数据中心供配电系统负荷计算实例分析

简介:

负荷计算目的和意义

低压供配电系统的设计中负荷的统计计算是一项重要内容,负荷计算结果对供电容量报装、选择供配电设备及安全经济运行均起决定性的作用。负荷计算的目的是:

1. 计算变配电所内变压器的负荷电流及视在功率,作为选择变压器容量的依据。

2. 计算流过各主要电气设备 (断路器、隔离开关、母线、熔断器等)的负荷电流,作为选择设备的依据。

3. 计算流过各条线路(电源进线、高低压配电线路等)的负荷电流,作为选择线路电缆或导线截面的依据。

4. 计算尖峰负荷,用于保护电器的整定计算和校验电动机的启动条件。

数据中心供配电系统负荷计算实例分析

负荷计算方法

我国目前普遍采用需要系数法和二项式系数法确定用电设备的负荷,其中需要系数法是国际上普遍采用的确定计算负荷的方法,最为简便;而二项式系数法在确定设备台数较少且各台设备容量差别大的分支干线计算负荷时比较合理;在建筑配电中,还常用负荷密度法和单位指标法统计计算负荷。在方案设计阶段可采用单位指标法;在初步设计及施工图设计阶段,宜采用需要系数法。

负荷计算原则

进行负荷计算时,应按下列原则计算设备功率:

1. 对于不同工作制的用电设备的额定功率应换算为统一的设备功率。

2. 整流器的设备功率是指额定交流输入功率。

3. 成组用电设备的设备功率,不应包括备用设备。

4. 当消防用电的计算有功功率大于火灾时可能同时切除一般电力、照明负荷计算有功功率,应按未切除的一般电力、照明负荷加上消防负荷计算低压总的设备功率、计算负荷。否则计算低压总负荷时,不应考虑消防负荷。当消防负荷中有与平时兼用的负荷时,该部分负荷也应计入一般电力、照明负荷。

5. 单相负荷应均衡分配到三相上,当单相负荷的总计算容量小于计算范围内三相对称负荷总计算容量的15%时,全部按三相对称负荷计算;当超过15%时,应将单相负荷换算为等效三相负荷,再与三相负荷相加。

数据中心相关经验总结

负荷计算是供配电系统设计的基本计算,数据中心的负荷计算更适合使用需要系数法。计算时需要系数的取值、负荷取舍计入、蓄电池充电和空调照明的估算等内容,在数据中心的计算中还是有别于其他建筑专业的计算,现总结如下:

1. 数据中心的IT 负荷重要性都比较高,必须使用 UPS等设备来保证不间断供电,根据数据中心的建设标准不同,UPS会采取“1+1”、“2+1”、“2N”等不同的配置。由于供电部门需要统计机房设备安装总容量,所以数据中心的IT 设备额定容量要用 UPS设备的总装机容量。计算IT 设备容量时的需要系数根据 UPS设备的配置方式调整,即需要系数=主 用UPS设备数量UPS配置数量。例如:UPS按照2N 设置,进行负荷计算时,需要系数取0.5.

2. UPS配置的蓄电池充电容量需计入负荷计算。根据数据中心的建设标准不同,UPS蓄电池需按照不同后备时间配置,即每台UPS配置的蓄电池容量及组数不同。UPS蓄电池充电容量=电流×电压×组数×效率根据计算可知,UPS蓄电池充电容量约为UPS配置容量的10%~20%,做负荷计算时可直接应用结论简化计算。

3. 在数据中心中,除了IDC机架外,空调在总负荷中占的比重也相当大,一般会配置备用空调设备,根据数据中心的建设等级备用数量会不同。计算空调设备容量时的需要系数根据空调设备的配置方式调整,即需要系数=主用空调设备数量/空调配置数量。2007年绿色网络组织制定了数据中心能效比指标PUE,目前被行业广泛使用,PUE=数据中心总能耗/IT设备总能耗。根据对数据中心进行数据分析,数据中心的PUE值一般介于1.6~1.8之间,即机房空调和照明负荷约为IT设备负荷的60%~80%,照明负荷与空调相比来说占比相当小,所以可近似认为机房空调负荷约为IT设备负荷的60%~80%,此 结论可以直接在负荷计算中应用来简化计算。

4. 根据相关经验据,照明负荷一般按照30w/m2估算、办公空调负荷一般按照50w/m2估算、有餐厅用电的情况下按照2kW/人估算、用燃气的情况下按照5w/人估算。

5. 根据负荷计算要求,季节性用电设备应选择其最大者计入总设备容量。数据中心空调负荷一般会远远大于采暖负荷,所以计算时只需计算空调负荷即可。

6. 根据负荷计算要求,消防设备容量一般不计入总设备容量,所以计算时消防电梯不计入。

7. 根据供电部门要求,进行无功补偿后的功率因数需达到0.95以上,一般按照变压器容量的30%进行补偿。

8. 根据相关经验数据,负荷计算中同时系数取0.9-0.95.

实例分析

本文以某运营商新建数据中心为例:建设标准为Toer IV 等 级,IDC 机 房 约1000m2,新建单机功耗5kW的IT设备200架、单机功耗100kW的IT设备50架,IDC机房内空调和照明按配套配置(空调系统暂不考虑由UPS系统供电)。变配电及UPS等设备机房约1000m2、办公区约1000m2.消防电梯2台1用1备,设备容量为50kW/台。办公室设电采暖2台,容量分别约80kW和50kW.要求通过负荷计算确定本数据中心供配电系统设备配置。

步骤1:确定为IT 设备供电的系统配置

根据《通信用不间断电源—UPS》(YD ╱T095-2008)对UPS设备输出有功功率的要求为:≥额定容量×0.7kW/kVA,因 此,配置的UPS容量应为:(200*5+50*10)/0.7kVA=2142.86kVA.IDC机房按 Tier IV 标准机房设置,UPS设备按2N配置考虑,配置的 UPS设备总容量不应小于4285.71kVA.本工程需新建2套“3+3”并机400kVA UPS电源系统。UPS主机配置的蓄电池组按单机满负荷情况下后备时间为15min(2V蓄电池单体的放电终止电压为1.8V)考虑,每台UPS设备配置3组200AH蓄电池组,共计36组。

步骤2:进行负荷计算

需进行计算的各要素:UPS、UPS蓄电池充电、机房空调及照明、办公区空调及照明等。并按照供电部门要求进行无功补偿。

步骤3:根据负荷计算结果及配置设备

根据负荷计算,交流总负荷约为6425.36kVA,需油机保障负荷为6032.88kW.按照Tier IV 等级和电源配置的要求,拟设置2路10kV市电引入,双路市电应满足单路承担全部负荷的能力。安装高压开关柜1套(包含进线隔离柜2台、进线柜2台、计量柜2台、联络柜2台、出线柜 N 台);安装4台2000kVA干式变压器;低压抽屉式开关柜2套(每套包含2台进线柜、2台油机市电转换柜、1 台低压联络柜、N台低压馈电柜、4台低压电容器柜);安装4台1600kW柴油发电机组。


 本文作者:佚名

来源:51CTO

相关文章
|
7月前
|
机器学习/深度学习 存储 数据采集
利用机器学习优化数据中心冷却系统
【4月更文挑战第26天】 在数据中心管理和运营中,冷却系统的能效是关键成本因素之一。随着能源价格的上涨和对环境可持续性的关注增加,开发智能、高效的冷却策略显得尤为重要。本文将探讨如何应用机器学习(ML)技术来优化数据中心的冷却系统。通过收集和分析温度、湿度、服务器负载等多维数据,我们构建了预测模型来动态调整冷却需求,实现节能并保持最佳的操作条件。实验结果表明,使用ML优化后的冷却系统能够在不牺牲性能的前提下显著降低能耗。
|
7月前
|
机器学习/深度学习 数据处理 数据安全/隐私保护
DPU:数据中心与计算架构的革新引擎
【2月更文挑战第3天】
1220 1
DPU:数据中心与计算架构的革新引擎
|
7月前
|
机器学习/深度学习 存储 运维
利用机器学习优化数据中心冷却系统
在数据中心运营成本中,冷却系统的能源消耗占据了显著比例。随着数据中心规模不断扩大,传统的冷却管理方法逐渐显得不足以应对复杂多变的热负荷。本文提出了一种基于机器学习的方法,旨在优化数据中心的冷却系统性能。通过收集历史运行数据和实时环境参数,构建预测模型来动态调整冷却策略,实现能源消耗与散热效率之间的最佳平衡。实验结果表明,该方法可以有效降低能耗,并保持数据中心内环境的稳定性。
48 1
|
7月前
|
机器学习/深度学习 传感器 算法
利用机器学习优化数据中心冷却系统
【2月更文挑战第15天】 在数据中心运营效率的众多挑战中,冷却系统的优化是一个关键因素。本文将探讨如何应用机器学习技术来改善数据中心的冷却性能,减少能源消耗,并提高整体的可持续性。通过分析历史温度数据、服务器负载以及环境参数,构建预测模型来动态调整冷却需求,实现智能化管理。本研究展示了一种创新方法,不仅提升了数据中心运行效率,也为其他工业冷却系统提供了可借鉴的解决方案。
61 1
|
7月前
|
机器学习/深度学习 存储 算法
利用机器学习优化数据中心冷却系统
【2月更文挑战第23天】 在数据中心的运营成本中,冷却系统占据了一大块。传统的冷却管理通常依赖于简单的规则或手动调整,无法适应复杂多变的热负荷和环境条件。本文提出了一种基于机器学习的方法来动态优化数据中心的冷却系统。我们设计了一个预测模型来估计未来的热负荷,并结合实时数据,通过优化算法调整冷却设备的工作状态,以降低能源消耗并保持适宜的运行温度。实验结果表明,该方法能够有效减少能耗,同时保证数据中心的冷却效率。
46 0
|
27天前
|
运维 监控 中间件
数据中心运维监控系统产品价值与优势
华汇数据运维监控系统面向IT基础架构及IT支撑平台的监控和运维管理,包含监测、分析、展现和告警。监控范围涵盖了网络设备、主机系统、数据库、中间件和应用软件等。
46 4
|
7月前
|
机器学习/深度学习 存储 运维
利用机器学习优化数据中心冷却系统
【5月更文挑战第20天】 在数据中心运营成本中,冷却系统占据了一大块。随着能源价格的上涨和环境保护意识的增强,如何降低数据中心的能耗成为行业关注的重点。本文通过引入机器学习技术来优化数据中心冷却系统,旨在减少不必要的能源消耗,同时保持适宜的操作温度。通过收集历史温度数据、服务器负载信息以及外部气象条件,构建了一个预测模型,该模型能够实时调整冷却策略,实现动态节能。实验结果表明,与传统冷却系统相比,应用机器学习优化后的系统在不影响性能的前提下,能够节约高达20%的能源消耗。
|
7月前
|
机器学习/深度学习 存储 传感器
利用机器学习优化数据中心冷却系统
【5月更文挑战第30天】 在数据中心的运行中,冷却系统的能效对整体运营成本有着显著的影响。随着人工智能技术的进步,特别是机器学习(ML)的发展,出现了新的机会来优化数据中心的能源使用效率。本文将探讨如何通过机器学习模型预测数据中心的热负荷,并据此动态调整冷却策略,以实现能耗最小化。我们将介绍所采用的数据集、预处理方法、模型选择、训练过程以及最终实施的策略。结果表明,基于机器学习的预测系统能够有效降低数据中心的能源消耗,并为可持续运营提供支持。
|
7月前
|
机器学习/深度学习 监控 算法
利用机器学习优化数据中心冷却系统
【5月更文挑战第30天】在数据中心的运营成本中,冷却系统占据了相当一部分。为了提高能效和降低成本,本文提出了一种基于机器学习的方法来优化数据中心的冷却系统。通过对大量历史数据的分析和挖掘,我们设计了一个预测模型,用于实时监控和调整数据中心的温度。实验结果表明,该方法可以有效降低能耗,提高数据中心的运行效率。