AI大规模集群自建供电的成本账：从十万卡集群看电力成本治理

一、成本概述：本文讨论什么成本

当AI训练集群规模从千卡级跃升到十万卡级，一个常被低估的成本对象浮出水面：电力保障成本。它不只是电费账单上的数字，而是包含市电接入容量、变配电设备、备用发电、储能、冷却系统能耗、配电损耗以及为保障供电所投入的运维人力在内的综合成本体系。

本文要分析的核心问题是：在大规模GPU集群场景下，供电成本由哪些部分构成、哪些因素会显著推高或压低这部分成本、如何建立可评估的成本口径、以及在降本过程中需要守住哪些风险边界。读者通过本文可以获得一套可复用的判断框架：在什么规模与场景下，市电扩容更经济，什么情况下自建供电或混合供电更合理，以及如何通过容量规划与能耗监控避免为“峰值假设”长期付费。

需要强调的是，成本分析不是简单比较“电费贵不贵”。对十万卡级集群而言，供电方案的评估必须结合业务规模、负载曲线、地域电价结构、建设周期、稳定性要求和长期扩容预期综合判断。一个在短期看更省钱的方案，可能因为扩容受限或可靠性不足，在长期产生更高的隐性成本。

二、典型场景：这类成本问题发生在哪里

供电成本问题集中出现在以下几类场景：

1. 超大规模训练集群建设：数万卡以上GPU集群功率密度极高，单机柜功率远超传统数据中心设计上限，市电接入容量往往成为瓶颈，需要在建设初期就做供电方案决策。
2. 快速交付型集群部署：业务窗口要求数月内完成集群上线，而市电扩容、变电工程建设周期通常较长，供电方案的时间成本成为关键变量。
3. 电力资源紧张区域：部分区域电网接入排队时间长、可用容量有限，迫使集群运营方考虑自建或混合供电。
4. 高功率密度机房的持续运营：集群上线后，电费、冷却能耗、配电损耗构成持续性运营成本，需要通过监控与调度持续治理。
5. 训练任务的峰谷波动场景：训练负载存在明显的任务周期性，峰值功率需求与平均功率需求差距大，按峰值配置容量会产生大量闲置成本。

这些场景的共同特征是：供电不再是“接上线就能用”的配套项，而是需要与集群规模、交付节奏、地域资源和业务负载曲线一起规划的成本对象。

三、成本构成：把供电成本拆成可管理的部分

大规模集群供电成本可分为直接成本与间接成本两类，下面逐项拆解。

3.1 直接成本

成本项	内容说明	成本特征
市电接入与容量成本	申请用电容量、接入工程、变配电设备投入	固定成本为主，按容量锁定
电费	按实际用电量计费，含峰谷电价差异	弹性成本，随负载波动
备用发电成本	发电机组、燃料储备、切换装置与维护	固定投入加维护成本
储能成本	储能设备投入、循环损耗、容量衰减	固定投入加长期折旧
冷却系统能耗	制冷设备用电，通常占集群总能耗的显著比例	与IT负载强相关
配电损耗	变压器、线路、UPS等环节的传输损耗	随负载与设备效率变化
建设与工程成本	机房改造、电力工程施工、调试	一次性投入，摊销周期长

其中，电费与冷却能耗是长期运营成本的主要部分；接入容量、备用发电和储能属于为保障供电可靠性而投入的固定成本；配电损耗则是容易被忽略的“隐形电费”。

3.2 间接成本

• 运维人力成本：供电系统巡检、切换演练、故障处理、燃料管理需要专职团队。
• 容量闲置成本：按峰值功率配置的容量，在负载低谷期处于闲置状态，形成机会成本。
• 复杂度成本：自建供电引入更多设备与切换逻辑，系统复杂度上升，排障与演练成本增加。
• 合规与安全成本：电力设施的审批、验收、安全审计与应急预案建设。
• 迁移与改造成本：后续扩容或方案调整时的设备改造、停机窗口与业务切换成本。

把这些项目分开看，才能回答“钱花在哪、哪些能优化、哪些是必要保障”。

四、影响因素：什么在推高或压低供电成本

1. 集群规模与功率密度：十万卡级集群的总功率需求巨大，单机柜功率密度越高，对配电与冷却的要求越苛刻，单位成本结构随之变化。
2. 负载曲线形态：训练任务的峰谷差异直接影响容量配置。峰值高、均值低的负载曲线，意味着按峰值配置会产生大量闲置容量。
3. 地域电价结构：不同区域峰谷电价差、容量电价规则不同，直接影响电费成本与储能套利空间。
4. 市电扩容周期与可用容量：接入排队时间越长、可用容量越紧张，自建或混合供电的相对优势越明显。
5. 冷却方案选择：冷却方式效率差异会显著改变总能耗，进而影响电费与冷却设备投入。
6. 冗余策略：备用发电与储能的配置等级直接决定固定投入规模，冗余越高，成本越高，但可靠性也越强。
7. 设备效率：变压器、UPS、配电设备的转换效率差异，会在长期运行中累积成可观的损耗成本。
8. 建设周期与摊销年限：一次性投入按多长周期摊销，直接影响单位算力成本的口径。

五、成本评估方法：如何算清楚这笔账

评估供电成本，建议按以下步骤建立口径：

第一步，明确业务目标与负载模型。 先确定集群规模、预期利用率、训练任务的峰谷特征和增长预期。负载模型是容量规划的起点。

第二步，拆解资源单元。 把供电系统拆成接入容量、变配电、备用发电、储能、冷却、配电损耗等单元，分别估算投入与运行成本。

第三步，建立用量口径。 明确总功率需求、平均功率、峰值功率、年运行小时数、冷却能耗占比、损耗率等关键指标。特别要区分“峰值需求”与“平均需求”，避免只用峰值做容量决策。

第四步，区分固定成本与弹性成本。 接入容量、设备投入属于固定成本；电费、燃料、冷却能耗属于随负载变化的弹性成本。两类成本的优化手段不同。

第五步，设计预算阈值与监控指标。 为容量、电费、冷却能耗、损耗率设置预警线，按集群、任务、时间段维度归因成本。

第六步，持续复盘。 将实际用电与负载数据同规划假设对比，偏差过大时及时调整容量策略，而不是等到账单异常才发现问题。

一个通用的成本估算伪代码如下，仅表达计算逻辑：

总供电成本 = 固定投入摊销 + 年用电量 × 综合电价 + 冷却能耗成本
           + 备用发电维护成本 + 储能折旧 + 配电损耗成本 + 运维人力成本
年用电量 ≈ 平均功率 × 年运行小时数
峰值容量需求 = 峰值功率 × 冗余系数
容量闲置率 = 1 - 平均功率 / 配置容量

通过“容量闲置率”这一指标，可以直观判断是否存在为峰值过度配置的问题。

六、成本优化路径：从哪些动作入手

1. 容量规划精细化：基于真实负载曲线而非拍脑袋的峰值假设配置容量，把冗余系数控制在合理区间，避免长期为闲置容量付费。
2. 弹性调度训练任务：通过任务排队、错峰调度、批处理合并等方式削峰填谷，降低峰值功率需求，从而压低容量配置。
3. 冷却方案优化：提升冷却效率、合理设定温度策略、减少无效制冷，冷却能耗的下降会同时降低电费与设备投入。
4. 配电损耗治理：选用高效率设备、优化线路布局、定期检测损耗异常点，把“隐形电费”压下来。
5. 储能与峰谷策略结合：在峰谷电价差明显的区域，评估储能削峰的经济性，但需计入储能折旧与循环损耗。
6. 备用供电分级配置：按业务关键程度分级设计冗余，避免所有负载都按最高冗余标准配置。
7. 能耗监控与归因：建立按集群、机柜、任务维度的能耗计量，识别高耗低效环节，让优化有数据支撑。
8. 建设周期与扩容节奏匹配：把供电建设节奏与集群扩容节奏对齐，避免容量提前到位长期闲置，或容量不足拖慢交付。

七、成本与性能平衡：不能只看电费

供电成本优化必须守住三条边界：稳定性、安全性、扩展性。降低冗余配置可能提升可靠性风险；压缩冷却投入可能影响设备寿命与故障率；延迟扩容可能在未来业务增长时形成瓶颈。合理的做法是把成本指标与可用性指标、故障率、扩容周期一起纳入评估，而不是单独压缩某一项支出。在负载波动明显的场景下，应重点关注弹性调度与峰值功率控制；在长期运行场景下，应重点关注冷却效率与配电损耗的持续治理。

八、常见成本浪费与风险提示

常见浪费包括：按峰值假设过度配置容量导致长期闲置；备用发电与储能配置超出实际业务需求；冷却系统运行策略粗放；配电损耗长期无人监测；能耗计量缺失导致成本无法归因；扩容节奏与业务节奏脱节。

降本过程中的主要风险包括：冗余降低带来的可用性下降；冷却策略调整引发的设备故障率上升；储能过度依赖导致的容量衰减与维护压力；容量不足在业务高峰时形成硬瓶颈；自建供电系统复杂度上升带来的运维与安全风险。任何降本动作都应先做影响评估，再小范围验证，最后推广。

九、总结

大规模AI集群的供电成本，本质上是“容量决策成本”与“运行效率成本”的叠加。评估的核心原则是：用真实负载曲线而非峰值假设决定容量，用持续监控与归因发现浪费，用弹性调度与效率优化压低运行成本，用分级冗余平衡可靠性与投入。在集群规模持续扩大的趋势下，把供电当作与算力同等重要的成本对象来治理，才能让单位算力的综合成本保持可控。