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。

年我国算力总规模已达 230EFLOPS，智能算力增速高达 45%。然而，这种增长也带来了严峻的能源问题，全国数据中心年 耗电量突破 1500 亿千瓦时，占全社会用电量的 1.6%，单次 AI 大模 型训练的能耗相当于数百个家庭年用电量。与此同时，我国电力系 统正在经历深刻变革，新能源装机占比已突破 50%，但“弃风弃 光”与东部电力短缺并存的结构性矛盾日益凸显。这种算力需求激 增与能源转型的双重压力，使得构建高效、低碳的算电协同体系成 亿千瓦时，占全社会用电量的 1.6%，相当于三峡电站全 年发电量的 1.5 倍。更值得关注的是，随着大模型技术的快速发展， 单次训练能耗屡创新高——OpenAI 的 GPT-3 模型训练耗电达 128.7 万千瓦时，相当于 430 个家庭一年的用电量；而 GPT-4 的能耗预计是 前者的 3-5 倍。 与此同时，我国电力系统正经历深刻变革，新能源装机占比已突 破 50%，但消纳问题日益突出。2024 在算电协同体系中，算力资源的异构性是调度管理的关键挑战。 当前计算资源呈现出多层级（云、边、端）、多架构（CPU、GPU、 FPGA、ASIC）以及多运营域（公网、私网、专网）并存的格局。与 此同时，各类算力节点在任务响应能力、能耗水平、部署位置等方面 存在显著差异，若无法统一建模与纳管，将严重制约协同效率。因此， 构建面向多元异构算力资源的适配与纳管机制，是实现算电协同调度 的核心基础[2]。 面向异构算力系统的纳管体系，主要从资源建模、能力抽象、标

经济在过去几十年中一直保持着高速增长，而应对气候变化也已成为中 国可持续发展的内在需求。中国政府在2020年明确提出了力争于2030年 碳达峰、2060年碳中和的战略目标；同时，也面临着能源结构不尽合理，单 位GDP能耗较高等一系列重大现实挑战，使得实现双碳目标的任务紧迫而 艰巨。 西门子作为全球率先宣布碳中和目标的大型科技企业之一，凭借深厚的 技术积累和创新，致力于科学的、系统的“双碳”顶层设计，通过提供先进 减排和业务发展难以协调，亟需区分减排的 重点，节能减排方案收益难以量化 缺乏低成本节能减排方案，传统节能项目成本 高、周期长、影响生产 各下属企业上报数据质量低， 统计维度混乱，难以进行统一 的分析和展示 能耗和碳排放KPI下发流程繁 琐，时效性差 园区管委会和大型集团能源、碳管理部门 01 02 03 各下属企业安装不同的管理 平台，管理效率低 ECX的解决方案 核心优势介绍 1.可视化与对 专业版 集团总览 企业总览 能耗分析 微网管理 低碳管理 集团关键指标 能源拓扑组态图 系统运行组态图 配置关键指标，集团页面进行汇总统计和展示 强大能源拓扑图编辑器，提供丰富2.5D 图元，可快 速编辑能源系统拓扑图和能源系统组态图 GIS 项目地图 地图视角快速了解项目能源系统概况 能耗结构和碳排放结构 分类型能源、 碳排放实时数据 能耗分析 能源桑基图 指标管理

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

•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

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；

融合建筑领域各类数据，联动设备 运行指标 、能耗信息及环境监测， 实现精细用户画像，助力科学调度 与资源配置 智 能 故 障 识 别 与 诊 断 结合人工智能算法，自动提 取设备 特 征 ，识别潜在异常，构建以专家 经验为核心的诊断体系，为故障根 源定位和问题处理提 供有力建议 智慧 能耗与碳排管控 依托大模型和数字孪生，实时监控、 动态仿真与智能调控，形成能耗预 测、碳排溯源与节能优化的闭环 的策略参考，助力管理优化 人 机 智 能 协 同 互 动 通过大模型驱动对话，实现业务咨询反 馈的迅捷与精准，员工能够自动检索和 获取相关业务知识 自 动 化 报 告 编 制 实现巡检报告 、能耗 评估及故障追 踪报告 的自动 撰写和智能校验，提 升管理流程标准化和工作效率 DeepSeek 对行业带来的新技术思路 ( 部分 ) 柔性 制造：在实现智能化的过程中，需要更灵活的开发与部署方式 实现的关键： · 工程化要求：需要熟练的工程实现人员参与，确保模型从实验到生产的平稳过渡 · 高投入：必须依赖大数据、大算力、大资金和大能耗的支持，推动模型性能最大化 面临的挑战： · 开发难度：当前人工智能模型的开发周期长，难度高，存在成本与效率的矛盾 · 规模化瓶颈：从试验性产品到生产线产品，需要解决模型适配性与通用性问题