【研究】AI"双网协同":电网与算力网共减碳,净零目标的新路径

两张网络，各自都有一道“碳难题”

  先说能源网。过去十年，全球可再生能源装机规模飞速扩张，风电、光伏已成为许多国家的主力电源。但随之而来的是一个棘手问题：可再生能源天然具有波动性。太阳能在正午前后发电充裕，夜间归零；风电在气候条件改变时可能在几小时内骤降数十个百分点。这种不稳定性，对以“即发即用”为基础设计的传统电网是巨大挑战。如何让“看天吃饭”的新能源真正融入电网、不浪费、不弃电，是全球电力系统面临的首要技术难题。

  再说信息网。5G网络的大规模部署，让移动通信基础设施的能耗问题急剧暴露。研究数据显示，5G基站的功耗是4G基站的3至4倍。中国作为全球5G建设最密集的国家，网络侧碳排放已成为不可忽视的体量。更深层的矛盾在于：流量需求本身也是波动的——凌晨三点与午间高峰时段，网络负载可能相差5至10倍，但基站仍在以近满功率运行，大量能耗被白白消耗在“空转”上。这就是论文所指的“碳效率陷阱”：网络越大、覆盖越广，若无智能管控，排碳就越多。

AI在哪里介入？

  这篇综述提出的核心洞见是：可再生能源的供电波动与通信网络的流量波动，在时间维度上存在天然的互补空间。正午光伏发电高峰期，恰恰也是数据中心算力需求相对可预测、可迁移的时段；而夜间或阴雨天新能源低谷期，网络流量同样处于低位。如果用AI统一感知两张网络的实时状态，并动态调度“何时、何地、用多少电、跑多少数据”，就能让绿电尽量匹配高负载时段，让设备在低负载时段休眠节能，实现系统层面的碳排放协同下降。

论文援引研究团队开发的 DeepEnergy 节能方法，该方法通过AI驱动的动态基站休眠与负载迁移策略，在不降低用户体验的前提下，可帮助5G网络实现净零目标的50%以上。这意味着：仅靠算法优化，不需要新建储能、不需要更换硬件，就能切掉一半的减碳缺口。

“双网协同”的系统逻辑

  这篇综述真正的突破，在于提出了一个完整的“能量-流量”联合优化框架，将原本分属两个行业的问题整合进同一个AI决策闭环。具体逻辑是：AI实时监测可再生能源发电预测、电网负荷、数据中心算力需求与通信流量四组变量，计算出最优的跨系统调度方案——优先在绿电充裕时段集中运行高耗能算力任务，在绿电稀缺时段压低非关键负载、激活储能放电。两张网络不再各自为政，而是在AI的统一指挥下协同呼吸。

  这一框架对于正在推进“东数西算”和“新型电力系统”的中国而言，具有极强的现实参考价值。中国西部风光资源丰富，东部数据中心密集，两者之间存在天然的地理与时间错配。如果能将AI联合调度机制引入跨区域算力-电力协同体系，不仅能提升绿电消纳率，还能在不新增能源供给的前提下，为数字经济腾出更大的低碳发展空间。

AI自身的碳代价

  这篇综述并未回避一个尴尬的现实：AI本身也是耗能大户。大型语言模型的训练与推理，正在成为数据中心能耗增长的新引擎。论文明确提出，发展“低碳AI基础设施”是整个框架成立的前提——如果用来协调减碳的AI系统本身碳排放失控，则双网协同的意义将大打折扣。因此，论文呼吁同步推进AI硬件的能效提升、绿电直供数据中心，以及AI模型本身的轻量化设计，使“AI减碳”真正形成正向循环，而非以碳换碳。

  一句话总结： 可再生能源的波动性和5G网络的碳效率陷阱，是两道看似独立的难题，却因AI的介入而找到了共同的解法——双网协同，是净零基础设施时代最值得期待的技术路径之一。