这次我们来看一个技术和工程问题AI 数据中心的用水量。Sam Altman 近期的公开言论谈到 AI 的资源消耗与基础设施压力Satya Nadella 则用微软 Wisconsin 数据中心的例子做了一个非常生活化的类比称其年用水量大约相当于一家餐厅。这两个说法放在一起公众讨论的是“AI 到底费不费水”但数据中心运维和基础设施规划人员更应该讨论的是另一组问题水在数据中心里是怎么被消耗的用什么指标量化能不能通过设计和运行把单位算力的用水量降下来这篇文章不评价哪一种说法更准确而是把“AI 数据中心用水量”拆成一个可落地的技术话题来写。你会看到数据中心用水的主要去向、冷却架构的耗水特性对比、用水量估算思路、运行监控方法以及降低水耗的工程手段。不管是做数据中心规划设计、机房运维还是为 AI 算力项目做基础设施评估这篇文章都可以当作一个基础参照。1. AI 数据中心为什么开始谈“用水量”先回答一个很多人关心的问题AI 数据中心和水有什么关系直接原因是算力的增长。大规模 AI 训练和推理集群的功率密度远高于传统互联网机房单机柜功率从原来的 5kW-10kW 向 30kW、50kW 甚至更高演进。功率密度提高之后发热量同步上升制冷系统必须带走更多热量。带走热量有两条主线一条是风冷一条是液冷。风冷系统里常见做法是空调制冷、自然冷却和蒸发冷却液冷系统里水或专用冷却液直接进入 IT 设备或靠近 IT 设备的冷板把热量导出。无论哪种路线只要冷却侧使用了水作为热量搬运介质就存在补水量、蒸发量和排放量的问题。数据中心里水不仅用于制冷。机房精密空调需要加湿冷却塔需要补水水处理系统需要再生和排污部分新建项目还会把余热回收和区域供暖联动起来。这些用水项加在一起就构成了数据中心的总用水量。还有一个容易被忽略的因素用水量不是一个固定数字。它跟 IT 负载率、气候条件、冷却设备运行策略、水质管理方式都有关系。同一个园区冬天和夏天不一样白天和晚上不一样负载高和负载低时也不一样。所以讨论“AI 数据中心用水量”本质上是在讨论一个动态的、需要持续监测和优化的工程参数。从行业观察来看AI 数据中心的水耗问题被多次讨论不是偶然。算力密度上升让单个项目的水耗绝对值变大而公众和监管机构对水资源使用的关注度也越来越高。对技术团队来说最好的应对方式是用数据和工程手段把账算清楚。2. 数据中心用水量的核心指标与计算口径要讨论用水量先要统一口径。行业内常用的指标不只有“年用水量”这一个绝对值还有相对效率指标。下面的表格整理了在数据中心可持续运营中经常出现的几个指标指标英文/缩写计算口径说明能源使用效率PUE总用电量 / IT 设备用电量衡量电能使用效率越低越好水使用效率WUE总用水量 / IT 设备用电量衡量单位 IT 用电对应的耗水量碳使用效率CUE总碳排放量 / IT 设备用电量用于衡量碳排放强度补水率Makeup Rate系统补水量 / 循环水量反映冷却水系统蒸发、排污、漂水情况浓缩倍数Cycles of Concentration循环水电导率 / 补充水电导率影响排污量和药剂投加量IT 负载率IT Load Ratio当前 IT 负载 / 铭牌或设计 IT 负载影响所有效率指标的可比性WUE 是这篇文章的核心指标。它的分子通常是一段时间内的总用水量单位可以是立方米或升分母是同一时间段内 IT 设备消耗的电能单位是千瓦时或兆瓦时。最终结果常用 L/kWh 或 m³/MWh 表示。计算口径要特别注意总用水量到底包含哪些项目是否包含办公用水是否包含施工期用水是否包含生活用水不同项目对外披露时口径可能不同。做内部对标时要明确写出“计算边界”否则两个园区之间很难直接比较。例如A 园区把冷却塔补水和加湿补水计入 WUE 分子不含办公用水。B 园区把所有市政进水量都计入包括办公和景观用水。这样算出来的两个 WUE 并不具有可比性。建议在项目初始阶段就确定口径并写入运维手册。另一个容易混淆的点是时间和负载。同一个园区在 20% 负载和 80% 负载下WUE 可能差异明显。低负载时冷却设备仍可能保持较差的运行效率导致水耗效率偏高。因此任何 WUE 数据都要附带负载率、季节和统计周期否则就只是“一个数字”而不是一个可用的工程结论。3. 数据中心里的水用在哪里把水耗拆开看数据中心用水主要集中在四个环节。第一个环节是冷却塔补水。开式冷却塔是传统数据中心常见设备。冷却塔里的循环水与空气接触一部分水蒸发带走热量蒸发掉的水需要补充同时循环水在反复浓缩后电导率升高还需要排污排污量也要补水来平衡。蒸发和排污是冷却塔补水的两个主要来源。第二个环节是精密空调加湿。机房对环境湿度有要求常见的湿度控制范围在 40%-60% 之间具体按设备厂商要求和机房等级确定。冬季干燥地区加湿量会明显上升。加湿方式包括电极加湿、蒸汽加湿和湿膜加湿不同方式的耗水量和能耗特征不同。第三个环节是水处理系统。冷却水不是直接用自来水就能长年运行的。为了防止结垢、腐蚀和微生物滋生需要投加阻垢剂、缓蚀剂、杀菌剂同时通过旁滤和排污控制水质。水处理系统本身需要消耗一定水量排污水中还含有化学药剂排放前要满足环保要求。第四个环节是辅助用水和余热回收。部分数据中心会使用中水、雨水收集系统用于景观灌溉或冷却塔补水也有项目把服务器热量通过热泵回收后输送到区域供热管网。这些系统会改变水在园区内的循环路径有的环节反而会降低对外部新鲜水的依赖。用水环节典型设备主要消耗方式是否计入 WUE 分子常见做法冷却塔补水开式冷却塔蒸发、漂水、排污计入加湿用水精密空调、加湿器蒸汽或湿膜消耗计入水处理软化器、RO、加药系统再生、浓水排放、反洗计入生活办公用水卫生间、厨房直接消耗视披露口径而定景观与杂用水绿化、洗车灌溉、冲洗视披露口径而定从这张表可以看出同一个项目的不同系统是否计入 WUE 分子会直接影响最终数字。对外披露时服务商通常会附上计算边界说明。运维团队在查看第三方报告时也要先看口径。4. 常见冷却架构的耗水特性对比数据中心的冷却架构有多种选择不能简单说“用水就一定不好”或“风冷就不耗水”。下面按常见类型做一个横向对比。冷却架构散热介质耗水特性典型场景风冷直膨式空调制冷剂基本不耗水耗电较高小型机房、边缘节点开式冷却塔水冷冷水机组水/制冷剂蒸发和排污耗水明显中大型传统数据中心闭式冷却塔水/空气蒸发耗水小于开式塔循环水与空气不直接接触需要控制水质的项目间接蒸发冷却 AHU空气/水间接段避免送风污染湿模式耗水干模式基本不耗水干燥气候地区空气侧自然冷却液冷冷却塔冷却液/水一次侧温度高冷却塔全年运行时间短水耗低于传统风冷AI 高功率密度机柜液冷干冷器冷却液/空气基本不耗水但干冷器占地面积大噪声和电耗需评估水资源紧张地区结合 AI 数据中心的趋势液冷是目前最受关注的路线之一。GPU 服务器的热流密度逐年提升风冷能带走的热量越来越有限。液冷系统可以把热量直接送给冷却水或冷却液减少制冷压缩机的耗电同时提高冷却侧供水温度。供水温度提高以后冷却塔的开启时间可以缩短很多时段可以直接用干冷器或自然冷却水耗随之下降。但液冷并不是“零水耗”。一次侧如果仍然采用开式冷却塔那么在夏季高负荷时段依然需要补水。真正意义上的“零耗水”往往要求采用全干冷方案或者在缺水地区配合水源替代方案比如中水复用和雨水收集。上表里的耗水特性是比较口径不是绝对值。实际项目要做热力学计算拿到设备厂商的选型曲线再判断。间接蒸发冷却 AHU 这几年也频繁被讨论。它的工作原理是室外空气先被蒸发冷却再通过换热芯体给机房送风降温。在湿模式下喷淋水蒸发会消耗水量在干模式下不喷水只通过空气换热基本不耗水。干燥、温差大的气候条件下干模式运行时间长水耗比例会低于湿热地区。对运维团队来说选择哪种架构不只是看“环保”还要看当地气候、电价、水价、可用水量和维护能力。水资源充足地区传统水冷系统在很多场景下仍是效率不错的选择水资源紧张地区则要优先考虑干冷、液冷和中水回用。5. 冷却系统用水量估算思路在没有详细设计图纸和设备选型时可以通过热平衡公式对冷却系统用水量做一个粗估。下面这套思路不是精确设计而是用于项目前期评价和趋势判断。Q m × Cp × ΔT其中Q 是冷却系统需要带走的热量单位 kW。m 是冷却水质量流量单位 kg/s。Cp 是水的比热容常取 4.186 kJ/(kg·K)。ΔT 是冷却水供回水温差单位 ℃。如果冷却侧热负荷为 Q冷却塔的蒸发损失量可以按循环水量的一定比例估算。这个比例并不是固定值会随气象条件、负荷率和冷却塔类型变化行业内做初步测算时常按循环水量的 1%-2% 估算蒸发损失再另计漂水和排污。漂水比例取设备厂商样本数据排污量则由水质和浓缩倍数决定。下面是一段示意性的 Python 计算脚本用来说明估算框架。实际项目中的参数必须替换为当地气象条件和设备样本值。# 冷却系统用水量粗估 # 参数需要按实际项目替换本代码仅用于说明计算方法 Cp 4.186 # kJ/(kg*K) Q_it 1000.0 # IT负载kW cooling_share 0.8 # 假设80%热负荷由水系统带走 delta_t 5.0 # 冷却水供回水温差℃ evap_ratio 0.015 # 假设蒸发损失占循环水量比例 Q_cooling Q_it * cooling_share # kW mass_flow Q_cooling / (Cp * delta_t) # kg/s evap_loss mass_flow * evap_ratio # kg/s # 漂水与排污按比例另算这里只做蒸发量示例 # 1 kg/s 水约等于 3.6 m³/h print(f水系统散热负荷{Q_cooling:.0f} kW) print(f循环水质量流量{mass_flow:.1f} kg/s) print(f蒸发损失估算{evap_loss:.2f} kg/s {evap_loss * 3.6:.2f} m³/h)假设一台 1MW 的 IT 负载80% 热量进入冷却塔供回水温差 5℃蒸发损失比例按 1.5% 估算循环水量大约在 38kg/s 的量级蒸发损失约 0.57kg/s折算成体积流量大约是 2m³/h 左右。再叠加漂水和排污补水需求会更高。冬季或负载较低时使用自然冷却的时间变长水耗会下降。这是一个示例不代表某个真实机房。真正做方案时还要把冷却塔台数、风机功率、水泵扬程、管网长度、水质指标、当地湿球温度和全年小时数都放到设计模型里逐小时计算全年水耗。不要让一个简化公式直接拿去当设计依据。6. 降低数据中心用水量的工程手段降低 WUE 不能只靠一个设备而是要从系统层面调整。下面几个方向是数据中心项目中比较常见的优化路径。第一提高冷却水供水温度。传统风冷机房的冷冻水供水温度通常在 7℃ 或 12℃ 左右。提高供水温度之后冷却塔自然冷却的运行时间变长冷水机组压缩机能耗下降。对于热流密度高的液冷服务器冷却侧供水温度可以进一步提高甚至接近服务器允许的温度上限。供水温度越高室外干球温度低于水温的时间窗口就越长自然冷却和干冷器的作用越明显。第二合理配置干冷器和冷却塔。在缺水地区可以采用“干冷为主、湿冷为辅”的策略。春秋季和冬季开启干冷器夏季高温时段再启动冷却塔。这样可以在全年多数时段减少蒸发损失。设计时需要校核干冷器占地面积、风机噪声和对建筑结构的影响。第三使用闭式冷却塔或间冷系统。闭式冷却塔的循环水在盘管内流动喷淋水和空气在盘管外侧换热。与开式塔相比管内介质与外界隔离水质好控制补水中的蒸发量和排污量都可能降低。但闭式塔本身造价和风机能耗通常高于开式塔需要结合电费和水费做全寿命周期成本分析。第四采用液冷服务器和冷板技术。对于 AI 训练集群液冷是降低冷却能耗和减少水耗的有效手段。液冷一次侧可以运行在较高的水温下很多时段不需要开启冷却塔。冷板液冷主要解决 CPU/GPU 等热点的散热问题其余发热量仍可能有部分由风冷承担所以要做“液冷风冷”的混合热设计。第五做好水质管理和浓缩倍数控制。冷却水系统并非补水越少越好而是要在结垢、腐蚀和微生物风险可控的前提下尽量提高浓缩倍数、减少排污量。自动加药和在线电导率控制可以帮助运维团队维持稳定的水质避免为了赶指标而频繁排污。第六增加余热回收和水循环利用。服务器排出的热量可以通过热泵提升温度用于园区供热或周边区域供暖减少冷却塔的散热负荷。中水和雨水处理达标后用于冷却塔补水也能降低市政水消耗。这些方案需要与当地政策和基础设施建设配合不是每个节点都能直接落地。7. 用水计量与运行监控怎么保证数字可靠任何效率指标都要建立在真实数据上。WUE 高或低先要确认表计装得对不对、读数准不准。现在很多数据中心园区水表数量不足只在市政进水总管上装一块表冷却塔、加湿器、办公用水没有分表导致无法定位水耗来源。一个可用的计量系统至少应该包含总进水管水表冷却塔补水管水表加湿系统补水管水表水处理系统水表办公生活用水水表污水处理或排放计量如果政策要求关键节点压力、流量和电导率传感器。数据采集频率也会影响判断。每天读一次和每 5 分钟读一次适用于不同场景。日常运行监控建议采用分钟级或小时级采集便于观察负载变化、设备启停和水耗波动月度统计可以按小时累计值汇总成表格用于对外报告。水表读数需要和电能表读数放在同一时间坐标系里。否则 IT 负载用的是某一天的能耗补水量用的是另一天算出的 WUE 不准确。一个简单的做法是统一以小时为统计单位生成如下所示的记录结构。{ site_id: example_dc_01, timestamp: 2025-01-01T12:00:0008:00, it_energy_kwh: 1200.0, makeup_water_m3: 2.4, cooling_tower_makeup_m3: 1.8, humidifier_makeup_m3: 0.3, blowdown_m3: 0.5, total_water_m3: 2.9, wue_l_per_kwh: 2.4 }通过统一时间戳的数据结构运维平台可以自动计算小时级 WUE并生成日、周、月报表。发现 WUE 异常上升时再下钻查看具体是冷却塔补水异常、加湿量增加还是排污量失控。不要只盯总表要看分表和关键参数。水表和传感器本身也需要校准。流量计长期运行可能存在漂移水质传感器电极也需要定期清洗和标定。建议每季度或每半年做一次比对校验记录校准记录并保留设备厂家给出的精度范围。很多 WUE 数据对不上的情况最终查下来不是系统漏水而是表不准。要提醒一句任何接口和大屏上的数据都要能追溯来源。如果平台自动计算 WUE却在运维交接时说不清分子分母的边界那么这个数字在外部审计时是站不住脚的。计量架构最好和项目建设同步设计而不是等运营后补。8. 规划设计阶段的几个关键检查点AI 数据中心建设周期长、投资大冷却系统一旦定型很难大规模改造。因此用水量问题要在规划阶段就介入。第一核查当地水资源条件。选址要看当地降雨量、蒸发量、供水能力和市政管网压力。缺水地区申请新增取水许可的难度可能较大需要提前与水务部门沟通。地下水和地表水取用要符合当地法规不能只按“能不能接市政水管”来评估。第二评估设备摆放空间和结构荷载。干冷器和间接蒸发冷却 AHU 的体积、重量普遍大于传统冷却塔可能需要增加屋面结构加固。对于多层数据中心大型水冷设备布置在屋面和室外平台时要复核楼板活荷载、风荷载和地震作用。网联数据中心讨论中提到“数据中心活荷载取值”就是这个问题的体现。第三考虑供水管路和备用水源。冷却系统一旦停机可能影响机房温度备用水源要考虑至少两路。对水冷系统供水压力不足会导致冷却塔补水不进去需要设置稳压泵组和水箱。备用水源可以是市政环网的第二路接口也可以是园区蓄水池或消防水池的补充。具体方案按消防规范和水务要求执行。第四关注排放口设置。冷却塔排污、水处理浓水不是“用完就消失”需要有合规的排放路径。生活污水、工业废水、雨水排放系统要分开设计排水水质需满足当地排放标准。如果排入市政污水管网可能还需要与市政部门签署纳管协议。第五把水耗和能耗放进同一个优化模型。只降低 WUE 而大幅提高 PUE 不一定划算。水资源紧张地区可能倾向于干冷但干冷器的风机耗电会增加水资源充裕地区用水冷系统可能更节能。规划阶段应做全年逐时的多目标优化把水价、电价、碳排放因子都放进去。下表是一个简单的设计检查清单检查项涉及部门常见问题取水许可与供水接口水务、市政接口距离远、压力不足水质报告水务、环境硬度过高、需要软化处理屋面结构荷载结构专业干冷器重量超过楼板承载冷却塔噪声与飘水环评、物业影响周边居民和办公区排污与排放口环保、市政无纳管协议、水质超标计量表和传感器自动化专业采样点不完善、通讯协议不匹配这些条目不是标准答案但可以作为 AI 数据中心项目启动前的工作清单。每个项目都要由设计院和设备厂商一起确认。9. 常见问题与排查方法数据中心水耗异常是运维中的高发问题。下面列几个常见现象和处理思路。问题现象可能原因排查方式解决方案WUE 突然上升冷却塔补水异常、外部漏水查看分表数据检查冷却塔液位和管网定位漏水点维修阀门调整补水泵冷却塔蒸发量大负荷上升、室外湿球温度高对比天气数据和 IT 负载曲线开启干冷器调整冷却塔台数和风机频率排污量偏大浓缩倍数控制过低、电导率设定不合理检查电导率传感器和水质报告重新设定浓缩倍数优化加药策略加湿量偏高机房湿度过低或密封不好查看机房温湿度传感器和历史曲线提高回风湿度设定处理新风系统漏风水质不合格补充水水质变化或药剂投加不足送检水样检查加药泵调整药剂类型和投加量必要时增加旁滤水表数据偏差传感器漂移或通讯中断比对总表和分表累计值校准水表检查通讯线路冷却塔结冰冬季低温、风机长时间高速运行检查冷却塔填料和集水盘温度切换干冷模式调整风机启停策略冷却塔漂水明显配水不均、挡水板老化现场观察漂水检查收水器更换挡水器调整布水器排查的第一步不是猜而是看数据。先确认 WUE 上升是“真实上升”还是“计量数据异常”。如果分表数据显示补水量正常总表数据却很高问题可能出在市政总表和园区分表之间的管网上。需要在关键阀门和水表位置做流量平衡测试。故障排查要形成闭环。找到原因后记录处理时间、处理人员和效果沉淀成问题知识库。AI 数据中心冷却系统复杂靠一个人记住所有异常不可靠最好把排查流程放到运维工单系统里。10. 可持续运营与合规落地建议AI 数据中心的用水问题已经不只是技术问题还涉及对外披露和持续运营。一个项目如果希望长期稳定运行需要把用水管理纳入日常制度。首先明确 WUE 的统计边界和披露频率。建议按月和按年两个维度输出月度用于内部运营调整年度用于对外报告。披露时要写清楚计算边界、气候条件、IT 负载率和统计方法避免第三方误读。其次建立水耗目标值并在项目立项时确定。目标可以按年度设定例如“在全年平均负载 XX% 且室外湿球温度 XX℃ 的条件下WUE 不高于 XX L/kWh”。目标不能脱离负载和气候空谈要有可比口径。每个季度回顾一次差距分析上升或下降的原因。第三把水资源评估引入设备采购和架构评审。采购冷却塔、冷机和液冷系统时不仅比初投资还要比单位散热量对应的耗水量和耗电量。供应商需要提供设计工况下的性能曲线而不是只提供一个点位的样本数据。第四加强供应商和施工方的用水管理。施工期间的冲洗调试、管道试压和冷却塔清洗都会消耗大量水这部分也要计入项目的总用水台账。运营前的水质调试往往被忽略建议在竣工验收阶段就把冷却系统化学清洗和预膜方案做细避免投运后频繁换水。第五面对公众和社区用数据说话。数据中心项目在缺水地区落地时居民关注度会比较高。运营方可以公开可靠的监测结果说明用水结构、已采取的节水措施和长期降低取水量的计划。沟通内容要保持真实、可验证不要只给一个包装过度的“绿色”标签。资源效率是持续优化的过程。即使项目已经满足当地合规要求仍然可以每年审视新技术。液冷效率、干冷器性能、AI 辅助的冷却控制算法都在快速迭代隔两三年就值得再做一次技术改造评估。11. 落地建议优先做好哪几件事回到开头的话题。Sam Altman 谈 AI 用水量Satya Nadella 举了数据中心的例子这些讨论真实存在的意义是提醒基础设施从业者把“隐性资源消耗”摆到台面上来。AI 算力增长不会停下来但水耗和能耗可以控制。如果你的团队刚接触这个问题最先做的不是立刻改造冷却系统而是先把“账”建起来。第一安装或完善水表计量系统。没有分表数据就是一笔糊涂账。先做到每个冷却塔、每台加湿器、每个排污管可计量。第二定义统一的 WUE 计算口径并在运维看板上展示小时级数据。第三做一次全年能耗和水耗联合分析找出 WUE 最高的时段和原因。第四对已有的冷却塔和水处理系统做一次体检确认排污设定值、浓缩倍数、加药量和设备运行状态是否合理。第五在新建项目里优先考虑高温水冷和干冷结合的方案为未来算力密度提升留出余量。最容易踩的坑有两个一是只看总表不看分表最后数据异常定位不到原因二是为了追 WUE 指标过度减少排污导致水质结垢、换热效率下降反而让能耗上升。水耗和能耗必须放在一起看不能单独追求某一个指标。把这套计量体系跑通以后再谈液冷改造、余热回收、中水回用这些更进一步的方案就都有依据了。
数据中心用水量如何量化？WUE指标与液冷降耗工程解析
这次我们来看一个技术和工程问题AI 数据中心的用水量。Sam Altman 近期的公开言论谈到 AI 的资源消耗与基础设施压力Satya Nadella 则用微软 Wisconsin 数据中心的例子做了一个非常生活化的类比称其年用水量大约相当于一家餐厅。这两个说法放在一起公众讨论的是“AI 到底费不费水”但数据中心运维和基础设施规划人员更应该讨论的是另一组问题水在数据中心里是怎么被消耗的用什么指标量化能不能通过设计和运行把单位算力的用水量降下来这篇文章不评价哪一种说法更准确而是把“AI 数据中心用水量”拆成一个可落地的技术话题来写。你会看到数据中心用水的主要去向、冷却架构的耗水特性对比、用水量估算思路、运行监控方法以及降低水耗的工程手段。不管是做数据中心规划设计、机房运维还是为 AI 算力项目做基础设施评估这篇文章都可以当作一个基础参照。1. AI 数据中心为什么开始谈“用水量”先回答一个很多人关心的问题AI 数据中心和水有什么关系直接原因是算力的增长。大规模 AI 训练和推理集群的功率密度远高于传统互联网机房单机柜功率从原来的 5kW-10kW 向 30kW、50kW 甚至更高演进。功率密度提高之后发热量同步上升制冷系统必须带走更多热量。带走热量有两条主线一条是风冷一条是液冷。风冷系统里常见做法是空调制冷、自然冷却和蒸发冷却液冷系统里水或专用冷却液直接进入 IT 设备或靠近 IT 设备的冷板把热量导出。无论哪种路线只要冷却侧使用了水作为热量搬运介质就存在补水量、蒸发量和排放量的问题。数据中心里水不仅用于制冷。机房精密空调需要加湿冷却塔需要补水水处理系统需要再生和排污部分新建项目还会把余热回收和区域供暖联动起来。这些用水项加在一起就构成了数据中心的总用水量。还有一个容易被忽略的因素用水量不是一个固定数字。它跟 IT 负载率、气候条件、冷却设备运行策略、水质管理方式都有关系。同一个园区冬天和夏天不一样白天和晚上不一样负载高和负载低时也不一样。所以讨论“AI 数据中心用水量”本质上是在讨论一个动态的、需要持续监测和优化的工程参数。从行业观察来看AI 数据中心的水耗问题被多次讨论不是偶然。算力密度上升让单个项目的水耗绝对值变大而公众和监管机构对水资源使用的关注度也越来越高。对技术团队来说最好的应对方式是用数据和工程手段把账算清楚。2. 数据中心用水量的核心指标与计算口径要讨论用水量先要统一口径。行业内常用的指标不只有“年用水量”这一个绝对值还有相对效率指标。下面的表格整理了在数据中心可持续运营中经常出现的几个指标指标英文/缩写计算口径说明能源使用效率PUE总用电量 / IT 设备用电量衡量电能使用效率越低越好水使用效率WUE总用水量 / IT 设备用电量衡量单位 IT 用电对应的耗水量碳使用效率CUE总碳排放量 / IT 设备用电量用于衡量碳排放强度补水率Makeup Rate系统补水量 / 循环水量反映冷却水系统蒸发、排污、漂水情况浓缩倍数Cycles of Concentration循环水电导率 / 补充水电导率影响排污量和药剂投加量IT 负载率IT Load Ratio当前 IT 负载 / 铭牌或设计 IT 负载影响所有效率指标的可比性WUE 是这篇文章的核心指标。它的分子通常是一段时间内的总用水量单位可以是立方米或升分母是同一时间段内 IT 设备消耗的电能单位是千瓦时或兆瓦时。最终结果常用 L/kWh 或 m³/MWh 表示。计算口径要特别注意总用水量到底包含哪些项目是否包含办公用水是否包含施工期用水是否包含生活用水不同项目对外披露时口径可能不同。做内部对标时要明确写出“计算边界”否则两个园区之间很难直接比较。例如A 园区把冷却塔补水和加湿补水计入 WUE 分子不含办公用水。B 园区把所有市政进水量都计入包括办公和景观用水。这样算出来的两个 WUE 并不具有可比性。建议在项目初始阶段就确定口径并写入运维手册。另一个容易混淆的点是时间和负载。同一个园区在 20% 负载和 80% 负载下WUE 可能差异明显。低负载时冷却设备仍可能保持较差的运行效率导致水耗效率偏高。因此任何 WUE 数据都要附带负载率、季节和统计周期否则就只是“一个数字”而不是一个可用的工程结论。3. 数据中心里的水用在哪里把水耗拆开看数据中心用水主要集中在四个环节。第一个环节是冷却塔补水。开式冷却塔是传统数据中心常见设备。冷却塔里的循环水与空气接触一部分水蒸发带走热量蒸发掉的水需要补充同时循环水在反复浓缩后电导率升高还需要排污排污量也要补水来平衡。蒸发和排污是冷却塔补水的两个主要来源。第二个环节是精密空调加湿。机房对环境湿度有要求常见的湿度控制范围在 40%-60% 之间具体按设备厂商要求和机房等级确定。冬季干燥地区加湿量会明显上升。加湿方式包括电极加湿、蒸汽加湿和湿膜加湿不同方式的耗水量和能耗特征不同。第三个环节是水处理系统。冷却水不是直接用自来水就能长年运行的。为了防止结垢、腐蚀和微生物滋生需要投加阻垢剂、缓蚀剂、杀菌剂同时通过旁滤和排污控制水质。水处理系统本身需要消耗一定水量排污水中还含有化学药剂排放前要满足环保要求。第四个环节是辅助用水和余热回收。部分数据中心会使用中水、雨水收集系统用于景观灌溉或冷却塔补水也有项目把服务器热量通过热泵回收后输送到区域供热管网。这些系统会改变水在园区内的循环路径有的环节反而会降低对外部新鲜水的依赖。用水环节典型设备主要消耗方式是否计入 WUE 分子常见做法冷却塔补水开式冷却塔蒸发、漂水、排污计入加湿用水精密空调、加湿器蒸汽或湿膜消耗计入水处理软化器、RO、加药系统再生、浓水排放、反洗计入生活办公用水卫生间、厨房直接消耗视披露口径而定景观与杂用水绿化、洗车灌溉、冲洗视披露口径而定从这张表可以看出同一个项目的不同系统是否计入 WUE 分子会直接影响最终数字。对外披露时服务商通常会附上计算边界说明。运维团队在查看第三方报告时也要先看口径。4. 常见冷却架构的耗水特性对比数据中心的冷却架构有多种选择不能简单说“用水就一定不好”或“风冷就不耗水”。下面按常见类型做一个横向对比。冷却架构散热介质耗水特性典型场景风冷直膨式空调制冷剂基本不耗水耗电较高小型机房、边缘节点开式冷却塔水冷冷水机组水/制冷剂蒸发和排污耗水明显中大型传统数据中心闭式冷却塔水/空气蒸发耗水小于开式塔循环水与空气不直接接触需要控制水质的项目间接蒸发冷却 AHU空气/水间接段避免送风污染湿模式耗水干模式基本不耗水干燥气候地区空气侧自然冷却液冷冷却塔冷却液/水一次侧温度高冷却塔全年运行时间短水耗低于传统风冷AI 高功率密度机柜液冷干冷器冷却液/空气基本不耗水但干冷器占地面积大噪声和电耗需评估水资源紧张地区结合 AI 数据中心的趋势液冷是目前最受关注的路线之一。GPU 服务器的热流密度逐年提升风冷能带走的热量越来越有限。液冷系统可以把热量直接送给冷却水或冷却液减少制冷压缩机的耗电同时提高冷却侧供水温度。供水温度提高以后冷却塔的开启时间可以缩短很多时段可以直接用干冷器或自然冷却水耗随之下降。但液冷并不是“零水耗”。一次侧如果仍然采用开式冷却塔那么在夏季高负荷时段依然需要补水。真正意义上的“零耗水”往往要求采用全干冷方案或者在缺水地区配合水源替代方案比如中水复用和雨水收集。上表里的耗水特性是比较口径不是绝对值。实际项目要做热力学计算拿到设备厂商的选型曲线再判断。间接蒸发冷却 AHU 这几年也频繁被讨论。它的工作原理是室外空气先被蒸发冷却再通过换热芯体给机房送风降温。在湿模式下喷淋水蒸发会消耗水量在干模式下不喷水只通过空气换热基本不耗水。干燥、温差大的气候条件下干模式运行时间长水耗比例会低于湿热地区。对运维团队来说选择哪种架构不只是看“环保”还要看当地气候、电价、水价、可用水量和维护能力。水资源充足地区传统水冷系统在很多场景下仍是效率不错的选择水资源紧张地区则要优先考虑干冷、液冷和中水回用。5. 冷却系统用水量估算思路在没有详细设计图纸和设备选型时可以通过热平衡公式对冷却系统用水量做一个粗估。下面这套思路不是精确设计而是用于项目前期评价和趋势判断。Q m × Cp × ΔT其中Q 是冷却系统需要带走的热量单位 kW。m 是冷却水质量流量单位 kg/s。Cp 是水的比热容常取 4.186 kJ/(kg·K)。ΔT 是冷却水供回水温差单位 ℃。如果冷却侧热负荷为 Q冷却塔的蒸发损失量可以按循环水量的一定比例估算。这个比例并不是固定值会随气象条件、负荷率和冷却塔类型变化行业内做初步测算时常按循环水量的 1%-2% 估算蒸发损失再另计漂水和排污。漂水比例取设备厂商样本数据排污量则由水质和浓缩倍数决定。下面是一段示意性的 Python 计算脚本用来说明估算框架。实际项目中的参数必须替换为当地气象条件和设备样本值。# 冷却系统用水量粗估 # 参数需要按实际项目替换本代码仅用于说明计算方法 Cp 4.186 # kJ/(kg*K) Q_it 1000.0 # IT负载kW cooling_share 0.8 # 假设80%热负荷由水系统带走 delta_t 5.0 # 冷却水供回水温差℃ evap_ratio 0.015 # 假设蒸发损失占循环水量比例 Q_cooling Q_it * cooling_share # kW mass_flow Q_cooling / (Cp * delta_t) # kg/s evap_loss mass_flow * evap_ratio # kg/s # 漂水与排污按比例另算这里只做蒸发量示例 # 1 kg/s 水约等于 3.6 m³/h print(f水系统散热负荷{Q_cooling:.0f} kW) print(f循环水质量流量{mass_flow:.1f} kg/s) print(f蒸发损失估算{evap_loss:.2f} kg/s {evap_loss * 3.6:.2f} m³/h)假设一台 1MW 的 IT 负载80% 热量进入冷却塔供回水温差 5℃蒸发损失比例按 1.5% 估算循环水量大约在 38kg/s 的量级蒸发损失约 0.57kg/s折算成体积流量大约是 2m³/h 左右。再叠加漂水和排污补水需求会更高。冬季或负载较低时使用自然冷却的时间变长水耗会下降。这是一个示例不代表某个真实机房。真正做方案时还要把冷却塔台数、风机功率、水泵扬程、管网长度、水质指标、当地湿球温度和全年小时数都放到设计模型里逐小时计算全年水耗。不要让一个简化公式直接拿去当设计依据。6. 降低数据中心用水量的工程手段降低 WUE 不能只靠一个设备而是要从系统层面调整。下面几个方向是数据中心项目中比较常见的优化路径。第一提高冷却水供水温度。传统风冷机房的冷冻水供水温度通常在 7℃ 或 12℃ 左右。提高供水温度之后冷却塔自然冷却的运行时间变长冷水机组压缩机能耗下降。对于热流密度高的液冷服务器冷却侧供水温度可以进一步提高甚至接近服务器允许的温度上限。供水温度越高室外干球温度低于水温的时间窗口就越长自然冷却和干冷器的作用越明显。第二合理配置干冷器和冷却塔。在缺水地区可以采用“干冷为主、湿冷为辅”的策略。春秋季和冬季开启干冷器夏季高温时段再启动冷却塔。这样可以在全年多数时段减少蒸发损失。设计时需要校核干冷器占地面积、风机噪声和对建筑结构的影响。第三使用闭式冷却塔或间冷系统。闭式冷却塔的循环水在盘管内流动喷淋水和空气在盘管外侧换热。与开式塔相比管内介质与外界隔离水质好控制补水中的蒸发量和排污量都可能降低。但闭式塔本身造价和风机能耗通常高于开式塔需要结合电费和水费做全寿命周期成本分析。第四采用液冷服务器和冷板技术。对于 AI 训练集群液冷是降低冷却能耗和减少水耗的有效手段。液冷一次侧可以运行在较高的水温下很多时段不需要开启冷却塔。冷板液冷主要解决 CPU/GPU 等热点的散热问题其余发热量仍可能有部分由风冷承担所以要做“液冷风冷”的混合热设计。第五做好水质管理和浓缩倍数控制。冷却水系统并非补水越少越好而是要在结垢、腐蚀和微生物风险可控的前提下尽量提高浓缩倍数、减少排污量。自动加药和在线电导率控制可以帮助运维团队维持稳定的水质避免为了赶指标而频繁排污。第六增加余热回收和水循环利用。服务器排出的热量可以通过热泵提升温度用于园区供热或周边区域供暖减少冷却塔的散热负荷。中水和雨水处理达标后用于冷却塔补水也能降低市政水消耗。这些方案需要与当地政策和基础设施建设配合不是每个节点都能直接落地。7. 用水计量与运行监控怎么保证数字可靠任何效率指标都要建立在真实数据上。WUE 高或低先要确认表计装得对不对、读数准不准。现在很多数据中心园区水表数量不足只在市政进水总管上装一块表冷却塔、加湿器、办公用水没有分表导致无法定位水耗来源。一个可用的计量系统至少应该包含总进水管水表冷却塔补水管水表加湿系统补水管水表水处理系统水表办公生活用水水表污水处理或排放计量如果政策要求关键节点压力、流量和电导率传感器。数据采集频率也会影响判断。每天读一次和每 5 分钟读一次适用于不同场景。日常运行监控建议采用分钟级或小时级采集便于观察负载变化、设备启停和水耗波动月度统计可以按小时累计值汇总成表格用于对外报告。水表读数需要和电能表读数放在同一时间坐标系里。否则 IT 负载用的是某一天的能耗补水量用的是另一天算出的 WUE 不准确。一个简单的做法是统一以小时为统计单位生成如下所示的记录结构。{ site_id: example_dc_01, timestamp: 2025-01-01T12:00:0008:00, it_energy_kwh: 1200.0, makeup_water_m3: 2.4, cooling_tower_makeup_m3: 1.8, humidifier_makeup_m3: 0.3, blowdown_m3: 0.5, total_water_m3: 2.9, wue_l_per_kwh: 2.4 }通过统一时间戳的数据结构运维平台可以自动计算小时级 WUE并生成日、周、月报表。发现 WUE 异常上升时再下钻查看具体是冷却塔补水异常、加湿量增加还是排污量失控。不要只盯总表要看分表和关键参数。水表和传感器本身也需要校准。流量计长期运行可能存在漂移水质传感器电极也需要定期清洗和标定。建议每季度或每半年做一次比对校验记录校准记录并保留设备厂家给出的精度范围。很多 WUE 数据对不上的情况最终查下来不是系统漏水而是表不准。要提醒一句任何接口和大屏上的数据都要能追溯来源。如果平台自动计算 WUE却在运维交接时说不清分子分母的边界那么这个数字在外部审计时是站不住脚的。计量架构最好和项目建设同步设计而不是等运营后补。8. 规划设计阶段的几个关键检查点AI 数据中心建设周期长、投资大冷却系统一旦定型很难大规模改造。因此用水量问题要在规划阶段就介入。第一核查当地水资源条件。选址要看当地降雨量、蒸发量、供水能力和市政管网压力。缺水地区申请新增取水许可的难度可能较大需要提前与水务部门沟通。地下水和地表水取用要符合当地法规不能只按“能不能接市政水管”来评估。第二评估设备摆放空间和结构荷载。干冷器和间接蒸发冷却 AHU 的体积、重量普遍大于传统冷却塔可能需要增加屋面结构加固。对于多层数据中心大型水冷设备布置在屋面和室外平台时要复核楼板活荷载、风荷载和地震作用。网联数据中心讨论中提到“数据中心活荷载取值”就是这个问题的体现。第三考虑供水管路和备用水源。冷却系统一旦停机可能影响机房温度备用水源要考虑至少两路。对水冷系统供水压力不足会导致冷却塔补水不进去需要设置稳压泵组和水箱。备用水源可以是市政环网的第二路接口也可以是园区蓄水池或消防水池的补充。具体方案按消防规范和水务要求执行。第四关注排放口设置。冷却塔排污、水处理浓水不是“用完就消失”需要有合规的排放路径。生活污水、工业废水、雨水排放系统要分开设计排水水质需满足当地排放标准。如果排入市政污水管网可能还需要与市政部门签署纳管协议。第五把水耗和能耗放进同一个优化模型。只降低 WUE 而大幅提高 PUE 不一定划算。水资源紧张地区可能倾向于干冷但干冷器的风机耗电会增加水资源充裕地区用水冷系统可能更节能。规划阶段应做全年逐时的多目标优化把水价、电价、碳排放因子都放进去。下表是一个简单的设计检查清单检查项涉及部门常见问题取水许可与供水接口水务、市政接口距离远、压力不足水质报告水务、环境硬度过高、需要软化处理屋面结构荷载结构专业干冷器重量超过楼板承载冷却塔噪声与飘水环评、物业影响周边居民和办公区排污与排放口环保、市政无纳管协议、水质超标计量表和传感器自动化专业采样点不完善、通讯协议不匹配这些条目不是标准答案但可以作为 AI 数据中心项目启动前的工作清单。每个项目都要由设计院和设备厂商一起确认。9. 常见问题与排查方法数据中心水耗异常是运维中的高发问题。下面列几个常见现象和处理思路。问题现象可能原因排查方式解决方案WUE 突然上升冷却塔补水异常、外部漏水查看分表数据检查冷却塔液位和管网定位漏水点维修阀门调整补水泵冷却塔蒸发量大负荷上升、室外湿球温度高对比天气数据和 IT 负载曲线开启干冷器调整冷却塔台数和风机频率排污量偏大浓缩倍数控制过低、电导率设定不合理检查电导率传感器和水质报告重新设定浓缩倍数优化加药策略加湿量偏高机房湿度过低或密封不好查看机房温湿度传感器和历史曲线提高回风湿度设定处理新风系统漏风水质不合格补充水水质变化或药剂投加不足送检水样检查加药泵调整药剂类型和投加量必要时增加旁滤水表数据偏差传感器漂移或通讯中断比对总表和分表累计值校准水表检查通讯线路冷却塔结冰冬季低温、风机长时间高速运行检查冷却塔填料和集水盘温度切换干冷模式调整风机启停策略冷却塔漂水明显配水不均、挡水板老化现场观察漂水检查收水器更换挡水器调整布水器排查的第一步不是猜而是看数据。先确认 WUE 上升是“真实上升”还是“计量数据异常”。如果分表数据显示补水量正常总表数据却很高问题可能出在市政总表和园区分表之间的管网上。需要在关键阀门和水表位置做流量平衡测试。故障排查要形成闭环。找到原因后记录处理时间、处理人员和效果沉淀成问题知识库。AI 数据中心冷却系统复杂靠一个人记住所有异常不可靠最好把排查流程放到运维工单系统里。10. 可持续运营与合规落地建议AI 数据中心的用水问题已经不只是技术问题还涉及对外披露和持续运营。一个项目如果希望长期稳定运行需要把用水管理纳入日常制度。首先明确 WUE 的统计边界和披露频率。建议按月和按年两个维度输出月度用于内部运营调整年度用于对外报告。披露时要写清楚计算边界、气候条件、IT 负载率和统计方法避免第三方误读。其次建立水耗目标值并在项目立项时确定。目标可以按年度设定例如“在全年平均负载 XX% 且室外湿球温度 XX℃ 的条件下WUE 不高于 XX L/kWh”。目标不能脱离负载和气候空谈要有可比口径。每个季度回顾一次差距分析上升或下降的原因。第三把水资源评估引入设备采购和架构评审。采购冷却塔、冷机和液冷系统时不仅比初投资还要比单位散热量对应的耗水量和耗电量。供应商需要提供设计工况下的性能曲线而不是只提供一个点位的样本数据。第四加强供应商和施工方的用水管理。施工期间的冲洗调试、管道试压和冷却塔清洗都会消耗大量水这部分也要计入项目的总用水台账。运营前的水质调试往往被忽略建议在竣工验收阶段就把冷却系统化学清洗和预膜方案做细避免投运后频繁换水。第五面对公众和社区用数据说话。数据中心项目在缺水地区落地时居民关注度会比较高。运营方可以公开可靠的监测结果说明用水结构、已采取的节水措施和长期降低取水量的计划。沟通内容要保持真实、可验证不要只给一个包装过度的“绿色”标签。资源效率是持续优化的过程。即使项目已经满足当地合规要求仍然可以每年审视新技术。液冷效率、干冷器性能、AI 辅助的冷却控制算法都在快速迭代隔两三年就值得再做一次技术改造评估。11. 落地建议优先做好哪几件事回到开头的话题。Sam Altman 谈 AI 用水量Satya Nadella 举了数据中心的例子这些讨论真实存在的意义是提醒基础设施从业者把“隐性资源消耗”摆到台面上来。AI 算力增长不会停下来但水耗和能耗可以控制。如果你的团队刚接触这个问题最先做的不是立刻改造冷却系统而是先把“账”建起来。第一安装或完善水表计量系统。没有分表数据就是一笔糊涂账。先做到每个冷却塔、每台加湿器、每个排污管可计量。第二定义统一的 WUE 计算口径并在运维看板上展示小时级数据。第三做一次全年能耗和水耗联合分析找出 WUE 最高的时段和原因。第四对已有的冷却塔和水处理系统做一次体检确认排污设定值、浓缩倍数、加药量和设备运行状态是否合理。第五在新建项目里优先考虑高温水冷和干冷结合的方案为未来算力密度提升留出余量。最容易踩的坑有两个一是只看总表不看分表最后数据异常定位不到原因二是为了追 WUE 指标过度减少排污导致水质结垢、换热效率下降反而让能耗上升。水耗和能耗必须放在一起看不能单独追求某一个指标。把这套计量体系跑通以后再谈液冷改造、余热回收、中水回用这些更进一步的方案就都有依据了。
