绿色算力报告：1960亿度电背后的AI节能账（附报告下载）

算力中心的电表，正在变成一个行业级问题。报告引用的数据显示：2019年至2024年，我国算力中心用电量由824亿千瓦时增长至1660亿千瓦时，五年年均复合增长率约15%；2025年进一步达到1960亿千瓦时，同比增加300亿千瓦时、增速18.1%，而同期全社会用电量增速仅5%。

与此同时，靠传统手段省电的空间正在收窄。全国算力中心PUE由2019年的1.65降至2024年的1.46，但2024年较上年仅下降0.02——在智算中心高功率密度部署、AI负载剧烈波动的背景下，单纯优化供配电或制冷等单一系统的做法，边际收益已经很低。

《面向绿色算力的人工智能应用研究报告》由南京深度智控科技有限公司与中国信息通信研究院云计算与数字化研究所牵头编制，富士康工业互联网、北京秦淮数据、中国联通上海分公司、宁德时代等参与编写。报告构建了以物理AI为核心的技术体系，横跨规划设计、运行调控与运维保障三个环节，并给出六个已落地项目的节能量化结果。本文按背景、技术体系、三条主线与案例实证四段拆解。

一、报告背景：用电增速是全社会的三倍多

报告把算力用电问题放在全球坐标里比较。国际能源署研究指出，2024年全球数据中心用电量约415TWh，占全球用电量约1.5%，自2017年以来年均增长约12%；在人工智能与数字服务需求带动下，全球数据中心电力消费预计到2030年翻番至约945TWh，占全球用电比例接近3%。

区域集聚特征明显：美国、中国和欧洲仍是全球数据中心电力需求最主要的区域，其中中国和美国预计贡献2030年前全球数据中心用电增长的近80%。这意味着供电能力、绿电获取能力与算电协同水平，会直接决定一个区域能承接多大规模的算力。

政策端的约束和引导同步加码。报告梳理的要点包括：2024年7月《数据中心绿色低碳发展专项行动计划》提出，到2025年底全国数据中心整体上架率不低于60%、平均电能利用效率降至1.5以下、可再生能源利用率年均增长10%；到2025年底算力规模超过300EFLOPS、智能算力占比达到35%，算力电力双向协同机制初步形成，国家枢纽节点新建数据中心绿电占比超过80%；2025年《关于促进可再生能源绿色电力证书市场高质量发展的意见》进一步要求在80%基础上提升绿色电力消费比例。

企业的实践进度并不一致。Equinix 2025年全球零售IBX数据中心可再生能源覆盖率达到96%、平均年度PUE为1.37；腾讯2024年采购绿色电力1364625.9兆瓦时，数据中心可再生能源设施总装机容量累计63.8兆瓦，可再生电力占比提升至22.0%；万国数据2024年可再生能源使用率达40%，42个数据中心获得绿色数据中心认证，平均PUE由2023年的1.28改善至1.24。解读：行业已出现明确的分层——头部运营商的PUE已进入1.2区间，而行业平均仍在1.46。这个差距不是设备差距，而是运行控制与能源管理能力的差距，也正是AI真正能发挥作用的区间。

二、技术体系：以物理AI为核心，覆盖四个关键领域

报告的技术路线可以概括为一句话：以物理AI为核心，围绕AI能效优化、算电动态协同、预测性运维与液冷智控四个关键领域，挖掘人工智能在算力全生命周期的应用价值。

所谓物理AI，强调的不是用数据拟合出黑箱模型，而是把设备与系统的物理机理作为约束条件嵌入模型。报告以设备级性能建模为例：基于物理AI建立冷机、水泵等核心设备的性能模型，充分考虑主机性能特点及实际水力特性，模型预测误差RRMSE可控制在3%以内，为全局寻优提供精确的虚拟仿真环境。这一点很关键——只有模型足够贴近真实设备特性，优化策略才敢真正下发到运行系统。

在能效监测与控制层，报告梳理了几项关键技术方向。一是设备级性能建模，即上述的物理机理建模；二是一体化智慧监控，把分散的监测点位整合为统一的数据底座；三是AI节能优化控制，把优化策略与设备控制系统打通，形成从感知到执行的闭环；四是边缘计算与端侧AI，让部分实时性要求高的计算在本地完成，避免因网络时延错过调节窗口；五是AI控制的可靠性、鲁棒性与韧性，讨论的是AI下发指令后，系统在异常工况与设备故障下的安全边界问题。

值得单独说明的是规划设计环节的价值。报告指出，常规仿真软件通常只能模拟固定控制逻辑，难以反映实际运行中变频、动态重置等策略的影响；而AI数字孪生仿真平台需要把设备性能模拟扩展到系统运行策略模拟。在仿真环境中，设计人员可以看到不同负载率和气象条件下的关键运行参数，例如冷机出水温度、水泵频率、冷却塔风机转速与阀门开度，从而在设计阶段就完成策略比选与能耗量化。

解读：把优化能力前置到设计阶段，是这份报告最容易被忽略但影响最大的一条。运行阶段能省的电是有上限的，而设计阶段的一次选型决定了此后十年的能耗基线。多数数据中心在投运后才发现制冷能力冗余过大或策略僵化，此时改造的成本远高于当初多花几天做仿真。

三、三条主线：能效优化、算电协同与AI运维

主线一：能效优化要从事后监控转向闭环控制

报告对运行优化的核心需求判断得很清楚：不是简单增加监测点位，而是建立面向动态工况的能效调节与闭环控制能力，通过数据采集、状态识别、策略优化和执行反馈，实现IT负载、制冷系统和供配电系统之间的协同调节，推动算力中心从"被动监控"向"主动预测"转变。

需求判断的依据来自负荷结构：算力中心的冷负荷80%以上来源于IT设备散热，围护结构负荷占比极小。这决定了制冷系统必须跟着IT负载走，而IT负载在AI场景下波动剧烈，固定策略必然造成过度制冷或局部热点。

具体做法上，报告给出了动态水温策略的对照：将冷冻水出水温度固定为7℃的传统策略，与随室外湿球温度和业务负载动态调整的策略进行比较，行业实践表明，这种动态水温策略通常可使全年制冷系统能耗降低约5%至10%。

主线二：算电协同的"预测—调度—储能"三段

报道把算电协同拆成三个可执行环节。预测环节：集群层面融合任务队列、历史负载与气象信息，借助时序预测输出未来数小时至全天的总功耗与制冷需求，大型云服务商的24小时功耗预测平均误差可控制在5%以内，为日前优化调度提供可靠边界条件。调度环节是算电协同综合调度与算冷协同优化控制，让算力任务与电力供给、制冷输出在时间维度上对齐。储能环节则通过储能系统AI-EMS管理充放电策略，承担削峰填谷与绿电消纳的调节任务。

主线三：AI运维的知识底座与安全边界

运维侧的进展集中在知识工程。报告提到，专属知识库与运维助手是AI智慧运维的落点，行业实践证明，该技术路线在运维知识问答场景下，文档出处召回准确率可达90%以上，相比传统关键词检索效果提升显著。

但AI直接控制设备是有风险的。报告专门讨论了可靠性问题，并在案例中给出量化约束：闭环运行需保留不少于20%的制冷量冗余，单次停机不超过1台，总停机数量不超过机房空调数量的30%。解读：这组约束条件其实是AI进入生产控制系统的准入线——有没有能力在优化收益与运行安全之间划定边界，决定了AI节能能不能从试点走向全量。

四、案例实证：六个项目的节能量化结果

报告收录了六个工程案例，覆盖超算中心、水冷冷站、风冷末端、间接蒸发制冷、风液协同与高效机房仿真设计。这些都是已经落地运行的项目，节能数据具备参考价值。

案例一是超算中心的系统级协同寻优。以2018年用电数据为基准，改造后中心全年PUE从1.28降至1.21，空调系统能耗降低约23%；2019年9月进入分享期以来，累计总节电量达1128万kWh，平均节能率24.6%，中心能源利用效率提升5.8%。

案例二是水冷冷站的系统节能与PUE诊断。以2023年能耗数据为基准，按照GB/T 26759-2011节能测试方法核算，制冷站全年节能率达16.1%，系统上线至今保持稳定安全运行。

案例三是风冷精密空调末端的按需供冷。通过对末端设备的按需调节，预计AHU节能率可达13.6%，年节电量约253.3万kWh。

案例四是间接蒸发制冷数据中心的智慧运维，案例五是风液协同数据中心的分层寻优。后者采用短周期对照测试，优化工况与常规工况的室外平均温度差为0.1至0.6℃，各组平均节电率达到10.3%。

案例六是高效机房的仿真设计优化。采用优化控制方案后，系统综合EER提升至5.31，设计能耗降幅约8.47%。

把六个案例放在一起看，节能量级从8.47%到24.6%不等，跨度很大。差异的来源不是AI技术水平，而是各项目的原始运行水平——越是非AI优化的"人工经验运行"系统，改造空间越大；而已经做过一轮优化的项目，AI能拿到的增量就有限。这个规律提示企业：AI节能的收益会随优化轮次递减，先判断自己所处的位置，再决定投入规模，比直接参照头部案例更现实。

报告在前沿展望部分给出了技术演进方向，核心是继续把AI能力从单系统优化推向跨系统协同，并强化与绿电、储能的联动。在"东数西算"与全国一体化算力网建设的背景下，算力中心的能效表现将越来越取决于规划、建设、运行、运维全链条的协同水平，而非某一台设备的效率。

五、常见问题解答（FAQ）

1. 算力中心用电量增长有多快？

报告给出的数据是：2019年至2024年，我国算力中心用电量从824亿千瓦时增长至1660亿千瓦时，五年年均复合增长率约15%；2025年达到1960亿千瓦时，同比增加300亿千瓦时、增速18.1%，而同期全社会用电量增速仅5%。放到全球看，国际能源署研究显示2024年全球数据中心用电量约415TWh、占全球用电约1.5%，预计2030年翻番至约945TWh，其中中国和美国预计贡献2030年前全球增量的近80%。

2. 为什么说传统节能手段的空间在收窄？

因为PUE的降幅已经明显放缓。全国算力中心PUE由2019年的1.65降至2024年的1.46，但2024年较上年仅下降0.02。报告中提到，这反映出传统设施能效优化的空间趋于收窄——在高密度算力部署、AI动态负载、液冷与风液混合制冷、绿电接入和碳排放管理等因素共同作用下，能效表现不再取决于供配电、制冷等单一系统效率，而受IT负载变化、冷却策略、能源供给、运行控制和运维管理多重因素影响，需要跨系统的协同调节能力。

3. AI节能具体能省多少电？

报告收录的六个案例给出了不同区间的实测结果：超算中心系统级协同寻优项目改造后全年PUE从1.28降至1.21、空调系统能耗降低约23%，累计总节电量1128万kWh、平均节能率24.6%；水冷冷站项目制冷站全年节能率达16.1%；风冷精密空调末端按需供冷预计AHU节能率13.6%、年节电量约253.3万kWh；风液协同分层寻优项目平均节电率10.3%；高效机房仿真设计优化后系统综合EER提升至5.31、设计能耗降幅约8.47%。

4. 什么是物理AI？它和普通AI优化有什么区别？

区别在于是否把物理机理作为约束嵌入模型。报告以设备级性能建模为例：基于物理AI建立冷机、水泵等核心设备的性能模型，充分考虑主机性能特点及实际水力特性，模型预测误差RRMSE可控制在3%以内，从而为全局寻优提供精确的虚拟仿真环境。相比纯粹的数据拟合模型，物理AI的优势在于外推能力与可解释性更强——策略在偏离训练工况时仍能保持合理，这是AI控制能够进入生产系统的前提。

5. AI直接控制制冷设备安全吗？

报告对此有明确约束。在安全保障与自动闭环方面，要求闭环运行保留不少于20%的制冷量冗余，单次停机不超过1台，总停机数量不超过机房空调数量的30%。此外报告还专门讨论了AI控制的可靠性、鲁棒性与韧性，说明行业已经意识到AI进入生产控制系统的边界问题。简单说，AI优化收益必须建立在明确的运行安全边界之上，这也是从试点走向全量的关键条件。

想获取更多算力基础设施、绿色数据中心与能源管理领域的研究报告，可以到运营动脉（www.yydm.cn）的报告库检索，站点同时提供方案库、课件库与模板库，7W+精选资料、每月更新1000+份，适合做算力产业研究时集中取用。