📱 关注吉之星公众号
每日一篇工程技术深度文章，不错过行业前沿
微信扫一扫关注我们 · 回复「白皮书」下载《先进制造洁净室施工技术标准》
2026年夏天，华东某大型智算中心的运维总监张工盯着屏幕上跳动的电价曲线，眉头紧锁。
当天下午2点，光伏出力因云层遮挡骤降40%，而AI训练集群的负载却刚好爬到日内峰值。备用柴油发电机在15秒内并网补位——电是稳住了，但这一小时的碳排数据，够他们头疼一整个季度。
这不是个例。全国数据中心用电量已突破4000亿千瓦时，约占全社会用电量的4%以上。更关键的是，AI大模型训练带来的算力需求，让单座智算中心的功率密度从过去的每机柜几千瓦，飙升到30kW甚至100kW以上。
“双碳”目标下，数据中心既要算得快，又要排得少。这道题，没有单一解法。
很多数据中心宣称“100%绿电”，但实际操作中，绿电的间歇性和算力负载的刚性之间存在天然矛盾。
风电半夜出力猛，可训练任务不一定在半夜跑；光伏中午发电多，但电网调度未必让你全额上网。这就引出一个核心问题：绿电匹配不是简单的“买绿电”，而是“用对绿电”。
目前行业内主要有三种匹配策略：
第一种是物理直供。数据中心与风光电站直连，通过专线输电。优点是绿电属性清晰，缺点是受地理条件限制大，且需要解决电压波动问题。
第二种是绿证交易。通过购买绿证抵消用电碳排。这种方式灵活，但存在“证电分离”的争议，实际环境效益打折扣。
第三种是时间颗粒度匹配。这也是当前最被看好的方向——按小时甚至15分钟颗粒度，将绿电出力曲线与算力负载曲线做动态对齐。
吉之星在多个智算中心项目中采用的，正是第三种思路的工程化落地。
混合能源调度有个前提：你得知道每一度电从哪来、排了多少碳。
传统数据中心的碳排核算，往往按月统计电费单，再乘以电网平均排放因子。这种粗放算法有个致命缺陷：它把绿电和灰电混在一起算，根本看不出调度策略到底有没有效果。
真正有效的碳排监测，需要做到三点：
一是分路计量。市电、光伏、储能、柴油发电机，每路电源单独计量，实时上传。
二是动态排放因子。电网的碳排放因子不是固定的，它随电源结构实时变化。中午光伏大发时，电网因子可能只有0.3kgCO₂/kWh；晚高峰煤电顶上时，可能飙到0.8以上。
三是与算力负载关联。把碳排数据打到每一批训练任务上，让算法工程师知道：你这次跑模型，排了多少碳。
只有监测到这个颗粒度，混合能源调度才有“指挥棒”。
如果说绿电匹配是“找对音准”，碳排监测是“看清乐谱”，那么多能源协同就是“指挥整个乐团”。
一个典型的智算中心混合能源系统，通常包含：市电、光伏、储能电池、柴油发电机，有时还有冰蓄冷或氢燃料电池。这些能源各有脾气：
协同调度的目标，是在满足算力负载的前提下，让碳排最低、成本最优、供电最稳。这是一个多目标优化问题。
吉之星的做法是：把调度周期切成15分钟一个切片，每个切片内做一次优化计算。输入是负载预测、风光预测、电价信号、碳排因子，输出是各能源的出力指令。
听起来简单，但工程上有大量细节：储能充放电的循环寿命怎么折算？柴油机频繁启停的维护成本怎么计入？光伏预测误差怎么用储能平滑？
这些，才是真正拉开差距的地方。
在混合能源调度领域，吉之星不是只写论文的玩家，而是把算法写进配电柜的工程派。
在华东某智算中心项目中，我们部署了一套混合能源协同调度系统，接入2MW屋顶光伏、1MWh储能和双路市电。通过15分钟颗粒度的滚动优化，绿电消纳率从最初的62%提升到89%，年度碳排下降约1200吨。
在华南某半导体洁净室项目中，由于洁净室对供电连续性要求极高，我们设计了“储能+柴油机+市电”三级兜底架构，同时用碳排监测模块实时追踪每一路电源的碳排放强度，在保障99.999%供电可靠性的同时，将柴油机年运行时间压缩了70%。
这些项目的共同点是：调度算法不是跑在云端就完事，而是下沉到边缘控制器，与配电柜、BMS、EMS做硬联动。算法和电气工程之间的“最后一公里”，才是吉之星的核心积累。
数据中心的碳中和，不是靠买绿证、种树、喊口号能解决的。它需要一套从能源供给、实时监测到协同调度的完整工程体系。
混合能源调度的本质，是在不确定性中找最优解。风光是波动的，负载是波动的，电价和碳排因子也是波动的。我们要做的，是让这些波动相互对冲，而不是相互叠加。
这条路还很长。但每优化一个百分点，就是实实在在的碳减排。对于正在爆发式增长的智算产业来说，每一度绿电的精准匹配，都是对未来的负责。
吉之星将继续深耕这个领域，把更多“算法”变成“工程”，把更多“可能”变成“可行”。