材料瘋漲、電芯緊張，儲能企業如何把握確定性？

“波動”無疑是目前儲能產業鏈的關鍵詞。

在中東油氣危機及產礦國出口政策搖擺等因素刺激下，上游鋰、銅、鋁、等原材料瘋漲，碳酸鋰一度逼近19萬元/噸。

疊加出口退稅企業出海搶裝影響，儲能電芯供應緊張，報價攀升至約0.38元/Wh。記者在北京儲能展了解到，電芯企業在努力鎖定原材料價格以平滑成本的同時，也在加緊調度訂單排期，以應對市場緊張局勢，而系統集成商則四處尋找可用電芯以保障交付。

波動之中亦有確定性。

AI算力中心正崛起為新增巨大負荷，對新能源廠商而言，將廉價綠電轉化為可交易的算力資源（Token）成為價值變現的新途徑，儲能正是其中不可或缺的一環。

而且隨著商業模式成熟，AI在儲能調度、功率預測和市場化交易中也在發揮關鍵作用，使儲能不僅支撐算力的穩定，也成為AIDC收益優化的重要工具。

01

AI+儲能意味著什么

將儲能從傳統電力設備升級為具備自主感知、決策與執行能力的智能單元，一直是行業追求的重要方向。

4月1日，遠景在北京儲能展發布了搭載新一代AI自適應PCS的12.5MWh儲能系統。該系統依托公司自主研發的“天機”氣象大模型和“天樞”能源大模型，推動儲能場站規劃、設計、制造、運營及交易的全流程智能化。

“現階段AI在儲能領域最成熟的應用主要集中在兩方面：一是提升研發效率和產品質量；二是提升儲能在電力系統中的交易和構網能力。”遠景高級副總裁田慶軍展示期間接受采訪時表示。

首先是研發端。過去行業的電池配方研發靠經驗試錯，周期長達半年到一年。現在借助AI，企業可快速篩選參數組合找出最優解；電芯性能評估也可以通過AI模型在前期數據基礎上預測全生命周期表現。

其次在電網支撐方面，AI已不可或缺。隨著10GWh級儲能集群不斷接入電網，儲能系統的快速響應能力一旦集中釋放，可能對局部電網潮流和系統穩定帶來顯著影響。尤其是在毫秒級響應條件下，如果調度失當，甚至遭遇異常操作，局部電網安全風險將明顯上升。

因此，AI在儲能領域的功能，已經不僅是保障設備安全，更是在更大規模接入背景下保障調度安全、電網穩定。

儲能大規模擴張也正在重塑交易邏輯。“舉個例子，如果很多儲能電池都在中午同時充電，就會把原本低谷的電價推高，到了晚高峰，大家又同時放電，可能把高峰價壓低，結果原本清晰的峰谷價差就被抹平了。”遠景動力儲能電芯總裁錢振華解釋。

在這種背景下，儲能交易已經不只是看電網負荷和新能源出力那么簡單，必須思考其他市場玩家會怎么行動，揣摩他們背后的算法邏輯和策略。

所以需要AI輔助儲能系統根據電力系統需求自主響應，在合適的時點進行交易、調頻或其他輔助服務。

“和以往電力交易主要靠經驗進行低買高賣賺取電價差不同，遠景AI儲能系統是先通過氣象大模型預測判斷風光出力，再結合能源大模型進行負荷預測，形成交易策略，最后疊加設備健康度等數據，給出具體操作建議，收益模型更精細。”田慶軍介紹。

同時田慶軍也強調， AI運營和AI交易必須與自有設備緊密結合，才能發揮最大效能。因為AI擅長基于大量標準數據進行歸納和泛化，一旦運行條件差異很大，或者設備之間存在細微差別，AI就更容易出問題，未來全站自研能力會愈發有競爭優勢。

例如遠景自研高功率、自適應儲能變流器（PCS）就內置原生AI智能內核，該產品將在2026年實現3GW出貨，同樣瞄準構網、調頻及AIDC場景。

不過，前述專家判斷，整體來看整個儲能行業的AI水平仍處于初級階段。AI的預測和決策能力離不開大量多維的數據支撐，但當前電力系統的數據開放程度仍有限，企業可獲取的數據在數量和質量上都存在約束。

如何建立適當的監管邊界，讓數據能夠在安全、匿名化前提下被開放和共享，從而擴大AI可用的數據基礎，將是未來發展的關鍵。

遠景儲能產品總工程師徐中華建議，電網的AI安全與構網安全應由國家和電網主導，企業則提供配套設備和服務，形成完整協同體系。

02

拆解新負荷

集邦咨詢預計：全球AI數據中心儲能裝機容量將從2024年的15.7GWh增長到2030年的216.8GWh，CAGR約為46.1%。

言必提AIDC已成為儲能廠商的常態。

從當前應用看，儲能在AIDC領域至少有墻外供電、墻內的園區備電和芯片端高頻調節三類典型場景，墻內場景對儲能的要求尤為苛刻。

“AIDC門檻非常高，現在大家講講可以，真的進入到這個門檻，將來可以在這個行業里面生存的企業未來不會很多，它的要求非常高。”田慶軍認為，與綠色氫、氨、醇等柔性終端應用相比，算力中心對電力供應的剛性要求更高，可靠性要求超過99.99%。

這是因為GPU等核心設備無法接受柔性調節，一旦供電中斷或波動，就可能導致硬件損壞和業務暫停，造成高額損失。業內形象地將AIDC稱為“工業級的災難”，是以前從來沒有過的新負荷。

錢振華指出，盡管業內人士經常討論AIDC，但大多數人甚至沒有真正見過AIDC運行時的負荷曲線。典型的AIDC負荷分為兩類：推理和訓練。推理任務類似于實時問答，例如用戶向AI提出問題后系統必須立即響應，中間不能等待；訓練任務則可以在數天時間內完成，從時間尺度和能量尺度上都有調配的空間。

例如，推理負荷具有明顯的峰谷特征。以美團和京東為例，中午外賣訂單激增，晚間存在另一波峰值。通過合理調配訓練與推理任務，以及過程中的不同負載安排，可以優化負荷端的功率消耗，實現更穩定的系統運行。這種調配需要對任務特性和負荷模式進行深入分析。

負荷差異化管理的背后，本質上是對電力可靠性和穩定性成本的重新優化。高可靠性供電本身是有成本的，如果能夠對不同負荷進行精細分類，并結合其時序特征進行調配，就有可能在保障供電質量的同時，降低整體成本。

分區域來看，AIDC儲能首輪需求爆發主要出現在美國，中國則有望成為下一階段的重要增長市場。

“中美在人工智能發展路徑上各有優勢。美國在GPU等核心硬件上領先，但其電力成本較高、綠色能源供給相對不足，目前仍較多依賴天然氣發電，因此算力運行成本偏高。中國雖然在GPU上存在一定差距，但新能源供給能力更強，電力成本相對更低。放在端到端體系中看，硬件代差并不必然決定最終競爭力，能源成本同樣是人工智能競爭中的關鍵變量。”田慶軍總結道。

歡迎投稿，聯系郵箱

tg@inengyuan.com

國家能源局：堅持多能融合發展，

構建安全、韌性能源體系