一、人工智能快速发展下算电协同的背景
- 人工智能模型参数量和数据量大幅提升，算力需求指数级增长，算力消耗呈指数级增长，远超算力增长速度。例如，OpenAI的GPT-4模型训练期消耗了4240万干瓦时电量，相当于一个百万人口城市全天的全社会用电量。
- 算力需求从“训练”变为“推理”，推理工作负载可能超过训练，成为AI的主要需求来源。预计到2030年，AI可能占数据中心所有工作负载的一半，其中推理将成为主要驱动力。
- AI Agent放大Token消耗，Token消耗量呈几何级数增长。例如，OpenClaw在发布后三个月即超过了Linux和ReactJS的星标数。
- 算力出海拉动电力需求，中国模型Token调用量首次超过美国模型，算力与电力“数字化出口”实现。
- AI Agent将成为企业基础设施，活跃Agent数量将激增至22.16亿，年度Token消耗量将暴涨至152.667P，算力需求将催生庞大的电力需求。
- 算力增长催生庞大电力需求，预计到2030年我国算力中心耗电量将超5000亿干瓦时，占全社会用电量3.7%。
- 电网公司需保障电力供需平衡、新能源消纳，并建设新型电力系统。
- 算电协同政策密集出台，从绿电消费、绿电直连、协同规划等多个维度进行部署。
- 算电协同目标：到2025年底，算力电力双向协同机制初步形成，国家枢纽节点新建数据中心绿电占比超过80%。
二、算电协同面临的“不可能三角”挑战
- 算电协同面临安全、绿色、经济三重目标的协同困境，即“不可能三角”挑战。
- 算力侧追求高可靠供电（安全）、低电价成本（经济）与低碳排（绿色）。
- 电力侧需应对大规模并网负荷（安全）、高比例新能源消纳（绿色）与电力系统运行效率（经济）。
（一）安全充裕
- 智算中心对电力供应稳定性要求更高，每中断供电1分钟将造成至少500万美元的直接损失。
- 智算中心训练任务导致功率“过山车”，对传统供配电系统的动态响应能力提出严苛挑战。
- 危险的“正反馈循环”：电网波动导致数据中心脱网，数据中心脱网又加剧电网波动。
（二）绿色低碳
- 数据中心绿电占比政策要求：国家枢纽节点新建数据中心绿电占比超过80%。
- 数据中心绿电消费不足：数据中心核心诉求是“压降运营成本”，不愿为“绿色属性”支付额外成本，且碳排放约束暂未对数据中心形成硬性考核。
- 数据中心对电力供应的稳定性与新能源发电的波动性存在结构性矛盾，新能源出力严重受阻，影响发电能力。
（三）经济高效
- 用电成本是数据中心运营成本主要构成，电费成本当前达到运营成本的50%左右。
- 电能利用效率（PUE）下降空间收窄，2026年PUE门槛全面收紧，新建大型数据中心PUE普遍要求在1.3以下。
- 数据中心电力需求预测难度加大，项目终期的电力需求低于预期，电力系统将面临过度建设输变电容量的风险。
- 算电协同调度的经济激励不足，尚未形成一套能够准确度量并补偿算力调度所带来的业务稳定性风险与性能损失的价值评估体系。
三、诸能在算电协同中的作用
（一）安全充裕
- 提升供电可靠性与电能质量，保障算力稳定运行：平抑算力负荷冲击，降低对电网扰动；提供毫秒级灾备电源，提升数据中心的供电韧性。
- 应用敏捷构网型储能系统（AgileGridFormingBESS）和800伏直流架构，平滑功率波动，降低对电网实时平衡能力的冲击，确保智算中心在电网扰动下的不间断供电。
（二）绿色低碳
- 促进新能源就地消纳，提高绿电使用率：应用构网型储能技术，破解绿电与负荷的时序错配，实现高比例绿电供应；支撑算力中心参与长期绿电交易，助力双碳自标。
- 大力发展低成本、高安全、大容量的长时储能技术，满足数据中心供电可靠性需求。
（三）经济高效
- 优化用电成本，激发灵活互动收益：利用峰谷价差节约电度电费；利用削峰填谷降低需量电费；参与辅助服务获得补贴和收益。
