数据中心供电革命：挑战与架构演进

人工智能的迅猛发展正在推动数据中心市场的结构性转型。预计到2030年，全球数据中心容量将达到220吉瓦（2025年为80吉瓦），这主要得益于人工智能工作负载的推动——预计未来五年内，该工作负载将增长3.5倍¹。这种转型在现代数据中心的规模和能耗方面均有体现。数据中心的平均规模正扩大至数十兆瓦，而超大规模园区则正朝着传统上与重工业相关的吉瓦级部署迈进。

人工智能是推动这一转变的关键驱动力，其计算密度呈现出急剧增长的态势。人工智能芯片的功耗也呈现出快速增长的趋势（从2017年的200瓦增至2025年的约1,400瓦）。因此，数据中心机架密度正呈指数级增长，从2020年的每机架8.5千瓦，到2022年的25千瓦，预计到2028年将达到1兆瓦²。这种剧增（不到十年内增长了10倍）给供电、能效和热管理带来了重大挑战。

¹ McKinsey, 2025: A $7 trillion race to scale data centers
² Datacenters.com, 2026: AI Workloads Are Increasing Data Center Rack Density by 5x

现代数据中心最重大的变革之一，是配电架构的演变——从传统的基于低压交流电的系统转向高压直流配电。

传统数据中心历来依赖低压交流配电，从电网到服务器层需要经过多个转换阶段。交流配电采用标准的 480 VAC 和 280 VAC 电压，而交流电到 12 VDC 的转换则在每台服务器内部进行。交流架构虽拥有成熟的供应链，但在每个电源转换步骤中都会产生累积损耗，更重要的是，它限制了分配给 IT 机架的功率。当每机架需求超过 170 kW³ 时，交流配电将达到其物理极限，这些低效问题会变得更加显著，直接影响运营成本和热管理。

为克服这些局限性，业界正转向直流配电架构。800V直流电能提高效率并降低转换损耗，因此更适合超高密度环境。通过提高配电电压，这些架构在相同功率水平下能显著降低电流，从而实现更细的线缆、更低的电阻损耗（I²R）以及更高的整体功率密度。与此同时，减少转换级数还能进一步提高端到端效率。

向直流配电转型的道路并非一帆风顺。第一个过渡阶段将采用部分直流架构，通过“侧车”（Sidecar）概念引入800 VDC配电。该“侧车”将电源单元（PSU）集中部署在独立的电源机架中，并提供800 VDC母线输出，为一个或多个IT机架供电，从而使IT机架的功率密度提升至400 kW。该模式保留了直至IT机房前的交流基础设施组件（配电变压器和交流开关柜、集中式UPS、交流PDU），为行业供应链留出时间，以准备即将到来的全直流架构。此外，鉴于产品上市时间至关重要，这种“侧车”方案可缩短认证和调试时间。 

数据中心架构的演变：从交流电（AC）到直流电（DC）

然而，最终目标是实现全直流架构，即在IT机房外部完全集中进行电力转换，从而进一步降低功率损耗。固态变压器将成为核心组件，负责电压转换、交流/直流转换、保护、电能质量管理，并将电池集成到统一的800V直流输出中。电力分配通过大型母线槽以800V直流电压进行。在全直流架构中，固态断路器和直流漏电监测将在提供不同级别的保护方面发挥关键作用。目前正在开发采用宽禁带半导体（SiC 和 GaN）的创新性电力电子解决方案，将输入的 800 VDC 转换为供 GPU 使用的 12VDC，从而节省宝贵的空间并最大限度地减少功率损耗。

然而，向高压直流架构的转型也带来了新的技术挑战，包括直流网络的保护、稳定性和控制。这些不断演变的需求正在推动整个电力链的创新，从转换技术到监测和控制系统。随着数据中心的持续扩展，高效管理这些新架构的能力将成为提供高性能、高能效基础设施的关键差异化因素。

 ¹ Schneider Electric, 2026: 5 Principles for 800 VDC in AI Data Centers

与传统数据中心不同，专为人工智能设计的数据中心依赖于数千块在高度同步的集群中运行的GPU，因此高速通信与原始计算能力同样至关重要。

自2005年以来，计算性能提高了近90,000倍，而数据传输速度仅提高了约30倍。因此，GPU经常在密集计算和数据交换之间交替进行。当数据传输速度跟不上时，处理资源就会处于空闲状态，等待数据到来，从而导致负载出现快速且显著的波动。

实际上，机架的电力需求可能在几毫秒内从30%的利用率骤升至100%。举个例子，非AI工作负载在峰值时通常会产生1.5兆瓦的负载，而AI工作负载的峰值则会在几毫秒内达到15兆瓦。

非AI工作负载与AI工作负载

为了防止这些高度动态的工作负载导致公用事业供电不稳定，会部署储能系统作为本地电力缓冲，从而将 GPU 的用电需求与电网限制脱钩。短时储能系统（通常是机架级电池备份单元（BBU））可吸收毫秒级别的功率峰值并填补短暂的功率谷值，从而确保向 IT 设备提供稳定的电力供应。与此相辅相成的是，更大的电池系统（如不间断电源（UPS）或集中式电池储能系统（BESS））可提供更长时间的支持，在电网故障及备用发电机切换期间提供持续供电能力。这些储能层共同平滑了功率波动，增强了系统韧性，并使电网能够支持日益密集的人工智能工作负载，同时避免受到其快速瞬态行为的影响。

来源：Choukse, E. 等，《人工智能训练数据中心的电源稳定化》

随着功率水平的提高，在电源转换和配电应用中，对准确、绝缘且可靠的电流检测的需求也随之增加。这推动了数据中心应用中部署的传感器数量大幅增长。展望未来，向更集成化、更侧重直流的架构转型将进一步提升电流检测的重要性。因此，预计到2030年，数据中心电流传感器市场将保持约18%的年增长率。

在当今的架构中，电流测量在多个子系统中已至关重要，包括配电系统、电源转换阶段、电池备用单元，以及暖通空调（HVAC）等辅助服务（冷水机组、水泵和风扇仍由交流电机驱动，需要直流-交流逆变器）。随着数据中心向高密度、动态的电力环境演进，电流测量已成为实现效率、可靠性和控制的关键基础。

首先，它通过实现对多个转换阶段损耗的实时可视化，从而影响能源效率；随着架构向更高电压和直流配电方向发展，这一因素变得日益关键。

其次，它能确保系统的保护和安全，可在对容错能力要求极高的交流和直流环境中，快速检测过载、故障和漏电流。

最后，它在管理动态AI工作负载方面也发挥着关键作用——此类工作负载需要快速的瞬态响应，以在机架和芯片层面维持电压稳定性和系统性能。与此同时，它还支持高级监控和DCIM集成，提供所需的高精度数据，从而在更大范围内优化能源利用和基础设施可靠性。

人工智能数据中心正将电力系统推向极限，由此产生的功率密度挑战要求采用更高效、更紧凑的电流检测解决方案。必须解决以下三个关键难题：

1. 带宽：高速氮化镓（GaN）和碳化硅（SiC）功率器件需要具有极高带宽的电流传感器，以准确检测快速瞬态信号，并保护系统免受过流事件的影响。
2. 热管理：传统的分流式传感会产生热量并导致测量漂移，从而降低效率，并迫使设计人员增加更大的安全裕度。
3. 抗干扰能力：高密度服务器环境会产生显著的电磁干扰（EMI）和高dV/dt瞬态信号，这些信号可能干扰电流测量，因此需要能够在无需笨重的滤波或屏蔽措施的情况下保持测量精度的传感器。

为了实现更高的功率密度和效率，新一代电流传感器必须具备高带宽、低损耗、强抗干扰能力和电隔离特性，从而确保人工智能数据中心电源的安全、可靠运行。