城市AI的太阳能
-- 工程师的负载分配
城市AI的太阳能：工程师的负载分配
城市中的人工智能以两种截然不同的方式获取电力，其中一种方式比另一种方式更适合光存储。 数据中心和人工智能计算是大型、连续、始终在线的负载。（交通摄像头、传感器、智能路灯、标牌、小型电池）是成千上万个小型、间歇性、延迟容忍的负载。相同的技术堆栈服务于两者，但架构和诚实的说法是不同的。2本页将两者分开，然后给出我们为第二个使用的大小调整方法，这是我们为之构建硬件的方法。
需求图，带真实的数字
国际能源署的《2024年电力》报告估计，2022年数据中心、人工智能和加密货币挖矿消耗了约460太瓦时，约占全球电力的2%，预计到2026年，这一数字总和可能超过1,000太瓦时--相当于日本的年消耗量。我们引用的是该报告，而不是未来源的增长百分比，因为来源是数字和装饰之间的区别。
第1类：数据中心-PV+存储在哪些方面有帮助，哪些方面没有帮助
对于一个数据中心来说，光伏+存储扮演着三个真实的角色。调峰 意味着在按需充电窗口期间对电池进行放电，以削减计费峰值。填谷 意味着在中午利用光伏充电，此时发电量充足且便宜。*穿越 意味着通过电网事件保持关键负载。
它不做的是用固定容量来代替连续训练负载。用光伏加上四小时的存储来固定1兆瓦的连续负载需要几兆瓦的阵列和兆瓦级的存储（数量级算术，而不是报价），而电网或公司的电力购买协议在实践中仍然是主要供应。如果一个项目的摊位是“太阳能为数据中心供电，“在投资意向书之前先问一下容量因素的数学。
第2类：城市边缘-独立太阳能是自然建筑
边缘负载是我们硬件的生存之地。交通摄像头消耗几瓦。智能路灯杆一夜消耗10-60瓦。传感器节点消耗不到一瓦。这些负载很小，它们位于挖沟昂贵的地方，电网连接需要几个月的许可，而电池缓冲直流电源就是它们所需要的全部。独立的光伏+存储对它们来说不是妥协，而是正确的答案。
我们应用的调整方法，顺序如下：
- 首先固定负载。 灯具总瓦数×夜间运行小时数，加上10-20%的控制和通信开销，因为成本总和少算了它。
- 根据最差月份而不是年平均值调整阵列大小。 使用站点的最低日照高峰时间月份，系统降额为0.75-0.85，包括污垢、温度、布线和控制器损耗。根据年平均日照调整大小的阵列每年12月都会出现故障。
- 根据自主目标确定电池的大小。 边缘负载的工作范围为3至5天;高纬度冬季和季风气候向顶部移动。电池容量=自主天数×夜间可用放电深度，LiFePO 4（磷酸铁锂）化学为0.8-0.9。
- 将控制器与阵列匹配。 12/24 V组上的现代高Wp面板需要MPPT（最大功率点跟踪）;电压比规则在我们的MPPT vs PWM指南中。我们的控制器大小计算器运行整个方法。
城市建筑分布式发电
办公楼和购物中心的屋顶和壁挂式光伏首先为建筑物自身的AI负载提供支持，一旦附加假设，数量级的说法就可以通过审查。（称其为1，000 m²的可用阵列面积，约为150 W/m²）的功率接近150 kWp，每年每kWp的发电量为1，200 - 1，500 kWh（取决于地点）每年发电量约为180，000 - 225，000 kWh。真实的好处是结构性的，而不仅仅是能源方面的：发电位于负载旁边，因此传输损耗减少，建筑物可以根据PV曲线调整自己的消耗。
集中式工厂和网格
城市周边的公用事业规模的工厂直接为城市电网供电，电网侧的存储将太阳能转移到人工智能需求高峰。协调点是电网运营商，而不是建筑物所有者，以及工程问题（互连，斜坡率，我们在这里标记它，因为项目文档通常将两个尺度模糊成一个“人工智能的太阳能”叙事。它们是不同的项目。
本页未包含的内容
本页涵盖用于AI相邻城市负载的PV+存储背后的概念和边缘设备架构。它不包括数据中心EPC设计，公用事业互连研究或资费优化;这些都是特定于项目的服务。对于路灯和边缘设备部署，我们的一体化太阳能路灯线路是这种方法生产的硬件。调峰的经济性体现在电价上，而不是技术-在你建模电池之前先建模你的费率表。