算电协同中可调度负荷的实际规模及其主要制约因素有哪些？

根据报告测算，2030年我国算力基础设施总用电量在中性情景下约为6683亿千瓦时。其中，时间维度上的可时移负荷约占50%，即约3350亿千瓦时，主要包含模型训练任务和离线推理任务。然而，可时移并不等同于可调度。受多重因素制约，实际可转化为电网可调度资源的电量比例仅为20%—25%，对应的绝对规模约为1600—2000亿千瓦时。

造成这一差距的主要制约因素包括以下几个方面：

首先是业务连续性约束。云服务商对训练任务的中断频次与时长有严格的容忍上限，频繁的资金调度会损害客户体验与服务水平协议，导致部分理论上可暂停的任务在实际操作中难以灵活调整。

其次是算力利用率的经济性约束。GPU等高端IT设备属于重资产，折旧速度快且机会成本高。利用率直接决定投资回收周期，若为了追逐电价差而牺牲GPU利用率，往往得不偿失。因此，算力中心主动停机配合电网调峰的意愿有限。

第三是调度技术成熟度约束。跨集群任务编排、断点续训、资源池化调度等技术能力仍在建设过程中，尚未完全具备大规模商业化调度的条件。

最后是市场机制约束。当前现货分时电价、需求响应补偿等价格信号尚不完善，激励不足，难以覆盖算力中心因调整负荷而产生的额外成本和风险。

综上所述，虽然算力负荷具有潜在的可调节性，但在短期内，算电协同的重点应放在绿电消纳而非电网调峰上。随着技术进步和市场机制完善，长期来看“算随电动”才可能成为现实。