1 供电与制冷要回答什么
服务器能开机，只说明此刻得到了足够的电；业务能持续运行，还要求电源故障、设备维护和负载变化时，供电与散热仍有余量。供电与制冷共同回答几个实际问题：这批机器正常运行需要多少功率，某条路径退出后还能承受多少，热量能否排走，异常出现后能维持多久。这些问题决定机柜能放多少设备，也决定维护能否按计划进行。
先看本课使用的示例机柜。柜内有 8 台 2U 服务器，每台安装 2 颗 CPU、16 条 DDR5 内存、4 块 NVMe SSD 和 2 个 25GbE 网口，并配有 2 个可热插拔电源模块。CPU 执行计算，内存持续刷新，SSD 处理读写，网卡经 PCIe 与主板交换数据，这些部件都会消耗电力。机箱风扇与电源转换也有损耗，所以不能只把 CPU 的标称功率相加，就称为整机功率。
假设测量发现，每台服务器在代表性高负载下，从交流输入端取得 700 W，业务低谷约为 420 W。8 台高负载共 5.6 kW，再加交换机和管理设备的 0.4 kW，机柜实际输入约为 6 kW。这只是用于教学的工作点，不能代替设备选型数据和现场测量。内存数量、CPU 型号、网卡速率、SSD 写入任务和风扇转速变化，都可能使另一台外形相同的机器得到不同结果。
功率表示当下使用电力的快慢，单位常用 W、kW；电量表示一段时间累计使用多少电，单位常用 kWh。持续消耗 6 kW 的机柜运行 2 h，约用 12 kWh 电。制冷关注的是热负荷：在常见机房边界内，输入 IT 设备的电能最终几乎都成为热量。因此，6 kW 的设备负载也意味着约 6 kW 的持续散热需求，不能把电与热当成互不相干的表格。
本课把观察对象分成设施、机柜和设备 3 个层次。设施提供配电与冷源，机柜组织支路和气流，设备通过电源模块、散热片和风扇维持运行。任何层次的额定值都只是条件明确的能力上限。学习时始终追问：这个数在哪里测得，适用于什么环境，哪种故障发生后仍然有效。
2 UPS、PDU 与电力冗余路径
典型供电链路可以简化为上级配电、UPS、支路保护、机柜 PDU、服务器电源模块、主板与外设。UPS 是不间断电源，用储能与转换环节应对部分输入异常，并在上级电源中断时争取过渡时间。PDU 是机柜配电单元，负责把支路电力分配给多个插座；有些型号还能报告电流、功率或控制插座，但它通常不负责储存电能。
服务器电源模块把交流电转换为设备可用的直流电，主板上的供电电路再为 CPU、内存等提供合适电压。2 个模块可能分担负载，也可能采用其他工作策略，应以设备说明和实际状态为准。标有 1200 W 的电源模块表示在规定条件下的输出能力，不表示服务器一直从插座取走 1200 W。整机输入还受转换效率影响，而模块失效后，剩余模块必须能够独立承受整机需求。
本课把两条计划独立的供电路径称为 A 路与 B 路。理想接法是每台服务器的电源模块分别接到 A、B 两个 PDU，PDU 再接到经过设计的上游路径。正常时每路可能承担约半数负载；A 路退出后，B 路承接原来由 A 路提供的部分。若整柜需求为 6 kW，正常时各约 3 kW，并不表示 B 路只需按 3 kW 配置。维护期间，它可能需要独自提供约 6 kW。
冗余必须沿路径检查。2 个电源模块都接在同一个 PDU 上，能够缓解部分模块故障，却不能承受该 PDU 断电。2 个 PDU 接到同一个支路，也可能被同一个断路器影响。即使支路不同，上游仍可能共用配电装置、UPS 或维护旁路。是否接受这些共用点，要由可用性目标决定，并在图上标清，不能仅凭插头数量宣称全链路冗余。
UPS 的 kW 能力与续航时间是不同约束。前者限制可承载的有功负载，后者与实际负载、储能状态、温度和电池老化有关。设备标出的 kVA 也不能直接当成 kW，应结合功率因数及制造方给出的限制判断。续航必须查负载对应的曲线或经批准的测试结果；“装了 UPS”并不等于可以无限运行，更不能保证制冷设备也受同样保护。
3 热通道、气流与制冷容量边界
多数机架服务器从前部吸入空气，从后部排出热空气。机柜正面朝向的区域通常组织为冷通道，背面排风进入热通道，再回到空调或其他换热设备。这条路径的目的，是让适温空气先经过需要冷却的部件，再把吸收的热量送走。具体设备可能采用不同气流方向，尤其是交换机，安装前要核对，不能只凭面板位置判断。
空气会沿阻力较小的路径流动。机柜空位没有盲板时，部分热风可能绕回前部；线缆堆积在背面时，排风阻力可能增加；地板开孔与送风组织不匹配时，冷空气也可能绕过设备直接回到空调。此时制冷设备仍在运行，房间某处也可能很冷，但机柜上部服务器的进风温度已经升高。判断散热效果，应测设备进风处，而不能仅看墙上的室温显示。
制冷至少存在总容量、局部送风和热量回收 3 类边界。总容量不足，会让整个区域逐渐升温；局部风量不足，会让某个高密度机柜过热；冷热空气混合，会使已有容量不能有效到达负载。机房宣称具备 100 kW 制冷能力，不意味着任意位置都能放入 20 kW 机柜。设备分布、通道组织和制冷单元退出后的能力，同样需要检查。
用简化关系理解风量：带走的热量约等于空气密度、比热、体积流量与进出风温差的乘积。在接近常见机房环境、温差取 10 ℃ 时，移走 6 kW 热量大约需要 0.5 m³/s 空气，也就是约 1800 m³/h。这是帮助理解数量级的估算，不能直接作为风机选型结果。海拔、空气状态、机柜阻力、设备允许温度与实际风路都会改变设计条件。
更大的进出风温差不自动代表更好的散热。如果风量不足，排风会更热，CPU、内存或 SSD 可能先触发温度保护。CPU 降频会延长任务时间，SSD 可能降低持续写入速度，风扇可能提高转速并增加耗电。应结合进风温度、部件温度、风扇状态和工作负载判断，而不是单独追求某个温差。进风允许范围也应覆盖柜内最严格的设备要求。
制冷故障后的时间窗口与 UPS 续航没有固定对应关系。供电可以继续，风扇仍然转动，但没有有效冷源时，回风可能反复进入机箱，温度持续上升。建筑热容量、室外条件和负载都会影响升温速度。方案中要明确制冷告警后先迁移哪些任务、何时限制功率、何时关闭设备，避免等到硬件自行关机才开始行动。
4 动手：画一台机柜的供电与回风路径
这次练习先在纸面或绘图工具中完成，不需要拔插电缆，也不需要打开配电柜。取本课 8 台服务器的机柜为对象，画出柜内设备位置、2 个 PDU、上游供电边界和相邻冷热通道。每条连接必须有起点、终点及标签；不知道的部分写“待核实”，这样图才能揭示信息缺口，而不是用整齐的连线掩盖未知状态。
先为服务器编号 S01 至 S08，为电源模块标记 PSU-A 与 PSU-B，再为 PDU 插座标记唯一编号。记录例如“S01 的 PSU-A 接 PDU-A 的 01 号插座”。随后补上 PDU 所属支路、保护装置和 UPS 路径。连接表与图应互相对应，并记录核实日期。标签使用 A、B 只是命名，只有追到已知上游边界，才能判断路径是否具备所需独立性。
再画气流箭头。把服务器进风面朝向冷通道，排风面朝向热通道，补上回风进入制冷设备的位置。标记空机位、穿线孔、交换机气流方向以及可能堵住后部排风的线缆区域。如果实际柜内混用前后气流方向的设备，先画出冲突，再提出调整安装位置或采用适配方案的要求。不要用图上的统一箭头替代实物核对。
把数据放在测点旁边：整柜约 6 kW，正常 A、B 各约 3 kW；维护状态下存活路径可能承担约 6 kW。PDU 的表计读数与服务器管理口报告的功率可能不同，因为测量边界、采样周期和误差不同。收集数据时记录时间，并区分瞬时值、周期平均值与峰值。对于短时变化，低频采样可能漏掉尖峰，因此不能只用某次截图作为容量证据。
最后做桌面推演。用划线表示 A 路计划退出，从每台服务器沿仍然存在的电线追到上游，再检查存活路径容量。接着让其中 1 台服务器的 B 电源模块也不可用，判断它是否会停机。再假设 1 台制冷单元检修，查看剩余送风能否覆盖该柜。推演的价值是把故障条件与后果写清楚，任何现场切换都应另走批准的操作流程，由具备资质的人员实施。
练习完成的标准不是图画得漂亮，而是他人能据图回答：哪个插座可以被维护，哪些设备会失去全部供电，哪处需要采温，什么条件会阻止变更。把尚未确认的公共上游、未知电源状态和缺少的告警列为待办。若证据不足，结论应是“尚不能确认可维护”，而不是默认设备有 2 个电源就安全。
5 PUE、负载率与维护窗口取舍
PUE 是机房总能耗与 IT 设备能耗之比。假设同一统计周期内，机房总能耗为 13000 kWh，IT 设备能耗为 10000 kWh，则 PUE 为 1.3。差值涵盖统计边界内的制冷、配电损耗等设施开销。比较时必须确认测量边界和时间范围；把某个小时的功率比与全年的能耗比并列，或把不同设施范围的数据直接排序，容易得出错误结论。
PUE 描述设施开销关系，不直接描述计算工作的效率。让空闲服务器持续耗电，可能增大分母，使比值看起来改善，但有用工作并未增加。相反，关闭闲置设备后，IT 能耗下降，设施固定开销尚未同步下降，PUE 可能暂时升高。因此方案应同时观察总电量、有用任务完成情况和可靠性，不能为了较小的比值而保留无用负载。
负载率同样需要先说明分母。对于教学示例，假定 A、B 每路经过设计确认的可持续供电能力均为 8 kW，且已综合考虑支路、线缆、插接件和环境等约束。整柜 6 kW 时，正常每路承担 3 kW，相对该能力的负载率为 37.5%；单路退出后，存活路径为 75%。这里的 8 kW 是示例中的已确认能力，不是所有标牌额定值都能直接使用的数。
如果业务增长到 7 kW，单路状态的负载率变成 87.5%，剩余功率余量只有 1 kW。若再增加 1 kW 设备，计算值正好达到边界，却没有给负载变化和测量误差留下空间。维护策略可以选择降低任务并发、迁移部分负载或推迟扩容，但必须在维护前形成可执行计划。平均功率较低的批处理机柜，也可能在多个任务同时启动时出现明显增长。
维护窗口的选择应同时考虑供电、制冷与业务。低谷时功率较低，通常更容易保留余量；但备份、SSD 重建、数据校验或虚拟机集中启动，也可能安排在同一时段。维护前需要查看计划任务，而不只是用户访问量。若运行期间失去一条供电路径，原定窗口的低负载条件还是否成立，也应有明确判断方式。
提高冷通道温度可能降低部分制冷开销，但效果取决于设施运行方式，而且可能使设备风扇耗电增加。新设定值应满足所有设备要求，并观察机柜上部、边缘位置与高密度设备的进风变化。入门阶段不需要追求复杂优化模型，先把测量边界、约束条件和维护期间的能力写清楚，再在可靠范围内做能耗改进。
6 常见坑：把额定功率当可持续负载
最常见的错误，是把某个部件标牌上的大数直接当作整条路径可以长期使用的功率。一个插座允许的电流，不等于 PDU 全部插座可以同时达到这个电流；PDU 的总额定值，也不等于上游支路已经具备相同能力。可持续能力要看整条路径中最紧的约束，并符合适用规范、安装条件和保护配置，不能在教材里用固定折扣替代现场设计。
在单相交流的简化计算中，有功功率可写成电压乘电流再乘功率因数。假设输入为 230 V、16 A、功率因数为 0.95，得到约 3.5 kW，仅说明这些条件下的电气数量关系，并不构成长期承载许可。电压波动、插接件温升、持续负载要求和上游保护仍需核对。三相 PDU 还应检查各相负载，不能仅看总功率合计后就认为没有过载风险。
另一个错误是把 2 个 1200 W 电源模块理解为整机可在任何冗余条件下使用 2400 W。如果机器实际需要超过单模块可用输出，失去其中 1 个模块时就可能失去所需能力。输入电压也可能影响模块允许输出。应核对整机配置支持的电源组合、输入条件与故障模式，并确认管理界面没有电源冗余失效告警。
CPU 的热设计相关指标也不能代表整机墙上功率。内存条、主板、PCIe 网卡、NVMe SSD 和风扇都要用电，电源转换还会产生损耗。相同 CPU 的 1U 与 2U 机型，可能因散热结构不同而呈现不同风扇功率。选型阶段可以用配置工具和规格做初估，验收阶段仍需在代表性任务下测量，并检查负载变化与存活路径情况。
制冷侧的同类误区，是把空调名义制冷量当作所有工况下的有效能力。环境条件、设备状态、维护退出以及送回风组织都会改变结果。加大服务器风扇转速也无法凭空创造冷量：它可能改善机箱换热，但如果吸入的空气越来越热，效果会受到限制。遇到温度告警，要先定位进风、风路和部件状态，再判断是否需要增加容量。
还要警惕“最近没出事”的证据。低负载运行没有跳闸，只能说明已观察时段尚未触及相关条件；它不能证明高负载、单路供电和高温同时发生时仍安全。把正常、故障、维护状态分别列出，比记录一个笼统的额定值更有用。对于未经确认的状态，先限制扩容或调整任务，是可以落实的容量管理措施。
7 案例：单路 PDU 维护拖垮整柜
某机柜同样安装了 8 台双电源服务器和 2 个 PDU。设备清单写着“双电源”，值班人员因此认为维护其中 1 个 PDU 不会中断服务。实际布线时，为了方便整理，S01 至 S04 的 2 个电源模块都接在 PDU-A，S05 至 S08 的 2 个模块都接在 PDU-B。机柜正常运行了很长时间，这个接线缺陷一直没有通过正常状态表现出来。
维护开始后，PDU-A 按计划断电，S01 至 S04 同时失去全部输入，计算任务与网络连接中断。其他节点上的监控、存储服务和应用随之报告错误，故障看起来像整柜服务被拖垮。这里“整柜服务受影响”不等于每台服务器都物理断电；要区分设备停机范围与业务影响范围，否则会把幸存设备上的告警误判成另一种电力故障。
最初有人怀疑 UPS，因为多台机器的掉线时间10分接近。检查却发现 PDU-B 仍有输入，S05 至 S08 的带外管理也在线。沿连接表核对后，才确认掉电设备的 2 根线均来自 PDU-A。这个例子说明，时间相关性帮助定位共同故障点，但不能代替路径证据；监控报出的第 1 个业务错误，也未必是最早发生的物理事件。
恢复时不能只把所有设备同时重新启动。应先按现场流程恢复可靠供电，确认存活路径与插座承载情况，再分批启动设备，观察功率变化和进风温度。操作系统恢复后，还要检查存储状态、数据一致性与业务依赖。断电造成的服务中断并不保证插回电源后立刻结束，SSD 后台恢复、文件系统检查或集群重新加入都可能延长恢复过程。
整改也不止于把第 2 根线换个位置。应更新端到端接线记录，核对所有服务器的电源模块健康状态，检查上游公共点，并确认任意计划退出路径后仍有足够容量。若 2 个 PDU 最终接在同一个上游支路，柜内改线只能修复部分问题。整改后的验证须经批准，在可控负载与回退条件下实施，不能用随手拔线来验证生产系统。
本例的根因是把部件数量当成路径能力，促成因素则包括标签缺失、图纸未更新和维护前检查不足。可迁移的经验是：每次变更都应写出退出哪个部件、哪些路径保留、剩余能力多少，以及哪个测点证明状态符合预期。这样既能识别接错线，也能发现接线正确但容量不足的另一类风险。
8 把电力与制冷余量写进机房方案
方案的容量表要同时描述正常状态与允许的退出状态。以示例机柜为例，写明预计高负载为 6 kW、每路已确认可持续能力为 8 kW，正常各约 3 kW，单路承接约 6 kW，并说明这些数的来源、测量周期和适用配置。余量应写成可解释的差值：单路状态下约剩 2 kW，而不是只写“冗余充足”。
制冷表采用相同思路。记录机柜热负荷、设备进风要求、测点位置与正常温度范围，另列制冷单元维护时的可用能力和气流限制。如果某柜虽然总热量不大，却出现上部进风回流，应把风路整改列为前置条件。电力余量不能补偿制冷不足，房间总制冷余量也不能自动补偿某个机柜的局部送风缺口。
扩容申请要写清新增设备的具体配置与形态。例如增加 2 台 1U 服务器，每台配置 1 颗 CPU、8 条内存、2 块 NVMe SSD 与 1 张 PCIe 25GbE 网卡，预计高负载输入各 500 W，则机柜需求将从 6 kW 增至约 7 kW。这个估计需要在验收时确认；如果改成更多 SSD 或更高功率 CPU，不能沿用原来的功率数字。
告警条件应能引出动作。PDU 功率接近约定边界时，通知容量负责人核对任务与扩容；设备出现电源冗余告警时，暂停依赖该冗余的供电维护；进风温度持续异常时，检查风路并按预案减载。阈值及持续时间要依据设备要求、现场测量与响应时间制定，不应把课堂示例里的百分比直接复制为生产规则。
维护条目至少写明责任人、影响范围、允许负载、开始条件、退出条件和恢复验证。开始前确认剩余路径健康，维护中观察功率与温度，条件超出边界则停止后续操作并执行回退。恢复后确认双路状态、告警清除和连接记录更新。对于电气设备本身的作业，应交由具备资质的人员按现场制度执行。
验收证据可以很朴素：带日期的连接表、设备配置、PDU 趋势、进风测点记录，以及受控验证的结果。关键是能把“要求”连到“观察”。例如要求单路维护不中断，就需要证明每台设备有有效存活路径、该路径可承载负载，而且应用在规定验证条件下保持可用。只有采购清单与标牌照片，无法完成这条论证。
9 从供电与制冷走向KVM 与 QEMU（C23）
物理服务器具备稳定的电力与散热条件后，才能讨论怎样把 CPU、内存、存储和网卡资源交给多个运行环境。虚拟化让多个虚拟机共享主机资源，但不会消除主机的功率与散热边界。KVM 与 QEMU 的入门学习将解释虚拟机如何获得执行与设备环境；本课先把它们共同依赖的物理地基说明白。
在常见组合中，KVM 提供 Linux 内核中的虚拟化能力，QEMU 参与虚拟机设备与运行环境的构建，具体工作机制留到 C23。对本课而言，只需知道同一物理主机上的多台虚拟机共享其 CPU、内存、PCIe 设备和供电路径。即使虚拟机分属不同业务，主机失去全部电源后，它们也会同时停止，软件层面的数量并不增加物理路径的独立性。
虚拟机集中启动、数据迁移与后台存储任务都可能改变硬件负载。把任务迁移到其他主机，可以降低待维护主机的功率，但接收主机所在机柜也会增加功率和热量。如果接收端与发送端位于同一供电支路或同一受限冷区，迁移未必降低设施层面的风险。因此，迁移计划要检查目标端的资源与物理余量。
故障域是理解这件事的桥梁：某个共同部件失效时，可能一起受影响的范围。PDU、上游支路、机柜和冷区都可能形成不同边界。把互为备份的虚拟机放在不同物理主机上，只解决了一部分共同风险；若这些主机仍共用待维护 PDU，业务冗余可能同时失效。方案应能从虚拟机追到主机，再追到电力与制冷边界。
进入 C23 前，可以带着 3 个问题阅读：虚拟机运行在哪台物理主机上，它使用哪些实际设备，主机维护时可以把工作移向哪里。此时无需提前掌握复杂调度或虚拟设备内部实现。先把主机身份、连接关系和容量条件保留下来，后续的软件机制才有可以落地的对象，也能解释为什么“虚拟化后还有硬件限制”。
放进方案里
在机房方案中新增“供电与制冷边界”页，以机柜为单位连接设备清单、供电路径和气流图。示例柜填写 8 台 2U 服务器及网络设备，预计代表性高负载共 6 kW；注明配置版本、测量日期与数据来源。把空闲值、持续高负载值和已观察峰值分开，新增设备或更换主要部件后重新评估，避免把旧读数当成永久能力。
供电部分写明 A、B 路上游边界、PDU 与插座编号，以及每台服务器的电源连接。若每路经确认可持续承载 8 kW，则正常各约 3 kW，单路退出后约为 6 kW，剩余约 2 kW。公共上游、未验证条件和电源模块异常必须显式列出。任何扩容都重新检查存活路径，不能只看正常时的平均分担。
制冷部分记录约 6 kW 热负荷、前进后出的气流方向、盲板与回风安排，并在机柜前部上、中、下位置设置或指定测点。写清温度要求所依据的设备资料、告警后的检查顺序，以及制冷单元检修时的允许负载。发现局部回流时，先把风路修复列入实施条件，再决定是否需要扩充制冷能力。
维护部分填写可执行的开始条件：存活路径健康、计划任务已核对、目标机柜具备接收余量、回退人员与步骤就绪。维护过程中记录功率和进风温度，超过批准边界就停止推进并按预案处理。恢复后确认双电源状态、设备与应用可用、告警清除和图纸更新。电气作业按现场制度由具备资质的人员执行。
最后把每台物理主机对应到其承载的虚拟机与业务，标记共同 PDU、支路和冷区。交付物应让维护者直接看出退出哪个部件会影响什么、哪些余量支持继续运行，以及什么证据仍然缺失。这张边界页会成为进入 KVM 与 QEMU 学习后安排主机维护与迁移的输入。
10 小结：下一步KVM 与 QEMU（C23）
供电看完整路径，制冷看热量与风路，容量看正常、故障和维护状态。双电源是否有效，取决于连接与剩余能力；房间是否够冷，要落到设备进风与局部送风；额定值能否用于持续运行，需要结合条件确认。PUE 有助于描述设施开销，但不能独自代表业务效率或可靠性。
自测时，用自己的机柜图回答 3 个问题：A 路退出后哪些服务器仍有电，存活路径需要承担多少功率；制冷退出时先观察哪些进风测点；迁移虚拟机后哪个机柜增加了热负荷。若仍有未知项，就把它们转成核实任务。下一步进入 KVM 与 QEMU（C23），继续追踪物理资源怎样支撑虚拟机，以及软件维护如何受到这些边界约束。