降低数据中心能效指标的PUE数值，这一直是各个数据中心想要解决的难题。在数据中心的能耗消耗构成中，除了IT设备消耗以外，制冷系统能耗占比最高，即降低制冷系统的能耗也可降低PUE的数值。各种节能设备和技术应运而生，比如间接蒸发冷却AHU、液冷都是目前节能效率较高的技术，也有较多应用案例。

  制冷系统的PUE能效模型不仅包含深度学习神经网络模型，也包括气候、数据中心IT 负载等外界因素的输入。数字孪生是一个双向的过程，在制冷系统的PUE能效模型中也不例外。制冷系统通过多个传感器将收集的数据发送到虚拟数字空间，实时更新节能模型PUE。PUE功能模型可以基于期望的实际PUE值来检索可达到PUE值的各种输入参数。根据相关约束条件生成每个系统的最佳调整值，最终达到PUE值。调整值主要包括冷却塔的开启台数和风扇的转速、各种冷却泵、冷却泵的开启频率、冷却机的运转状态等。

  数字孪生的基础源于数据，故数据中心模型的准确性取决于样本的数据量：样本的数据量越大，构建的数据机房模型越准确。为了获得大量的数据样本，我们需要对不同的数据中心设置相同的输入和输出变量，通常这些输入变量包括表征系统实时负载的变量、表征泠却系统运行的控制变量以及表征环境的变量，例如IT设备发热能功耗、空调送回风温度等；输出变量一般可设置为PUE最低值，并且约束IT设备进风温度不超过设定的温度（一般可以为27℃）。这样，通过大量的运行样本可以构建输入变量与输出变量间相应的数字模型，再根据对应的目标值以及约束条件获得最佳的各系统设定值，从而达到节能减排的愿景。

  除了制冷系统PUE模型，还可通过能耗管理系统实时监测数据中心各回路用电、IT设备等能耗数据，通过对数据中心的用电能耗进行在线计量、实时核算、全面监控、比对分析，优化能耗，实现提质、增效、降本、减存的目的。