數(shù)據(jù)中心承載著海量數(shù)據(jù)的存儲、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)。除國家部委對數(shù)據(jù)中心PUE限制要求發(fā)布相關指導文件外，各省市同步出臺相關政策，新建數(shù)據(jù)中心轉(zhuǎn)向集約化建設，同時推進存量中小型數(shù)據(jù)中心的“關停并轉(zhuǎn)”，加強低效數(shù)據(jù)中心綠色改造。

2023年Uptime發(fā)布全球存量數(shù)據(jù)中心平均運行PUE高達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)能控制簡單，局部仍有熱點隱患

IT負載≤1MW的中小型數(shù)據(jù)中心場景，機房普遍采用風冷行級空調(diào)(微模塊入列)實現(xiàn)近端制冷。末端空調(diào)選型經(jīng)過熱負荷計算，結合傳統(tǒng)熱仿真分析采用流體動力學、傳熱學機理分析方法建立的簡單溫度分布模型，基于設計工況假設難以準確描述機房內(nèi)各監(jiān)測點溫度隨時間、室外環(huán)境、負載率、服務器上架U位分布的變化，更難以及時捕捉不同服務器IT設備旁的局部熱點，使得機房IT設備具有局部過熱隱患。

末端空調(diào)群控系統(tǒng)的運行控制一般依據(jù)機房現(xiàn)場的測點溫度變化進行調(diào)整，機房溫度場受服務器IT負載、空調(diào)送/排風機轉(zhuǎn)速等邊界條件影響，隨時間、空間分布變化，物理過程較為復雜。當前業(yè)界末端空調(diào)群控系統(tǒng)節(jié)能調(diào)優(yōu)有主要問題：

微模塊各IT機柜的實際負載布置不均，空調(diào)之間控制邏輯單一，無法差異化控制問題：群組內(nèi)空調(diào)實際負載率分布不均，單機運行效率低，無冷電聯(lián)動。

機柜及空調(diào)風口實際有溫度梯度，導致通道局部熱點問題：空調(diào)送風溫度控制為熱通道回風或空調(diào)出風溫度，無法感知微模塊內(nèi)溫度場和各機柜所需風量變化。為解決局部熱點隱患，只能拉低全部空調(diào)送風溫度，導致整體不節(jié)能。

空調(diào)不能感知機柜實際散熱需求，導致相對位置空調(diào)負載率差異較大問題：密封通道場景，存在相鄰空調(diào)對吹現(xiàn)象，出現(xiàn)氣流短路/吹死的情況，無法群組聯(lián)動。

空調(diào)運行參數(shù)單一，送風溫度感知不到服務器能耗、室外環(huán)境溫度變化問題：空調(diào)控制器(ACC)僅能按照人工設置值固定運行，無法根據(jù)IT負載變化、室外環(huán)境溫度變化進行動態(tài)控制。

AI建模訓練&推理，iCooling使能末端空調(diào)系統(tǒng)精準自動尋優(yōu)

隨著大數(shù)據(jù)及AI建模技術在數(shù)據(jù)中心領域逐漸應用，末端空調(diào)系統(tǒng)節(jié)能調(diào)優(yōu)可以采用本地部署訓練推理服務器或設備上云訓練，通過數(shù)據(jù)采集、處理分析、訓練推理和智能控制，實時對各空調(diào)運行狀態(tài)進行優(yōu)化，實現(xiàn)節(jié)能目標。微模塊調(diào)用云端算力進行訓練&推理，也大大節(jié)省客戶初始投資和運維成本。

華為iCooling為中小型數(shù)據(jù)中心機房的微模塊末端空調(diào)系統(tǒng)提供節(jié)能自動尋優(yōu)的解決方案，使能空調(diào)按需制冷，享受動態(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)能策略是形成自動化閉環(huán)系統(tǒng)，通過動態(tài)預測數(shù)據(jù)中心的冷卻需求來控制氣流，動態(tài)的匹配制冷系統(tǒng)和IT負載，然后自動控制以推動溫度穩(wěn)定。通過AI智能控制和智能響應，對各空調(diào)采用聯(lián)合調(diào)度策略，自動清除95％的熱點，自動診斷處理制冷過量的問題；同時分析每臺空調(diào)對微模塊里的冷通道溫度，選擇最佳的設備運行數(shù)量和最優(yōu)制冷輸出。

微模塊規(guī)?；泄?jié)能，持續(xù)運營結果更顯著

iCooling基于強化學習MPC算法，覆蓋各個場景（空調(diào)數(shù)量、內(nèi)/外機型號、布局差異、連管長度、正負落差、不同負載率，不同季節(jié)…）；微模塊支持云端推理尋優(yōu)，采用行級風冷空調(diào)預置模型+群控尋優(yōu)動態(tài)模型組合，設備開機即生效并且持續(xù)優(yōu)化升級，實現(xiàn)CLF降低≥10%。

iCooling采用基礎模型+高階模型雙輪驅(qū)動，自適應強的算法內(nèi)核加持，對上報的數(shù)據(jù)要求低；已積累海量數(shù)據(jù)和經(jīng)驗，模型自動優(yōu)化，持續(xù)營維優(yōu)勢明顯。

?極致節(jié)能省電：利用遷移學習算法，挖掘并總結1000+個數(shù)據(jù)中心的數(shù)據(jù)經(jīng)驗，建立全球能效基線。

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

?云端運維更可靠：省電效果肉眼可見，云端實時診斷，比運維人員更早更準確識別安全風險。

微模塊級iCooling模式在故障預測、節(jié)能降耗、安全控制、運營增效等維度，能夠為數(shù)據(jù)中心運維/運營創(chuàng)造顯著價值，已廣泛應用于政企/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1000+套。無論微模塊采用冷/熱通道密閉方式，植入iCooling模式可以實現(xiàn)精確制冷，不僅不會產(chǎn)生局部熱點隱患，空調(diào)自身能耗減少15%+，運行PUE可低至1.111@北京。

審核編輯：劉清