2025年算力电力协同：思考与探索白皮书

（2025年202501前 一 算力电力为什么要协同 （一）伴随AI的迅猛发展，算力中心负荷持续攀 （二）算力中心负荷具有特殊性，对电力系统是挑战，也是机 （三）挖掘算力中心灵活性，优化算力中心供能结构与用能成 二 算电协同，具体协同什么 （一）基本供用能结构中的算电耦合点，是算电协同的物理基 （二）相关主体的不同利益诉求，是算电协同的核心驱动 三 如何协同 （一）列头柜层面：预测算力需求及算力功耗，并挖掘其灵活 （二）算力中心层面：从业务逻辑弱耦合到强耦合，发掘灵活 （三）局部电网层面：高比例可再生能源局部电网本地自 （四）大规模“算力网+电力网”层面：跨区优化调 四 结 20251一、（一 伴随AI的迅猛发展，算力中心负荷持续攀AI领域的“ScalingLawforPowerGrids:LLM-InducedTransients”,2024.1全球视角：AIIT50%以上。年到2026160~590TWh，AI2022年前的过去1033~89%。原图来源：datacenterHawkDCHFactSet,CogentCommunications,CitiResearch；中国信息通信研究院、内蒙古和林格尔新区，中国绿色算力发展研究报告（2024年）2IT设备的用电需求趋势（内蒙古和林格尔新区，中国绿色算力发展研究报告（2024年）3全球算力中心和加密货币的用电量趋势（OpenAIAI能源危机：20242月，《Nature》杂志理仕公司发布的《2024年全球数据中心趋势》指出2，全球数据中心市场因电力35MW8MW。AI告（2024年）202323030%1500kWh1.6%。1来源：CRAWFORDK.GenerativeAIisguzzlingwaterandenergy[J].Nature,2024,626:2来源：/insights/reports/global-data-center-trends-32023625.4%35%。（二 算力中心负荷具有特殊性，对电力系统是挑战，也是机算力中心负荷具有功率密度高周期性强10H100GPU（150兆瓦），可能引发电网17%7%。4562025年底，要求国家枢纽性点80%。潜在的波动性强：20245101》性目对微软的采访报道中提到7，AI算力中心（又称智算中心）的用电特征存在显著的波动性——在训同时，算力中心负荷具有时空灵活性，且算力中心运营商具有成本敏感性算力中心增长呈现阶段性发展（三）据IBM公司的数据87828%以上。二、（一 基本供用能结构中的算电耦合点，是算电协同的物理基算力中心及算力系统的基本供用能结构（A级算力中心某常用配电架构A.G.电力网中流转。算力需求的流转带来电力负荷的迁移。B：/p/369180735D：https:///a/556728209_100129574E：/html/chunengy-1309.shtmlF：/a/151814887_4700464算力中心及算力系统的基本供用能结构（A级算力中心某常用配UPSHVDC。在算电耦合层面，一方面，列头柜IT设备的容量，进而制约了算力能力和算力需求承载耦合点层面，一方面，受制冷设备的制冷能力限制，列头柜（IT设备）的了各种新型制冷技术的发展。另一方面，列头柜（IT设备）的能耗特征也IT15分15分钟以上，因此蓄电池的容量配置也间接影响算力需求承载量。另一方面，列头柜（内置IT设备）与关9图8-10算力需求承载量定义为：在给定的区域范围和时间范围内，列头柜最多可以承载的固定11图6-电机是算力中心当前的主流备电之一。在配电特征层面，根据A级算力中心某常用配电架构中的“2N系统”图1210kV电力需求承载量。另一方面，包括列头柜（内置IT设备）在内的算力中心主体能园区整体的一部分，园区内辅助能源设备与包括列头柜（内置IT设备）在内的园区内辅助能源设备与包括列头柜（内置IT设备）在内的算力中心主体之间存包括列头柜（内置IT设备）在内的算力中心主体能耗的同时，改变算力中心园A级算力中心某常用配电架构中的“2N系统”35kV市政电力进线接入算力中心园区。在算电耦合点层面，包括（IT设备12图1-（二）5算力中心用能的相关主体（以某常用运营结构为例IT设备的13在自建算力中心中，算力中心运营商指的是算力用户的基础设施部门。在Colo（主机托中国移动、Google、字性跳动、腾讯、阿里、Microsoft等，其在用能层面的需求力中心运营商的核心诉求是满足列头柜（内置IT设备）供电的可靠性要求，包一是降低PUE值，二是提高绿电使用占比，三是减少碳排放，以符合行业发展14国家发展改革委等五部门，《关于深入实施“东数西算”16要求利用算力中心负荷灵活性的相关政策包括：国家发展改革委、国家能源局、国家数据局，《加快构建新型电力系统行动方案（2024-2027年）》，2024.三、（一 列头柜层面：预测算力需求及算力功耗，并挖掘其灵活 6难点：算力-1AI另一方面，AI模型训练可容忍对单位时间计算量的波动17GPU资源逐渐下降的稀缺性，GPU集群单位时间计算量不会保持峰值。GPU不同时段的工作频率等，在不影响总计算量技术难点：难以准确量化各调性手段（频率、电压、数量）GPU功耗和2电力管控方法效果进行了验券。经过努力，2024年底中国区仅有个位数的包间101%以内。（二） 17支撑文献：D.Gu,X.Xie,G.Huang,X.Jin,andX.Liu,“Energy-EfficientGPUClustersSchedulingforDeepLearning,”May14,2023,arXiv:arXiv:2304.06381.Accessed:Jul.02,2024.[Online].Available:/abs/2304.06381. 1电储能、充电桩等设备。综合能量管理系统（IEMS）18支持电-热-光-储-车18综合能量管理系统的相关介绍：7 212小时，并有柴发巡检、供电链路巡检、监控系2024年夏节根据电网要求，实际 业务逻辑耦合性较强的灵活性资源：与列头柜（IT设备）供能密切的难点：依赖于列头柜（IT设备） 例子：HVDC侧储备一体电池的闲置灵活性挖掘HVDC侧储备一体电池在备用需求之外的闲置灵活性，以获得额外收益。HVDC侧储备一体电池的闲置灵活性，提IT设备）层面的功耗预测技术。19支撑文献（团队研究成果）：陈敏,郭庆来,井汤博,等.算电协同探索：HVDC侧储备一体电池灵活性挖掘[J].电力建设,2025,46(2):1-12.8HVDCBBSBBS供电单元和服务器机柜物理上的隔离，对于前期各种性能和压BBS分布式部署一旦出现安全BBS系