如需报告请联系客服或扫码获取更多报告
一、AI推升电力消耗
随着近些年AI模型竞赛日益激烈，训练最先进人工智能模型所需的数据量和计算量呈指数级增长。例如，GPT-4的训练数据量约为4.9万亿个数据点（Data Points)，训练计算量约为22万亿亿次（即2.2 × 1025）。
训练是一个耗时且耗能的过程，计算在GPU/ASIC等专用芯片上进行。当前，单个GPU的最大额定功耗可达1000瓦，这与一台烤面包机的功耗相当。超大型的模型是在由多个GPU组成的集群上进行训练的。例如，GPT-4是在25,000个GPU上经过多日训练而成，算力芯片合计额定功率近10MW。除此之外，加上用于模型训练的其他服务器部件包括CPU、内存、网络设备和交换机等以及非IT设备功耗，用于训练GPT-4的设备总额定功率高达约20MW。
并且，GPT-4训练时间约95天（2280小时），采用84%的负载因子计算，其训练能耗需求约为38.2GWh，折合训练期间内日均能耗约0.40吉瓦时（40万度电），如果以一个家庭单日电力消耗约为10度，GPT-4日均能耗约等于4万个家庭单日用电量。
不同于训练，推理任务的能耗需要考虑因素较多。比如，输入Token量及输出Token量、硬件配置以及批处理规模、键值缓存管理、注意力机制等操作优化策略的多重影响。此外，由于面向用户的商业AI模型在规模与实施细节方面缺乏透明度，难以精确测算其算力需求及后续能耗。不过随着长上下文任务及多模态模型的加速渗透，即使通过MoE或其他算法提升效率，但是总耗能或仍然持续提升。
数据中心是一种集中式设施，主要用于容纳大量计算机服务器、网络设备、存储系统及IT组件。所有上述设备均需配备专用电源单元，以确保为每台设备提供适配的输入电压。当前数据中心中，服务器平均约占60%的用电需求，但比例因数据中心类型存在显著差异。存储系统是用于集中化数据存储与备份的设备，约占总耗电量的5%。网络设备包括连接数据中心的交换机、引导流量的路由器以及优化性能的负载均衡器，其电力消耗最高可达总需求的5%。冷却与环境控制系统通过调节温湿度确保IT设备处于最佳运行状态。冷却系统能耗占比差异显著，高效能的超大规模数据中心约为7%，而能效较低的企业数据中心可能超过30%。不间断电源电池与备用发电机可在断电时维持数据中心运行。这些设备虽很少启用，但对保障数据中心必须实现的超高可靠性至关重要
2024年全球数据中心用电量达415TWh，约占全球总用电量的1.5%，但耗电量较为集中。美国、欧洲及中国的数据中心用电量合计约占全球总量的85%。其中，美国自2015-2024年期间，数据中心电力消耗以每年约12%的速度增长，增量约250TWh。2024年美国数据中心的用电量约为180TWh，占全球数据中心总用电量近45%，并且占据美国全口径总用电量的4%。2024年欧洲数据中心耗电量约为70TWh，约占欧洲总用电量比重略低于2%。
中国数据中心也在2015年开始扩张，2015-2024年的电力需求年复合增长率达到15%。2024年国内数据中心用电量约为100TWh，大致与中国电动汽车的用电量相当，2024年占国内用电量比重约1.1%。不过，中国占全球数据中心耗电量的份额从十年前的不足20%升至25%
二、解决方案一：燃气轮机
用电方面，真正的挑战在于电力基础设施制造周期与AI需求周期错配。为满足数据中心电力需求可来源于多种途径，每种技术性能、成本、排放、开发流程和建设周期方面都具有独特特性。随着数据中心预计在未来数年快速增长，构建并确保稳定高效电力来源的战略变得尤为关键。目前，美国唯一能在较短时间开发完成的可靠电力来源是太阳能光伏和燃气轮机，与数据中心的典型建设时间线相吻合。但即使在这些情况下，供应链延迟或供应紧张也可能进一步延长开发时间
以用电量视角看，2024年美国全国电力需求约3975.38TWh，若美国至2030年数据中心用电量达420TWh，约占全国用电量的10%（假设其他用电量不变，若其他用电量增加，此比值下降）。电力供给方面，天然气是美国发电量最大的单一来源（2024年约占发电量的42.5%），得益于页岩气革命带来的低价天然气，大量替代了传统的煤电。近期数据中心电力需求的激增，导致对额外天然气发电的兴趣显著增加，主要是在天然气作为低成本燃料的美国。
例如，在路易斯安那州，Entergy Louisiana 正计划增加超过2GW的天然气发电能力，为 Meta 的数据中心供电。NextEra Energy 和 GE Vernova 也计划在美国各地开发天然气发电项目，主要是为了满足数据中心日益增长的电力需求。为了降低排放，一些数据中心运营商正考虑从长远来看为天然气发电厂配备碳捕获技术。
三大制造商——GE Vernova、西门子能源和三菱动力为全球目前约三分之二在建的燃气电厂供应轮机，并且积压订单不断增长。2024年的燃气轮机订单量是自2002年以来的最高水平。订单规模约为80吉瓦，而三大原始设备制造商（OEM）的预估年产能合计仅略高于30吉瓦。预计从2027年开始，年订单量将超过100吉瓦。
年订单量超过生产能力导致不断增长的生产积压订单。三大OEM的总积压订单量，尤其是其燃气轮机的订单已急剧增加。例如，GE Vernova在2025年第二季度的总排队订单量（包括已签订合同和产能席位预留协议的轮机）已达到54GW。
三大制造商均指向北美燃气轮机订单显著增加。三菱重工的报告称来自美洲和中东的轮机订单近年来大幅增长。GE Vernova大约60%的燃气轮机订单集中在美国。与此同时，自2021财年以来，这三家公司在亚洲的总收入均有所下降，但在美洲地区的收入却急剧增长。
三、解决方案二：光伏+储能
光伏发电具有建设周期短、安装灵活的独特优势。一般而言，一座大型地面光伏电站从规划到并网发电只需1~2年时间，部分中小规模项目甚至在数月内即可建成。光伏组件和逆变器等设备模块化程度高，可并行施工部署，同时光伏选址相对自由（只要有足够日照和用地，无需像水电那样依赖特殊地理条件）
但是，光伏输出受到太阳辐射的自然周期影响，发电功率在白天高、夜间为零，且实时随天气变化。对于7×24小时持续运行的AI算力中心来说，太阳能本身并不是稳定的电源。通常数据中心的负荷昼夜相差不大（甚至夜间仍维持高负荷以连续运行训练任务），而光伏在日落后完全停发电，白天的峰值出力也不一定刚好匹配数据中心负荷曲线。如果没有储能或其他调节手段，光伏对削减数据中心用电高峰的作用将十分有限
截至2024年，全球公用事业规模太阳能光伏的加权平均平准化度电成本已稳定在0.043美元/千瓦时，使其比成本最低的化石燃料发电替代方案便宜41%。
由于垂直整合的供应链和强大的国内制造能力持续对成本构成下行压力，光伏LCOE已降至0.033美元/千瓦时。印度也具有一定成本，约为0.038美元/千瓦时。与之形成对比的是，美国和欧盟的光伏LCOE却出现上涨。这些地区审批延迟、并网瓶颈以及较高的系统配套成本限制了下游成本的进一步下降。
除北美外，欧洲储能也仍处于高景气阶段。2024年欧洲新增储能系统有望达21.9GWh，虽然增长率有所放缓，但主要是住宅储能拖累，公用事业规模储能新增8.8GWh，同比增长79%，市场份额约40%，工商储新增2.2GWh，同比增长17%，占市场份额10%。住宅储能新增10.8GWh，同比下降11%，约占市场份额50%。
根据SolarPower Europe预测，基准假设下，至2029年，欧洲年度新增量将达到118GWh，累计装机量将达到400GWh。公用事业规模储能将成为绝对主力。至2029年，新增装机量有望超80GWh，占新增装机量的68%。
四、储能+光伏或带动功率器件需求
大型储能PCS多采用硅基IGBT（绝缘栅双极型晶体管）作为主功率开关器件。IGBT在PCS中的作用包括电压变换、DC/AC逆变以及功率控制等，直接决定了储能逆变器的性能指标。IGBT成本占储能PCS硬件成本的20%～30%，属于价值占比最高的核心部件之一。
IGBT的性能（如耐压水平、开关速度、导通压降等）很大程度上限制和决定了PCS的转换效率、输出电能质量以及功率密度。因此，提升功率器件性能是提高储能系统性能的关键路径之一。
在储能PCS内部，一般采用逆变桥等功率电路拓扑，将直流电池电能与交流电网互相转换。传统方案大量使用硅基IGBT器件组成功率半桥，近年来也逐步引入SiC MOSFET器件以提高效率。混合ANPC（三电平有源中点钳位）逆变器拓扑，每相桥臂模块中集成2个SiC MOSFET和4个Si IGBT，其中IGBT工作在工频、SiC MOSFET工作在高频，从而在降低滤波器体积的同时，用较少的SiC器件实现高效率并控制成本。
IGBT和SiC MOSFET在导通特性和开关损耗方面存在明显差异。IGBT为双极型器件，其输出特性曲线有明显“拐点”，在小电流（轻载）时因阈值电压导致损耗较高；SiC MOSFET属单极型器件，导通特性近似线性，在轻载下损耗远低于IGBT
在约10A的低电流下IGBT损耗约为SiC的两倍，而约25A时两者损耗相当；在更高电流（重载）下，IGBT的效率甚至略优于SiC。这意味着在不同负载条件下，两种器件各有优势：SiC器件在部分负载下显著提高逆变器效率，而IGBT在满载高压下仍具备性价比优势。
