AI需绿电稳定支撑
人工智能正成为全社会用电量增长的主要引擎。截至2025年底，全国在用算力基础设施的机架数超过1373万标准机架，总用电量达到1960亿千瓦时，占全社会用电量的1.9%，同比增长18.1%。与以往渐进式增长的传统负荷不同，AI算力负荷具有爆发式、高密度、地域集中的特点，正在改写电网规划的负荷曲线。2026年，“算电协同”首次写入政府工作报告，绿电直供数据中心已在宁夏中卫、内蒙古和林格尔等地相继落地。AI的用能问题，已经从行业话题上升为国家议题。
更重要的是，AI数据中心对供电的要求极为严苛。算力负载呈脉冲式波动、瞬间冲击大，对供电可靠性与电能质量的要求远高于普通负荷。而AI算力所倚重的绿电，以风电、光伏为主，出力具有随机性与间歇性，受气象条件影响明显。绿电的这种波动特征，与AI算力负荷对供电的高要求之间存在不匹配，需要相应的调节资源加以弥补。新能源高比例接入带来的系统低惯量、弱支撑特征，则进一步放大了这一矛盾。
能够承担这一调节作用的，正是储能，尤其是构网型储能。它既能平抑新能源出力波动，又能主动建立和支撑电压频率，正在成为AI数据中心供电的重要支撑。构网型储能由此从辅助调节资源，逐步走向支撑AI算力供电的关键环节。
感知、决策、执行三环破阻
高比例新能源大规模接入电力系统，系统运行工况日趋复杂，传统调控技术链条在感知、决策、执行三个关键环节遭遇现实瓶颈。
感知之困，在于看不清。新能源出力随机性、间歇性强，变化快且难预测，电网对系统真实状态的感知能力不足，对新型扰动的识别存在滞后，“黑盒化”问题较为突出。
决策之困，在于定不准。电网运行决策依赖经验和预案，多台储能的功率分配依赖简单均分，缺乏在安全、损耗、寿命、收益等多重约束下实时优化决策的能力。系统越复杂，经验与预案越力不从心。
执行之困，在于跟不上。控制参数多采用离线固定整定、单机思维，上层决策与底层执行相互割裂。即便有了好的决策，也未必能落到底层设备的实时执行上。
感知、决策、执行是一个完整的“信息—决策—行动”链条：看不清，就定不准；定不准，就执行不到位。传统方法恰恰是在这三个环节同时遇到困难，而这正是人工智能可以发挥优势的领域。AI与能源的双向赋能，落点在于“智驱”。AI智驱可分为两个层级：系统级面向电网整体，做调度决策与稳定控制；装备级面向具体设备，让储能看得准、分得合理、变得快。看得准，就是在电网扰动发生时，针对随机变化的频率、电压、荷电状态等信号，由AI动态甄别关键信息，让支撑强度随扰动大小自动调整，摆脱一套参数适配全部工况的模式。分得合理，即面对集群运行下各台储能在支撑责任、损耗、寿命与运行收益上的客观差异，摒弃简单均分的出力方式，借助博弈优化等AI决策方法，在兼顾安全与效率的前提下实现各台储能各尽其责、协同出力。变得快，指依托强化学习、在线辨识等手段，推动惯量、阻尼等参数由离线固定整定升级为随工况在线自适应，打通上层决策与底层执行的闭环，让支撑能力精准作用于电网需要的时刻。看得准、分得合理、变得快，共同构成“感知—决策—执行”完整闭环。AI让储能看得更准、分配更合理、响应调整更快，储能则以更高质量的主动支撑回馈电网，为AI数据中心的稳定供电兜底。AI向能源要电、要绿电、要稳定电，能源向AI要感知、要决策、要智能，构网型储能正是这两个方向交汇的支点。
打通设备侧AI落地“最后一公里”
装备级AI智驱要真正落地，关键还在智能研发平台。需专注设备侧AI自动化研发链路：真正让AI理解控制时序与实时约束，把控制策略和数学模型直接转化为可编译、可烧写、可运行的代码，贯通“策略设计—仿真验证—半实物验证—代码生成—芯片部署”的完整链路，形成芯片级闭环，为设备侧AI的落地提供研发平台，缩短从算法到芯片的距离。
这与《行动方案》强调的自主可控方向高度契合。算法、参数、测试数据留在企业或实验室内部，国产化与本地化部署并举，既守住数据安全底线，又降低AI研发平台的建设门槛。对构网型储能而言，这意味着AI赋能真正从“能对话”走向“能交付”，落到控制器与变流器上，完成从“赋能工具”到“行业生产力”的“最后一公里”。
随着AI算力需求高速增长、新能源高比例发展、国家政策全面落地，构网型储能迎来AI与能源双向赋能风口，为新型电力系统安全稳定运行提供坚实支撑。（作者系上海电力大学教授赵晋斌）
①本网刊载的所有内容，任何媒体、网站或个人未经本网书面协议授权不得转载、链接或以其他方式复制发表。
②若本网转载相关内容涉及版权等问题，请相关作者来电或来函与本网联系立即处理。
③本网登载此内容是为了传递更多石油石化行业信息，并不意味着赞同其观点或证实其描述；相关文章内容仅供参考。
