AI 数据中心正将美国电网推向极限
随着 AI 应用的迅速扩展，全球数据中心建设正在加速推进。然而，在这股热潮背后，一个日益严峻的问题正逐渐浮现：电力供应难以跟上激增的需求，导致严重的电力短缺。而这一问题在美国尤为明显。
尽管拥有充足的发电能力，但美国电力行业仍面临一个被称为“并网排队”（interconnection queues）的结构性问题。监管审批和电网接入限制，使新建发电设施无法在所需时间和地点输送电力。近期日立集团旗下多家公司组成的团队通过为 Southwest Power Pool（SPP）项目提供咨询服务，协助缓解了这一瓶颈问题。SPP 是一家区域输电组织，负责管理美国部分地区的电网及批发电力市场。
为什么电网正面临失衡
近年来，美国电价涨幅已超过整体通胀水平。2020 年至 2024 年间，美国居民电价上涨了 25%。要原因包括老旧基础设施升级成本增加，以及 AI 热潮推动下数据中心需求的激增。
负责 Hitachi Vantara 数据基础设施开发的 Shawn Monroe 解释了这一挑战的规模：“过去 100 年间，美国电力需求的年增长率一直维持在 1%–3% 的温和水平。但预测显示，2025 年的增长率将达到 33%–35%，2026 年接近 40%。这意味着基础设施负载将在短短三年内增长 300%——对于设计寿命超过 50 年的基础设施而言，这一增长速度过于迅猛。”
Shawn Monroe，Hitachi Vantara 能源 AI 首席战略师
这一激增对 SPP 等区域输电组织（RTO）造成了尤为沉重的压力。RTO 负责管理大规模输电网络，并审核来自发电厂和数据中心的并网申请。如今，它们在扩展基础设施的同时，也面临提升运营效率的巨大压力。
电网基础设施正导致整个行业进展滞后
SPP 是经美国联邦能源监管委员会（FERC）批准的区域输电组织（RTO）之一。SPP 管理着覆盖 37 个州的大型电网，是美国第二大的 RTO。
“RTO 负责评估发电开发商提交的并网申请，”Monroe 解释道。“当开发商提议在某一地点建设新的发电机组时，RTO 必须模拟电力在电网中的流动情况，并识别可能出现负载压力或拥塞的区域。”
如果发现系统薄弱环节，开发商必须承担必要升级的费用——但识别这些问题并提供详细分析报告，则是 RTO 的职责。
在 SPP，评估新发电项目的流程——包括对整个电网进行评估并生成分析报告——平均需要 27.5 个月。对于大型项目而言，再加上建设、调试和并网流程，从项目启动到正式投运可能需要五年以上。此外，电网并网还需要进行大量研究、模拟和复杂的工程分析。这一流程的延误会形成一种“等待状态”，即发电资源已经准备就绪，却无法输送电力。与此同时，新的数据中心仍在不断接入电网，进一步推高了电力需求。
SPP 估计，如果并网审批持续滞后，到 2029 年，储备容量率可能会从当前的 24% 降至危险的 5%。为应对这一紧迫挑战，日立集团组建了一支由六家子公司组成的团队，从上游规划到 AI 基础设施，全面覆盖整个问题链条。
团队取得的成果超出了预期。SPP 最初的目标是将分析时间缩短 80%，但实际效果更进一步。此前需要近三周才能完成的一项流程，如今已缩短至不到一小时。
通过端到端解决方案应对这一挑战
为什么能够解决 SPP 问题的是日立，而不是传统公用事业供应商或 AI 专家？负责 Hitachi America 研发团队的 Bo Yang 指出了三个原因：端到端的方法、IT 与 OT（运营技术）的融合，以及对业务流程的深度参与。
Bo Yang，Hitachi America 研发部门能源解决方案实验室副总裁
“真正重要的并不是改进某一个软件或硬件，而是消除整个分析流程中的瓶颈，”她表示。“许多 AI 供应商仅依赖历史统计数据。但电网属于持续变化的关键任务系统。当面对未知情况时，这类模型会失去准确性，因此无法在实际运营中被充分信任。”
日立更进一步，运用设计思维重新构建运营流程，并基于数十年的 OT 专业经验开发了基于物理模型的 AI，从而确保其在真实电网环境中的安全性与准确性。
基于物理模型的 AI 在能源电网中的作用
Lumada Innovation Hub 高级负责人 Yoshimitsu Kaji 指出，尽管生成式 AI 占据了当今的头条，但这类模型经常因生成被称为“幻觉”的“看似合理却错误”的答案而受到批评。
“在电网这类社会基础设施领域，即便出现一次错误也是不可接受的，”Kaji 问道。“在一个几乎不容许出错的领域，你们如何确保 AI 可靠性？”
Yang 表示：“典型的数据驱动型 AI 会从历史数据中学习，并仅基于统计规律进行推理。相比之下，我们的基于物理模型的 AI 则直接将数学、物理等科学定律嵌入算法本身。”
例如，在电气工程领域，基尔霍夫电路定律定义了电流与电压的运行规律。基于物理模型的 AI 会将这些物理原理作为硬约束条件纳入算法之中。它不像大型语言模型那样仅依赖概率推断，而是将基于事实的物理计算与统计推理相结合，从而形成一种混合式方法。
“纯粹的数据驱动型 AI 在面对陌生或未曾见过的场景时，可能会生成统计学上看似合理的答案，”Yang 表示。“然而，基于物理模型的 AI 则受到不可改变的物理定律约束。这些定律如同一道安全边界，可防止系统出现失控行为，并确保 AI 即使在历史数据中不存在对应案例的情况下，也能生成符合物理规律的解决方案。”
通过引入基于物理模型的 AI，SPP 得以同时提升电网并网研究的准确性与速度——这类研究需要通过高级仿真评估海量场景模式。这一成果体现了 Yang 的领导力以及日立长期积累的专业技术能力。
Hitachi iQ：通过专有基础设施加速 AI
在生成式 AI 领域，大规模预训练模型被用于执行推理任务。模型能力越强，其内存占用也越大。理想情况下，整个模型应驻留于高速 DRAM 中，但现实中，其规模通常需要依赖大容量存储，从而不可避免地导致性能下降。
基于物理模型的 AI 对基础设施提出了更高要求。它不仅需要极其复杂的计算能力，还需要能够快速访问海量仿真数据。这正是 Hitachi iQ 发挥关键作用的地方。
在传统系统中，数据读写需要经过 CPU 和操作系统内核，从而带来大量开销并形成性能瓶颈。而 Hitachi iQ 则绕过操作系统内核，将数据直接从存储传输至 GPU，从而消除了 CPU 等待时间。
Monroe 热情地解释了其技术优势：“传统通信协议本质上是单向的，受限于 CPU，其吞吐量通常只能达到约 1.6 Gbps。Hitachi iQ 则可聚合多个超高速 800 Gbps 连接，并将数据直接流式传输至 GPU。结合日立在大规模数据湖技术方面长期积累的专业能力，这一架构围绕一个核心原则构建：绝不让 GPU 闲置。”
通过端到端优化软件以匹配 GPU 特性，SPP 实现了显著的性能提升——仅使用不到传统方案一半的资源，便获得了更快的处理速度。未来，SPP 将能够推进其历史性的 77 亿美元输电网强化计划，并且其分析时间缩短幅度已超过最初设定的 80% 目标。若没有这一协作框架，这一成果将无法实现。
了解 Hitachi iQ 如何帮助您的组织在大规模环境下实现卓越性能与高韧性，并无论数据位于何处都能实现统一访问。
