时推理

A、B、C主要只能在东部内部互相调节；

RegionD基本只能本地执行；

RegionE和F可以相互调度。

跨东西的大规模实时迁移基本被20 ms约束直接排除。

批量推理

迁移范围明显扩大，大部分区域之间都可以调度。

AI训练

几乎可以在六个区域之间自由迁移。

论文据此总结出一个非常清晰的三级柔性结构：

实时推理：局部调节；
批量推理：中尺度调节；
AI训练：大范围调节。

因此，优化之前就可以把大量不满足SLA的候选区域直接删除。

这会显著减少后面的计算量。

十三、为什么RegionE、F、D是训练任务的重要目标区域？

从数据可以看到非常明显的区域差异。

平均电价方面：

RegionA最高，RegionE最低。

平均碳强度方面：

RegionA同样较高，而RegionE非常低。

与RegionA相比，RegionE平均电价大约低47%，平均碳强度低约65%。

同时：

RegionD GPU容量最大；
RegionE PUE最低；
D、E、F训练任务占比本身就很高。

因此这三个区域具有很强的"大规模柔性算力承载能力"。

但是注意：

这并不意味着训练任务永远优先去RegionE。

因为RegionE是光伏资源富集区域。

它的优势具有明显时间特征。

白天光伏高出力时，RegionE可能非常有吸引力；

晚上光伏下降后，可能RegionF的风电或者RegionD的低价电更有优势。

所以真正应该优化的是：

"区域 + 时刻"的组合，而不是简单做一个区域排名。

十四、问题二应该如何针对不同任务制定不同策略？

这是问题二最重要的建模思想之一。

实时推理：SLA绝对优先

实时推理没有太大延迟自由度。

因此策略应该是：

就近运行 + 小范围负载均衡。

不要为了降低几元电费，把用户请求迁到远端造成明显响应延迟。

批量推理：成本和时延折中

批量推理不是必须到达立即运行。

因此可以：

在东部电价高的时候延迟；

或者迁移到D/E等区域；

但仍然需要控制网络时延和任务完成时间。

它属于中等灵活性负荷。

AI训练：主要的算电协同调节对象

训练任务：

GPU需求大；

耗电高；

时延要求宽松；

又允许延迟。

因此最适合：

跟随低价、低碳和新能源时间窗口迁移。

这也是为什么问题二的真正收益大部分应该来自AI训练。

论文将AI训练定义为主要"可移动能源负荷"。

十五、问题二为什么不建议一次性优化全部50000个任务？

如果对每个任务同时枚举：

6个区域；

多个开工小时；

然后再建立大量二元变量。

整个问题会迅速变得非常庞大。

所以更适合采用：

滚动时域调度。

可以把它理解成现实的数据中心调度器。

每到当前时刻：

看已经到达但还没执行的任务；

再查看未来一段时间内的：

电价；

碳强度；

新能源；

GPU剩余能力。

然后决定当前最应该执行哪些任务。

只执行窗口最前面已经确定的决策。

时间继续往前滚动。

论文也是通过滚动时域降低50000任务的整数优化规模。

十六、问题二的真正创新点是什么？

可以概括成：

任务异构感知 + 候选区域预剪枝 + 滚动碳感知调度。

不是所有任务用同一个迁移策略。

也不是单纯寻找最低电价。

而是针对每个任务综合考虑：

当前能源成本；
碳强度；
新能源剩余；
GPU余量；
网络时延；
截止时间。

最后让训练任务主动寻找"低价低碳绿电窗口"。

十七、问题二结果应该怎么分析才有深度？

不要只说：

"成本降低了X%，碳排放降低了Y%。"

真正值得解释的是任务结构发生了什么变化。

应该重点观察：

1. 哪类任务迁移最多？

正常情况下应该是：

AI训练最多；

批量推理其次；

实时推理最少。

如果实时推理大量跨区域迁移，反而说明模型可能不合理。

2. 任务迁到哪里？

应重点观察：

是否从A/B/C流向D/E/F。

3. 什么时间发生迁移？

RegionE应更偏向光伏高出力时段；

RegionF可能在风电丰富时段承担更多任务。

4. 是否出现新的GPU峰值？

低价地区不能无限塞任务。

如果RegionE能源很便宜，但所有训练都迁过去造成算力超载，那么模型仍然不合理。

博客最好配一张：

区域迁移桑基图

非常直观。

十八、问题三：为什么这一问必须和问题二"切断"？

这是全题最容易写错的一处。

很多人会顺着问题二继续：

"用问题二优化后的负荷，再去优化储能。"

但题目不是这么要求的。

赛题明确规定：

问题三直接使用 Baseline_AI_IT_Load_MW 和 NonAI_IT_Load_MW 作为给定负荷。

这一问：

不允许重新优化任务迁移。

不允许重新优化开工时间。

因此问题三真正研究的是：

在完全相同的计算负荷下，仅仅通过储能和新能源管理，到底还能改善多少？

这样才能把"储能本身的贡献"单独识别出来。

十九、问题三的本质不是"什么时候充，什么时候放"这么简单

储能确实可以做"低谷充、高峰放"。

但如果只看电价，很容易出现一个问题：

低价电可能是高碳电。

例如凌晨电价低：

模型大量充电。

白天放电。

经济成本下降了。

但凌晨所在区域碳强度可能很高。

那么系统总碳排反而不一定最优。

因此储能模型必须同时看到：

电价；
碳强度；
新能源出力；
当前负荷；
峰值购电；
SOC状态。

这就是为什么问题三是一个多目标能源优化问题。

二十、储能调度真正应该形成哪几类行为？

第一类：新能源富余时优先充电

特别是RegionE、F。

如果新能源大于当前负荷，不应该马上弃风弃光。

优先考虑：

先让储能吸收。

这既提高新能源利用率，也为后续高负荷时段提供能源。

第二类：低价低碳时段适当电网充电

如果某些时段：

价格低；

碳强度也相对低；

未来又即将进入高价高负荷时段。

那么可以提前储能。

第三类：高价高碳时段放电

这类时段储能价值最高。

因为一次放电同时减少：

电费；

碳排；

电网峰值。

第四类：主动削峰

有时电价还没有达到最高点。

但区域净购电已经接近峰值。

此时提前放电可能更有价值，因为题目还要求降低：

区域峰值净购电功率。

论文也把"新能源富余充电---低谷储能---高价高碳放电---削峰"作为储能策略的主要逻辑。

二十一、问题三为什么最后必须把SOC恢复回来？

如果不给终端SOC约束，优化器非常聪明。

它会在最后几小时直接把电池全部放空。

这样看起来：

成本最低；

购电最少；

峰值也下降。

但这种结果没有公平性。

因为你相当于把储能里的初始库存"免费消费掉"了。

赛题要求：

第2406小时的SOC不能低于初始SOC。

这样才能保证：

优化前后是在相同储能库存条件下比较。

这是问题三非常关键的终端条件。

二十二、问题三的创新点可以怎么写？

比较好的概括是：

在固定AI负荷条件下，把新能源直接利用、新能源充电、电网充电、储能放电和新能源外送统一到一个时序能源优化模型中，并同时考虑成本、碳排、峰值和负荷波动。

它和问题二形成了非常清楚的区别：

问题二移动的是"计算任务"；
问题三移动的是"电能时间"。

二十三、问题四：为什么不能直接把问题二的结果扔进问题三就叫"联合优化"？

因为那仍然是串行优化。

过程是：

先把任务完全确定；

然后储能被动适应。

但真正的联合优化应该允许双方互相影响。

举个简单例子。

假设RegionE下午3点新能源很多。

如果任务调度器不知道储能状态：

可能把大量训练任务全部推到3点。

但实际上：

一部分新能源完全可以先储存，

然后让部分训练任务4点、5点再运行。

这样既避免GPU峰值，又能利用绿色电力。

反过来：

如果储能系统不知道未来任务会迁移到RegionE，

可能提前把电放掉。

结果真正的计算负荷来时反而没电了。

所以问题四必须建立：

算力调度和能源调度之间的反馈机制。

论文对此概括得很清晰：

任务改变负荷 → 负荷改变储能策略 → 储能改变边际供电成本 → 再反过来改变任务调度。

这就是问题四的本质。

二十四、为什么问题四不适合直接建立一个超级大整数规划？

理论上当然可以。

把所有变量一次性放进去：

50000个任务；

多个执行区域；

多个开工时刻；

6个区域；

2407小时储能状态；

新能源；

购电；

售电。

然后一次性求解。

数学表达会非常"漂亮"。

但实际求解规模可能巨大。

所以一等奖论文更应该考虑：

模型不仅要完整，还要能跑。

因此论文采用的是：

任务层滚动优化 + 能源层优化 + 交替反馈协调。

这种方法在大规模实际问题中往往比"一次性超大模型"更合理。

二十五、问题四可以分成三个层次理解

第一层：先把根本不可能的选择删掉

例如：

超过网络时延；

超过最晚完成时间；

明显超过区域GPU容量。

这些候选根本没有必要送进优化器。

这是：

任务可行域剪枝。

第二层：任务调度层

对于剩余候选方案，根据当前的"算电信号"决定任务去哪儿、什么时候开始。

这里的算电信号不再只有：

电价。

还包括：

碳强度；
剩余新能源；
区域负荷压力；
储能剩余能力；
峰值风险。

第三层：能源层

任务安排好之后：

重新计算各区域负荷。

然后储能系统根据新负荷决定：

什么时候充；

什么时候放；

新能源怎么利用；

电网怎么买卖。

之后再把新的能源成本反馈给任务调度器。

不断循环。

论文的三层交替协调结构正是这样设计的。

二十六、问题四真正理想的最终策略是什么？

不是：

所有任务向西迁。

也不是：

所有任务追光伏。

更合理的结果应该具有清晰的"分工"。

实时推理

目标只有一个：

服务质量优先。

主要在用户附近完成。

批量推理

承担一部分：

区域间负载和能源套利。

东部高价时可以适度向D/E迁移。

AI训练

承担主要：

大尺度时空算力迁移。

新能源丰富、价格低、碳强度低的区域和时间段优先承载。

储能

承担：

能源跨时间迁移。

把当前没有消纳掉的低碳能源保存到未来。

因此问题四最终的思想可以浓缩成一句话：

算力跟随绿电，储能搬移绿电。

论文也以这句话概括联合调度的核心机制。

二十七、问题四为什么必须做Pareto分析？

问题四有很多目标：

成本；

碳排；

网络时延；

服务质量；

新能源利用率；

峰值购电。

这些目标不可能永远同时改善。

例如：

为了进一步降低碳排：

可能需要把更多训练任务迁到新能源区域。

但网络时延可能上升。

为了继续降低峰值：

可能需要储能保留更多电量。

但经济套利收益可能下降。

因此不存在一个绝对意义上的：

"唯一最优"。

更科学的方法是生成：

Pareto前沿。

直观理解就是：

找到一批"谁也不能在所有目标上同时被另一方案全面击败"的方案。

然后比较：

低成本型；

低碳型；

均衡型；

高新能源利用型。

论文也是通过多权重扫描获得Pareto方案集合。

二十八、问题四还必须做三类情景分析

这也是题目明确要求的部分。

1. 碳约束收紧

随着低碳要求越来越严格：

通常应该出现：

训练任务进一步向E/F迁移；

新能源利用提高；

高碳时段电网充电减少；

但运行成本可能有所增加。

2. 峰谷电价变化

如果峰谷差扩大：

任务延迟价值上升；

储能套利空间上升；

更多柔性任务会等待低价时段。

如果峰谷差缩小：

单纯依靠价格进行时间调度的意义下降。

3. 新能源波动增强

当光伏、风电越来越不稳定时：

储能的重要性会明显提高；

系统需要保留更多SOC裕度；

单纯让任务"追新能源"会变得更困难。

论文对这三类情景给出了明确的分析框架。

二十九、四个问题其实分别对应三种不同"灵活性"

这是整篇博客可以重点升华的一部分。

空间灵活性

来自：

任务跨区域迁移。

问题二主要研究这个。

时间灵活性

来自：

批量推理和训练任务延迟执行。

问题一、二、四都会用到。

能源时间灵活性

来自：

储能。

问题三主要研究这个。

所以整个C题真正的核心可以概括成：

用任务迁移实现空间套利，用任务延迟实现计算时间套利，用储能实现能源时间套利。

三者到了问题四才真正合并。

论文的消融分析也正是用这一逻辑解释各模块的作用。

三十、四个问题的模型关系一张表看懂

问题	核心问题	主要决策	最关键约束	最适合的方法
问题一	GPU需求怎么预测、任务怎么合法完成	执行区域、开工时间	GPU、SLA、完成期限	分层预测 + SLA优先基础调度
问题二	任务如何低成本、低碳运行	迁移区域、开工时间	时延、GPU、IT功率、设施功率	碳感知滚动调度
问题三	储能如何改善能源运行	充电、放电、购售电、新能源分配	SOC、充放电功率、终端SOC	多目标储能优化
问题四	算力与能源如何联合最优	任务调度 + 储能 + 购售电	全部约束统一	滚动分解协调 + Pareto分析

三十一、这道题最容易踩的几个坑

坑1：问题一直接使用预测任务做最后24小时调度

错误。

最后24小时调度必须使用实际到达任务。

坑2：随机划分时间序列训练集

会产生未来信息泄漏。

必须按时间顺序训练、验证、测试。

坑3：把任务持续时间全部向上取整

会高估GPU占用和功率负荷。

要按照每小时真实重叠分钟折算。

坑4：三类任务使用完全一样的迁移规则

不合理。

实时推理和训练任务的时延敏感程度完全不同。

坑5：问题二直接使用附件原始IT_Load_MW

问题二重新调度以后，AI IT负荷已经变了。

必须根据任务重新计算。

附件也明确指出优化时只能把NonAI负荷视为固定，AI负荷应根据任务调度重新形成。

坑6：问题三继续使用问题二的新负荷

错误。

问题三有自己独立的负荷口径。

坑7：储能最后直接放空

如果没有终端SOC约束，会人为夸大优化收益。

坑8：问题四简单把问题二和问题三串起来

那叫分步优化，不是真正的联合优化。

三十二、博客最后可以怎么总结？

整道华数杯C题看起来包含预测、任务调度、储能和多目标优化四大模块，但真正的核心其实很统一：

不同AI任务具有不同的"可移动性"，不同地区具有不同的"能源价值"，而储能又能够在时间上搬移能源。

因此整个问题的关键不是寻找某个固定的"最优数据中心"，而是动态判断：

什么任务应该在哪里运行；
什么任务应该什么时候运行；
什么新能源应该立即消纳；
什么新能源应该先存起来；
什么情况下应该从电网购电；
什么情况下应该用储能削峰。

最终形成的完整策略应该是：

实时推理靠近用户，保证SLA；
批量推理进行有限的时空迁移；
AI训练大范围跟随低价、低碳和新能源；
储能负责把新能源和低成本电力从"有的时候"搬到"需要的时候"；
最终由算力调度和能源调度互相反馈，形成算---储---电协同闭环。

从模型层面看，四问的递进关系就是：

预测未来 → 调度算力 → 优化能源 → 联合协调。

而从更深层次看，这道题实际上是在研究三种资源灵活性的联合利用：

任务迁移提供空间灵活性；
延迟任务提供计算时间灵活性；
储能提供能源时间灵活性。

这才是2026华数杯C题真正值得写进博客标题和总结里的核心思想。