本文以高架地板数据中心为研究对象,研究风能在数据中心中潜在的应用可能性,从而提出一个提高其空气冷却效应的有意义的节能方法。本课题尝试在数据中心板下空间应用风力发电技术提高数据中心能效,由于考虑到数据中心大多存在空调供风过冷的问题,所以在板下空间利用这一部分过冷的风能驱动风力机进行发电,作为数据中心的储备电源。此项研究工作是首次在数据中心中应用风力机技术,所以具有良好的研究前景和工程应用价值。首先,使用计算流体动力学（CFD）方法探讨风力机的参数特性对穿过多孔砖的冷空气流量,板下空间流场分布和机柜入口温度的影响。采用空气阻尼作为风力机的简单模型进行建模,通过推力系数（CT）来计算风轮产生的阻尼力,观察风轮到空调单元（CRAC）的距离（H）和推力系数对数据中心冷却效应的影响。研究结果表明风力机参数对板下空间气流分布和机柜入口温度的影响较小,而相比较风轮的位置而言,推力系数的变化对穿过多孔砖的气流影响略大。但从总体的气流分布和变化来看,风力机的参数特性没有对数据中心的冷却特性产生明显的影响。总之风力机在数据中心板下空间的应用,是提高数据中心能效的一个有价值的制冷方案。其次,为了进一步研究风力机在数据中心板下空间应用的合理性,结合紊动冲击射流理论来研究风力机对板下空间气流风量,射流区域气流速度分布和压力分布的影响。在空气阻尼下端采用监测面对气流的风量进行监测,观察阻尼对气流的削弱影响。分析机房2的板下空间XZ平面上不同高度层次的气流速度和压强的分布以及轴向速度与压强的无量纲分布,通过对X轴方向上设置气流速度监测点,分析空气阻尼对其周围气流的扰动。从而得出,空气阻尼对板下空间气流风量的削弱较小,对气流速度和压强分布的扰动在可接受的范围内,而且空气阻尼的应用一定程度上加快了板下空间局部气流的流动,使更多的冷空气能够通过多孔砖进入冷通道,消除了部分气流停滞点。在一定程度上,风力机起到了气流加速装置的作用。最后,应用神经网络对机柜群出风侧进行热点温度预测。传统的CFD模拟方法需要消耗大量的时间,而神经网络模型能在很快的时间内就得到与之相似的计算结果。本文运用了 BP神经网络对数据中心的第A排机柜热点温度进行预测,得到了较好的预测值。但由于输出数据太多,不方便查看机柜群的最高热点温度。所以结合遗传算法优化BP神经网络,对机柜的最高热点进行预测,通过改变机柜内部风扇单元的供风量观测最优的供风方案。并且得到的神经网络模型能够保证精确地预测机柜热点温度,从而很大程度上加快了计算速度。通过对输入参数的优化,得到最佳的数据中心冷却方案。