數據中心承載著海量數據的存儲、處理和傳輸，隨著“雙碳”及數據需求的不斷增加，數據中心PUE及用能面臨挑戰。除國家部委對數據中心PUE限制要求發布相關指導文件外，各省市同步出臺相關政策，新建數據中心轉向集約化建設，同時推進存量中小型數據中心的“關停并轉”，加強低效數據中心綠色改造。

2023年Uptime發布全球存量數據中心平均運行PUE高達1.58，其中溫控空調系統能耗占用電總能耗的26%。

熱仿真分析低效，傳統群控系統節能控制簡單，局部仍有熱點隱患

IT負載≤1MW的中小型數據中心場景，機房普遍采用風冷行級空調(微模塊入列)實現近端制冷。末端空調選型經過熱負荷計算，結合傳統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各監測點溫度隨時間、室外環境、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。

末端空調群控系統的運行控制一般依據機房現場的測點溫度變化進行調整，機房溫度場受服務器IT負載、空調送/排風機轉速等邊界條件影響，隨時間、空間分布變化，物理過程較為復雜。當前業界末端空調群控系統節能調優有主要問題：

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

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

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

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

AI建模訓練&推理，iCooling使能末端空調系統精準自動尋優

隨著大數據及AI建模技術在數據中心領域逐漸應用，末端空調系統節能調優可以采用本地部署訓練推理服務器或設備上云訓練，通過數據采集、處理分析、訓練推理和智能控制，實時對各空調運行狀態進行優化，實現節能目標。微模塊調用云端算力進行訓練&推理，也大大節省客戶初始投資和運維成本。

華為iCooling為中小型數據中心機房的微模塊末端空調系統提供節能自動尋優的解決方案，使能空調按需制冷，享受動態節能效果。它與傳統空調群控系統的區別如下：

iCooling的核心節能策略是形成自動化閉環系統，通過動態預測數據中心的冷卻需求來控制氣流，動態的匹配制冷系統和IT負載，然后自動控制以推動溫度穩定。通過AI智能控制和智能響應，對各空調采用聯合調度策略，自動清除95％的熱點，自動診斷處理制冷過量的問題；同時分析每臺空調對微模塊里的冷通道溫度，選擇最佳的設備運行數量和最優制冷輸出。

微模塊規?；泄澞?，持續運營結果更顯著

iCooling基于強化學習MPC算法，覆蓋各個場景（空調數量、內/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…）；微模塊支持云端推理尋優，采用行級風冷空調預置模型+群控尋優動態模型組合，設備開機即生效并且持續優化升級，實現CLF降低≥10%。

iCooling采用基礎模型+高階模型雙輪驅動，自適應強的算法內核加持，對上報的數據要求低；已積累海量數據和經驗，模型自動優化，持續營維優勢明顯。

?極致節能省電：利用遷移學習算法，挖掘并總結1000+個數據中心的數據經驗，建立全球能效基線。

?實時跟蹤節能效果：云端有效管理數據、監測模型精度變化，跟蹤微模塊節能效果，實現算法快速批量迭代。

?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、節能降耗、安全控制、運營增效等維度，能夠為數據中心運維/運營創造顯著價值，已廣泛應用于政企/交通/教育/電力/油氣行業客戶的中小型數據中心，使用iCooling模式的微模塊數量超過1000+套。無論微模塊采用冷/熱通道密閉方式，植入iCooling模式可以實現精確制冷，不僅不會產生局部熱點隱患，空調自身能耗減少15%+，運行PUE可低至1.111@北京。

審核編輯：劉清