能源行业：“AI+能源”系列报告之二（2），算电协同，微观用电、电力保障与时空匹配

智算中心微观构成与用电结构

人工智能正在成为新一轮科技革命和产业变革的核心引擎。2025年，中国人工智能核心产业规模超过9000亿元，同比增长近40%。随着算力规模以每年翻倍增长，其用电量、供电要求以更高速率攀升。预计到2030年，中国算力中心用电量将达约7000亿千瓦时，占全社会用电量5%以上。在此背景下，厘清智算中心的微观结构与电量消耗特征，是实现算电协同的基础。

从基础设施形态看，算力中心可大致分为传统数据中心和智算中心两类。传统数据中心以机柜托管和通用计算为主，提供CPU算力服务；智算中心则以AI加速计算为核心，采用“CPU+GPU/NPU”异构计算架构，面向人工智能训练和推理场景。两类设施在功率密度、制冷方式、负荷特性上存在显著差异。从用途类型看，又可分为训练型和推理型，前者需长时间、高负载连续运行，单卡功耗通常达到700W以上；后者对响应延迟敏感，单卡功耗相对较低且负载随用户请求波动。

在物理拆解层面，算力中心的基本供能结构以列头柜为核心，主要负荷可归纳为IT设备、制冷系统、供配电及保障设施三大类。其中，IT设备包括服务器、存储、网络等算力载体，占总用电量的45%至60%，是最大的耗电环节。制冷系统用于维持IT设备的环境温度，占总用电量的30%至40%。供配电及保障设施包括UPS、蓄电池、柴油发电机等，占总用电量的5%至10%。电源使用效率（PUE）是评价数据中心能效水平的国际通用指标，传统风冷数据中心的PUE在1.5左右，而采用液冷技术的设施可将PUE降至1.1左右。2025年，八大枢纽节点数据中心集群平均PUE已达1.3左右，最先进数据中心PUE最低降至1.04。

逐级向下拆解，机柜是园区级供能系统与IT设备之间的物理承载单元，其本身耗电极少，主要作为电力与冷量的分配接口。电流从列头柜经电缆接入机柜内的电源分配单元（PDU），再由PDU分配至各台服务器。AI服务器则是机柜内的核心计算设备，一个标准机柜可部署4至8台。AI服务器功耗攀升的核心驱动力来自GPU，在8卡服务器的整机功耗中，GPU通常占一半以上。不同芯片平台GPU功耗存在较大差异，决定了服务器的功耗基线。例如，英伟达DGX B200的8卡服务器峰值功耗达14300W，而DGX GB200超节点整机柜功耗更达120000W。

AI加速器（广义GPU）是智算中心最大的单一耗电源，也是AI服务器功耗持续攀升的根本原因。当前主流AI加速器包括GPU、TPU、NPU三大类。GPU是目前应用最广泛的加速器类型，能够灵活支持训练和推理两类任务，但其通用性以高功耗为代价，单芯片功耗普遍在数百瓦至上千瓦。TPU是专为云端AI训练和推理设计的专用芯片，能效比更高但通用性不及GPU。NPU则需区分边缘终端与数据中心级，后者如华为昇腾910系列功耗达数百瓦，已在国产智算中心中规模化部署。除加速器外，CPU作为主控芯片单颗功耗在200-400W区间，存储模块合计占整机功耗的5%-10%，网络设备与光模块在超大规模集群中可能占到IT设备总功耗的10%-15%。

电力保障体系面临系统性升级

AI算力需求的提升导致算力设备性能和结构变化，由此带来从配电、备电到供电体系性的迭代升级。算电协同的短期矛盾集中在“保供与电能质量”。电费在IDC业务成本中占比可达约40%，在AIDC成本中约10%。但AI服务器对电压暂降极度敏感，电网数十毫秒的电压跌落实测即可导致GPU训练任务报错退出，中间数据丢失、重启成本极高。因此，算力中心既是高耗能负荷，更是高价值负荷，电力保障优先级高于电费优化。

在机柜配电侧，智算中心单机柜功率已从传统IDC的2~5kW攀升至20~50kW。功率密度的跃升使传统多级降压和交直流转换方案面临瓶颈，累计损耗约5%~8%，低压大电流传输导致线缆截面积大且末端PDU分配容量不足。800V直流配电架构成为解决上述瓶颈的重要技术路线，将配电电压从400V提升至800V直流，大幅减少降压层级和整流环节。根据相关方案，800V直流架构可降低配电损耗约50%，减少配电系统占地约30%。政策层面，《促进数字化绿色化协同发展转型实施方案（2026-2030年）》已明确提出探索算力设施800V高压直流供电架构，推动超百千瓦单机柜部署。具体方案包括改造型、混合式以及依托固态变压器（SST）的中压直转800VDC架构，目前仍处于早期试点阶段，传统低压交流配电方案短期仍是主流。

在系统备电侧，传统UPS通过“整流-逆变”两次变换消除电压暂降问题，通常保障5~15分钟应急供电。但这存在两个隐患：一是UPS灵敏会导致数据中心主动脱网，对周边电网带来频率电压挑战；二是启动柴发系统影响碳排放指标。应对脱网问题，算力中心的构网型储能或周边的独立储能将成为新解决方案。应对碳排放问题，传统UPS正向新型电池储能系统（BESS）过渡，组合超级电容、快速充放储能及长时备用电源。冗余设计方面，大型智算中心普遍采用2N或DR架构，备电系统投资约占算力中心初始投资的8%~15%。

在园区供电侧，传统数据中心主要接入10/35kV市电网络，而当前新建超大智算中心普遍转向建设专用变电站，直接接入公共电网110kV乃至220kV干线供电。以长三角示范区集群为例，周边主要数据中心已大量连接220kV和110kV干线节点并自建专用变电站。在此背景下，枢纽节点周边密集分布多个大规模负荷节点，相关干线电网可靠性遇到前所未有的挑战。除单纯依赖电网外，绿电直连成为算力中心的新选项。并网型绿电直连优先消纳新能源发电（不低于60%），不足部分由电网兜底；离网型绿电直连则依托“新能源+储能”搭建独立微电网自主供电，完全摆脱对电网依赖，但初始投资显著较高，更适用于电网覆盖薄弱或风光资源极度富集的项目。

时空匹配受经济与物理双重约束

算力负荷曲线反映数据中心电力消耗随时间的变化规律，是算电协同实操的基础。传统IDC、智算训练、智算推理三类场景因业务属性不同，负荷形态与可调能力存在显著差异。

传统IDC以通用业务为主，负荷曲线呈现“高位平稳、昼夜微幅波动”特征，基础负载占比达70%~85%，日间高峰与夜间低谷差值通常在10%~20%以内。其刚性负荷占比高，仅非核心业务可有限错峰，调节空间通常不足总负荷的10%，难以跟随秒级至分钟级的绿电波动。

智算训练以大规模GPU集群并行计算为核心，负荷曲线呈现“阶跃式高位运行、长周期连续”特征。单机柜功率是传统IDC的5~10倍，任务一旦启动通常持续数天至数周不间断，GPU利用率稳定在80%以上。可调节性方面，训练任务支持断点续训，调度粒度大，时间弹性高，且可通过调整算力精度实现功率无级调节，是算电协同的核心弹性资源。然而，短期算力机会成本远高于电费波动，训练侧GPU闲置的固定成本损失远超短时电费波动，模型能力优先于电费优化。

智算推理面向终端用户请求，负荷曲线呈现“昼夜双峰、跟随用户活跃度”特征。在线推理对延时敏感，需求价格弹性低，可调节性弱；离线推理（如批量图片审核、数据预处理）可错峰运行，时间与空间调节性强，用户对价格相对敏感。根据EPRI Flex MOSAIC分类标准，算力负荷可分为L0至L3四个等级。L0级实时响应不可调节，L1级高并发在线可小幅转移，L2级长周期高强度可接受计划性调节，L3级机会型弹性任务是电网最理想的柔性负荷。

在新能源出力端，光伏发电呈现典型“鸭型曲线”，云层遮挡可导致出力在数分钟内骤降30%至70%；风电表现出更强的随机性与反调峰特性。当前新能源上网电量全面进入电力市场，大部分省级市场实现15分钟滚动出清结算，部分省份缩短至5分钟。新能源发电的波动性被直接传导为电价的频繁涨跌，构成了算力中心运营成本的重大不确定性来源。假设算电匹配优化，保守估计可以降低算力中心12.5%的电费，将对总成本产生4%以上的优化。

算电匹配在时序上受经济约束和物理约束双重限制，但现实层面经济约束是首要问题。训练侧折旧成本占绝对主导，时序调节的经济性边界极窄；推理侧调节性取决于下游消费需求弹性。物理约束方面，算力设备与风光发电都存在电能质量管理需求，二者协同建设共用能量调度系统可以节约成本。空间匹配方面，则需综合考虑需求响应分布、通信基础设施布局以及电网节点与电源类型的选择。

演进路径：从“电服务算”到“算电互济”

综合微观用电、电力保障与时空匹配的现状，短期算电协同将以电网购电、电服务算为主。算力不会为电网让步，重点在于可靠供电、电压暂降治理、备电与配电升级。绿电直连作为理论备选，其经济性取决于电网费用上浮与储能成本下降。

中期阶段，随着算力设施成本下降、GPU折旧压力缓解、电力现货市场峰谷价差扩大，算力对电价的敏感度将逐步上升。此时可优先在L2、L3场景试点算电协同，推动算电联动的动态价格协议，同步推进800V HVDC、构网型储能等技术方案试点。

长期来看，待算力设施成本进一步下降后，电力成本在总算力成本中的相对权重将上升，“新能源—构网型储能—算力”有望成为融合的重要方向。构网型储能既能为新能源侧提供虚拟惯量支撑，也能为算力侧提供不间断电源保障。最终，算电协同将从短期的“电服务算”，走向中期的“价格联动”，再到长期的“算电互济”。在政策落地层面，需加快完善峰谷电价与辅助服务市场，建立算力负荷分级调度标准，并选取典型场景开展跨域协同试点，探索可复制的商业模式。