数据中心现场发电能力可以帮助提升可靠性,满足这些设施日益增长的能源需求。但这在实际中很少见,因为在数据中心旁建设传统发电厂既复杂又昂贵。
燃料电池提供了一种替代方案。与其他类型的发电机相比,燃料电池能够以更简单、更可扩展的方式实现现场发电。虽然燃料电池很少成为头条新闻,但一些数据中心运营商已经将其用作主要和/或备用电源。
什么是燃料电池?
燃料电池是一种将化学能转化为电能的发电设备。燃料电池通常通过将化学物质(通常是氢气或天然气)与氧气或其他氧化剂结合来引起反应,从而产生电力。
重要的是,"燃料电池"是一个通用术语,可以指代各种电化学设备。它们使用的燃料类型差异很大,产生的电力量也可能不同。
历史上,大多数燃料电池无法产生为数据中心这样大型设施供电所需的电力量。但随着更强大的燃料电池以可承受的价格出现,这种情况已经改变。包括微软、Equinix和亚马逊在内的领先数据中心公司一直在试验燃料电池,以增强其电力选择。
数据中心使用燃料电池的优势
如今,燃料电池可以作为数据中心的电力来源,相比传统发电模式具有几个关键优势。
1. 可扩展性
由于每个燃料电池的规模相对较小,数据中心可以逐步部署燃料电池,并随着能源需求的变化而扩大规模。在这方面,对于寻求一些现场发电能力、目标是逐步增加发电能力的数据中心运营商来说,燃料电池是一个有吸引力的解决方案。
2. 可持续性
大多数燃料电池在反应过程中不产生排放,使其本质上成为无碳能源。这样,它们可以帮助数据中心实现可持续发展目标。
但需要注意的是,为燃料电池提供动力的燃料生产可能会产生排放。虽然燃料电池本身在运行期间通常无排放,但它们往往具有间接的碳足迹。
从水效率角度来看,燃料电池也很有益,因为它们在运行期间使用很少或不使用水。与核能等其他能源类型相比,这是一个优势。
3. 现场部署能力
燃料电池体积小,加上不像水力发电和风力发电那样需要特殊的环境条件,使其易于作为数据中心的现场电源部署。这样,燃料电池可以作为一种电表后发电厂,使数据中心能够满足部分或全部电力需求,而无需依赖电网。
燃料电池的局限性
虽然燃料电池为数据中心运营商提供了一些有吸引力的优势,但它们也有缺点。
一个潜在障碍是成本。虽然燃料电池的价格近年来大幅下降,但安装成本通常平均约为每瓦7美元——约为太阳能成本的两倍,比简单的柴油发电机贵数倍。从成本角度来看,燃料电池在可承受范围内,但远非获得现场电力最具成本效益的方式。
为燃料电池获取燃料也可能具有挑战性和成本高昂,特别是对于那些依赖氢气等下一代电源的用户。考虑到从大局来看燃料电池通常不是零碳的,一些数据中心运营商可能不会将其视为明智投资,因为相对于可持续性收益的成本不够理想。
当今使用燃料电池的数据中心
尽管存在这些缺点,一些数据中心已经在大力推进燃料电池作为现场发电解决方案的部署。
8月,Equinix宣布与能源提供商Bloom合作,在19个数据中心部署燃料电池。该公司没有提供燃料电池类型的详细信息,但提到了减少排放和用水量,暗示可能使用氢气或天然气。
亚马逊也与Bloom Energy合作在一些数据中心部署燃料电池,但该公司据报告放弃了部分或全部该倡议,目前还不清楚亚马逊在多大程度上使用燃料电池为数据中心供电。另一家燃料电池提供商Plug Power表示,微软和谷歌已经试点或正在探索在数据中心使用这些设备。
考虑到燃料电池部署相关的持续挑战,数据中心行业不太可能很快完全采用这种替代发电解决方案。但可以合理预期燃料电池将继续作为某些数据中心的部分现场电源部署,特别是如果技术继续变得更加经济实惠。
Q&A
Q1:燃料电池是什么?它是如何工作的?
A:燃料电池是一种将化学能转化为电能的发电设备。它通常通过将化学物质(如氢气或天然气)与氧气或其他氧化剂结合来引起反应,从而产生电力。由于每个燃料电池规模相对较小,数据中心可以逐步部署并随需求扩大规模。
Q2:燃料电池对数据中心有什么优势?
A:燃料电池具有三个主要优势:可扩展性强,可以逐步部署和扩展;可持续性好,运行过程中基本无碳排放且用水量少;易于现场部署,体积小且不需要特殊环境条件,可作为电表后发电厂减少对电网的依赖。
Q3:燃料电池在数据中心应用面临哪些挑战?
A:主要挑战包括成本较高,安装成本约为每瓦7美元,是太阳能的两倍;燃料获取困难且成本高昂,特别是氢气等下一代燃料;从全生命周期看并非完全零碳,因为燃料生产过程可能产生排放,使得成本效益相对有限。
好文章,需要你的鼓励
Turner & Townsend发布的2025年数据中心建设成本指数报告显示,AI工作负载激增正推动高密度液冷数据中心需求。四分之三的受访者已在从事AI数据中心项目,47%预计AI数据中心将在两年内占据一半以上工作负载。预计到2027年,AI优化设施可能占全球数据中心市场28%。53%受访者认为液冷技术将主导未来高密度项目。电力可用性成为开发商面临的首要约束,48%的受访者认为电网连接延迟是主要障碍。
MiroMind AI等机构联合研究团队提出了UniME-V2多模态嵌入学习新方法,通过让大型多模态语言模型充当"智能法官"来评估训练样本质量,解决了传统方法在负样本多样性和语义理解精度方面的问题。该方法引入软标签训练框架和困难负样本挖掘技术,在MMEB基准测试中取得显著性能提升,特别在组合式检索任务上表现出色,为多模态AI应用的准确性和用户体验改进提供了重要技术支撑。
亚马逊云服务宣布投资500亿美元,专门为美国政府构建AI高性能计算基础设施。该项目将新增1.3千兆瓦算力,扩大政府机构对AWS AI服务的访问,包括Amazon SageMaker、Amazon Bedrock和Claude聊天机器人等。预计2026年开工建设。AWS CEO表示此举将彻底改变联邦机构利用超级计算的方式,消除技术障碍,助力美国在AI时代保持领先地位。
南洋理工大学团队开发了Uni-MMMU基准测试,专门评估AI模型的理解与生成协同能力。该基准包含八个精心设计的任务,要求AI像人类一样"边看边想边画"来解决复杂问题。研究发现当前AI模型在这种协同任务上表现不平衡,生成能力是主要瓶颈,但协同工作确实能提升问题解决效果,为开发更智能的AI助手指明了方向。