面向未来的中国数据中心：绿色低碳与高可靠性 1 面向未来的中国数据中心： 绿色低碳与高可靠性 siemens-energy.cn 西门子能源商标由西门子股份公司授权使用。 面向未来的中国数据中心：绿色低碳与高可靠性 2 01 概述 02 算力拉动全球电力需求 03 中国数据中心规模与现状 04 中国电力供给结构与低碳转型 05 中国数据中心的发展趋势 06 面临的挑战 中心运营商实现快速投入运营、保障运维，并具备未来扩展 能力。 能源转型的成功有赖于平衡可靠性、安全性、经济性与可持 续性。西门子能源通过为数据中心运营商制定稳健的能源系 统战略规划，提供全球高效的能源技术方案，助力数据中心 运营商在当前和未来能源体系中实现这四个关键要素的协同 优化。 目录 面向未来的中国数据中心：绿色低碳与高可靠性 3 算力拉动全球电力需求 根据国际能源署测算，2024 年全球数据中心电力消费约为 而数据中心电力需求增速正迅速赶超传统工业，成为能源系统转型的不可忽视的关键变量。 全球数据中心用电量及展望（IEA） 单位：TWh 数据来源：国际能源署（IEA） 面向未来的中国数据中心：绿色低碳与高可靠性 4 中国数据中心规模与现状 截至 2024 年底，全国在用算力中心机架总数已突破 880 万 标准机架 1，算力总规模达到 280 EFLOPS（每秒百亿亿次浮 点运算），其中智能算力占比显著提升至

工作的 优化作用。事实证明，通过引入虚拟储能技术，可以有效提高能源利用率和电能质量，未来相关产业技术势必 还会迎来更广泛的应用和研究。 关键词：虚拟储能技术；电厂；可再生能源；电能质量；供电可靠性 doi： 10.19799/j.cnki.2095-4239.2024.1021 中图分类号：TM 912 文献标志码：A 文章编号：2095-4239（2024）11-4059-03 性不断提高。然而大多数可再生能源均具有较大波 动性，给稳定运行的电力系统带来了挑战。同时， 分布式电源的广泛接入也加剧了电力系统的复杂 性。虚拟储能技术可以通过控制其他电力输出装置 以及对应的调度策略，提高系统运行的可靠性和供 􀤄􀤄􀤄􀤄􀤄􀤄􀤄􀤄􀤄􀤄􀤄􀤄􀤄􀤄􀤄􀤄􀤄􀤄􀤄􀤄􀤄􀤄􀤄􀤄􀤄􀦄 􀤄􀤄􀤄􀤄􀦄 􀤄􀤄􀤄􀤄􀤄􀤄􀤄􀤄􀤄􀤄􀤄􀤄􀤄􀤄� 虚拟储能技术理论研究综述 1.1 虚拟储能技术概论 虚拟储能技术可以有效及时地转移各类电源， 通过不同的能量状态变化，有效调节供电路径，从 而平衡不同供电用电装置的调度，最后达到提高供 电系统可靠性，改善电厂经济效益的目的。虚拟储 能技术不依赖于实际的储能设备，而是通过软件算 法和调度策略来实现能量的存储和释放。其核心特 征如下： （1）灵活性：虚拟储能技术不依赖于实际的储 能设备，可以根据电网的实际情况灵活调整调度策

、Binu Parthan、James Walker和Luis Janeiro（前IRENA成员）。 本出版物及其中的资料按“原样”提供。国际可再生能源机构已采取一切合理预防措施，核实本出版物中资料的可靠性。然而，国际可再生能源机构 或其任何官员、代理人、数据提供者或其他第三方内容提供者均不提供任何形式（明示或暗示）的担保，也不对使用本出版物或其中资料造成的任 何后果承担责任或负有责任。 受益于专家的输入和评论，包括Marcio 心勃勃的行动议程，为电力系统转型指明方向 ，将解锁消费者和企业的利益（从系统运营商到数据中心），并提升 能源安全和可负担性。 数字解决方案拥有巨大的潜力来加速 电力系统变换 为了贡献 能源安全 , 可负担性 , 可持续性 和 可靠性 ，并因此支持全球社区在其通往 人人繁荣 在本报告中，国际可再生 能源机构（irena）探讨了数字化，即使用传感器、智能电表和数据平台——以及新的、基于人工智能（ai）的应用程 序，用于预测或自动化——如何可以 预测当前电气化率将翻倍），数字化将变得至关重要，以管理前所未有的规模。不断增长的需求 和发电的波动性，以及分布式能源资源的数量不断增加，都需要对电力系统进行数字化转型，以在降低可再生能源带 来的成本削减的同时保持服务可靠性。 | 7 数字化解决方案的主要优势是： G7的前景 数字解决方案带来的价值定性评估 • 提升业务表现 能源公司以及其他行业，这些行业展现

需求的50%预计将由可再生能 源发电提供。 04 打造面向未来的电力企业 数字化转型的成功之路 可再生能源以及不同规模的分布式能源并网显著增加了电网的复杂性，容易引起 电压失稳、设备劣化和电网可靠性降低，进而导致成本的增加。这将推动新的商业 模式的出现，并加速改变电力用户对能源供应商的预期。这就意味着电力企业必 须对用户进行动态管理。要实现这一点，电力企业就需要通过分析工具和人工智 能提 和响应将是一个重要的战略要求。需要考虑的因素包括： 海量数据。各类可再生和分布式能源资源、AMI、互连的设施和智能设备，以及 员工、生态系统合作伙伴与供应链之间的沟通都会产生大量数据。 电网现代化加速。要提高可靠性和效率，就必须促进电网互联，提升智能化和自 动化水平。高级量测体系、电力企业自动化和电动汽车充电基础设施占到了 2019年电网总投资的15%（数据来源：IEA）。 07 打造面向未来的电力企业 环境趋向复杂，保障可靠运行及规模化发展 电力企业的运行环境和市场环境日趋复杂。现有的系统和流程逐渐难以支撑为用户按需提供可靠、弹性和安全的电力 供应。 2.1.1 可靠性和韧性是对电网的最基础要求 保障电力系统的可靠性是对电力运营的最低要求。随着电力企业越来越多地采用非连续性发电的可再生能源（如风能 和太阳能），要想实现可靠稳定，就必须在传统发电和可再生发电中努力实现供需平衡⸺在用电高峰时这一点尤为重

动社会进步的 基石引擎。然而，当我们步入一个日益复杂、高度互联的时代，传统工程学正面 临前所未有的挑战：系统规模的指数级增长、多学科交叉的深度融合、全生命周 期管理的极致要求，以及对安全性、可靠性和可持续性的严苛标准。这些挑战， 已然超出了传统方法和人类智力的极限。我们迫切需要一种新的力量，来驾驭这 份复杂，洞悉其规律，优化其进程。人工智能，无疑是这个时代最响亮的回答。 这便是我们探索工程智能（AI 针对少数问题创造“奇迹”，那它便只是珍稀的“炼金术”，而非普惠的“工业 革命”。 人工智能今日之困境，正在于此。其规模化之路面临两大根本性障碍：一是 生产力的问题，即如何将 AI 的能力系统性、可靠性、低成本、规模化地应用于 千行百业的核心场景；二是生产关系的问题，即如何构建与之匹配的商业模式、 工作流程、组织架构与价值链条。在这本白皮书中，我们聚焦于前者，并坚信， 其核心解决路径之一，便 型为代表的新一代人工智能技术突破，为工程智能在各工程领域的全面渗透提供 了强大的技术驱动力。 然而，实现工程智能规模化赋能的进程并非坦途。核心挑战在于如何跨越工 程领域固有的专业壁垒，满足其对可靠性的严苛要求，解决人工智能技术落地时 面临的效率与成本问题、系统融合与协同问题等瓶颈。此外，人才培养、治理机 制与生产关系等配套体系尚不完善，也为规模化发展带来复杂挑战。 为抓住机遇、应对挑战，

实际上处于空闲状态，CPU 和内存利用率不超过 15%,但支持这些应用系统正常运行的所有资源(服 务 器等硬件设备)需要不间断工作，大量的服务器硬件增加了维护难度和能耗成本。 (2) 低可靠性问题 当任意一台服务器出现硬件故障或者软件故障时，则与本服务器相关的应用系统都不能使用，造成 应 用系统瘫痪。 1.2 云计算在高校的应用价值 云计算是一种基于网络的计算服务供给方式，它以 图 2 教育云系统框架图 首先，通过运行在服务器上的虚拟化内核软件，屏蔽底层异构硬件之间的差异性，消除上层客户 操作系统对硬件设备及底层驱动的依赖，同时增强虚拟化运行环境中的硬件兼容性、高可靠性、 高可用性、可扩展性、性能优化等功能。 其次，通过虚拟化管理软件形成云计算资源管理系统，实现对数据中心内的计算、网络和存储等 硬件资源的软件虚拟化管理，对上层应用提供自动化服务。其业务范围包括：虚拟计算、虚拟网 系统、后台数据库等应用，将整个业务系统作统一的规划和部署，统一数据备 份，从而形 成自上向下的有效 IT 管理架构。 · 强调整体方案的可扩展性、高可用性、易用性和易管理性 采用最新的高性能高可靠服务器，保证整个硬件系统的可靠性和可用性，为 用户的应用提供可靠的硬 件保障；建设云计算系统，发挥云计算系统的优越性，为用户提供 HA 功能，保证用户业务系统的连续性 和高可用性，让用户的业务实现零宕机风险；提供专业的管理

为 AIoT 系统的原生能力。这一转变标志着感知技术从单一维度向立体化、从被动采集向主动 理解、从数据负担向数据资产的根本性跃迁。多模态融合不再是技术上的锦上添花， 而是在复杂场景下确保系统可靠性和安全性的必要条件。 · 4 传感数据资产化的理念在 2026 年将得到广泛认同和实践。企业开始意识到，每一个 传感器采集的数据都是潜在的价值来源。通过建立完善的数据治理体系，包括数据标 模型并行进化 2026 年，预计确定性网络技术和垂直领域 AI 模型的深度融合，将会重新定义关键行 业的数字化基础设施。这种融合不是简单的技术叠加，而是针对工业互联网、智能交 通、智慧医疗等高可靠性要求场景的系统性创新。确定性网络提供了可预测、可保障 的通信基础，垂类 AI 模型则提供了可解释、可审计的智能决策能力，两者的结合构建 了新一代的可信智能系统。 确定性网络在 2025 年已经 IP（DetNet）、5G URLLC 等技术的融合应用，网络能够提供微秒 级的确定性时延、99.9999%的可靠性保证，以及纳秒级的时间同步精度。 在智能制造领域，基于确定性网络的工业控制系统已经实现了全面的"剪辫子"改造， 将传统的有线连接替换为无线连接，在保证控制精度和可靠性的同时，大幅提升了生 产线的灵活性。 车路协同场景是确定性网络的另一个重要应用领域。端到端的确定性通信网络，能够

Up互联可达 576颗GPU。 趋势洞察 03 趋势洞察 04 智算网络在确保AI训练和推理方面发挥着关键作用。它包括设计良好的后端网络和前端网络架构以满足 AI 严格要求的工作负载，其特点包括高可靠性、高速、高容量、低延迟和无损。后端网络用于互连高价值计 算密集型AI训练、AI推理所需的GPU和其他高性能计算（HPC）工作负载，前端网络支持连接对于AI工作负 载、通用工作负载（非AI计算）以 、通用计算区、存储区 以及管理区，在网络层面，划分为参数面、样本面、业务面及管理面四个网络平面。参数面网络承担AI训练 和推理的模型参数的同步与聚合（如梯度交换），需满足超高吞吐、超低时延和高可靠性，通常采用RDMA （如RoCEv2或InfiniBand）和无损组网技术，以支持大规模分布式训练。样本面网络，用于传输训练所需的 原始数据（如多模态样本）和预处理后的中间数据，常通过高速NAS或分布式存储协议实现，需处理海量小 通过逻辑或物理隔离，确保智算中心 高效协同，同时降低跨流量干扰。 为满足智算中心内部网络超大规模、超高吞吐、超低时延、超高可靠性的性能需求，构建智算网络的技 术体系如图2-2所示，包括智算网络基础设施层、拥塞控制层、流量调度层、网络协议层和集合通信层以及高 可靠性保障和智能化运维等功能模块。 基础设施层提供智算中心硬件层面的网络加速与互联能力，支撑上层协议与调度策略。其包括支持IB或

落地效果。​ - 2 - 算力时代的运维已不再是简单的设备管理，而是融合技术创新、管理科学与绿色 理念的综合性系统工程。我们相信，通过构建科学高效的算力运维体系，将有效提升 算力基础设施的可靠性、可用性与经济性，为数字经济的高质量发展提供坚实支撑。 期待本白皮书能够推动行业技术交流与标准建设，共同助力我国算力基础设施的高水 平发展。本白皮书定存在疏漏及不足之处，恳请同行专家及热心读者批评指正。 应用于需极高计算能力的科研及工程领域，处理大量数据和复杂的科学计算任务，如 气象、医疗、生物、仿真等领域，以 HPC 为代表的计算集群。 1.1.3 算力运维与传统运维的区别 传统运维核心是“保稳定”，注重基础设施可靠性；算力运维核心是“提效率”， 注重算力资源最大化利用，涉及全链路优化，对技术深度和动态管理能力要求更高： （1）. 传统运维核心目标是保障机房基础设施和 IT 基础设施的稳定运行，侧重 高可用 障提出更高要求。因此，算力运维面临 使用效率、故障管理、资源监控、需求匹配、全局可观测性和沉没成本等挑战。企业 亟需健全运维体系、规范运维指标、建立跨部门协作机制，保障算力运维的高可用性 与可靠性。 （1）. 算力利用率低 算力运维体系技术白皮书 - 7 - 从模型层面看，算力利用率指模型训练中每秒实际消耗算力与机器理论算力的比 值，衡量训练任务对计算资源的使用效率。AI 训练时，各训练步骤需强同步，硬件故