固定，不随负载、 环境条件变化；各设备之间缺乏信息沟通，运行参数不协同；未考 虑设备的运行效率问题，导致运行能耗高等问题。即便预制模块化 现有产品和技术，也存在类似问题，因此需要制定新的技术规范来 更好地指导此场景下的能效调优。 通过数字化技术，可大量收集数据中心现场环境和能耗数据， 运用基于 AI 和云计算的能效优化技术，提高制冷系统整体效率，持 续优化数据中心 PUE。本技术在预制模块化场景下，以冷却调优内 PUE。本技术在预制模块化场景下，以冷却调优内 容为主，建立系统层面的全局智能调优方法，从而更大程度上起到 节约系统能耗、降低运行成本之的作用。 目 录 一、 概述......................................................................................................................1 二、 应用，解决了传统数据中心各种数据采集的困难，让基于预制模块化 数据中心场景的冷却系统智能调优技术得到真正的应用和实践。 数据中心冷却系统是一个复杂的非线性系统，各设备之间的运行 参数存在强耦合现象，设备局部最优不能保证整个系统能耗最低；冷 却系统庞杂，水泵、风机、压缩机、外机等不仅需要根据负载功率进 行参数调节，还需要根据室外气象参数进行动态调节，只有各个部件 参数之间协同，才能保证系统能效最高；随着政策与用户需求变化，

........................................................................................126 6.4.1 能耗预测..................................................................................128 6.4.2 能源利用优化 亿吨，其中中国占比超 50%。这 样的产量规模虽显示出行业的巨大市场潜力，但也带来了资源消耗 和环境污染等问题。因此，亟须借助先进技术，提升整体行业竞争 力和可持续发展能力。 一方面，钢铁制造过程中的高能耗及高排放问题日益突出。根 据专家分析，钢铁行业的碳排放已经占到全球工业排放的近 20%。 为了响应环保政策和全球减排目标，钢铁生产企业必须探寻更为清 洁的生产技术，优化能源结构，从而减少温室气体的排放。 环境中进 行预测分析，辅助决策。 在应用 AI 技术的过程中，钢铁行业可从以下几个方面进行探 索： 1. 生产过程优化：通过实时数据监测和模型预测，对炉料、温 度、时间等进行精确调控，降低能耗提高产量。 2. 质量控制：借助 AI 视觉检测技术，实时监测产品质量，识别 并剔除不合格品，提高产品合格率。 3. 设备维护：利用机器学习分析设备运行状态，实施预测性维 护，降低设备故障率，减少停机时间。

综合耗能 2. 运营成本 1. 直接投资成本 8 2.2 末端配电母线的典型应用场景 传统超大型数据中心通常机柜数量较多，单柜功率较低，部署大量服务器。受限 于传统配电线路布局，存在可用性下降、能耗增加及扩展困难等问题，系统灵活 性受限。引入新型数据中心末端配电母线，可有效降低线路损耗、节省空间，简 化安装流程，缩短工期，同时减轻运维与检修负担。 2.2.1 传统Hyperscale数据中心 智算中心主单柜功率极高，配电通道密集，对供电连续性与系统可用性提出更 高要求。客户更加关注供电系统的高可靠性、低损耗及智能化运维能力。采用高 密度母线配电方案，能够满足 GPU 集群的大功率负载需求，在降低能耗的同时， 实现全链路监测与故障快速定位，提升整体运行的安全性与可控性。 2.2.2 AI智算中心 应用特点 01 问题痛点 02 随着单机柜功率提升，传统列头柜线 缆配电方案无法支持稳定供电需求，而选 接，实现快速上电、免停电扩容、在线维护等功能，大幅缩短部署周 期。 同时，数据中心末端配电母线系统可集成电力监控、过载保护、 短路保护、各节点测温等功能，配合智能监控系统，可精细化掌握支 路负载、能耗状况与温度分布，提升安全性与能源管理效率。 3.1.2 数据中心末端配电母线 在机柜内部，每台服务器机柜通过专属的电缆和连接器由数据中 心末端配电母线插接箱通过机柜内部搭配垂直或水平PDU，实现多插

1 材料估算..................................................................................115 8.3.2 能耗分析..................................................................................116 9. 系统测试与评估 合设计需求的高质量方案，显著缩短设计周期，降低人工成本。 其次，目标是通过深度学习技术提升建筑设计的创新性和可行 性。平台将基于海量建筑设计数据进行训练，能够自动生成多样化 的设计创意，并提供数据驱动的优化建议。例如，在能耗分析、结 构优化和材料选择等方面，平台将能够为设计师提供科学的决策支 持，从而提高建筑设计的可持续性和经济性。 此外，项目还致力于实现建筑设计与其他专业领域的协同优 化。通过接入 deepseek 预期的具体成果包括： - 开发一个功能完善的建筑设计智能化平台，支持多种设计场景和 任务； - 建立涵盖建筑设计、结构分析、能耗优化等领域的高质量数据 集，用于模型训练和评估； - 实现设计效率提升 30%以上，设计周期缩短 20%，设计成本降低 15%； - 通过平台生成的设计方案，在能耗、结构安全性和经济性等关键 指标上提升 10%以上。 最终，本项目将推动建筑设计行业向智能化、数字化方向迈

•基础设施老化，有线、 无 线 独 立 部 署 无 法 连 通； •各 类 信 息 系 统 烟 囱 林 立 、 数 据 孤 岛 现 象 普 遍。 安全生产可视化 监管 •针对高风险、高能耗产 业，需要定向精准可视 化监管； •安全规范管理缺乏主动 预防措施。 绿色节能可持续 运营 •在产业升级转型时，确 保园区的生态环境； •以绿色发展为核心，提 前感知并预防污染。 管理 远程监控 节能 决策 能效 分析 集抄 费控 智慧 用能 备品 配件 数据 交换 能源双碳解决方案 能源双碳解决方案 能源双碳解决方案 能源双碳解决方案 产业能耗对比 掌控整体能耗 优化能源结构 提升能耗产值 降低过程损耗 优化用能方案 重点设备降耗 优化工艺减耗 中央空调监控运维系统 能源管理系统 智慧园区运营管理：能效管理 02 计算力就是生产力 · 智算力就是创新力 指令消息管理 数据字典 数据总线 API/SDK 接口 数据共享交换 数据适配 数据转换接入 数据交换 数据版本控制 数据维护 统一数据管理 统一用户认证 统一外部接口 服务层 设施管理 能耗管理 资产管理 综合安防 环境空间 设备管理 便捷通行 应用层 智慧园区整体架构图 运 维 管 理 安 全 管 理 运 营 管 理 标 准 规 范  精准管控 数据驱动园区运营，

的迅猛发展，美国尤其为“电力危机”感到焦虑，而中国的人工 智能要在碳达峰目标的约束下追赶美国，算力与电力问题需要重估。 算力需求增长、能耗及排放增加的速度，始终快于算力效率、功耗效率、排放 效率提升的速度，这是导致用电量会持续增长的根本原因。生成式 AI 在内容生 成与推理方面，创造出越来越有价值的应用，而这些应用的算力、能耗与排放 的密集度也迅速上升。 来自不同行业和专业背景的机构，对智能算力的电力消费进行了为数众多的研 究，基本逻辑大同小异：先根据芯片等硬件的算力与功率，估算出数据中心的 用电量；再根据算力增长、芯片能效（单位时间内完成的计算量与消耗的电能 之间的比率）提升，以及数据中心能效 (PUE，数据中心总能耗与关键 IT 设备 能耗的比率，数字越小越接近 1，能效越高 ) 提升的预期，来推测未来一段时间 内智能数据中心的用电量增长情况。 智能算力的提供者及主要使用者，如科技企业、电信企业、政府、以及日益数 字化的许多行业，都提出了 左右。因此， 全球范围内芯片能效提升趋势相对明确，可预见的将来与英伟达 GPU 迭代周期 同步，未来有望一年一次更新。伴随着向更低精度的扩展，从 P100 到 B200 的 8 年间，训练同一个模型的能耗，理论上目前已经降至最初的 1/400 左右。 因此，导致各方预测结果分歧较大的原因，主要在于对AI算力增长的预期不一致。 这既取决于算力需求的增长，也取决于算力供给的增长，还取决于客户预算的

参数万亿/十万亿级的突破以及大模型应用逐渐在社会、生产、 生活中的广泛深入，智算/超算中心作为支撑大模型训练和推理的基础设施和核心载体，其重要性日益凸显。 2.1 核心挑战：超低时延、无损传输与能耗困局 智算中心网络作为连接海量计算资源（万卡/十万卡级）的关键组成部分，其性能直接影响到大模型训练 的巨量数据、分布计算以及并行同步的效率和效果。然而，当前智算中心网络在大规模组网架构、低时延无 置策略一致性等问题。 智算网络核心技术 05 智算网络核心技术 06 能效与成本优化 智算中心单柜能耗已达50kW，训练GPT-3一次消耗19万度电，间接排放二氧化碳超105吨。在万卡集 群中，网络设备功耗占比可达20%-30%，需通过光电融合交换、低功耗协议栈等技术降低能耗。 2）智算网络关键能力要求 超低时延与高带宽 • 技术路径：采用RDMA技术绕过GPU内核协议栈，结合 基础设施层提供智算中心硬件层面的网络加速与互联能力，支撑上层协议与调度策略。其包括支持IB或 RoCE的网络交换机、端侧的智能网卡DPU以及服务器内GPU卡间互联的总线等，其中，依托光传输高速 率、低时延、低能耗和低成本的优点，光电融合正成为智算中心内从设备到网络架构的重要演进趋势，包括 OCS光交换机、光电合封CPO交换机、高速光模块和光输入输出OIO等技术。 图2-1 AI组网逻辑架构和物理架构

的迅猛发展，美国尤其为“电力危机”感到焦虑，而中国的人工 智能要在碳达峰目标的约束下追赶美国，算力与电力问题需要重估。 算力需求增长、能耗及排放增加的速度，始终快于算力效率、功耗效率、排放 效率提升的速度，这是导致用电量会持续增长的根本原因。生成式 AI 在内容生 成与推理方面，创造出越来越有价值的应用，而这些应用的算力、能耗与排放 的密集度也迅速上升。 来自不同行业和专业背景的机构，对智能算力的电力消费进行了为数众多的研 究，基本逻辑大同小异：先根据芯片等硬件的算力与功率，估算出数据中心的 用电量；再根据算力增长、芯片能效（单位时间内完成的计算量与消耗的电能 之间的比率）提升，以及数据中心能效 (PUE，数据中心总能耗与关键 IT 设备能 耗的比率，数字越小越接近 1，能效越高 ) 提升的预期，来推测未来一段时间内 智能数据中心的用电量增长情况。 智能算力的提供者及主要使用者，如科技企业、电信企业、政府、以及日益数 左右。因此，全 球范围内芯片能效提升趋势相对明确，可预见的将来与英伟达GPU迭代周期同步， 未来有望一年一次更新。伴随着向更低精度的扩展，从 P100 到 B200 的 8 年间， 训练同一个模型的能耗，理论上目前已经降至最初的 1/400 左右。 因此，导致各方预测结果分歧较大的原因，主要在于对AI算力增长的预期不一致。 这既取决于算力需求的增长，也取决于算力供给的增长，还取决于客户预算的

域近年来保持高速增长。市场分析显示，2025 至 2030 年间，全球液冷数据中心市场 的年复合增长率（CAGR）预计为 19.8%，到 2030 年市场规模将达 240 亿美元，反映 出液冷在提升能效、降低能耗方面的显著优势及其渗透率的加速提升。 这一增长主要由数据中心对高效散热解决方案的需求驱动：一方面，人工智能服 务器和高密度计算部署（如 AI 大模型应用）导致功率密度骤增，形成液冷的刚性需 液冷技术能将 PUE 降至 1.2 以下，符合监管要求并获政策鼓励。 未来，随着 AI 技术的不断进步和发展，算力芯片功率的持续上升，液冷技术在 高功率服务器中的应用将发挥更显著的散热能力和能耗优势，从而成为数据中心散热 的主流选择。这一趋势推动全球和中国的液冷市场保持高速增长，尤其在冷板式液冷 技术的应用上，市场规模有望大幅扩大。同时，液冷技术路线随不同的应用场景逐步 完善，推动着 等核心组件，支持按需扩容，单舱体可独立运行或多舱级联，实现柔性扩展能力。 （2）高效散热能力：液冷云舱配置独立的 CDU 和列间空调，结合“芯片-机柜- 机房”三级液冷循环，动态匹配不同负载场景，减少无效能耗，兼容智算和常规通算 服务器，弹性适配不同算力场景。 （3）高可靠性：将动环、IT 网管以及整个机房资源纳入数字化管理平台，支持 未来 AI 智慧化系统接入，实时分析负载与温度场，动态调节泵速、流量及冷却路径；

月国家发改委等部门发布相关政策， 明确要求到 2025 年全国新建大型、超大型数据中心 PUE 低于 1.3 ， 国家枢纽节点低于 1.25 。根据华经产业研究院，液体浸没冷却法可有效解决这个问题，能耗可降低 90%-95% 。 u 数据中心冷却技术包含风冷冷却、水冷冷却、自然冷却及液冷冷却等技术。其中液冷分为间接冷却和直接冷却，典型方式有冷板式、浸没式。 液冷是以液体作为热量传导媒介，通 • 碳氟化合物冷却 液 液冷技术可有效降低能耗水平 u 据《中国数据中心冷却技术年度发展研究报告》， 数据中心耗能环节主要包括通信网络设备、空调系统（制冷系统）、供配 电系统、照明及其他辅助设备。其中，通信网络设备与制冷系统能耗占比较大，分别为 45% 和 40% 。通信网络设备的功耗 与 服务器上架率正相关，难以下降，因此降低制冷系统能耗是目前数据中心节能、提高能源利用效率的关键环节。 节。 u 在“双碳”背景下，数据中心要求越来越低的能耗水平。 根据中国电子节能技术协会， 液冷 PUE 低于传统风冷 PUE 至少 50% ， 意味着众多数据中心的能耗能够至少减少 50% ，碳排放量也将减少 50% 。根据 Uptime Institute 的调查数据， 2021 年全球大 型数 据中心平均 PUE 为 1.57 ，其中采用传统风冷技术的数据中心 PUE 一般在 1.8 左右，