提到新基建，大家可能会首先想起大数据、AI、云计算组成的数字产业，以及高铁、城轨、新能源汽车构成的交通产业。但如果你留心分析，会发现新基建的体系里还有一条“暗线”——那就是能源。
无论直接指向能源升级的特高压、充电桩，还是与能源效率、能源体系息息相关的数据中心、工业互联 、城轨交通，都显示出新基建的本质，是一场能源优化型基建。解决能源挑战也成为了新基建体系的首要目标。
而华为给我们的印象，是一家全产业链形态的ICT公司。但可能有些人会忽略，华为也长期致力于能源产业，在多个细分领域全球领先，并且带来了众多重要的能源技术与解决方案创新。
如果我们把这些挑战分开来看，可能无法找到明晰的破解方案。但如果我们将数字化技术与能源产业交叉折叠在一起，似乎就有了全新的思路和转机：能源体系可以用数字化技术来完成智能提效、智能运维等关键变革，数字化建设可以吸收更多优秀的能源技术来解决能耗问题。在电影《信条》里，展现了把时间和空间折叠，从而迸发解决问题全新方案的方法。在现实里虽然我们不能折叠时空，却可以折叠产业——让能源产业发生数字化变革，数字产业的发展中优先解决能源问题，二者形成不分彼此，首尾循环的摩比斯环。
这个处在无人区中的全新尝试，对于善闯无人区的华为来说，是一个绝佳的机会。在今年，华为将 络能源产品线更名为数字能源，就是发现了折叠两大产业的可能性与必要性。
华为在能源产业的布局，逐步将众多数字化技术带入能源体系中，与产业融合，从通信 络能源、数据中心能源，再到光伏领域、车载电源、模块电源，最终形成了华为在能源产业绿色发电和高效用电两条轨迹探索。
换言之，能源产业链升级的数字化升级，既是新基建的必备条件，也是新基建的核心目的，二者形成了闭环的逻辑链。而华为领先的ICT技术优势，以及能源产业的长期布局，恰好可以在新基建的数字化升级+能源产业优化路径中提供多维度价值。
举个例子，我们知道新基建的核心就是深挖 会经济的数据价值，其中大数据中心是必不可少的基建项目。而数据中心的最大持续性消耗就是能源，于是我们看到大数据中心普遍以能源成本为首要选址因素。而华为提供的数字化技术，覆盖数据中心建设、运维、运营全环节，通过架构、技术、介质的创新，可以实现数据中心从复杂到简化，从人工到智能，助力数据中心的能源底座全面优化。
数字技术的多元化创新，与能源产业的全面升级，二者结合，让新基建体系内产生了全新的数字能源需求。而华为通过数字溢出效应，打造的能源魔方，恰好可以有效填补这一需求。
数字溢出，能源魔方
想要具体理解华为数字能源的价值体系，以及其为新基建带来的核心价值，我们需要回到数字经济中的一个基础概念：数字溢出。
2018年，华为与牛津经济研究院发布了《数字溢出，衡量数字经济的真正影响力》研究 告，研究发现以联接、云、大数据、人工智能、IoT 等为代表的ICT 技术，正在转化成为各行各业数字化转型的关键能力，提升企业与行业的生产效率和创新能力，帮助供给端转型升级，从而进一步匹配并促进消费需求的提升，最终带动整体经济加速发展。
而实现数字溢出价值的核心方式有两种：一是技术聚合，多种技术协同满足深度需求，也就是 会热议的“5机”协同；二是技术融合与产业的深度合作，以多元技术能力解决多元产业问题。
面向光伏发电的广泛应用场景，华为既带来了大型地面电站解决方案里，利用AI的算法和MPPT实现了高效的发电；同时也打造了户用及工商业光伏解决方案，实现了用智能化高收益的智能光伏。
而在站点能源领域，华为不仅推动了站点的能源使用智能化，同时还将通信站能源解决方案推向了 会站，为各行业提供统一的数字能源解决方案。站点能源的提升，不仅让 会关注的5G能耗问题得到了有效解决，让5G运维成本大幅下降，同时也带来了全新的 会价值，比如为边防、环保、油气管道提供一体化智慧站点。目前，华为数字能源的站点解决方案取得了产业界各界的高度认可，获得了ITO可持续发展大奖、5G绿色能源行业领导力奖等等。
在数据中心领域，华为希望通过架构创新，提升数据中心的智能化、模块化程度，打造全自动驾驶的数据中心。目前，华为已经实现了全模块化，全预制化的数据中心解决方案，使TTM缩短50%以上；通过推进锂进铅退、硅进铜退，AI可预测性维护，使数据中心更加可靠高效的供配电解决方案；在供配电领域，率先推出模块化UPS，极大地节省了建设成本、运维成本。
在车载电源领域，伴随华为在2019年宣布进入汽车领域的产业进程，数字能源提供了智能电动、智能驾驶，智能座舱等一系列解决方案，覆盖车下充电、车上充电、电池管理，以及多合一电驱动系统全流程。支持电动汽车走向智能数字时代。
在储能领域，华为数字能源推出了CloudLi-第五代云锂，给每块锂电装上云端AI大脑，实现了极简运维，统一远程云端管理，帮助站点降本增效的同时，更加安全、稳定、可靠。
文章知识点与官方知识档案匹配，可进一步学习相关知识Python入门技能树人工智能机器学习工具包Scikit-learn214823 人正在系统学习中
声明：本站部分文章及图片源自用户投稿，如本站任何资料有侵权请您尽早请联系jinwei@zod.com.cn进行处理,非常感谢！