數(shù)據(jù)中心承載著海量數(shù)據(jù)的存儲(chǔ)、處理和傳輸，隨著“雙碳”及數(shù)據(jù)需求的不斷增加，數(shù)據(jù)中心PUE及用能面臨挑戰(zhàn)。除國(guó)家部委對(duì)數(shù)據(jù)中心PUE限制要求發(fā)布相關(guān)指導(dǎo)文件外，各省市同步出臺(tái)相關(guān)政策，新建數(shù)據(jù)中心轉(zhuǎn)向集約化建設(shè)，同時(shí)推進(jìn)存量中小型數(shù)據(jù)中心的“關(guān)停并轉(zhuǎn)”，加強(qiáng)低效數(shù)據(jù)中心綠色改造。

2023年Uptime發(fā)布全球存量數(shù)據(jù)中心平均運(yùn)行PUE高達(dá)1.58，其中溫控空調(diào)系統(tǒng)能耗占用電總能耗的26%。

熱仿真分析低效，傳統(tǒng)群控系統(tǒng)節(jié)能控制簡(jiǎn)單，局部仍有熱點(diǎn)隱患

IT負(fù)載≤1MW的中小型數(shù)據(jù)中心場(chǎng)景，機(jī)房普遍采用風(fēng)冷行級(jí)空調(diào)(微模塊入列)實(shí)現(xiàn)近端制冷。末端空調(diào)選型經(jīng)過(guò)熱負(fù)荷計(jì)算，結(jié)合傳統(tǒng)熱仿真分析采用流體動(dòng)力學(xué)、傳熱學(xué)機(jī)理分析方法建立的簡(jiǎn)單溫度分布模型，基于設(shè)計(jì)工況假設(shè)難以準(zhǔn)確描述機(jī)房?jī)?nèi)各監(jiān)測(cè)點(diǎn)溫度隨時(shí)間、室外環(huán)境、負(fù)載率、服務(wù)器上架U位分布的變化，更難以及時(shí)捕捉不同服務(wù)器IT設(shè)備旁的局部熱點(diǎn)，使得機(jī)房IT設(shè)備具有局部過(guò)熱隱患。

末端空調(diào)群控系統(tǒng)的運(yùn)行控制一般依據(jù)機(jī)房現(xiàn)場(chǎng)的測(cè)點(diǎn)溫度變化進(jìn)行調(diào)整，機(jī)房溫度場(chǎng)受服務(wù)器IT負(fù)載、空調(diào)送/排風(fēng)機(jī)轉(zhuǎn)速等邊界條件影響，隨時(shí)間、空間分布變化，物理過(guò)程較為復(fù)雜。當(dāng)前業(yè)界末端空調(diào)群控系統(tǒng)節(jié)能調(diào)優(yōu)有主要問(wèn)題：

微模塊各IT機(jī)柜的實(shí)際負(fù)載布置不均，空調(diào)之間控制邏輯單一，無(wú)法差異化控制問(wèn)題：群組內(nèi)空調(diào)實(shí)際負(fù)載率分布不均，單機(jī)運(yùn)行效率低，無(wú)冷電聯(lián)動(dòng)。

機(jī)柜及空調(diào)風(fēng)口實(shí)際有溫度梯度，導(dǎo)致通道局部熱點(diǎn)問(wèn)題：空調(diào)送風(fēng)溫度控制為熱通道回風(fēng)或空調(diào)出風(fēng)溫度，無(wú)法感知微模塊內(nèi)溫度場(chǎng)和各機(jī)柜所需風(fēng)量變化。為解決局部熱點(diǎn)隱患，只能拉低全部空調(diào)送風(fēng)溫度，導(dǎo)致整體不節(jié)能。

空調(diào)不能感知機(jī)柜實(shí)際散熱需求，導(dǎo)致相對(duì)位置空調(diào)負(fù)載率差異較大問(wèn)題：密封通道場(chǎng)景，存在相鄰空調(diào)對(duì)吹現(xiàn)象，出現(xiàn)氣流短路/吹死的情況，無(wú)法群組聯(lián)動(dòng)。

空調(diào)運(yùn)行參數(shù)單一，送風(fēng)溫度感知不到服務(wù)器能耗、室外環(huán)境溫度變化問(wèn)題：空調(diào)控制器(ACC)僅能按照人工設(shè)置值固定運(yùn)行，無(wú)法根據(jù)IT負(fù)載變化、室外環(huán)境溫度變化進(jìn)行動(dòng)態(tài)控制。

AI建模訓(xùn)練&推理，iCooling使能末端空調(diào)系統(tǒng)精準(zhǔn)自動(dòng)尋優(yōu)

隨著大數(shù)據(jù)及AI建模技術(shù)在數(shù)據(jù)中心領(lǐng)域逐漸應(yīng)用，末端空調(diào)系統(tǒng)節(jié)能調(diào)優(yōu)可以采用本地部署訓(xùn)練推理服務(wù)器或設(shè)備上云訓(xùn)練，通過(guò)數(shù)據(jù)采集、處理分析、訓(xùn)練推理和智能控制，實(shí)時(shí)對(duì)各空調(diào)運(yùn)行狀態(tài)進(jìn)行優(yōu)化，實(shí)現(xiàn)節(jié)能目標(biāo)。微模塊調(diào)用云端算力進(jìn)行訓(xùn)練&推理，也大大節(jié)省客戶初始投資和運(yùn)維成本。

華為iCooling為中小型數(shù)據(jù)中心機(jī)房的微模塊末端空調(diào)系統(tǒng)提供節(jié)能自動(dòng)尋優(yōu)的解決方案，使能空調(diào)按需制冷，享受動(dòng)態(tài)節(jié)能效果。它與傳統(tǒng)空調(diào)群控系統(tǒng)的區(qū)別如下：

iCooling的核心節(jié)能策略是形成自動(dòng)化閉環(huán)系統(tǒng)，通過(guò)動(dòng)態(tài)預(yù)測(cè)數(shù)據(jù)中心的冷卻需求來(lái)控制氣流，動(dòng)態(tài)的匹配制冷系統(tǒng)和IT負(fù)載，然后自動(dòng)控制以推動(dòng)溫度穩(wěn)定。通過(guò)AI智能控制和智能響應(yīng)，對(duì)各空調(diào)采用聯(lián)合調(diào)度策略，自動(dòng)清除95％的熱點(diǎn)，自動(dòng)診斷處理制冷過(guò)量的問(wèn)題；同時(shí)分析每臺(tái)空調(diào)對(duì)微模塊里的冷通道溫度，選擇最佳的設(shè)備運(yùn)行數(shù)量和最優(yōu)制冷輸出。

微模塊規(guī)?；泄?jié)能，持續(xù)運(yùn)營(yíng)結(jié)果更顯著

iCooling基于強(qiáng)化學(xué)習(xí)MPC算法，覆蓋各個(gè)場(chǎng)景（空調(diào)數(shù)量、內(nèi)/外機(jī)型號(hào)、布局差異、連管長(zhǎng)度、正負(fù)落差、不同負(fù)載率，不同季節(jié)…）；微模塊支持云端推理尋優(yōu)，采用行級(jí)風(fēng)冷空調(diào)預(yù)置模型+群控尋優(yōu)動(dòng)態(tài)模型組合，設(shè)備開(kāi)機(jī)即生效并且持續(xù)優(yōu)化升級(jí)，實(shí)現(xiàn)CLF降低≥10%。

iCooling采用基礎(chǔ)模型+高階模型雙輪驅(qū)動(dòng)，自適應(yīng)強(qiáng)的算法內(nèi)核加持，對(duì)上報(bào)的數(shù)據(jù)要求低；已積累海量數(shù)據(jù)和經(jīng)驗(yàn)，模型自動(dòng)優(yōu)化，持續(xù)營(yíng)維優(yōu)勢(shì)明顯。

?極致節(jié)能省電：利用遷移學(xué)習(xí)算法，挖掘并總結(jié)1000+個(gè)數(shù)據(jù)中心的數(shù)據(jù)經(jīng)驗(yàn)，建立全球能效基線。

?實(shí)時(shí)跟蹤節(jié)能效果：云端有效管理數(shù)據(jù)、監(jiān)測(cè)模型精度變化，跟蹤微模塊節(jié)能效果，實(shí)現(xiàn)算法快速批量迭代。

?云端運(yùn)維更可靠：省電效果肉眼可見(jiàn)，云端實(shí)時(shí)診斷，比運(yùn)維人員更早更準(zhǔn)確識(shí)別安全風(fēng)險(xiǎn)。

微模塊級(jí)iCooling模式在故障預(yù)測(cè)、節(jié)能降耗、安全控制、運(yùn)營(yíng)增效等維度，能夠?yàn)閿?shù)據(jù)中心運(yùn)維/運(yùn)營(yíng)創(chuàng)造顯著價(jià)值，已廣泛應(yīng)用于政企/交通/教育/電力/油氣行業(yè)客戶的中小型數(shù)據(jù)中心，使用iCooling模式的微模塊數(shù)量超過(guò)1000+套。無(wú)論微模塊采用冷/熱通道密閉方式，植入iCooling模式可以實(shí)現(xiàn)精確制冷，不僅不會(huì)產(chǎn)生局部熱點(diǎn)隱患，空調(diào)自身能耗減少15%+，運(yùn)行PUE可低至1.111@北京。

審核編輯：劉清