边缘算力能源融合技术与应用

在能源电力领域，“人工智能”不是一项简单拿来用用的新技术，“人工智能+能源”（AI+Energy）是对过去10年“互联网+能源”（能源互联网，Energy Internet）的延续和升级，内涵更丰富，影响更深远，具体包括算能融合（Energy for AI）和能源数智化（AI for Energy）。

延续能源互联网能源信息基础设施一体化的思路，算能融合将是未来基础设施发展的趋势。新能源、新型储能等能源电力技术的进步会支撑和促进AI智算中心等基础设施的建设和绿色低碳可持续发展，智算中心作为大规模负荷和可调节资源又可以反过来参与新能源消纳和新型电力系统运行。另外，在AI初期发展阶段，能源电力产业优势可以有效弥补AI算力技术的不足，这在我国具有现实意义。

当下，AI算力需求正在发生变化，推理算力已成为公认的方向之一，而推理算力更适合下沉到边缘实现，这有望解决物联网时代的边缘计算问题。与此同时，边缘计算的发展也将对其能源支撑提出挑战，目前已在微网中应用的能量路由器将是未来边缘算能融合的重要硬件。

算力需求：从训练到推理

2022年11月30日，OpenAI在GPT-3基础上正式发布了ChatGPT，是能够对话的GPT（Generative Pre-trained Transformer）版本。从2018年开始，OpenAI就相继推出了GPT-1和GPT-2,而到2022年ChatGPT的大获成功被认为是坚定实践模型训练尺度定律（Scaling Law）的结果，即随着模型大小的增加，训练损失降低，模型生成性能提高，捕捉全局信息的能力增强‌。算法、算力和数据是人工智能三要素，一时间，AI训练算力的需求暴涨，AI军备竞赛在全球展开。

然而，最近的研究表明，在自然语言处理领域，单纯依靠增加模型规模和数据量来提升性能的方法可能已接近瓶颈‌。斯坦福大学人工智能研究所(HAI)发布的《2025 AI指数报告》指出，如今大语言模型的性能已经趋同：2024年TOP1和TOP10的模型性能差距约12%，但如今，它们的差距已经越来越小，锐减至5%。从头训练新的基础大语言模型已没有意义，AI训练算力的需求占比缩小。随着基础大语言模型的不断成熟，AI算力需求从单纯的底层模型训练转向与上层模型应用相关的推理和交互需求。

2024年9月，OpenAI发布o1推理模型系列，展现了新的尺度定律：增加推理时间可以提升模型性能。这为未来大语言模型进一步发展提供了新的可能。2025年1月，我国AI公司深度求索（DeepSeek）发布开源推理模型DeepSeek-R1，其深度思考模式可以详细输出推理过程，而应用推理正是目前公认的未来AI算力主要需求之一。

AI训练算力和推理算力的需求具有不同的时空特征：训练算力单位粒度大，并且可以离线运行，因此时间上可以平移，空间上转移比较慢；推理算力单位粒度小，实时性要求高，一般来讲时间上无法平移、空间上可以转移。

边缘计算的可能与挑战

基于推理算力需求的时空特征，从云管边端的主流IT实施架构角度，一旦大量实时并发的推理需求从各式各样终端（如手机、电脑、网联车、机器人等）发起，AI推理可以更好地保证响应的实时性和资源的高效利用，逐渐成为边缘计算场景的“杀手级”应用。

近年来，随着物联网的快速发展，大量带有传感器的终端设备被部署到真实物理环境中，从而将物理信息转换为数据。这些物联网设备产生的具有分析价值的海量数据推动人类社会进入大数据时代。值得注意的是，处理和分析这些海量的数据同样需要大量的计算和存储资源的支持。

传统的解决方法是将数据通过网络上传到云端数据中心进行集中处理和存储。但由于网络的带宽和传输速率是有限的，海量数据的传输会带来网络堵塞和时延过高的问题。边缘计算可以将部分或全部原本在云端执行的计算和存储任务下放到更靠近用户侧的边缘侧执行，从而避免传输时延过高和网络堵塞等问题。然而，物联网大数据时代兴起的边缘计算并没有得到大规模的应用，其主要原因在于数据本身需要从用户侧跨域传输到边缘侧，而用户侧数据往往涉及个人或商业等方面的安全、敏感和隐私等问题，用户更倾向于私有化部署，而不愿选择跨域分享成为边缘侧资源。

与传统解决方案不同的是， 大模型的本质是数据和知识的压缩，在线推理过程中并不涉及上述原始数据的安全、隐私等诸多问题，在终端大规模发起请求又要实时响应的场景下，推理算力具有共享边缘侧资源的动力，或将成为AI时代边缘计算落地的关键。

需要注意的是，随着边缘计算任务的增加，边缘智算中心的供能问题成了一项巨大的挑战。边缘计算具有分布式的特点，处于不同时间和地理位置的边缘智算中心的工作负荷也是不同的。这造成了边缘智算中心能耗的不均匀和难以预测。边缘计算系统庞大的能耗可能会加剧能源紧缺和环境污染等问题。

与优化边缘计算本身的硬件设备和控制策略相比，利用可再生能源为边缘智算中心供能，能够更加有效地应对AI时代日益增长的大模型终端应用需求带来的巨大压力。

基于能量路由器的应用解决方案

边缘智算中心供能场景与目前能源互联网中的微网场景接近。微网是一种包含了一种或多种发电设备、储能设备及负载设备的小型供能系统。与传统配电网相比，微网规模小、复杂程度低、控制效率与可靠性高、灵活性强，因此更加适用于提高能源系统的可再生能源利用率。

能量路由器（Energy Router, ER）是一种可以实现微网之间以及微网和配电网之间能量传输和管理的设备。其设计基于互联网自下而上对等互联的理念，功能类似互联网中负责信息转发的路由器，是兼具能量转换和信息传输的一二次融合设备，如图1所示。

图1.能源互联网能量路由器示意图

作为能源互联网的核心装备，能量路由器已经在很多边缘典型场景进行应用和示范。例如，与新能源电动汽车充电结合的光储充站，可以基于能量路由器形成电网、光伏、储能和充电负荷互联的集成化、标准化、一体化解决方案；与5G基站供电需求相匹配的分布式基站微电网，可以基于能量路由器实现光伏和储能的接入，以降低电网供电或转供电的成本；与分散式油气井结合，可以基于能量路由器为边远地区的分布式采油（气）机提供供电服务，兼具便捷可移动和成本优势。

未来，边缘智算中心一般以集装箱模块化方式部署，同样可以采用基于能量路由器的供能方案，形成边缘算能融合的典型应用案例。在信息层，各个智算中心互联互通，来自于前端的计算任务可以自由分配，这样就构成了边缘算力能源融合解决方案，如图2。

图2. 边缘算力能源融合应用解决方案

每个能量路由器都可以看成是源网荷储一体化系统，除了具有一次能量转换相关功能外，还可以通过一二次融合集成能量管理系统（Energy Management System）层面的高级应用。能量路由器可以制定源网荷储不同端口之间的协同策略，未来可以基于对算力负荷特征和电源时空特性的分析，进行能量管理层面上的协同和互动。

这意味着，算力作为负荷角色，可以借助能量路由器成为规模化、灵活、可调节资源，参与需求侧管理和响应。而由于地理上的分布特性，各个边缘智算中心通过不同的节点接入电网，而每一个节点的实时节点电价各不相同，边缘智算中心也可以优化其电源选择。不过，这些场景需要在保证系统稳定运行前提下方可实现，相应的控制方法需要考虑电压和频率稳定等因素。

目前，一部分云计算厂商和创业企业已关注到边缘算力的重要性，并提出产品解决方案。但笔者认为，边缘算力的实现应该同国家集中式算力部署一样，必须充分认识到算能融合的重要性，在未来大规模部署边缘智算中心的时候，统筹边缘算力发展需求和分布式新能源资源禀赋，一方面“以能补算”，支撑AI推理算力的分布式发展，一方面“以算促能”，形成大规模分散式的算力负荷可调节资源，促进分布式新能源的有效消纳。