材料疯涨、电芯紧张，储能企业如何把握确定性？

“波动”无疑是目前储能产业链的关键词。

在中东油气危机及产矿国出口政策摇摆等因素刺激下，上游锂、铜、铝、等原材料疯涨，碳酸锂一度逼近19万元/吨。

叠加出口退税企业出海抢装影响，储能电芯供应紧张，报价攀升至约0.38元/Wh。记者在北京储能展了解到，电芯企业在努力锁定原材料价格以平滑成本的同时，也在加紧调度订单排期，以应对市场紧张局势，而系统集成商则四处寻找可用电芯以保障交付。

波动之中亦有确定性。

AI算力中心正崛起为新增巨大负荷，对新能源厂商而言，将廉价绿电转化为可交易的算力资源（Token）成为价值变现的新途径，储能正是其中不可或缺的一环。

而且随着商业模式成熟，AI在储能调度、功率预测和市场化交易中也在发挥关键作用，使储能不仅支撑算力的稳定，也成为AIDC收益优化的重要工具。

01

AI+储能意味着什么

将储能从传统电力设备升级为具备自主感知、决策与执行能力的智能单元，一直是行业追求的重要方向。

4月1日，远景在北京储能展发布了搭载新一代AI自适应PCS的12.5MWh储能系统。该系统依托公司自主研发的“天机”气象大模型和“天枢”能源大模型，推动储能场站规划、设计、制造、运营及交易的全流程智能化。

“现阶段AI在储能领域最成熟的应用主要集中在两方面：一是提升研发效率和产品质量；二是提升储能在电力系统中的交易和构网能力。”远景高级副总裁田庆军展示期间接受采访时表示。

首先是研发端。过去行业的电池配方研发靠经验试错，周期长达半年到一年。现在借助AI，企业可快速筛选参数组合找出最优解；电芯性能评估也可以通过AI模型在前期数据基础上预测全生命周期表现。

其次在电网支撑方面，AI已不可或缺。随着10GWh级储能集群不断接入电网，储能系统的快速响应能力一旦集中释放，可能对局部电网潮流和系统稳定带来显著影响。尤其是在毫秒级响应条件下，如果调度失当，甚至遭遇异常操作，局部电网安全风险将明显上升。

因此，AI在储能领域的功能，已经不仅是保障设备安全，更是在更大规模接入背景下保障调度安全、电网稳定。

储能大规模扩张也正在重塑交易逻辑。“举个例子，如果很多储能电池都在中午同时充电，就会把原本低谷的电价推高，到了晚高峰，大家又同时放电，可能把高峰价压低，结果原本清晰的峰谷价差就被抹平了。”远景动力储能电芯总裁钱振华解释。

在这种背景下，储能交易已经不只是看电网负荷和新能源出力那么简单，必须思考其他市场玩家会怎么行动，揣摩他们背后的算法逻辑和策略。

所以需要AI辅助储能系统根据电力系统需求自主响应，在合适的时点进行交易、调频或其他辅助服务。

“和以往电力交易主要靠经验进行低买高卖赚取电价差不同，远景AI储能系统是先通过气象大模型预测判断风光出力，再结合能源大模型进行负荷预测，形成交易策略，最后叠加设备健康度等数据，给出具体操作建议，收益模型更精细。”田庆军介绍。

同时田庆军也强调， AI运营和AI交易必须与自有设备紧密结合，才能发挥最大效能。因为AI擅长基于大量标准数据进行归纳和泛化，一旦运行条件差异很大，或者设备之间存在细微差别，AI就更容易出问题，未来全站自研能力会愈发有竞争优势。

例如远景自研高功率、自适应储能变流器（PCS）就内置原生AI智能内核，该产品将在2026年实现3GW出货，同样瞄准构网、调频及AIDC场景。

不过，前述专家判断，整体来看整个储能行业的AI水平仍处于初级阶段。AI的预测和决策能力离不开大量多维的数据支撑，但当前电力系统的数据开放程度仍有限，企业可获取的数据在数量和质量上都存在约束。

如何建立适当的监管边界，让数据能够在安全、匿名化前提下被开放和共享，从而扩大AI可用的数据基础，将是未来发展的关键。

远景储能产品总工程师徐中华建议，电网的AI安全与构网安全应由国家和电网主导，企业则提供配套设备和服务，形成完整协同体系。

02

拆解新负荷

集邦咨询预计：全球AI数据中心储能装机容量将从2024年的15.7GWh增长到2030年的216.8GWh，CAGR约为46.1%。

言必提AIDC已成为储能厂商的常态。

从当前应用看，储能在AIDC领域至少有墙外供电、墙内的园区备电和芯片端高频调节三类典型场景，墙内场景对储能的要求尤为苛刻。

“AIDC门槛非常高，现在大家讲讲可以，真的进入到这个门槛，将来可以在这个行业里面生存的企业未来不会很多，它的要求非常高。”田庆军认为，与绿色氢、氨、醇等柔性终端应用相比，算力中心对电力供应的刚性要求更高，可靠性要求超过99.99%。

这是因为GPU等核心设备无法接受柔性调节，一旦供电中断或波动，就可能导致硬件损坏和业务暂停，造成高额损失。业内形象地将AIDC称为“工业级的灾难”，是以前从来没有过的新负荷。

钱振华指出，尽管业内人士经常讨论AIDC，但大多数人甚至没有真正见过AIDC运行时的负荷曲线。典型的AIDC负荷分为两类：推理和训练。推理任务类似于实时问答，例如用户向AI提出问题后系统必须立即响应，中间不能等待；训练任务则可以在数天时间内完成，从时间尺度和能量尺度上都有调配的空间。

例如，推理负荷具有明显的峰谷特征。以美团和京东为例，中午外卖订单激增，晚间存在另一波峰值。通过合理调配训练与推理任务，以及过程中的不同负载安排，可以优化负荷端的功率消耗，实现更稳定的系统运行。这种调配需要对任务特性和负荷模式进行深入分析。

负荷差异化管理的背后，本质上是对电力可靠性和稳定性成本的重新优化。高可靠性供电本身是有成本的，如果能够对不同负荷进行精细分类，并结合其时序特征进行调配，就有可能在保障供电质量的同时，降低整体成本。

分区域来看，AIDC储能首轮需求爆发主要出现在美国，中国则有望成为下一阶段的重要增长市场。

“中美在人工智能发展路径上各有优势。美国在GPU等核心硬件上领先，但其电力成本较高、绿色能源供给相对不足，目前仍较多依赖天然气发电，因此算力运行成本偏高。中国虽然在GPU上存在一定差距，但新能源供给能力更强，电力成本相对更低。放在端到端体系中看，硬件代差并不必然决定最终竞争力，能源成本同样是人工智能竞争中的关键变量。”田庆军总结道。

欢迎投稿，联系邮箱

tg@inengyuan.com

国家能源局：坚持多能融合发展，

构建安全、韧性能源体系