⚡ 电气工程

IT-power feedforward halves pump energy in liquid-cooled data centres

用以 IT 功率作为输入变量的直接前馈控制策略取代基于温度的反馈控制，降低了液冷数据中心 56% 以上的泵能耗和峰值结温，证明了所观测到的变量比算法复杂度对效率的影响更为关键。

原作者： Yang Liu

发布于 2026-10-29

📖 1 分钟阅读☕ 轻松阅读

原作者： Yang Liu

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

在为我们的数字世界提供动力的庞大服务器机房内，一场关于如何防止机器过热的静默革命正在发生。随着人工智能变得日益强大，运行这些系统的计算机机架正变得极其密集，将如此多的计算能力压缩进单个机柜中，以至于传统的空调系统已无法跟上节奏。为了解决这个问题，工程师们转向了液体冷却技术，即通过一种特殊的液体直接泵送到发热的计算机芯片上方，将热量带走。然而，这种方案带来了它自身的问题：驱动这种液体的泵现在成了冷却系统本身最大的能耗来源。这些泵消耗的能量并不是呈线性增长的；相反，它的增长是爆发性的。如果你将水流速度增加一倍，泵为了推动这些水所需的能量就会增加八倍。这意味着，找到保持芯片安全所需的绝对最小流量，是节省电力的最重要途径。几十年来，控制这些泵的标准方法一直是监测冷却液的温度。泵会等待水变热，然后才加速以进行冷却。这种方法是反应式的，意味着系统总是在热量已经出现之后才去追赶热量。

独立研究员杨柳（Yang Liu）的一项新研究挑战了这一长期存在的方法，并提出了一种更简单、更快速的方法。该研究者建议，与其等待观察温度上升，不如让泵直接监测计算机芯片消耗的电量。由于芯片产生的热量与它消耗的功率直接相关，系统可以在热量到达之前，精确计算出需要多少水流量。在一项针对高功率服务器机架的详细计算机模拟中，这种通过预判功率使用情况——而非对温度做出反应——的方法，将泵消耗的能量降低了一半以上。具体而言，与一个经过 90 多个参数精细调整以实现最佳性能的高度优化传统控制器相比，新方法将泵的能耗降低了 5c6.2%。模拟结果显示，这种新方法不仅节省了大量电力，还使计算机芯片保持得更凉爽，将其峰值温度降低了 5 摄氏度以上。

这项研究表明，效率的关键在于控制器观察的对象，而非其算法的复杂程度。所提出的系统使用基于功率读数的直接计算，不需要复杂的预测模型或从过去数据中学习。它只需读取功率，计算所需的水流量，并立即调整泵速。相比之下，传统的基于温度的控制器必须等待水变热，然后增加流量，再等待温度下降。这种延迟造成了一个循环：泵经常在不需要时移动过多的水，从而浪费能源；或者在活动突增期间提供过少的水，从而面临过热风险。研究发现，新方法将水流量保持在每分钟 26 到 86 升之间，而传统方法则在每分钟 14 到 117 升之间剧烈波动，经常超出目标值。

研究人员还测试了工程领域的一个常见想法：即通过更长远的预测来预判负载增加，从而帮助系统做好准备。他们模拟了一个场景：泵会在计算机任务开始前几分钟就开始加速，希望能为热量做好准备。结果令人惊讶。提前最多五分钟进行预判，实际上增加了 45.5% 的能耗，却没能带来任何冷却收益。这是因为所需的水流量是对正在使用的功率的即时响应；在功率上升之前增加额外的流量没有任何意义，因为此时温度仍处于安全状态。研究得出结论，只有当泵本身的响应速度极慢时，提前观察才会有用，但在本实验设置中并非如此。研究人员还探讨了通过在不同服务器机架之间转移水流是否可以节省能量，但发现每个机架都有基于其自身热负荷的严格最小流量要求。试图从一个机架取水给另一个机架，只会破坏捐赠机架的安全限制，这证明了节能来自于精准满足每个机架的需求，而非在资源间进行调度。

这项工作虽然目前仍是计算机模拟而非物理实验，但为未来数据中心的设计提供了一条清晰的路径。研究结果表明，降低能耗最有效的方法是停止将冷却系统视为对温度的反应，而是将其视为对功率消耗的直接响应。通过使用一种将功率使用与水流量直接挂钩的简单五步规则，数据中心可以大幅削减电费并减少其环境足迹。研究强调，解决方案并不需要更聪明、更复杂的软件，而是需要一种更明智的测量选择。在一个数据中心电力需求预计在未来几年内翻倍的世界里，将关注点从热量的结果转向热量的起因，提供了一个简单且强大的效率工具。

技术摘要：液冷数据中心中的 IT 功率前馈控制

问题陈述
在现代液冷数据中心，特别是支持高密度 AI 集群（每机架 50–120 kW）的场景中，循环冷却液的泵已成为冷却回路中最大的单一能耗来源。泵的功耗与流量呈立方关系（ $P_p \propto Q^3$ ）。因此，受控变量的选择从根本上决定了可实现的能量底线。目前的行业实践依赖于温度反馈控制，即根据冷却液温度或芯片结温来调节泵速。这种方法是响应式的：控制器在热偏差（结果）发生后才增加流量，尽管热负荷（IT 功率，原因）在配电单元（PDU）或服务器基板处是可以实时测量的。本文研究了通过使用基于 IT 功率的直接前馈控制来取代温度反馈，是否能够突破由响应式温度控制所建立的能量底线。

方法论
本研究使用了一个特定负载剖面（从 30% 阶跃至 100%，随后降至 40%）下的 90 kW 机架的一维集总参数数值模型。该模型受三个物理关系支配：能量守恒、二次网络特性（ $H = SQ^2$ ）以及由此产生的泵功耗定律（ $P_p \propto Q^3$ ）。

三个硬性约束定义了可行操作空间：

结温 ( $T_{chip}$ )：不得超过 85 °C。
供回水温差 ( $\Delta T$ )：不得超过 15 °C。
执行器斜率：流量变化限制在泵的全量程 60 秒内完成。

作者比较了三种控制策略：

温度反馈（基准）：一个比例控制器（ $q_{cmd} = Q + k_p(T_{chip} - T_{sp})$ ），在 90 组参数集（ $T_{sp}$ 和 $k_p$ ）的网格上进行了调优。选择满足所有约束的最低能耗配置作为基准。
IT 功率前馈：一种闭式控制律，根据测得的 IT 功率 ( $P_H$ ) 瞬时计算所需流量。流量需求是通过反转约束导出的代数方程： $Q \geq \max(Q_{S1}, Q_{S2})$ ，其中 $Q_{S1}$ 确保 $T_{chip} \leq 85$ °C，而 $Q_{S2}$ 确保 $\Delta T \leq 15$ °C。该控制器不包含反馈路径、无 PID 环路，也无预测功能。
前瞻策略：前馈控制器的变体，通过预判未来的负载增加（提前 0 到 600 秒）来测试预先提升流量是否能节省能量。

此外，还模拟了一个多机架场景（80 kW、50 kW 和 30 kW 机架共享一个公共集管），以测试通过机架间流量重新分配实现节能的可行性。

关键结果

能量降低：与经过最优调优的温度反馈控制器相比，IT 功率前馈控制器降低了 56.2% 的泵功耗（在 1800 秒的模拟中，分别为 0.0765 kWh 和 0.1747 kWh）。
热性能：前馈法还将峰值结温降低了 5.14 °C（78.50 °C 对比 83.64 °C）。
流量动态：反馈控制器在瞬态期间表现出供应不足，而在稳态期间表现出供应过度。前馈控制器将流量严格维持在必要范围内（26–86 L min⁻¹），避免了反馈回路中出现的过度流量（高达 117 L min⁻¹）。
前瞻惩罚：实施前瞻策略（在负载阶跃前提高流量）导致了负收益。300 秒的前瞻增加了 45.5% 的泵功耗，却未能降低峰值温度。这是因为流量需求是功率的瞬时函数；在功率上升前增加流量并不能满足任何约束，且执行器速度（60 秒斜率）足以处理该阶跃而无需预判。
机架间重新分配：试图通过减少一个机架的流量并增加另一个机架的流量来节省能量的做法失败了。虽然在模拟中总泵功率略有下降，但捐赠机架立即违反了其 15 °C 的温差约束。研究结论认为，下限是由单个机架的负载设定的，并非可转移的资源。

意义与主张
本文认为，液冷领域主要的能效低下的来源不是算法的复杂程度，而是观测变量的选择。

因与果：温度是热平衡的结果；控制它需要等待误差累积。IT 功率是原因；它与所需流量的关系纯粹是代数性的。通过观测“因”，控制器可以在偏差产生之前防止其发生，而不是在偏差发生后进行修正。
简洁性：所提出的方案仅需五行代码，无需 PID 调优，无需机器学习，也无需预测模型。其增益源于系统的物理特性和实时功率数据的可用性，而非复杂的控制理论。
结构性限制：研究表明，如果每个分支都必须独立满足自身的热约束，那么机架间的协调无法节省能量。最小能量状态是各分支独立下限的向量。
运行洞察：在测试参数中，起约束作用的是 15 °C 的供回水温差 ( $\Delta T$ )，而非 85 °C 的结温限制。这表明 $\Delta T$ 规范是影响能源效率的一阶运行参数，而非仅仅是一个惯例。

作者明确指出，这些结果是基于集总参数模型的数值模拟，并未包含硬件接口、冗余或特定场地的变量。然而，结果显示出了清晰的数量级和趋势：使用 IT 功率前馈取代温度反馈，可以显著且即时地降低辅助冷却能耗。

技术摘要：液冷数据中心中的 IT 功率前馈控制

类似论文