데이터 센터 (DCs)의 확장은 전력 수요와 발전소에서의 관련 용수 취수량의 지속적인 증가를 초래합니다. 이러한 취수는 발전소에서 발생하며, 네트워크 전력 흐름을 기반으로 수요 측에 가상으로 할당됩니다. 결과적으로, 특정 부하의 실제 물 발자국 (Water footprint)은 발전 배분 (Generation dispatch) 및 네트워크 조건에 따라 동적으로 변합니다. 기존 방식들은 일반적으로 이러한 물 발자국을 정량화하기 위해 정적 통계 회계 (Static statistical accounting)에 의존합니다. 그러나 이러한 정적 방법은 배분 최적화 (Dispatch optimization)와 워크로드 재배치 (Workload relocation)가 용수 취수에 어떻게 동적으로 영향을 미치는지 포착하지 못합니다. 그 결과, 정적 통계 회계 방식은 최적화 프로세스와 분리된 상태로 남아 있어, 물 스트레스 (Water stress)를 완화하기 위한 워크로드 재배치나 전력 배분을 유도할 수 없습니다. 이러한 한계를 해결하기 위해, 본 논문은 가상 물 영향을 전력 시스템 배분에 직접 내재화하는 운영 가능한 전력-연산-물 (ECW) 넥서스 프레임워크를 개발합니다. 이 프레임워크는 배분 최적화를 딥러닝 (Deep learning) 아키텍처 내에 임베디드된 미분 가능한 최적화 계층 (Differentiable optimization layer)으로 표현하여, 운영 가능성을 유지하면서 조정 정책 (Coordination policies)의 효율적인 엔드 투 엔드 (End-to-end) 학습을 가능하게 합니다. 고정점 조정 (Fixed-point coordination)과 결합하여, 이 프레임워크는 가상 물 귀속 (Virtual water attribution)과 물리적 발전 측 취수 간의 일관성을 강제합니다. IEEE 30-bus 및 118-bus 테스트 시스템에 대한 사례 연구는 신뢰할 수 있는 수렴, 정확한 전력-물 일관성, 그리고 물 제약 조건 하에서 발전 관련 담수 취수의 약 3-5% 감소를 입증합니다.