iCooling，數據中心系統級AI節能專家

  隨著5G、云計算、AIGC大模型等新技術蓬勃興起，數據中心作為我國數字經濟飛速發展的基石和算力底座，兼具高能耗屬性，肩負著節能減碳的社會責任及適應算力需求的持續增長。

  國家工信部數據顯示，截至2022年底中國算力總規模超過150EFlops(每秒浮點運算次數)，數據中心機架總規模超過650萬。根據Uptime Institute的數據，截至2022年的全球中大型數據中心平均PUE(Power Usage Effectiveness，電源利用效率)為1.55，其中溫控制冷系統能耗占比為25%以上。

  數據中心節能審查及能耗監察趨向嚴格化

  我國數據中心市場供需地域分布不均，東部數據算力供不應求，西部地區算力供大于求，數據中心布局向西轉移，同時數據中心綠色節能發展已成趨勢?！半p碳”和“東數西算”的雙重政策下，全國新建大型、超大型數據中心平均PUE降到1.3以下，集群內PUE要求東部≤1.25、西部≤1.2，先進示范工程≤1.15。國家強制標準GB 40879-2021《數據中心能效限定值及能效等級》正式發布，數據中心能效等級指標分別為1級(PUE≤1.2)、2級(PUE≤1.3)和3級(PUE≤1.5)。

  與此同時，一線發達城市反而實行電費獎懲措施，對低效數據中心加強升級改造，力爭PUE不高于1.4，推進淘汰數據中心關停并轉。

  降本增效，傳統人工調優需要進一步解放

  數據中心PUE是數據中心總耗電量(PDC, Power of Data Center)與IT設備耗電量(PIT, Power of IT)的比值，比值越趨近于1，表示一個數據中心的綠色化程度越高。數據中心總耗電量包含IT設備耗電量、溫控制冷系統設備耗電量、供配電設備耗電量及輔助系統的耗能。其中，溫控制冷系統作為數據中心能耗最大的輔助設備，電費支出成本在運營運行期間占30%~40%。

  基于冷凍水系統的傳統BA群控系統，依賴專家經驗和人工手動操作調優，根據變容量的冷量需求分析和響應控制以及室外溫度變化，實現基于供需平衡的能效優化。

  傳統BA群控系統在運維階段能效優化難度大，一方面制冷系統原理復雜，制冷設備種類及數量多，不同設備控制變量龐大且存在響應延遲，單純依靠運維人員的專家經驗依據室外的環境溫度和實時IT功率來動態調節響應已經無法滿足能耗進一步降低的要求。另一方面，由于制冷系統內部和外部環境的動態特性(考慮天氣)，一個系統運行的定制模型和規則并不能保證另一個系統的適用，且每個制冷設備的實際運行效率也存在差異。傳統BA群控系統的人工調節參數少，調節慢，效果不明顯，實時性低。

  AI加持使能，更深層次的軟實力

  數據中心開始應用多種節能創新技術，推進數據中心綠色節能，降低單位運行成本。比如，將傳統低溫冷凍水改為采用中高溫冷凍水，充分引入間接蒸發冷卻設備代替傳統冷凍水，服務器液冷技術更是使數據中心PUE降低到了極致。同時，隨著大數據分析及AI技術的成熟應用，基于服務器級負載響應和溫度控制的iCooling@AI算法軟件調優加持，使能傳統冷機群控系統和末端空調群控系統能夠實時調節，更頻繁更高效的尋找最佳PUE，助力運行PUE接近設計PUE。

  相比硬件設備的創新，華為iCooling軟件調優節省投資，易交付，PUE節能見效快，投資回收期普遍<2年。

  華為iCooling首先通過融合深度學習算法+能源大模型，利用華為自有數據中心大批量高質量的運行數據，基于昇騰底座的超大規模模型建模及訓練調優的能力，根據系統運行的歷史數據積累，結合專家知識，利用DNN方法，擬合PUE、制冷能耗、設備單機效率的數學預測模型。

  基于PUE的預測模型，獲取實際場景與PUE敏感的特征值，利用模型中的特征如大氣條件、IT負載等參數進行負荷的數據建立本地模型。整個過程中，iCooling通過海量數據采集、數據處理(脫敏、去雜、歸一等)、PUE模型訓練&推理、最佳PUE決策建議下發給BA冷機群控系統和末端空調群控系統，從而實時驅動底層設備運行狀態調整，周而復始的保持最佳PUE狀態。另外，在負載率變化≥5%或室外溫差≥3℃，iCooling重新構建PUE訓練模型，自動尋優。

  華為iCooling從數據安全、控制安全、運行安全三個層次解決實際應用問題，基于聯邦學習和遷移學習算法，本地部署保障AI模型訓練數據無需出局，同時具備雙層邏輯控制的AI優化控制主動、被動退出機制，滿足運維SLA要求，調測更省心。目前華為iCooling已在金融、運營商、大企業和智算中心行業應用60+案例，使能運行PUE降幅可達：水冷冷凍水8%~15%、風冷冷凍水5~8%、華為EHU 3%~5%。華為iCooling幫助數據中心運行PUE接近設計PUE的同時，也有利于客戶申報零碳、綠色數據中心優秀案例。