海上风电驱动的 AI 数据中心

优化模型，2025 年至今。论文撰写中。

问题

AI 算力正在往“能最快拿到电”的地方建，落到现实里就是燃气轮机、漫长的并网排队和越来越大的地方阻力。海上风电资源充足、靠近沿海负荷中心，却几乎没有被算力用起来。它能不能撑起吉瓦级数据中心，不是资源问题，资源是有的；问题在于：可靠运行需要配多少储能和电网备用、代价是多少，以及风资源最好的那些站点，离用户是不是近到足以承接对时延敏感的需求。

我做了什么

一个全球尺度的基础设施选址模型，把项目级海上风资源、逐小时可靠性、储能、电网备用和网络时延耦合在一起，针对数据中心负荷协同优化海上风电、电池、氢储能和电网供电。逐小时的容量扩展与调度模型规模约 4300 万个变量，远超单次求解能从容处理的范围，因此我按区域做了保持精确解的分解，在 Linopy 中调用 Gurobi 求解。

优化之上还有两层。一是“时延合格算力”指标：只有能在时延预算内触达需求的容量才被计入，风资源极好但周边没有用户的站点，不会被算作服务了这些用户。二是反事实分析层，报告每个选址决策对应的需求可达范围、并网需求、建设材料消耗、水耗和通电时间。

它要回答什么

吉瓦级清洁算力可以建在哪里、成本多少、多快能建成，并与把同样的负荷放到已经拥堵的陆上电网这一替代方案做对比。结果正在整理成文。

边界

模型评估的是选址与供电，不涉及数据中心内部设计；时延处理用的是网络距离代理指标，而不是对路由的仿真。成本是预测值，因此站点之间的排序比任何单个站点的绝对成本更可靠。