一项新的行业框架旨在解决数据中心能耗估算中的差异。

《工程》（Engineering）杂志发表的一篇观点文章针对全球数据中心能源核算中普遍存在的不确定性，提出了技术与政策相结合的综合解决方案，旨在标准化快速扩张的云服务和大规模人工智能基础设施背景下的能源使用追踪。文章开篇指出，目前全球对数据中心电力消耗的评估存在严重不一致，2020年的估算值在196至1,200太瓦时（TWh）之间波动，差异超过六倍。作者认为，这种巨大的方差源于两种主流能源计算范式中的结构性缺陷，这些缺陷共同扭曲了碳核算，阻碍了电网规划，并随着计算负荷的增加减缓了可再生能源的整合进程。研究将传统的估算方法归类为自下而上和自上而下两种框架，每种框架都存在固有的局限性，从而削弱了统计数据的可靠性。

自下而上的建模利用机架密度、服务器利用率以及电源使用效率（PUE）等设施级参数来计算总能耗。然而，该方法面临各站点参数波动范围大的问题，依赖如SPECpower_ssj2008等存在实验室偏差的效率基准，无法反映现实世界中异构的工作负载，且依赖于不透明、企业自行报告的运营数据，这些数据缺乏独立验证，容易出现漏报。相反，自上而下的建模基于国家或公用事业的聚合电力统计数据来进行宏观部门评估。但由于官方信息通信技术（ICT）能源数据集中缺乏专门的工业分类，该方法无法从混合用途的商业场所中分离出数据中心的负荷，导致嵌入其中的中小型设施在官方统计中被遗漏。

为解决现有未注册数据中心周围的盲区，文章概述了由人工智能驱动的识别工作流与非侵入式负荷监测（NILM）相结合的方法。包括长短期记忆网络（LSTM）、Transformer、随机森林和支持向量机分类器在内的机器学习架构，能够从聚合的电表读数中提取独特的全天候连续负荷特征，有效区分数据中心消耗与办公室、零售空间和住宅建筑的变模式样。这些分类模型在隔离数据中心工作负载方面具有高精度。NILM进一步分解混合建筑电信号，无需进行物理子电表改造即可精确定位设施级别的功耗，并通过定期的人工审计验证来稳定模型在噪声大、低分辨率电网数据下的性能。

对于新建的计算枢纽，该研究倡导以电网知情强制能源登记为基础的政策支柱，并对比了中国等集中式电网辖区与美国及欧盟分散式市场之间的实施条件。目前，跨部门的碎片化监管延误了项目审批期间向电网运营商共享标准化能源数据的过程。与此同时，欧洲各地不均等的监管规则导致了披露标准的不一致，即使欧盟委员会已针对500千瓦以上的设施引入了具有约束力的2024年可持续发展报告指令。文章建议，登记记录应包括标准化的技术描述符、统一的建筑用途分类法，以及与电网智能电表时间序列数据的直接链接。将这些分类要求嵌入常规的电网连接申请流程中，可以在不对运营商施加过多运营负担的情况下简化数据收集工作。

除了准确的能源统计外，统一的登记制度还解锁了人工智能和高性能计算数据中心固有的时间和空间负荷灵活性。批量模型训练工作负载允许时间转移，而跨位置的任务迁移则使计算需求与间歇性可再生能源发电相匹配。正式的能源统计数据使得需求响应激励计划成为可能，降低了设施运营商的运营电力成本，并减少了与风能和太阳能供应波动相关的电网存储和调度开销。文章最后提出了跨利益相关者的政策建议，呼吁协调各部门的报告标准，为人工智能监控工具和电网基础设施升级提供有针对性的财政支持，并建立长期市场激励机制，以促进全面的能源透明度和自愿参与电力市场。最终，这些措施旨在推动数据中心在全球低碳转型过程中，从被动的电力消费者转变为积极的电网稳定性贡献者。

论文《构建数据中心准确的能源使用统计》由王永珍、韩特、魏一鸣撰写。开放获取论文的全文：https://doi.org/10.1016/j.eng.2025.12.014