AIDC 的身份转变：从负荷到电网灵活性资源

毋庸置疑，AI 算力已成为电力系统中增长最快的大型负荷之一。

过去，行业对 AI 数据中心（AIDC）能源议题的讨论，大多聚焦于两大核心问题：电力供给总量是否充足，以及是否具备绿色低碳属性。然而，随着 AI 算力产业规模快速扩张，一个新命题正浮出水面：AIDC 的电力消耗，是否必须始终锁定在固定的时间、地理位置和运行功率之下？

如果部分 AI 计算任务能够在执行时机、部署位置和运行功耗上灵活调节，AIDC 就有望摆脱传统刚性负荷、被动接收电力供给的定位，演变为具备“时间可调、空间可移、功率可控”特征的灵活性负荷。

这一变化也将重塑算力基础设施和电力系统之间的底层关系。

随着 AI 算力规模持续扩大，AIDC 的用电特征开始呈现出不同于传统数据中心的大型集中负荷特征。

传统云数据中心以 CPU 服务器为主要硬件载体，而 AI 训练、推理业务高度依赖 GPU 等高功耗加速硬件。一座大型 AI 算力集群用电规模可达几十兆瓦至数百兆瓦，未来甚至会向吉瓦级规模发展，其用电体量已经可以对标大型工业园区，甚至一座中等城市的集中负荷。

同时，AIDC 用电需求的快速增长，也对电力基础设施的建设与供给能力提出了更高要求。目前，GPU 集群和 AIDC 主体工程可以相对快速地建设投产，但变电站、输电通道、电源工程等电力配套设施往往需要更长的规划、审批与建设周期，导致新增算力负荷的用电需求难以得到同步匹配。

另外，当大规模算力集中于特定区域时，这种压力还会从“总量”进一步传导到“局部”。超大型 AIDC 作为高度集中的点负荷接入电网，会在特定电网节点形成巨量新增用电需求，即使区域整体电力供应充足，局部输配电网络仍可能面临容量约束。

基于以上现实，面对持续走高的 AIDC 用电需求，电力系统的工作范畴不再局限于满足新增用电需求本身，还要探索如何适配这类新型大负荷的运行特点。而对于以计算任务为核心载体的 AIDC 而言，破解灵活性问题的突破口，就蕴藏在自身承载的计算业务当中。

AIDC 和其它用电负荷最大的区别在于，它消耗电能的最终目的是完成计算任务。因此它的调节能力不只有用电量增减这单一维度；还可以通过改变计算任务的执行时间、运行功率、部署位置，把计算业务转化成可调度的用电能力，成为需求侧灵活性资源的全新载体。这种灵活性主要体现在功率、时间、空间、配套能源设施四个层面。

综合来看，AIDC 可通过「计算任务+ IT 设备 + 制冷系统 + 储能 + 能源管理系统」的协同调节，形成多维度的负荷灵活性。

理论上很多用电负荷都可以参与电网需求响应，但 AIDC 的应用价值格外突出，源于它几项得天独厚的禀赋。

单体规模上，一个几十兆瓦乃至几百兆瓦的数据中心，只需释放 5% 的灵活性，就可能形成数兆瓦乃至数十兆瓦的调节能力，其控制链条比聚合数万户居民空调或充电桩集中得多。数字化程度上，数据中心本身就是高度数字化的基础设施，服务器状态、任务队列、GPU 利用率与功耗都可被实时监测，天然具备精细化调度的技术基础。此外，AIDC还具备一个独特优势：部分计算任务天然可延迟。电力难以大规模直接存储，但大量离线计算任务允许等待，从这个角度，算力任务队列本身就可以视作一类特殊的虚拟储能载体。

讨论到这里，不免会产生这样的疑问：既然计算任务能够调度，是不是意味着所有数据中心未来都可以成为虚拟电厂？但实际情况远没有这么简单，具备灵活性潜力并不等于任意 AIDC 都可以随时开展负荷调节。

AIDC 能够对外输出多少灵活性资源，不单纯由硬件装机功率决定，还取决于自身承载的业务任务组合。在线搜索、实时对话、金融交易、工业控制这类业务对时延极度敏感，面向用户的请求不能因为电价走高、电网紧张而随意推迟执行。与之相对，模型训练、离线推理、视频渲染、数据清洗处理、模型评估等离线业务，则拥有较大的调度弹性。

由此延伸，未来评估一座 AIDC 的综合价值，会诞生一个全新核心指标：可调算力负荷容量，该指标的优先级将不亚于机柜数量、GPU 规模以及设备最大用电功率。

即便具备充足的可调算力，AIDC 要真正转化为可被电网调用的系统资源，还需要打通算力、电力两套独立体系的调度壁垒。

传统数据中心调度主要关注 GPU 利用率、任务等待时间、模型性能、SLA 和算力成本；电力系统调度则关注频率、电压、线路容量、备用容量、新能源消纳和供电安全。

当两者开始联动

• 电力系统需要知道：未来一段时间的供电状态如何；哪些区域存在负荷调节需求；新能源出力和电价可能如何变化。

• 算力系统则需要回答：哪些任务可以延迟；哪些 GPU 可以降低功率；哪些任务可以迁移；可以释放多少负荷；可以持续多久；恢复后是否会形成新的负荷峰值。

在满足计算任务SLA的前提下，根据电网状态、能源价格、绿电供给和算力资源状态，联合优化计算任务和电力负荷。这才是严格意义上的“算电协同”，也正成为国内算电协同技术探索的核心方向之一。

国内已有企业开展相关工程化探索，以申威睿思的技术路线为例，方案核心是在算力与电力两侧之间构建协同控制层，让两套系统从各自独立优化走向联合调度。其与中科大实验室联合研发的MOCHA 多模态全知计算混合架构，面向复杂算电协同场景，融合 AI 任务、算力资源、能源系统、环境与市场等多源异构数据，形成统一的感知、预测、推理、优化与执行能力，并构建“任务—算力—功耗—能源”统一状态空间，让AI 任务在更合适的时间、地点、算力与能源条件下完成。

基于该技术架构，申威睿思构建“万象灵和”算电协同控制中枢，连接电力系统与算力系统：电力侧覆盖发电功率预测、电价预测、电力交易辅助分析、微电网管理、源网荷储一体化等能力；算力侧覆盖资源管理、智能调度、任务编排、运营支撑等能力，并进一步通过算电映射建模、跨域任务编排和时空双向联动，实现算力与电力两侧的协同调度。

完成算电协同的技术架构搭建，仅仅打通了机制层面的通路，AIDC作为灵活性资源的产业价值，只有转化为真实可用的电网资源才能兑现。

若 AIDC 能稳定提供灵活性，算力运营商就可以将部分任务迁至低价时段，降低用电成本；电力系统则能够借助算力负荷的灵活调节，提升新能源消纳空间。进一步看，这种灵活性还可以参与电网峰值调节，释放容量价值。当电网峰值承压时，数据中心按约释放负荷，既可缓解峰值容量保障压力，也能降低自身所需的刚性供电容量，从而减少电网为其预留的峰值容量和扩容投资。

要让这种“灵活性”真正成为电网可以调用的资源，关键在于“可靠”。算力任务可以容忍一定程度的延迟，但参与电网调节的 AIDC 必须按照约定的时间准确响应。例如，如果约定在下午 18:00 释放 20MW 负荷，那么 18:00 到来时，这 20MW 必须真实存在、足额到位。

因此，AIDC 要从“灵活负荷”走向具备实际调节能力的电网资源，必须完成从“理论可调”到“可预测、可调用、可验证”的关键一跃。

具体还需要解决五大现实问题：

计算并非可以无限迁移，只有当灵活性能够被预测、调用和验证，AIDC 才可能真正成为电力系统可以使用的资源。

AI 算力规模持续扩张的大背景之下，发电装机、输电线路、变电站、储能等能源基础设施，依旧需要持续规划落地。未来电力系统的平衡模式，将演变为电源、电网、储能设施、灵活性负荷多元主体共同参与，AIDC 就是这一体系中新崛起的重要组成部分。

行业对于 AIDC 的综合评价维度，也会随之迭代更新。过去评估 AIDC，重点考察 GPU 数量、机柜规模、算力利用率、网络能力、PUE 等传统指标；面向算电协同时代，还需要新增一系列和电网灵活性强相关的考核项：可调功率规模、最快响应速度、调节持续时长、可跨时间迁移任务体量、可跨区域迁移任务体量、反弹负荷管控能力、绿电匹配能力。上述指标组合在一起，共同定义一座 AIDC 的电网灵活性水平。

行业对于 AIDC 和能源系统关系的认知，经历了电力保障算力、绿电支撑算力两个阶段，如今正迈向算力与电力双向调节的全新阶段，二者的关系由单向电力供给转向双向互动。

算电协同的本质，也不是简单完成算力系统和电力系统的物理对接，而是要搭建一套覆盖多维感知、联合预测、优化决策、闭环控制的完整运行体系。

当计算任务支持灵活调度、设备功率可控可调、灵活性输出可提前预判、调度响应结果能核验，同时兼顾算力业务稳定运行与电网安全运转两大底线，AIDC 才算彻底完成身份蜕变：从等待电力系统供给的用电负荷，成长为可以和能源系统深度互动的新型灵活性资源。