清华大学火山引擎2025算力电力协同思考与探索白皮书25页_1mb

算力电力协同：思路与探索白皮书（2025年）总结
清华大学与北京火山引擎科技有限公司联合发布的《算力电力协同：思路与探索白皮书（2025年）》围绕算力与电力系统协同发展的核心议题，系统阐述了协同的必要性、协同内容及实现路径。

一、协同的必要性

1. 算力需求激增：人工智能（AI）领域的“Scaling Law”表明，模型规模与计算能力提升会带来能源消耗指数级增长。据花旗集团预测，2023-2030年AI相关IT设备用电需求年均增长43%，远超其他领域（年均8%）。到2030年，AI用电需求将占全球IT总用电量的50%以上，而算力中心用电量也将显著增长。
2. 算力负荷特殊性：算力中心负荷具有高功率密度、周期性强、高可靠性与绿色性要求、潜在波动性等特点。例如，GPT-6训练集群若部署超10万个H100 GPU可能引发电网崩溃；算力中心用电高峰与夏季用电高峰重叠，需电网在电力紧张时协调其需求响应。同时，国家政策要求枢纽节点数据中心绿电使用占比超80%。
3. 协同的双重价值：算力中心负荷的时空灵活性可转化为电力系统的调节资源。通过优化供能结构与调度策略，既能降低算力用能成本，又能提升新能源消纳能力，为新型电力系统建设提供支撑。

二、协同的核心内容

1. 物理基础：算电协同依赖于算力中心供能结构中的耦合点，包括列头柜、制冷设备、蓄电池、备电系统、辅助能源设备和外电。例如，列头柜容量限制算力承载量，而蓄电池配置需匹配算力需求波动。
2. 核心驱动力：各方主体的差异化诉求构成协同的核心动力。算力用户关注业务可靠性与成本控制；算力中心运营商需降低用能成本和碳排放；电网公司则致力于清洁低碳供电与灵活性提升。

三、协同实现路径

1. 列头柜层面：通过预测算力需求与功耗，挖掘其灵活性。例如，动态调节GPU工作频率以匹配电力侧信号，减少超电现象。火山引擎测试表明，超电比例可从高位降至101%以内。
2. 算力中心层面：结合业务逻辑调控供能单元。弱耦合灵活性资源（如辅助能源、部分蓄电池）可优化综合供能体系，强耦合资源（如制冷设备）需精准预测功耗以实现灵活调度。案例显示，BBS供电单元通过独立部署可降低电力成本10-15%。
3. 局部电网层面：推动高比例可再生能源接入。氢储能技术作为绿色备电替代方案，可降低柴油发电机的碳排放和成本。技术路线包括“柴发+氢储能+电化学储能”组合，同时需解决氢储能安全管理与系统适配问题。
4. 大规模“算力网+电力网”层面：跨区优化调度，实现算力负荷与电力资源的时空匹配。需攻克长距离算力迁移的通信安全、算力与电力负荷的当量建模、以及跨行业联合优化的隐私计算技术难题。

四、协同的挑战与前景

• 技术难点：算力与电力系统的高度耦合性导致预测调控复杂度高，需保障供电可靠性与灵活性协同。
• 经济与政策驱动：需平衡多方利益诉求，通过价格机制、政策引导等手段激励算力中心参与电力系统调节。
• 未来方向：推动高比例新能源驱动算力中心低碳运行，实现能源与AI的深度融合，构建更高效、更清洁的新型电力系统。

本白皮书通过分层策略与技术探索，为算力电力协同提供了系统性框架，旨在通过灵活性挖掘与协同优化，应对AI发展带来的能源挑战。