技术摘要：为欧洲 AI 的未来提供动力

问题陈述

人工智能（AI）在全球范围内的快速扩张导致了高能耗超大规模数据中心（DC）的激增，这为电力系统规划带来了结构性的挑战。尽管欧洲已根据《绿色协议》制定了 2050 年实现碳中和的路线图，但现有的长期规划框架（如 ENTSO-E 十年网络发展计划）以及广泛使用的能源系统模型（如 PyPSA、TIMES）并未明确纳入 AI 驱动的数据中心所带来的动态、空间和时间负荷。这种遗漏可能导致脱碳路径与前所未有的计算工作量增长之间出现错位。核心问题有两个方面：首先，现有的欧洲电力发展计划是否能在不损害净零目标的前提下，容纳 AI 需求；其次，如果 AI 增长轨迹停滞或崩溃，会对电网扩张造成怎样的结构性风险，从而可能导致资产搁浅或投资效率低下。

研究方法

本研究采用了一种空间显式、多时段的混合整数线性规划（MILP）优化模型，覆盖了 3ın 欧洲国家。该模型对长期容量扩张和每小时系统调度进行联合优化，旨在最小化总系统成本（资本支出和运营支出），同时遵守气候政策目标和运行约束。

关键方法论特征包括：

• 情景框架： 分析利用了源自 IEA、麦肯锡和 ICIS 预测的 21 种不同增长情景。这些情景涵盖了从“起飞”（激进增长）到“逆风”和“高效率”情景，以及三种悲观的“崩溃”变体（紧缩、中等、终结），在这些变体中，数据中心容量在 2030 年后发生收缩。
• 负荷剖面： 为了捕捉运行灵活性，模型采用了两种基于历史数据生成的不同每小时负荷剖面：一种是“英国型剖面”（稳定，负荷因子 67%）和另一种是“美国型剖面”（波动，负荷因子 52%）。
• 系统充分性： 不同于以往可能禁止 2030 年后热电扩容的模型，本框架允许内生的投资决策，并受充分性要求约束，包括旋转备用约束（8% 边际备用）和失负荷期望值（LOLE）限制（3 小时/年）。
• 时间分辨率： 规划周期（2025–2050 年）分为五个五年的战略时间步长，运行决策通过 12 个代表性天（通过 k-medoids 进行聚类）在每小时层面进行解析，以捕捉季节性变化。
• 效率敏感性： 模型包含了对电源使用效率（PUE）的敏感性分析，将其从 1.4 变化到 1.1，以评估其对成本、排放和峰值需求的影响。

核心贡献

本文首次提供了集成、空间显式且基于情景的分析，探讨大规模 AI 驱动的需求如何与欧洲的脱碳计划相互作用。其主要贡献在于：

1. 量化边际影响： 系统地量化了 21 种情景下，数据中心带来的额外需求（到 2 года 2050 年为 73–723 TWh）、容量需求、排放量及运行影响。
2. 地理重新评估： 挑战了“清洁能源丰富度是数据中心选址首要标准”的假设，证明在 2030 年后，基础设施的地理分布更多地由可靠功率（firm power）的可获得性和系统灵活性决定。
3. “数字过度建设锁定”风险： 识别了一种新型的转型风险，即如果 2030 年后 AI 需求崩溃，会导致容量僵局——规模过大的热电机组将为了回收沉没成本而持续运行，从而抬高系统成本并延长对化石燃料的依赖。
4. 运行动态： 详细阐述了 24/7 全天候 AI 工作负载如何改变净需求剖面，使可调度资源的必要时长每年增加 250–300 小时，并重塑跨国电力流和位置边际价格（LMP）。

关键结果

需求与容量要求

• 需求增长： 到 2050 年，AI 可能驱动额外 73–723 TWh 的电力需求。即使在最悲观的增长情景下，现有的计划容量也可能不足。
• 容量扩张： 在受控增长路径下，系统需要额外增加 226 GW 的容量，而在悲观情景下仍需增加 70 GW。其中约 70% 的扩张由可再生能源和储能组成，30% 由可靠的可调度资源组成。
• 技术组合： 风电是 2030 年前首选的扩张技术。然而，联合循环燃气轮机（CCGT）对于平衡至关重要。在“起飞”情景下，煤炭和石油发电量将在基准水平之上上升直至约 2045 年，从而延迟脱碳进程。到 2050 年，系统需要大量增加带有碳捕集与封存（CCS）技术的 CCGT、氢能 CCGT 以及核电，以满足备用需求。

排放与净零轨迹

• 中期超标： 虽然 2050 年的净零目标仍有可能实现，但研究表明，在 2030 年至 2050 年间存在 67–181 MtCO₂ 累积排放超标的高风险。由于依赖化石燃料来满足眼下的充分性需求，21 种情景中有 17 种在 2030 年代表现出排放超标。
• 区域差异： 法国和英国由于拥有核电基荷和多元化的组合，表现出较强的韧性。相反，德国、荷兰和爱尔兰等传统枢纽面临结构性僵局，在冬季高峰期严重依赖天然气，导致持续的排放目标超标。

地理与市场转变

• 新枢纽： 南欧（葡萄牙、西班牙）因太阳能潜力、核电基荷（法国）或多元化组合（波兰）而成为极具吸引力的数据中心选址。北欧国家面临冬季高峰波动和缺乏灵活调节电源的限制，尽管其可再生能源发电量很高，但限制了数据中心的扩张。
• 贸易逆转： 高需求国家变为净进口国。例如，西班牙从主要的出口国转变为每年净进口 20 TWh 的国家，而英国的净进口量从 17 TWh 增加到 31 TWh/年。
• 成本影响： 满足 AI 需求会提高关键枢纽的平准化电力成本（LCOE），例如英国的 LCOE 从 125 欧元/MWh 上升至 160 欧元/MWh，这是由于动用了更高成本的可靠资源。

效率与崩溃情景

• PUE 敏感性： 将 PUE 从 1.4 提高到 1.1，到 2050 年可降低 4–6% 的总系统成本和 3–5% 的排放。对于波动的 AI 工作负载，效率提升的效果大约是其 1.6 倍。
• 崩溃风险： 如果 AI 需求在 2035 年后崩溃，系统将比基准情况多保留约 40 GW 的额外 CCGT 容量。这种“数字过度建设锁定”导致 LCOE 增加（约 2–4 欧元/MWh）并增加可再生能源的弃电量，因为系统会优先调度现有的可靠资产而非新的可再生能源投资。

重要性与主张

本文断言，整合 AI 的挑战不仅在于总能量规模，更在于对欧洲能源转型“充分性架构”的根本性重塑。作者声称，如果政策不能进行调整，使数字扩张与快速部署可靠的低碳容量相匹配，欧洲将面临暂时依赖化石燃料和长期结构性锁定的风险。研究结论指出，虽然 2050 年的净零目标仍可实现，但关键的排放风险很可能出现在中间年份（2030–2045 年），因此有必要将规划范式从简单的容量增加转向管理系统灵活性和可靠资源的充分性。