随着AI算力规模持续扩大，作为“中国特色”算电协同的重要组成部分，绿电正成为国内数据中心选址和建设的重要考量。但对投资者和运营商而言，找到绿电资源之后，真正的考验才刚刚开始：供电能否跟上算力交付，高比例新能源能否满足客户的可靠性要求，发电侧的成本优势又能否体现在长期运营中？

9月18日，在天津举行的2026GEID绿色能源创新发展大会“算电协同”分论坛上，来自能源、电力、算力、通信、互联网等领域的专家与企业代表，围绕算力与电力如何双向赋能、协同共生展开深入探讨。

论坛释放出一个清晰信号：绿电是算力竞争力的必要条件，但远非充分条件。

远景动力AIDC产品线联席总经理杨堃在论坛上提出：从绿电到算力竞争力，中间隔着一整套需要被"打通"的系统。不解决全链条系统问题，资源优势很难转化为可用、经济的算力。

从风光资源到算力交付，先跨过三重错配

算电协同面临的挑战，集中在供需特性、空间布局与建设节奏三个方面。

首先是供需特性的错配。中国能源研究会首席专家刘亚芳指出，风光等波动性新能源与算力负荷的匹配，面临技术、市场和机制等多方面的新问题。全球能源互联网经济技术研究院高级研究员陈晨则从电网安全角度提醒，算力负荷不仅要求持续供电，还具有高密度、快速变化的特征，其功率变化和供电切换会对局部电网形成挑战。

其次是空间布局的错配。风光资源富集地区与算力消费集中地区并不完全重合。中国电信研究院未来网络技术研究中心总监唐静提出“以网强算”，探索调度计算任务、就近消纳绿电。其四川雅砻江绿色算仓将算力舱布局在水电站附近，但这一模式也依赖算力网络、分布式训练等技术条件。

第三是建设与迭代节奏的错配。杨堃指出，大型电力设施规划建设往往需要12—24个月甚至更长，部分算力项目的交付周期却已压缩至6—9个月；算力硬件通常3—5年迭代，电力资产则服役10—20年甚至更久，建设和运营都需要跨周期统筹。

杨堃将上述几重‘错配’总结为四大系统挑战：供电可靠性、动态实时平衡、系统协调性与韧性，以及全生命周期经济性。它们不是四个孤立的设备问题，而是决定绿电能否转化为可交付算力的共同约束。

针对这些问题，杨堃提出，要将电力与算力设施统一规划、统一设计、统一管理、统一运维，并通过模块化、预制化建设，以及能源设施分节点、分容量并网，推动项目分阶段交付。

这里的关键是“一体规划、分期交付”：不是所有设施同时建成，而是在统一架构下，让每一期供电、储能、冷却与算力能力相互匹配。能源接入、供电容量、算力扩容必须在规划阶段一体统筹；架构设计也要兼顾资产生命周期差异，为未来更高密度算力预留升级空间。

而远景的AI电力系统正是沿着这一逻辑，将规划设计与运行调控贯通：墙外，通过天机气象预测与天枢调控策略，统筹风光出力、储能和电网支撑；墙内，通过EnOS连接SST等关键设备与控制链路，推动供电、储能和冷却协同响应。

预测与调度，让绿电供给匹配算力需求

高比例绿电落地算力场景，挑战不在于年度总发电量，而在于算力业务需要用电的时刻，电力能否稳定可靠供给。

风光发电受气象条件天然波动，算力任务又有着明确交付时效与客户的服务等级协议 SLA 约束。杨堃指出，算电一体化场景下，电力侧出力预测恰恰是很多项目的能力短板，远景持续投入打造“天机”气象大模型，恰好补齐这一缺口：

“当你向算力厂商推介算电协同优化，对方第一个问题就是：你能预测多久电力产出？”杨堃直言，“如果你都做不到你电力产出的实时预测和实时调度，你又凭什么来谈算力的调度？”

在他看来，气象与新能源出力预测，已经成为算电一体化项目的必备基础能力。算力中心都会配置储能等各类灵活性资源，站在投资角度，既不希望过度堆砌储能抬高固定资产成本，也不能配置不足影响供电安全。要在预留安全裕度下实现储能最优配置，就必须建立起跨时间维度的预测能力：既要看懂算力负荷变化，更要对天气变化、新能源场站的电力产出，做到短临、超短临乃至中长期的精准预判。

在近期国际权威气象榜单WeatherBench 2的评测中，远景“天机”与谷歌WeatherNext 2进入第一梯队，且在风速、降水这些能源细分指标上领先谷歌。

WeatherBench 2评测结果，蓝色越深成绩越好，“远景天机”位列第一梯队

预测能力的建设，是多源数据融合的复杂工程。得益于远景在新能源领域多年的实战积累，“远景天机”依托全球气象数据、卫星遥感信息以及新能源场站、园区、工厂等一手实测数据，能够更精准捕捉温度、湿度、降雨、风速等关键气象要素变化，可实现分钟级预测全球未来45天内任意区域、5公里10分钟分辨率的气象情况。

值得注意的是，能源与算力需要落实双向协同，而非要求所有计算都跟着天气走，算力端同样存在调节空间。在客户授权、保障交付期限与运行安全的前提下，远景正与合作伙伴探索将部分弹性任务安排到绿电更充裕的时段，刚性业务则必须保障供电可靠。

算力竞争力需要系统能力，而非单一资源

 即便绿电已经送入算力园区，系统层面的考验才刚刚拉开序幕。

杨堃指出，算电一体化横跨源侧规划、储能配套、表后电网安全，以及负荷侧交直流、全固态供电迭代，涉及大量软硬件交叉难题。“如果电力电子设备把自我保护、故障切出作为第一优先级，负荷与电网就难以友好共存。”他呼吁行业打破专业壁垒，立足大系统安全视角开展研发。

“不是把绿电送过来就行，也不是把算力搬过去就万事大吉。”中国信息通信研究院泰尔系统实验室副总工程师齐曙光将算电协同分为跨时空调度的“大协同”，以及机房内部能效优化的 “小协同”。当前电力与算力调度平台相互独立，数据与接口壁垒显著，多数试点还停留在人工调度，距离自动化协同尚有差距。

清华大学能源互联网创新研究院副院长高峰则点出产业机制层面的深层堵点：现阶段，真正使用算力的甲方市场主体，参与算电协同的内在动力尚且不足。他呼吁算力巨头在制定算价体系时纳入新能源因素，绿电的价值，最终要体现在算力产品的价格信号之中，才能够传导为真实的市场竞争力。

算电一体化横跨能源电力与 ICT 算力两大领域，单一领域的现成产品很难覆盖完整链路，行业也在探索一体化工程方案。

远景 AI 电力系统就是其中的实践代表，把供电、储能、冷却纳入统一调度框架：依靠 SST与直流供电减少电能损耗；多类型储能协同平抑算力负荷波动；冷却系统跟随算力负载、环境条件动态调节。整套体系由预测模型、设备管控平台、专用电气保护系统分工协作，不能简单依靠单一大模型实现全部控制。

从系统方案到工程验证，远景星河基地要回答什么

依托多年新能源与电力系统实战经验，远景已在不同场景完成AI电力系统的落地验证。据他介绍，赤峰离网绿色氢氨园区去年率先完成了高波动新能源条件下的全链路调度验证，打通新能源出力预测、电力调度与工业负荷调度，实现全链路高动态的实时调度。

面向AI算力场景，远景乌兰察布星河基地已于今年8月正式投产。园区总规划容量超2GW，核心超级单体建筑面积达12万平方米，采用高比例绿电直连模式。按照远景公布的规划，相关设施全面建成后，最多可支持百万枚AI加速芯片运行，面向大规模算力集群提供能源与基础设施支撑。

超级单体的价值，不只是容纳更多设备，而是通过能源供给、电力架构与算力部署的一体设计，让高密度集群获得匹配的供电、散热和运行保障。星河项目直面专线运维、储能寿命管理、风光出力与算力负荷动态匹配等工程难题，推动风光储、供电架构、智能调度与AI算力在真实场景中协同运行，持续验证大电网环境下高比例绿电支撑大规模计算的可行路径。

赤峰与星河构成两类互补的工程样本：前者在离网条件下验证新能源与工业负荷协同，后者面向AI负荷，探索从墙外供能到墙内电、算、热协同的全链路能量管理。两地积累的运行数据与工程经验，为面向不同客户的方案优化和复制提供依据。

对 AIDC 投资者和运营商而言，甄别合作伙伴的核心标准，最终需要看它能否贯通能源供给、电力系统与计算需求，并以实际工程证明交付和运营能力。

从绿电资源到算力竞争力，中间隔着的，正是一套完整系统。它包含规划层面的时空匹配、技术层面源网荷储联动，也离不开跨行业标准互通、市场化价值传导、多方主体利益协同。绿电只是起点，只有将绿电深度融入算力全生命周期的系统协同，资源禀赋才能转化为算力产业竞争力。

免责声明：市场有风险，选择需谨慎！此文仅供参考，不作买卖依据。

责任编辑：kj005

文章投诉热线:157 3889 8464  投诉邮箱:7983347 16@qq.com