数据中心：设计、规划与建设的管理及技术指南

设计一座数据中心，就是管理各种后果。最终的产品不是建筑本身，而是持续、安全地交付计算能力、连接和存储。本指南涵盖整条决策链——从商业论证和风险分析，到热工与电气工程、通信、防护、施工、调试验收和运维。

顺序始终如一：商业论证决定关键性；关键性决定需求；需求决定设计；设计通过测试来证明；运维则保持所达到的性能。跳过任何一步，都会把不确定性转移到施工阶段，在那里变更的代价更高，并危及工期。

关于本资料：文中给出的架构是参考示例，不能取代实施设计、技术报告、职业责任，也不能取代查阅适用标准的现行版本。冗余并不自动等同于可用性：结果取决于物理独立性、选择性、自动化、流程、综合测试和运维能力。

管理层摘要

本指南的每个部分都回答一项具体决策。请把这张表当作阅读地图：管理者应从前四行开始；工程团队应逐项研读各技术学科；运维团队应聚焦调试验收、文档和指标；采购团队应使用对照矩阵和检查清单来组织 RFP、技术对标和验收。

什么是数据中心

数据中心是一组协调运作的空间、公用设施、控制系统和流程，用于支撑技术和通信设备。电力、散热和网络都是服务链；每个环节都需要容量、保护、监控和维护路径。

原则：关键基础设施必须围绕需要存活的服务来设计，而不仅仅是围绕将要安装的设备。

完整的生命周期从战略和需求，经过初步研究、概念设计、基础设计与实施设计、合同、施工、测试、运维、优化，直到最后的扩展或退役。

类型与部署模式

自建与外购的比较，必须纳入总成本、工期、监管风险、可用电力、连接、扩展能力、使用寿命、资金成本、人员配置、过时风险和合同灵活性。一间看似便宜的自有机房，可能需要不成比例的电气和热工改造；托管机房可以缩短交付周期，但需要 SLA、审计和退出计划。

• 梳理哪些负载不能离开站点，哪些可以分布部署。
• 至少为增长设定三种场景，并设定一种压力场景。
• 纳入停机成本，而不仅仅是 CAPEX 和月费。
• 明确每个环节由谁负责：公用设施、数据中心、机架、设备和应用。

需求的平衡

一个可行的项目需要平衡三类利益相关方：业务方界定什么必须持续运行；工程团队把它转化为容量、拓扑和性能；财务设定投资和运营的边界。这种平衡必须记录在设计基础文件（Basis of Design，BoD）中，包含假设、排除项和验收标准。

业主项目需求（Owner's Project Requirements，OPR）文件整合了这一决策，必须包含：

• 项目目标和范围。
• 负载特征和增长期限。
• 可用性、安全和能效标准。
• 环境条件和运行限值。
• 计量、告警、集成和数据保留。
• 测试、文档、培训和质保。

BIA 与业务风险

业务影响分析（Business Impact Analysis）识别关键流程、依赖、最长可容忍停机时间和渐进式影响。RTO 指导恢复时间；RPO 指导最大可接受的数据丢失。它们不能取代设施分析，但可以避免基础设施凭感觉来规划容量。

概率和后果必须有历史数据、资产状况、暴露程度和现有控制措施作为依据。残余风险是缓解之后剩下的部分——接受它是风险责任人的决定，而不是设计上的疏漏。

示例：如果一次供电故障每小时会中断 30 万雷亚尔的业务，而可能的恢复时间为 4 小时，则直接的参考影响为 120 万雷亚尔——这还不包括罚款、形象和运营恢复。

内部与外部风险

• 带有责任人、期限和证据的风险登记册。
• 用于分析故障模式、影响和控制措施的 FMEA。
• 用于分析流程偏差的 HAZOP 或 What-if。
• 用于分析导致顶事件的各种组合的故障树。
• 用于直观呈现预防、事件和缓解的 Bow-tie（蝴蝶结）图。

不做过度简化的可用性

可用性是服务能够履行其功能的时间比例。对于可修复的部件，常用的近似公式为 A = MTBF / (MTBF + MTTR)。然而在数据中心里，共因依赖、人为失误、维护、控制系统和运维响应，使得系统层面的行为远比这个公式所暗示的复杂。

• 由同一配电盘供电的两台设备，并不构成独立的路径。
• 没有物理隔离的逻辑冗余，可能因单一事件而失效。
• 单电源线负载需要 STS 或特定的架构；双电源线负载必须采用一致的 A/B 配电。
• 电池的额定续航会随负载、温度、老化和放电方式而变化。

等级与参考标准

ISO/IEC 22237 系列依据整个生命周期中的可用性、安全和能效对基础设施分级。Uptime Institute 使用面向拓扑和运营表现的 Tier 标准。不同参考标准的级别和等级不应被视为自动等同：合同要求必须注明所采用的标准、版本、范围和证明方法。

警告：不要仅凭一张示意图就宣传认证、等级或 Tier。认证取决于相关项目、范围、文档、施工和/或运维，并由有关机构评估。

双路电气架构

A/B 原则会创建通往关键负载的两条供电路径。为使其有效，必须考虑电源、发电、变压、切换、UPS、配电、线缆、PDU 和设备接入。共用的部件必须被识别出来并说明理由——而不是在故障发生时才被发现。

• 维护期间以及在所定义的故障条件下的 N 容量。
• 在所有运行模式下的选择性和保护配合。
• 可测试的联锁和切换逻辑。
• 为防范火灾、水和人为干预而进行的物理隔离。
• 从市电到机架的计量点。
• 安全的旁路方案，以及恢复到正常状态。

从 IT 清单到设计功率

容量规划从设备清单、实测或声明的功率、同时系数、使用特征、增长和预留开始。铭牌功率不等于平均能耗——但设计也不能忽视峰值、瞬态、同时启动、电池充电和老化。

示例：100 个机架 × 8 kW = 800 kW 的 IT 负载。在设计 PUE 为 1.45 时，平均总参考功率将为 1.16 MW。电气系统仍然必须考虑故障模式、维护、启动和额定容量。

密度与机架策略

密度可以用 kW/机架、机房的 kW/m² 或每个计算单元来表示。平均值会掩盖热点：一间 8 kW/机架的机房里可能包含 30 kW 的孤岛。设计必须划分区域，定义每个机架的限值，并为液冷预留演进路径。

这些范围仅供参考。决策取决于所需的流量、设备 ΔT、可用压力、布局、热容忍度和制造商规格。

• 宽度和深度要与设备和布线相适应。
• 留出通行、维护和部件拆卸的通道。
• 线缆管理不得阻挡排风。
• 盲板和开口封堵。
• 接地、等电位连接和标识。

选址

在既有建筑（改造类项目，brownfield）中，应进行竣工勘测，适用时进行扫描、荷载测试、配电盘和线缆检查、结构分析，并核查关键区域上方或旁边的水。看不见的约束往往决定了设计：竖井、排风路径、层高、地板荷载、消防或吊装通道。

热工基础

IT 设备消耗的几乎所有电能都会转化为热量。热工系统的任务是在源头捕获这些热量，输送并排放到环境中，同时使设备的进风保持在设定范围内。机房的平均温度并不能反映回流、旁路或热点。

环境参数

环境等级必须依据所安装的设备来界定。作为广泛使用的参考，ASHRAE TC 9.9 对 A1 至 A4 等级给出的推荐范围为 18 °C 至 27 °C；允许范围因等级而异，不应与长期运行的目标相混淆。湿度必须依据露点、结露风险、静电和腐蚀来管理。

磁带设备、电池和电力部件可能有不同的限值。以制造商的规格和质保条件为准。

冷却技术

应比较总成本、当地气候、水资源可用性、密度、模块化、部分负荷效率、并行维护、面积、噪声、制冷剂、泄漏风险和团队能力。单台设备最好的 COP，并不能保证系统整体的最佳表现。

热工容量规划与控制

必须针对室外设计条件、显热负荷、损耗、冗余和降级模式来验证容量。在没有确认曲线、水温和空气温度、海拔以及流量的情况下，把额定容量简单相加，只会造成虚假的信心。

指标：仅有装机容量是不够的。应按区域跟踪可用、已用和已承诺的容量，并始终考虑起限制作用的部件。

关键电气链路

典型的链路包括市电、中压、变压、配电盘、发电、切换、UPS、配电和机架。每个环节都必须在正常状态、维护、故障、应急和恢复正常的条件下加以分析。

发电机组与燃料

发电机必须同时满足稳态负载和瞬态阶跃，包括电机、UPS、充电、散热和辅助设备。分析必须考虑启动顺序、电压和频率跌落、短路容量、海拔、温度、燃料和排放。

有意义的测试：每周一次空载启动并不能证明整条链路。测试计划必须包括带载测试、电源故障、切换、稳定性、运行续航和恢复，并使用经校准的仪器和明确的标准。

UPS、电池与储能

为规划续航，需要考虑实际放电曲线、恒功率、最低电压、温度、老化、制造公差和增长余量。所需的续航不应凭习惯选定：它应覆盖从电源丢失到发电机稳定运行之间的时间，或者受控关机的策略。

安全：电池室和电池系统需要依据技术和适用法规，专门评估通风、探测、围堰、通道、个人防护装备（PPE）和应急响应。

保护、选择性与电能质量

电气研究必须包括潮流、短路、配合与选择性、压降、接地、浪涌保护、谐波，以及适用时的电弧闪络入射能量。这些研究需要反映所有运行模式，包括使用发电机时。

应在市电、发电、UPS、散热、配电和机架处规划电表。没有足够的颗粒度，就无法可靠地计算 PUE，也无法定位损耗、不平衡或闲置容量。

端到端连接

签订两份运营商合同并不能保证多样性。光纤可能共用同一根电线杆、管道、接线盒、建筑入口或机房。分析必须梳理物理路由、接入点（PoP）、meet-me 机房、交叉连接、有源设备和供电。

• 独立且有文档记录的物理入口。
• 当关键性要求时，设置相互隔离的 meet-me 机房。
• 通往机房和机架的内部 A/B 路由。
• 经过规划、接地并受保护的桥架和管道。
• 永久性标识和竣工文档。
• 光缆和铜缆测试，并出具验收报告。

布线与网络架构

光纤、端口、桥架和配线架的规划要为增长留出明确的余量。数据速率取决于标准、光模块、距离、光损耗和连接器。设计还必须把生产、管理、存储、安防和楼宇自动化网络分开。

消防

策略结合了预防、早期探测、防火分区、材料控制、灭火和响应。没有任何单一技术能消除风险。设计必须经有关部门批准，并与建筑、电气、散热和运维相协调。

密封：当灭火剂的有效性取决于在封闭空间内的保持时，设计必须提供完整性、密封、泄压，并依据适用标准进行气密性测试。

物理安全与资产保护

对于 CCTV 和门禁，要界定覆盖范围、分辨率、保留期、时间同步、冗余、隐私和调查。门禁事件必须能够关联人员、凭证、门、摄像头和工单。防尾随（anti-passback）和人员捕集室（mantrap）需要应急和生命安全流程。

控制器、摄像头、BMS 和 DCIM 都属于数字资产：它们需要分段的网络、个人账户、在受支持处启用 MFA、加固、补丁管理、经过测试的备份，以及发送到受保护存储库的日志。

BMS、EPMS 与 DCIM

• 每一条告警都需要优先级、延迟、回差和处理流程。
• 应把由连锁反应引起的告警分组，以避免告警风暴。
• 时间同步对因果分析是必须的。
• 运维人员需要知道该做什么，而不仅仅是发生了什么。
• 定期测试必须证明传感器、通信、逻辑和通知都有效。

有用的数据：历史趋势把监控变成管理——能够预判能效下降、电池退化、热饱和和负载不平衡。

施工模式

设计必须预见施工顺序、吊装、设备进场、存放、临时区域、通电、清洁、资产保护和未来的更换。在运行中的环境里，操作方法流程（MOP）、窗口、回滚和隔离都成为设计的一部分。

材料、施工与 QA/QC

材料必须满足机械、电气、热工、消防、防腐和维护方面的性能。“等效”替代只有在对规格、接口、认证、压降、效率、曲线和质保进行正式对比之后才能被接受。

使用带有停止点（hold point）、见证点（witness point）、标准、证据和责任人的检验与测试计划。不要让待办事项处于未分类的状态：遗留问题清单（punch list）必须记录关键性、责任人、期限、是否阻碍验收以及关闭证据。

分级调试验收

调试验收（Commissioning）是一个从需求开始的性能保证过程，而不是最后一天做的测试。它验证文档、安装、启动、控制、容量以及系统之间的相互作用。

综合系统测试（IST）必须使用经批准的脚本、前置条件、经校准的仪器、风险分析、中止标准、明确的角色、沟通和同步的数据采集。目标是展示行为和恢复，而不是触发一次失控的故障。

文档与交接

黄金法则：不要接受一个仅仅“能开机”的系统。要接受一个其容量、保护、控制、告警、故障和恢复都有文档记录并经过演示的系统。

只有在有更新治理的情况下，BIM 模型、资产库和 DCIM 数据才有价值。要界定官方来源、责任人、频率、集成和审计。

关键运维

当变更、维护和知识缺乏控制时，设计的可靠性就会下降。成熟的运维结合了治理、流程、培训、沟通和持续改进。

SOP 描述正常运行；MOP 描述计划内的干预；EOP 描述对异常事件的响应。它们都必须有前置条件、角色、带编号的步骤、停止点、验证和版本控制。

指标与能效

PUE 是数据中心总能耗与 IT 能耗之比。当边界、周期、计量和条件一致时，它才有用。它并不衡量可用性、碳排放、水、IT 生产力，也不衡量单台服务器的孤立能效。

• 建立基线和计量质量。
• 在提高设定值之前，先处理旁路、回流和辅助负载。
• 使用顺序控制和变速运行。
• 分批测试变更，设定限值并保留回滚。
• 把节省转化为避免的成本和释放的容量。

AI、HPC 与液冷

AI 负载把电力、网络和热量集中在少数机架里。挑战不再只是总容量，还包括瞬态、电能质量、物理配电、流量、回水温度、CDU 冗余，以及靠近电子设备的液体回路的维护。

即使第一阶段采用风冷，也要为高密度 POD 预留路由、技术区域、结构荷载、水力接口、电气容量和仪表。临时的改造往往会造成依赖和停机。

部署路线图

每个阶段都必须以验收标准收尾。设置关卡并不是为了增加官僚程序，而是为了防止关键的不确定性继续向前推进，进而演变成代价高昂的变更。未满足的需求必须得到纠正、正式作为风险接受，或从范围中移除并记录其影响。

RFP 与合同的检查清单

• 比较技术偏离项，而不仅仅是总价。
• 对能效、可用容量、冗余和续航进行归一化处理。
• 评估交付周期、过时风险和本地支持。
• 要求提供逐条的符合性矩阵。
• 把付款与里程碑和性能证据挂钩。

运维就绪检查清单

结果：只有当人员、流程、文档、工具和供应商能够运维和恢复基础设施时，数据中心才算就绪——而不仅仅是施工结束之时。

快速公式与换算

上述关系是用于估算的简化。实施设计需要曲线、修正系数、环境条件、损耗、谐波、同时系数和规范性的标准。

概念性容量规划示例：IT 负载为 600 kW，五年内增长到 900 kW，模块化扩展单元为 150 kW。该策略可以在初始阶段部署 4 个活动模块 + 1 个冗余模块，并为未来的模块预留空间和一次侧基础设施。分析必须验证系统在维护和故障期间是否仍保持 N，以及辅助负载是否能跟上每个阶段。

推荐的技术参考资料

请务必查阅现行版本、所签约的范围以及当地的法律要求。以下参考资料为研究提供指引，但不能取代获取、通读，以及由合格专业人员的应用。

巴西的法律法规、ABNT 标准、消防部门指令和环境要求，必须针对项目所在地和日期加以确认。

结论

设计一座数据中心，就是管理各种后果。最佳方案不是堆砌最多冗余设备的方案，而是以连贯且可证明的方式把关键性、风险、架构、实施、测试和运维联系在一起的方案。

• 举办需求与 BIA 研讨会。
• 整合清单、容量和扩展期限。
• 对站点和公用设施进行尽职调查。
• 产出带有备选方案和 TCO 的概念设计。
• 在签约之前定义调试验收标准。
• 从一开始就规划交接和运维。

NGG Tech：为不能停机的企业打造的智能基础设施——以风险和性能为导向的战略、工程、部署、运维和演进。