开放数据中心委员会-数据中心制冷系统AI节能技术及其应用白皮书

数据中心制冷系统AI节能技术及其应用白皮书OD1数据中心制冷系统AI节能技术及其应用白皮书OD1数据中心制冷系统AI节能技术及其应用白皮书OD版权声明ODCC（开放数据中心委员会）发布的各项成果，受《著作权法》保护，转载、摘编或利用其它方式使用ODCC成果中的文字或者观点的，应注明对于未经著作权人书面同意而实施的剽窃、复制、修改、销售、改编、汇编和翻译出版等侵权行为，ODCC及有关单位将追究其法律责任，感谢各单位I数据中心制冷系统AI节能技术及其应用白皮书OD编写组数据中心制冷系统AI节能技术及其应用白皮书OD数据中心制冷系统AI节能技术及其应用白皮书OD算力已成为数字经济时代的关键生产力，是全社会数字化、智能化转型的重要基石.数据中心作为5G、人工智能、云计算、AIGC（生成式人工智能）、大模型应用等新一代信息和通信技术的重要载体，已经成为数字经济时代的底座，具有空前重要的战略地位，作为“数字经济发动机”的数据中心在国家经济体系中的重要性大幅提升。数据中心既是技术密集型的新兴产业，又是支撑经济社会数字化、网络化、智能化发展的基础设施，是我国数字经济发展的引擎。特别是随着5G、工业互联网发展，互联网与传统产业进一步融合，将从支撑消费逐步转向支撑产业发展和社会数字化治理，成为我国整个经济社会发展的数字基础设施。推动数据中心等信息基础设施绿色发展，对促进经济高质量发展，实现碳达峰碳中和目标为构建绿色算力，推动数据中心全行业绿色低碳转型和高质量发展，降低数据中心的制冷系统能耗将会是一个重要的发力点。针对数据中心制冷系统节能，业界有采用如行级空调近端制冷、间接蒸发冷却、高温冷冻水风墙、氟泵、液冷等硬件制冷形式，但单一AI节能也在数据中心行业得到越来越广泛的应用。通过神经网络的学习训练，来准确地预测决定数据中心能效的模型，并得到节能控制策略，最终达到节能效果。但当前市面上数据中心AI节能技术多应用于单个部件或局部系统调优，AI模型标准化程度低，部署时间数据中心制冷系统AI节能技术及其应用白皮书OD为了更好的推动数据中心制冷系统AI节能技术发展，特编写《数据中心制冷系统AI节能技术及其应用白皮书》，详尽介绍AI智能化节能技术在数据中心制冷系统的应用方案及技术由于时间仓促，水平所限，错误和不足之处在所难免，欢迎各V数据中心制冷系统AI节能技术及其应用白皮书OD 数据中心制冷系统AI节能技术及其应用白皮书OD 数据中心制冷系统AI节能技术及其应用白皮书OD数据中心制冷系统AI节能技术及其应用白皮书数据中心DC（DataCenter为集中放置的电子信息设备运行提供运行环境的建筑场所，可以是一栋或几栋建筑物，也可以是一栋建筑物的一部分，包括主机房、辅助区、支持区和行政管理区电能利用效率PUE（PowerUsageEffectiveness是评价数的能源的比值。PUE值越小，表示数据中心越“绿色”，能效水平制冷负载因子CLF（CoolingLoadFactor为评估数据中心的制冷系统运行能效，衡量电能的使用效率，采用数据中心制冷总能耗和IT设备能耗的比值CLF作为评价指标。CLF空气处理机AHU（AirHandlingUnit）：在数据中心领域有时楼宇自控系统BA系统（BuildingAutomationSystem将建筑物或建筑群内的暖通空调、给排水、送排风、照明等众多机电设备进行分散节能控制和集中科学管理。为用户提供良好的工作生活环境，为建筑物管理者提供方便的管理手段，从而减少能耗、降1数据中心制冷系统AI节能技术及其应用白皮书OD低管理成本。针对冷源系统的控制系统，有时也被称作冷机群控系）：能(AI)的一部分，属于计算科学领域，专门分析和解释数据的模式及结构，以实现无需人工交互即可完成学习、推理和决策等行为调节：PID调节经典控制理论中控制系统的一种基本调节方式。是直接数字控制器DDC（DirectDigitalController）冷却液分配单元CDU（CoolantDistributionUnit）：也称为冷却分配单元，是冷却系统中用于将冷却剂（如水或其他流体）分配到需要冷却的机器或过程的不同部分的设备。它们通常存在于需深度神经网络DNN（DeepNeutralNetworks）：深度神经网络是一种具备至少一个隐层的神经网络。与浅层神经网络类似，深度神经网络也能够为复杂非线性系统提供建模，但多出的层次为模型遗传算法GA（GeneticAlgorithm）：最早是由美国的Johnholland于20世纪70年代提出,该算法是根据大自然中生物体进化规律而设计提出的。是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜2数据中心制冷系统AI节能技术及其应用白皮书OD索最优解的方法。广泛地应用于组合优化、机器学习、信号处理、贪婪算法GA（GreedyAlgorithm在对问题求解时，总是做服务水平协议SLA（ServiceLevelAgreement）：是服务商与用户之间约定的一种双方认可的协定，该协议定义了服务商为用户提供的服务类型、服务质量以及对用户保障服务的性能和可靠性的数据中心是实现信息化进程的重要载体，在云计算、5G、人工智能等领域发挥着重要的作用。数据中心是支撑未来经济社会发展的战略资源和公共基础设施，也是新型基础设施节能降耗的关键环节。工业和信息化部的数据显示，截至2022年底，我国在用数据中心总规模超过650万标准机架，近五年平均增速超过25%。三方调研数据显示，2017年全球数据中心能耗达到4162亿千瓦时，相当为指导数据中心行业高质量健康发展，近年来，多个部委陆续2019年工业和信息化部、国家机关事务管理局、国家能源局联合印发的《关于加强绿色数据中心建设的指导意见》，要求新建大3数据中心制冷系统AI节能技术及其应用白皮书OD2020年，恰逢中国进入第十四个五年计划阶段：中国将努力在2060年前实现碳中和。此后以发改委为代表的各部委密集出台的行2021年以来的政策文件，对新建的大型/超大型数据中心做出2022年以来，随着“东数西算”一体化大数据中心建设，集群内要求东部＜1.25、西部＜1.2。东数西算先进示范工程＜1.15。同年，国家强制标准GB40879《数据中心能效限定值及能效等级》正式发布，这也意味着未来的监督管理将有强标作为依据，PUE监同时，相关文件对存量能耗高的老旧数据中心也做出了改造后PUE不高于1.5的要求，一些主要省份启动对PUE过高的数据中心进行关停并转，使数据中心企业加大对老旧机房节能改造的重视程因此，如何运用新技术、新架构降低能源消耗，提升能源使用效率已经成为数据中心可持续性发展的热门课题。根据UptimeInstitute2022年调查数据显示，当前全球存量大型数据中心的平均PUE高达1.55，制冷系统能耗占比为25%以上，供电系统能耗占比约为8%。也就是说在数据中心中，除IT设备外，主要的耗能大户是制冷系统，因此本文主要从制冷系统节能的视角来展开论述。从数据中心全生命周期来看，数据中心制冷系统的能效表现与数据（1）合理的设计可以从根本上降低数据中心能耗数4数据中心制冷系统AI节能技术及其应用白皮书OD设计阶段采用先进的制冷技术，合理的散热模式，可以有效降将数据中心选址在年均温度较低的区域，通过充分利用自然冷冷热风道隔离，行间近端制冷，密闭冷通道、密闭热通道等技术，但考虑到实际负载率、设备的运行效率、现场环境等与设计值（2）数据中心运营阶段节能优化运营阶段主要通过动态调节相应的制冷设备的冷量输出，实现冷源系统的PLC冷机群控技术：实现变容量的冷量控制以及根据室外温度变化切换制冷系统运行模式，实现基于供需平衡的能效末端精密空调群控技术：空调间采用master-slave模式组建控上述两种技术都是单设备、局部系统的能效控制优化技术，不能实现数据中心全局制冷系统的联动优化。在新的业务PUE要求、定运维策略；建立能源资源信息化管控系统，强化对电能使用效率值等绿色指标的设置和管理，并对能源资源消耗进行实时分析和智5数据中心制冷系统AI节能技术及其应用白皮书OD能化调控，力争实现机械制冷与自然冷源高效协同，在保障安全、数据中心制冷系统在运维阶段能效优化难度大，一方面，由于室外大气条件相互关联，制冷换热循环多级耦合、不同设备控制变量庞大、最优效率点计算复杂，单纯依靠运维人员经验依据室外的低的要求。而且在实际运行中，冷通道温度或者冷机温度的小幅度提升，都会导致制冷系统的很多变化，包括冷机、冷却塔、水泵、空调等的功耗可能增减不定，且非线性变化，其结果很可能是虽然另一方面，由于制冷系统内部和外部环境的动态特性（考虑天气），不可能为每个操作场景开发硬编码控制规则；每个数据中心制冷系统和IT散热系统间的相互作用和各种复杂反馈们使用传统的热力学工程公式难以准确推导数据中心的运行效率，从而在如何通过量化的指标来指导能效的优化实践中提出了现实的针对上述问题，我们有必要建立一个能够预测制冷系统能耗和6数据中心制冷系统AI节能技术及其应用白皮书OD并对控制变量带来的影响进行预测，找到整个制冷系统能耗的最优面向未来，IT能耗包括服务器、存储、网络等主设备消耗的电能，而此类设备的能耗既包括计算、存储、网络实际能力输出部分，同时也包括如设备中电源模块、散热风扇的电能消耗，而当前大部分设备中电源、风扇的电能没有单独测量，因此，单独考核间接描述，如体现能耗交叉影响的温度参量、风扇转速参量等，未型标准化程度低，需定制化开发；AI节能系统部署时间长，效果不基于纯粹数据驱动的AI建模节能效果无法保证、如果不持续及时更新训练导致AI模型效果劣化、单个数据中心训练的模型无法批存量的数据中心传感器少、硬件改造难，都造成了实际的项目中AI7数据中心制冷系统AI节能技术及其应用白皮书OD大型数据中心计算机房制冷系统由机房内空调末端和外部的制冷机组组成，或者由整体式的间接蒸发冷却机组或氟泵式间接蒸发冷却机组组成，而机房外部制冷机组分风冷冷冻水系统与水冷冷冻包括冷却塔、冷水主机和热交换器等，生产冷源，并通过热交换把计算机房产生的热量搬送到数据中心外；机房内制冷设备包括8数据中心制冷系统AI节能技术及其应用白皮书OD制冷设备包括风冷冷水机组，冷冻水精密空调等。风冷冷水机组利用自然冷却盘管承担部分或者全部室内热负荷，将冷冻水经由风冷、水冷冷冻水系统都可能具有三种运行模式，即电制冷模式、预冷模式、以及自然冷却模式。在运维阶段，通过监视设备运行状态，分析制冷设备的冷量输出与设备层的冷量需求，对制冷系统的运行模式进行选择、优化控制，实现冷量按需供应与负载层的按需分配，达成数据中心的制冷均衡，提高能源的使用效率。AI依据模型的训练和预测，实现制冷系统切换运行可靠性，可以保证可9数据中心制冷系统AI节能技术及其应用白皮书OD整体式间接蒸发冷却系统在数据中心现场安装风管、水管及配电后即可投入使用，机组有三种运行模式，干模式：仅风机运行，完全采用自然冷却；湿模式：风机和喷淋水泵运行，利用喷淋冷却后的空气换热；混合模式：风机、喷淋水泵、压缩机同时运行。三种运行模式可以结合气象参数和机组自身的特性曲线，在控制系统冷板式液冷是一种通过冷板（通常为铜铝等导热金属构成的封闭腔体）将发热器件的热量传递给封闭管路中的冷却液体，通过冷一次侧：CDU中的冷冻水与二次侧回流的热水换热后，热水回流到冷却塔或冷水机组进行冷却，再回到CDU中与制冷用的工质水二次侧：二次侧管路的工质水通过服务器冷板中的管路将主要发热元器件的热量带出，回到CDU中与冷冻水进行换热后进入下一数据中心制冷系统AI节能技术及其应用白皮书OD制冷系统一般采用PID控制技术，通过冷却水、冷水主机、冷冻水系统的分层保障来实现整个系统的运行。通常，一个制冷系统冷却塔-冷却水温度PID控制环是通过冷却水出水温度设置值、以及冷冻水供水温度设定值，调节冷水主机压缩机运行频率以及投数据中心制冷系统AI节能技术及其应用白皮书OD冷冻泵-压差PID控制环主要是根据冷冻水供回水压差来调节泵对于变化的负载与环境参数，冷机系统的控制通常采用变流量控制方式来实现，变流量控制主要有压差和温差控制，具有如下的分布的控制环因为无法相互感知，本质上不能解决整个系统的能耗优化问题，其次三个控制方程无法解决在冷却塔、冷却泵、冷水主机、冷冻泵上最佳分配电能的四变量问题。实际应用中，往往因为泵选型、分离部署、小温差、水力失调等问题，造成制冷站能数据中心制冷系统AI节能技术及其应用白皮书OD(2)间接蒸发冷却设备、精密空调群控简介：多台精密空调通过通讯电缆连接后可实现组网群控功能，网内机组之间能实现主备切换、轮巡、层叠、主机报警/断电/备机启动群控带来的效益主要包括：多台机组通信组网工作，使整体效率得到提升，机组之间的竞争运行被避免同时可优化温湿度的控制精度;多种群控方式，可以满足各个应用场所的要求。这些最终带来间接蒸发冷却设备群控系统的功能和精密空调的类似，所以就性调节，这类调节会直接影响到空调的送风温度以及输出冷量，进数据中心制冷系统AI节能技术及其应用白皮书OD利用需求侧管理理论将制冷站与空调、IT侧融合，建立制冷需就是基于深度神经网络（DNN）的机器学习方法，借助该学习方法，(1)跨层能效感知和数据采集，实现管理对象建模，包括物理设备如服务器、机架、微模块（区域级）、DC等，同时对管理节点进行建模，包括Facility管理节点、IT设施管理节点；建立(2)根据冷量的供给、消耗界面，建立分层能效网络模型，如制冷(3)利用DNN机器学习方法以及测量的历史数据，建立起制冷系统运行参数与数据中心整体能源效率之间关系的数学模型，基于数学模型、虚拟化仿真、预测配置参数的改变对能耗的影响，数据中心能效优化是以整体功耗为目标的全局优化，要实现全局控制，必须实现两个预测，即整体能耗的预测，以及冷量需求预测。整体能耗预测关联PUE，冷量预测关系到业务保障，准确的预采用DNN机器学习方法，一方面可以建立分层的能效关联深度网络模型与交叉影响参数评估，另一方面，也可解决在多参数交叉数据中心制冷系统AI节能技术及其应用白皮书OD首先通过机器深度学习，根据系统运行的历史数据，结合专家基于PUE的预测模型，获取与PUE敏感的特征值，利用模型中最后，利用系统可调整的参数作为输入，将PUE预测模型，业务预测模型作为参数的适用度评价输入，利用遗传算法寻优，获取调优参数组，参数组需要保障业务运行的SLA，如冷量的供应等，输出的最优个体经由管理节点下发到控制系统，实现制冷系统的控因此，通过机器学习，使用历史数据训练神经网络，输出预测数据中心制冷系统AI节能技术及其应用白皮书OD（三）AI节能控制系统与传统过程控制系统的区别与联系数据中心精细化运维要求在保障设备安全运行的前提下，关注资源、工具，传统的控制方法难以保障运维团队全天候地严格监控传统的制冷系统控制节点设置如下，具有多个PID控制点，如冷却塔，冷却泵、冷机组成的冷却水系统控制环，其PID控制是通作为一个完整的PID，须有输入、控制输出、反馈信号。当系统确定后，上述参数便被确定，外部可以调节的就是setpoint（设置值），作为冷塔来说，该setpoint包括冷却塔的数量、冷数据中心制冷系统AI节能技术及其应用白皮书OD在无AI的条件下，PID根据群控系统设定值执行控制，如对风在有AI的条件下，PID根据来自AI的推荐值执行控制，这种控制值可以每30min执行一次，控制的时间粒度更精细。更重要的机群控系统与空调群控系统结合，采用预测、控制、分析、调整等管理工具，建立制冷的供需模型，在充分保障业务SLA的基础上，求解能耗最优的控制方案，确保在变化负荷（外部气象条件和内部数据中心制冷系统AI节能技术及其应用白皮书OD负荷动态变化）情况下，使能制冷系统“跑”在最佳的综合运行效整个数据中心AI算法的演进路标和主要技术水平指标：赖设备运行机理或运行数据的方案逐步走向设备数据与运行数据结合，实现不同数据中心直接联邦学习模型迁移，达成数据中心制冷AI部署模式的数据安全性问题，需要解决数据不出局的AI效地化AI为主，在本地化AI应用场景下，算法的设计和系统交互需要考虑单一数据中心数据量问题，通过协同学习解决数据不出局问第一代机理白盒算法基于理论公式、专家经验，可解释性强，交付相对简单。但只有典型场景的能效曲线.精度不高,节能空间受限。同时，应对变化能力弱,随着设备老化,无法实时根据数据去更数据中心制冷系统AI节能技术及其应用白皮书OD第二代纯数据驱动AI黑盒算法，能适应设备和环境的变化，节AI模型支持迁移学习，可在目标局点预置模型，从而大幅缩短交付同时AI节能技术的方案和配置需足够简化，以方便AI模型批网络、深度神经网络、逻辑回归、决策树、随机森林、XgboostGBDT、lightGBM、SparseGP+BO等算法,提供协同学习的AIDevOps数据中心制冷系统AI节能技术及其应用白皮书OD全流程工具链，提升开发效率，降低人力素质要求，支持AutoML（自动机器学习）能力，保障模型训练的超参最优，实现模型保鲜。随着AI算法进入3.0阶段，应支持DC迁移学习和联邦学习算DC也可以使用AI节能，多个参与方贡献各自数据，联合建模，共数据中心制冷系统AI节能技术及其应用白皮书OD泛化性较差、数据依赖量大等问题，可提供高质量合成数据，破解DC自动驾驶数据和测试难题，通过AI加持，增强节能诊断，实现基于大型DC的统一监控和运维架构，AI节能系统的弱电监控方案如下组网，AI节能系统需要同时接入BA群控系统、动环监控数据中心制冷系统AI节能技术及其应用白皮书OD机器学习基于数据，数据的质量直接影响学习模型的准确性，以及模型的泛化适配能力，其兴趣点是什么数据，需要怎样的规模来处理这些数据。一般来说，需要先确认数据的来源，其次要确认因此需要关注数据的可能来源，包括场景的覆盖率、系统中单设备的指标变化范围，指标间关联影响的分析，要求历史数据样本的变化能够覆盖相关取值区间，并交叉变化。实际环境中，由于系统本身的复杂性，历史数据很难达到期望，往往需要模型的自学习数据中心制冷系统AI节能技术及其应用白皮书OD冷冻侧进出水管各1，冷却侧进出水冷冻侧进出水管各1，冷却侧进出水冷冻水出水、冷却水出水各1（安装在冷机和板换共用的管路器冷冻侧进出水管各1，冷却侧进出水冷冻侧进出水管各1，冷却侧进出水无无无无无无管无管无无每筒体2（两端各1），每分支出水每筒体2（两端各1），每分支出水无每筒体2（两端各1），每分支回水每筒体2（两端各1），每分支回水精密空调、机房通道温度传感器供\回水温度、送\回风温度、水阀开度、风机转速、该部分主要通过空调以及与IT机柜间组成的通道送实际中，由于通道的密闭、部分场景的送回风气流混合等因素，在数据中心制冷系统AI节能技术及其应用白皮书OD该环节关联特征参数包括温度、湿度、空调能耗、IT负载、压在独立的送回风结构中，只要关联参数可以测量，通过DNN拟合，是可以拟合出变化的影响因子的。如果无法直接测量相关的参低温冷冻水经空调换热为冷冻水回水，进入到冷机，定义这部分的交换冷量为C，从理论上，C=Q，而C，一般是通过冷冻水的送回水温差与冷冻水流量求出，因此，冷冻水侧，相关的温度参数、流量的管路测量相关的压力差值，以保障冷冻水送水回路中的最劣路径能够满足末端空调的制冷要求，管路的压力，压力差设定值需要重在冷机中，通过冷凝器，高温高压气体与低温冷却水热交换，冷凝为液体，冷却水温度升高，并通过泵送到冷却塔，冷却塔将热此环节中，由冷却水带出的热量，应该与冷却塔散发的热量平数据中心制冷系统AI节能技术及其应用白皮书OD大气条件中的湿球温度是冷却水可以达到的极限温度，湿球温度参数可应用于夏季冷却塔的风机控制，实现冷却塔的节能控制；板式换热器参与热交换，相关参数通过总管或者FC模式下冷冻水泵运行数量按照实际末端负载需求进行加减机FC模式下冷却水泵运行根据板换二次侧（冷冻水）出水温度、考虑到蓄冷实质为冷机制冷存储的一种方式，是冷机工作的一种辅助模式，在业务的处理上，需要根据充冷以及放冷的状态，将根据暖通工艺、不同的运行模式下，部件间的配合关系、控制数据中心制冷系统AI节能技术及其应用白皮书OD度”的值设置冷塔出水温度，冷却水泵采用冷却水供回水温差变频部分免费制冷模式下，冷塔出水温度的设定值会跟随湿球温度免费制冷模式下，通过控制冷却塔风机频率来调节冷却塔出水由此可见，运行模式的改变要求特征参数做出相应的调整，以实际环境中，很多负面的因素如数据丢失、数据噪声、数据冗利用自动化数据治理工具，对采集的数据进行识别、降维、降数据识别主要是借助领域业务知识，构建出主题数据字典，以结构化的数据进入到数据湖。同时为保障数据与实际场景的匹配，将数据分为采集数据、配置数据、同时也有衍生的变量，这些数据需要有灵活的定义与管理能力，因此系统需要配置有数据治理信息数据中心制冷系统AI节能技术及其应用白皮书OD机器学习要求样本数据是完整的，但实际应用场景中，样本数据中的某些维度是缺失的，产生的原因往往是采集器丢码、对应的设备离线等，也有可能是因为时间累积误差导致在对应的标签时间范围内部分特征参数无数据可对应等。针对这类问题，主要采用如最大似然填充：最大似然填充是指根据数据的概率分布函数，通过最大似然估计，对缺失值进行填充。实际过程中，一般采用均基于业务认知填充：对于样本系统中的部分缺失数据，可以通过业务分析方法进行填充，如制冷系统的能耗数据，由于采集时间积累原因，导致两个采集点的时间数据出现丢失，左右两侧的数据出现跳变，这时可以结合能耗的变化以及相邻时间段的历史数据，机器学习方法填充：数据本身的概率分布往往是未知的，而通过机器学习算法对缺失数据进行填充可以避免对数据的概率分布有过多的假设。比如当前样本数据维度较多，可以采用随机森林的方数据噪声是指测量变量中的随机错误和偏差，包括错误值或者偏离期望值的孤立点。在机器学习中，过高、过多的数据噪声既影响输入特征值，也影响输出模型的准确度。为应对数据噪声，首先逻辑筛选：在面向具体的应用场景时，每一个维度的数据均存在逻辑的合理性，如制冷系统冷冻水的送水温度、数据中心的PUE数据中心制冷系统AI节能技术及其应用白皮书OD值、约定周期的能耗值等有其合理的范围，因此可以根据维度的逻发现数据噪声后，一般的处理方法是剔除数据噪声，删除数据噪声点，部分数据可以根据具体业务，以及数据变化的迟滞特性（如温度变化）予以校正。针对制冷系统，可以采集到两部分的结构化数据，分别是冷源系统与机房空调系统。这些单数据源的数据需要通过集成融合，将数据集成主要是基于时间、空间两个维度，对上述系统的采集元数据进行抽取、同步，并将不同区域的相关用能数据与元数据进对于信息丢失过多的样本，一般采用剔除非完整的样本方法，数据治理工具提供卓越的数据目录服务，一亿条原始数据可以一个小时内完成治理，30分钟数据秒级清洗，为后续的模型训练提基于通用质量评估算法，制冷设备的物理属性沉淀的约束规则和领域专家经验进行数据质量评估，生成DC节能领域质量评估模型，数据中心制冷系统AI节能技术及其应用白皮书OD结合业务理解，生成清洗规则并通过数据湖沉淀，一站式生成训练数据和特征决定了AI算法的上限。利用特征构建的特征进行横向/纵向处理，生成冷站特征，末端特征及冷站末端交通过相关性分析特征工程以及业务领域知识，反复分析计算获利用精准的特征选取来降低对模型复杂度的要求，减小超参寻为提升特征工程的在不同数据中心的泛化能力，将特征工程与PUE预测模型可以根据当前状态和选择的控制策略，预测出可能的PUE值，包括：环境变量预测模型、过程变量预测模型、控制PUE惩罚值是根据历史上高PUE事件分析得到的最不正确的控数据中心制冷系统AI节能技术及其应用白皮书OD如果是环境发生变化，就根据当前环境重新进行PUE拟合和寻(7)IT功率和室外环境温度，以及每个制冷设备效率的实时变别的模型持续重训练，不断提升模型实际运行精度，可以让预测模模型的优劣可以通过以下几个方面进行评价：模型的适用性，模型参数是否具有明显的物理意义；模型建立时对参数辨识的样本数据中心制冷系统AI节能技术及其应用白皮书ODAI模型在线推理模型：使用遗传算法或者贪婪算法，根据数据标的预测模型，将所有给定范围的控制变量组合代入到训练生成的能耗-控制变量模型中，通过计算对比不同控制策略下的能耗值，选择PUE最低的控制策略，下发到系统中。推理结果选择除了需要考虑PUE最低，还要根据系统的容量大小和运行稳定性，选择合理的暖通工艺、设备管理网络、以及控制策略是制冷系统管理的基础，决定了基于ML的模型特征参数、算法选择，安全边界，是制冷针对数据中心主流的制冷系统，如冷冻水、间接蒸发冷却、液1.冷冻水场景的制冷工艺框架数据中心制冷系统AI节能技术及其应用白皮书OD大型数据中心制冷包括水冷系统、机房风道系统。水冷系统包含冷却水系统、冷冻水系统；机房风道系统则由空调与机柜系统组在实际的环境中，制冷拓扑会因暖通工艺的要求变得复杂，并匹配多种制冷模式。冷却侧、冷冻侧管道的连接方式不同，具有单管、环（母）管制、混合管路的区分；冷水主机与板式换热器的连接方式，被划分为串联、并联两类拓扑。这些不同的连接方式导致单管制管路：冷却塔、冷却泵、冷水主机（连接板换）、冷冻母管制管路：冷却塔、冷却泵、冷水主机（板换）和冷冻泵分别并联成组后，再通过总管或者环管串联，之间无一对一的对应关数据中心制冷系统AI节能技术及其应用白皮书OD当系统较大、阻力较高，且各环路负荷特性相差较大，或压力损失较为悬殊时，为优化低负载工况下的能效，改善最不利环路的流量分配，制冷系统会引入二次泵的设计。一次泵负责克服冷机侧的阻力，二次泵用来克服末端的阻力，可以在不同的末端环路上单在液冷数据中心的规划与设计阶段，暖通设计会根据选址、建筑结构、环境气象等要素，选择不同的工艺框架与控制策略。可以数据中心制冷系统AI节能技术及其应用白皮书OD2.精密空调和间接蒸发冷却AHU气流组织方案和应用情况数据中心设备密集，发热集中，显热量大，要求有合理的气流组织，有效移除机房内热量，保障设备对温湿度、送风速度等环境要求。行业中，应用比较多的风道包括房间级送风、机柜近距离送房间级送风典型的是地板下送风方式，参考图16（a），机房专用空调将冷风送到静电地板下方，形成静压腔，静压腔可减少送风动压、增加静压、稳定气流，使得系统更为有效地将冷空气送到热负载端。这种情况下送风距离将成为影响机柜散热的主要因素，而将温度调低成为了保障散热的主要手段，因此需要重点关注风道机柜近距离送风典型结构是使用列间空调，将空调部署在机柜边，利用空间、机柜、隔离构件组成密闭通道，使得冷量自空调到机柜的路径更短，压力损失更小，从而提升制冷效率，典型结构参数据中心制冷系统AI节能技术及其应用白皮书OD数据中心气流组织属于强制对流散热，影响其散热效果的主要因素有:送风方式、送风温度、送回风温差、风量、风速等，因此机送风温度需要满足设备进风的要求，送回风温差由机房空调的房内所有设备制冷所需的风量要求，风速控制要合适，建议值在2-数据中心制冷系统AI节能技术及其应用白皮书OD3.BA冷源控制网络冷却塔，冷却泵，冷水主机，冷冻泵，蓄冷装置、管路组成冷控制器通过硬连线链接到冷源管理控制器，管理控制器综合分析室外干（湿）球温度，冷冻水供回水温度、压力、流量，蓄冷罐水管上的双向流量计的流量及流向等参数，通过计算向各单元控制器发出启动/停止命令、制冷模式、预冷模式、经济模式、加载与减载控制。管理服务器，主要完成工况设置、数据采集功能，冷源管理控制器的控制参数则是冷冻水供水温度、冷冻水供回水压差以要实现冷源系统运行时能效最佳，从局部解决问题不能得到系统最优，应通过群控技术，将各控制子系统互连，实现信息、资源共享，进行集中控制和统一管理，实现集中空调全系统的协调运行和综合优化。综合来看，数据中心制冷系统一般具有如下的控制网数据中心制冷系统AI节能技术及其应用白皮书OD制冷系统控制过程是典型的多因素非线性系统控制问题，主要(6)控制环节之间互相会存在影响，一个环节的输入参数受另一4.精密空调控制网络（空调群控）空调群控系统是对末端空调、冷腔、风道实现管理与调节，通温差的闭环控制，以保障IT设备的工作温度遵从相关的标准，如空调群控系统一般采用主从节点的方式联网，可以针对具体的区域对空调进行分组，并指定主节点，从节点在主节点的统一协调下工作。主节点根据机房的面积、设备情况（设备发热量、数量和摆放情况）和空调性能（空调制冷量、风场和区域温度）等信息，通过前期的CFD分析给出合理的制冷参数，结合现场测试调整，使群控管理系统具有的功能包括自动分工、顺序加载、数据同步等，以及对各台空调运行参数进行精准控制，在保证机房区域温湿数据中心制冷系统AI节能技术及其应用白皮书