基于风险信息的多目标技术经济评估：在老旧空气冷却数据中心中实施带有热回收功能的空气-液体改造方案

《ENERGY AND BUILDINGS》：Risk-informed multi-objective techno-economic assessment of air-to-liquid retrofits with heat recovery in legacy air-cooling data centers

　　赵润辰|胡金鹏|孙英涛|杨涵|于浩|赵存璐|王秋旺|李志刚|段飞|杨春|焦艳梅|季东旭|王宇
南京工业大学物理与数学科学学院，中国南京211816

**摘要**
随着生成式人工智能的快速发展，许多中型传统风冷数据中心面临着电力密度增加、冷却能耗上升以及冷却水压力增大的问题。然而，由于现有基础设施、电力容量限制和业务连续性要求，全面更换往往不切实际。在当前的低碳发展目标和以资源为导向的废热利用政策下，热回收已成为改造评估中的一个重要方面。现有研究主要依赖于确定性或基于平均值的比较，很少提供面向尾部风险的改造决策框架。为了解决这一差距，本研究开发了一个适用于1-4 MW传统风冷数据中心的多尺度技术经济评估框架。该框架将冷板液体冷却、房间级冷却系统、冷却塔和热回收整合在一个统一的模型中，并进一步结合了三角蒙特卡洛模拟、VaR/CVaR、随机森林替代模型和多目标筛选方法。在深圳、南京和乌鲁木齐三种代表性气候条件下评估了改造方案。结果表明，与基准方案相比，优选方案可将投资回收期的尾部风险降低约1.69-4.19年，而PUE的尾部风险仅略有变化。这表明改造决策不应仅关注降低PUE，还应考虑经济稳健性、水侧效益和工程可行性。总体而言，所提出的框架超越了静态性能比较，为不同城市条件下的分阶段升级和稳健改造提供了定量支持。

**引言**
在云计算、第五代移动通信和生成式人工智能的共同推动下，全球数据流量和计算需求持续增长，这对数据中心（DC）构成了巨大挑战。情景分析表明，数据中心和数据传输网络已经占全球电力消耗和温室气体排放的约1-2%，并且在高AI负载情景下，其相关电力使用和碳排放在未来十年内可能会显著增加[1][2][3]。在典型设施中，风冷（AC）系统占总电力消耗的约30-40%。因此，在不影响服务可靠性的前提下减少冷却能耗仍然是数据中心实现净零排放目标的关键手段[4]。
同时，数据中心的水足迹也引起了越来越多的关注。湿式冷却技术（如机械通风冷却塔和间接蒸发冷却）可以显著降低电力消耗，但也会增加蒸发水和排水水的使用量，这在水资源紧张的地区可能产生额外的环境压力。现有研究表明，在炎热潮湿的气候条件下，传统风冷数据中心常常同时面临两个不利条件：高功耗效率（PUE）和冷却塔中的大量用水[5][6][7]。对于东亚地区而言，由于实施了多项能源强度控制政策（如碳峰值和碳中和）以及数据中心能效分级，如何以相对较低的成本改造大量老旧的风冷设施以减少能源和水资源使用是一个紧迫的工程挑战[8][9][10][11]。
冷板液体冷却（CPLC）因其靠近芯片的位置而具有较高的热传递性能，已被认为是去除信息技术设备和AI服务器产生的超高热流的关键技术途径。研究表明，由AC和CPLC组成的混合空气-液体冷却（HALC）系统在系统层面可以提供最高的冷却性能，因为AC和CPLC可以分别应用于具有低和高热流密度的电子组件[12][13]。与传统纯AC相比，HALC可以在高功率服务器场景中大幅降低芯片结温及冷水机组负荷，从而实现与当今高效数据中心相当甚至更好的整体能源性能，同时产生可用温度的废热[14][15][16]。然而，在现有设施中部署CPLC改造面临多重限制。传统数据中心在电力分配、空间布局和冷却系统配置方面存在很大差异，且基本设计和运行数据往往不完整[17][18]。此外，将废热连接到区域供热网络或多能源系统的基础设施条件和商业模式在不同地点之间存在很大差异，导致改造方案的经济性和风险存在显著不确定性。尽管有几项综述总结了将数据中心废热引入区域供热网络的技术选项和障碍，但专门针对传统风冷设施和带有废热回收的HALC改造的定量评估框架仍然很少[19][20][21][22][23][24]。
从方法论角度来看，关于CPLC的研究长期以来主要集中在芯片或单通道尺度上。大多数研究使用实验或计算流体动力学来优化通道几何形状、材料和流动分布，并从芯片温度降低、温度均匀性和单位压力降下的热传递能力等方面评估性能[25][26][27][28]。只有少数研究将CPLC分析扩展到整个数据中心规模，但这些研究通常假设参数值是确定的，并且仅报告能效指标或单一经济指标（如简单投资回收期（PBP）或净现值[5][20][29]。很少有研究以一致的方式量化冷却塔的用水量、二氧化碳减排量及其不确定性。相比之下，蒙特卡洛（MC）模拟和风险度量（如风险价值（VaR）和条件风险价值（CVaR）已在可再生能源和综合能源系统研究中广泛用于分析在不确定负载、价格和设备性能下的投资风险[30][31]。它们在数据中心节能改造，特别是CPLC改造中的应用仍然非常有限。现有工作很少回答诸如在一系列不利条件下PBP是否仍然可接受，或者从风险角度来看，节能、节水和减排是否相互增强或涉及权衡等问题。
近年来，多目标进化算法和机器学习方法已被引入数据中心能效优化中，例如用于调整冷却控制参数或构建数据驱动的能耗预测和运营决策模型[32][33]。然而，这些研究大多关注新建设或大规模云数据中心的使用，而不是现有设施的改造规划。它们通常依赖于性能指标的确定性点估计，并没有提供将基于物理的模型、参数不确定性的蒙特卡洛传播、风险度量构建、替代建模和多目标决策相结合的集成工作流程[34][35]。
为了比较不同城市条件下的改造结果，本研究评估了三个具有代表性的中国城市：深圳（炎热潮湿）、南京（炎热夏季寒冷冬季）和乌鲁木齐（寒冷干燥），分别代表这三种气候类型。这种设置为在不同湿球温度、冷却季节特征和资源使用背景下比较改造方案提供了统一的基础。在这种背景下，将传统风冷数据中心改造为HALC系统仍面临三个问题：缺乏将组件级热流体行为与设施级能源、水和经济响应联系起来的框架；在改造评估中对不确定性和尾部风险的处理有限；以及缺乏用于比较可行改造路径的标准化决策工作流程。为了解决这些差距，本研究开发了一个基于风险的信息驱动的多尺度评估框架，用于传统风冷数据中心的改造规划。该框架的贡献不在于优化单一冷却指标，而在于建立一个统一的评估链，将冷板热流体行为与房间级冷却和热排放响应、冷却塔补充水、经济回收期以及在不确定性下的可行性联系起来。通过将蒙特卡洛传播、VaR/CVaR尾部风险表征、替代预测和多目标筛选嵌入到一个工作流程中，该研究将改造评估从确定性点比较提升到了可实施的组合选择。这样，它为不同类型设施、流量设置、热回收路径和城市边界条件下的分阶段改造提供了可比较、可复制和以决策为导向的基础。

**部分摘录**
**电力平衡和功耗效率**
图1显示了传统风冷数据中心的典型布局和性能指标。IT设备消耗的电力用PIT（千瓦）表示。非IT设施消耗的所有其他电力，如冷却功率Pcooling（千瓦）、照明、UPS损耗和电力分配损耗Pelec-losses（千瓦），统称为PnonIT（千瓦）。然后，供应给数据中心的总电力Pfac（千瓦）可以定义为[1][37]：
Pfac = PnonIT + PIT

**综合热经济建模和基于AI的决策框架**
如图2所示，所提出的框架从1-4 MW的传统风冷数据中心案例和关于电价及排放因子的假设开始。这些输入与冷板性能和成本库结合，以定义改造设计空间。基于物理的热经济模型评估每个候选设计。房间级指标包括PUE、WUE、泵功率、可回收废热、改造资本支出、年度运营成本和减排量。

**模型验证和MC收敛性**
为了验证模型的合理性并支持后续MC分析的数值稳健性，我们将模型与表3中两个独立的、现场报告的直接到芯片的液体冷却改造案例进行了基准测试。对于LLNL案例，模型再现了1.60的基准PUE，并预测改造后的PUE为1.51，接近报告的1.53，相对误差为1.3%[82][83]。对于MHPCC案例，模型再次匹配了1.70的基准PUE，并预测改造后的PUE为……

**结论**
本研究开发了一个基于风险和多目标的评估框架，用于评估典型1-4 MW传统风冷数据中心的冷板液体冷却改造及其与热回收方案的结合。该框架不是依赖确定性点比较，而是将冷板热流体行为与房间级冷却和热排放、用水、经济回收期以及在不确定性下的可行性联系起来，从而为……提供了可计算的基础。

**未引用参考文献**
[36][84]

**关于生成式人工智能和AI辅助技术在文稿准备过程中的使用声明**
在准备本工作时，作者使用了ChatGPT来修正语法问题并协助绘制图1(a)的主要面板。使用该工具/服务后，作者根据需要审查和编辑了内容，并对已发表文章的内容负全责。

**作者贡献声明**
赵润辰：撰写——原始草稿、验证、方法论、正式分析、数据整理、概念化。
胡金鹏：撰写——审阅与编辑、撰写——原始草稿。
孙英涛：撰写——审阅与编辑、撰写——原始草稿。
杨涵：撰写——审阅与编辑、撰写——原始草稿。
于浩：撰写——审阅与编辑、验证、软件。
赵存璐：撰写——审阅与编辑、验证、监督。
王秋旺：撰写——审阅与编辑、验证。

**利益冲突声明**
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。

**致谢**
本研究得到了中国国家自然科学基金[项目编号52576095, 52106246]和深圳市科技创新委员会[项目编号KCXST20221021111609024, JCYJ20220818103010021]的支持。