通过热回收实现数据中心的冷却散热

简介:

据估计,数据中心的耗电量占到了全球总耗电量的1.5%至2%,相当于400亿千瓦时,几乎接近法国的总用电量。

想象一下,如果有一种方式可以重新利用数据服务器中所部署的电力。在本文中,我们将与广大读者朋友们共同探讨关于如何通过热回收来实现大规模的数据中心冷却,以便将数据中心的成本效率和可持续性提高到一个全新的水平。

数据中心冷却标准

自从ASHRAE于2004年首次提出其《数据处理环境的热指南(Thermal Guidelines for Data Processing Environments)》以来,伴随着CPU性能和功率密度的提高,数据中心设备容差性的提升,新的冷却技术的进步,以及成本和环保意识的增强,使得数据中心实施冷却的相关指导方针和方法已经经历了重大发展。

ASHRAE的该指南建议现在已经更新到第四版了,并在2008年与相应的电信网络设备/建筑系统要求实现了同步,成为了数据中心行业热管理的实际标准。该指南的发展演变以支持IT设备的更有效的冷却,而不会影响其可靠性。

  图1:ASHRAE热指南,2015年第4版。资料来源:ASHRAE。

斯德哥尔摩的环境条件

显然,数据中心具体冷却解决方案的选择将严重依赖于其选址所在地的自然环境条件。

瑞典的天气,在其全国范围和季节间变化差异很大。在其首都斯德哥尔摩,自2001年1月1日以来,斯德哥尔摩北部的干球温度在82.26%的时间都一直低于15°C;99.63%的时间都低于27°C(ASHRAE所建议的最高操作环境温度值);99.998%的时间都低于32°C(ASHRAE A1所建议的最高操作环境温度值)。(资料来源斯德哥尔摩的空气和噪声分析,2016年)

斯德哥尔摩的冷却选择方案

斯德哥尔摩的自然气候条件为数据中心提供了大量潜在的冷却解决方案。在本节中,我们将为您概述最适合该城市天气状况的解决方案。

基于空气的冷却系统

鉴于瑞典的自然环境条件,直接和间接空气冷却系统代表了两大相当有吸引力的方案。然而,到目前为止,整个瑞典在打造这种建筑方面的实践经验还相当有限。

在该国实施直接空气冷却方案的最好的案例是Facebook位于瑞典北部的Lule的数据中心。在斯德哥尔摩,并没有采用直接空气解决方案的重要建筑设施。究其原因可能是源于城市环境中过滤器维护成本太高所导致的问题。该系统的关键优点是低PUE值。

然而,该解决方案的最重要的问题是大量有价值的能量被浪费,因为来自数据服务器的多余热量被简单粗暴地排放到环境空气中了。然而,直接空气系统可以被设计成能够通过引入水对空气的热交换器来对这些多余的热量实施再利用。虽然这在理论上是可行的,但除了Yandex网站在其位于芬兰Mntsl的数据中心采用了之外,这种装置在整个北欧地区仍然是极为罕见的。尽管斯德哥尔摩地区的自然环境条件相当有利,仍然需要一套全面的备用冷却系统来管理少数时间段的高露点温度(Dew point temperature)。

间接空气系统执行空气到空气的热交换,其中外部空气用蒸发冷却方案来冷却。该方法的效率将取决于外部空气的湿球温度,并且当短时间内发生相对湿度太高以至于蒸发过程不能奏效时,将需要机械自顶向上的冷却来实施管理。该系统具有较低的PUE值,但该PUE值通常高于直接空气系统。

如同在直接空气系统中一样,多余的热量被排放到环境中。然而,与直接空气系统不同,难以设想一套有效的设计,可以使得热回收与间接空气系统相结合。

冷冻水系统

最常用的系统依赖于具有某种机械冷却的冷却水冷却方案,通常在一年中的大部分时间与免费的自然空气冷却模式相组合。该系统基础设施与基于空气的系统的不同之处在于,能量在数据中心是在液体中被消耗的,并且是通过数据机房中的液体到空气的热交换来进行冷却的。

冷冻水系统通常具有比基于空气的系统更高的PUE值。另一方面,冷冻水系统倾向于允许更大的设计灵活性,并且与间接空气系统相比,需要更少的空间。

冷却水系统的一个特殊版本是区域冷却。在区域冷却解决方案中,使用的是相同的数据中心基础设施,但是冷却则是作为来自区域冷却供应商所提供的服务。提供冷却服务的供应商可以使用不同的方法来生产冷却水,包括海水冷却,冷却机和热泵。虽然这种情况在斯德哥尔摩不存在,但其他地区的制冷供应商正在考虑基于吸附的制冷。

冷冻水系统的一大关键优点是其有助于进行有效的热回收。在常规的冷却水系统中,多余的热量可以从冷却塔中除去。

然而,在使用热泵来实现数据中心的冷却的冷冻水系统中,过热的温度或将升高,使得热泵通过到区域供热网络的连接同时产生用于住宅和办公室需求的加热。在提供数据中心冷却作为服务的区域冷却解决方案中,热回收是系统的固有特征,其中返回管将多余的热量从数据中心传送到配备有热泵的生产设备以及区域加热网络的连接。

随着高性能计算的出现,液体冷却的部署开始兴起。一款液体冷却解决方案并不需要液体到空气热交换,并且具有更好的热吸收,更高的温度和更少的机械辅助需求,以达到用于住宅加热的温度水平,对于热回收更有效。

斯德哥尔摩的数据中心和热回收

斯德哥尔摩的条件对于热回收是非常理想的。而在其他地方执行的许多热回收项目并不满足成功热回收的先决条件。第一大挑战便是需要管理的大量的热量。一处10兆瓦的数据中心负载对应于大约20 000幢现代住宅公寓(55 千瓦时/平方米/年)的供暖需求。因此,在本地或在与数据中心相同的建筑中完全重复利用热量的方案是不可行的。

另一大需要考虑的关键因素是数据中心依赖于单幢建筑或有限住宅区吸收数据中心热量的风险。

只有当数据中心被连接到庞大的建筑物网络时,才能以足够大的规模和合理的风险进行热回收。而鉴于斯德哥尔摩12 千瓦时/年的区域供热系统,有足够的热需求以适应任何规模的数据中心(接近150处10兆瓦负载的数据中心)的热量回收。

由Fortum公司和斯德哥尔摩市合资的Fortum Vrme公司拥有超过25年的数据中心热量回收,并将其转移到区域供热网络方面的经验,IBM公司从1989年就开始从其位于希斯塔(Kista)数据中心提供热量了。

除了由许多较小的数据中心使用的普通的区域制冷外,FortumVrme公司还开发了一种特定的区域制冷服务,其中包括热回收,例如Interxion公司在其希斯塔的数据中心所采用的。在Interxion公司,所需要的仅仅是一台热交换器和一个循环泵来冷却数据中心内部的冷冻水回路。在此过程中,来自数据中心的多余热量被回收并返回FortumVrme公司,在那里热量将进入大型热泵,然后提供区域供热。

FortumVrme公司自此开发了一种商业模式,允许任何热生产商与区域供热系统接口,并接受供热支付——即其开放区域供热。使用专门选择用于热回收的热泵,热泵的冷凝器侧与区域供热系统进行热交换,在那里传递热量,而不是将其散发到外部空气中,这使得能量被使用两次——为服务器提供供电和为斯德哥尔摩市供热。

图2:在网络不可用的情况下,使用连接到区域供热网络和冷却塔的热泵的数据中心的图示。

在斯德哥尔摩有30多处数据中心进行着热回收。

借助热回收的冷却即服务(CaaS)

如上所述,在斯德哥尔摩,热回收可以以两种方式的其中之一进行。数据中心要么可以使用热泵生产自己的冷却,并在合适的温度下将多余的热量排入区域供热网络。或者要么可以采用FortumVrme公司所提供的冷却即服务(CaaS),其中数据中心的多余热量通过回水管中被运送到生产工厂。在生产工厂,多余的热量进入大型集中式热泵的蒸发器侧,为区域供热网络供热。

在斯德哥尔摩数据公园,FortumVrme公司欢迎这两种解决方案。为了实现和分享规模经济,FortumVrme公司已经开发并提出了针对数据中心的增强的CaaS服务,希望达到超过5兆瓦的计算机负载。通过使用更大的机器并且串联连接热泵,与局部热回收解决方案相比,COP可以增加,并且耗电降低,通常是并联构造。

每处数据园(分别位于斯德哥尔摩的不同地点)将包含一个专门的冷却工厂,在该工厂内大型离心(而不是滚动或螺旋)冷却器将通过整个数据园的热回收为数据中心冷却提供CaaS。

从数据中心的角度来看,交付的服务是通过一对分配连接到标准冷冻水系统的冷冻水,允许这样的一款冷却系统提供全范围的设计灵活性。数据中心冷水分配系统通过热交换器与CaaS系统接口,在交换侧提供约20°C的水,允许约22°C的水进入CRAH单元。热回流水返回到CaaS工厂,在那里根据加热需要进入热泵,产生68℃的水到达区域供热系统。

在斯德哥尔摩数据公园Kista,冷却服务的价格(SEK / MWh)随着负载而下降,这反映了随着容量的增加所带来的热回收增加的益处。在该产品中,将免费提供冷冻水冷却,以换取冷却负荷刚好在10 MW以上的数据中心的多余热量。

  图3:斯德哥尔摩数据公园Kista的价格模型。

类似于通过公共连接所提供的电源被认为是能够降低OPEX的方式一样,较之使用数据中心自己的电气系统,热回收系统也可以被认为是有助于减少并最终消除用于冷却的OPEX的方式。有了这项产品,FortumVrme公司建议每年运行CaaS达8,030小时,可用性为99.7%,允许进行修订和维护。

同样,该产品类似于电源设置,设想企业客户将使用低CAPEX的冷却器来补充CaaS以实现冗余,并在不提供CaaS时冷却数据中心。考虑到估计使用量低,数据 中心操作员可以选择备用冷却系统而最小化OPEX。由于备份系统每年的使用不到730小时,并且主系统的简单性,所需的维护也减少了。数据中心的配水基础设施由两个系统共享。

  图4:使用具有集成备用冷却系统的CaaS的数据中心的图示

如果优选完全冗余的CaaS解决方案,则可以提供具有两个单独馈电的结构,但会影响定价模型。

效率和环境

PUE是测量数据中心效率的常用指标。已经变得越来越受欢迎,主要是由于其简单性。但PUE也受到批评,因为它未能全面反映数据中心的效率和对环境的影响。

FortumVrme公司认为,未来的绿色数据中心将采用可持续发电,以尽量减少对环境的影响。几家主要参与者已经做出了这样的承诺,并且正在投资额外的可再生电力,主要是风力发电(Cook,2017)。在2016年12月,Google公司宣布计划到2017年使用可再生电力运营整家公司。

在此过渡中,FortumVrme正在与主要的数据中心供应商做出同样的承诺,在斯德哥尔摩数据公园为其电力使用增加了可再生能力。

斯德哥尔摩的数据中心负载为10兆瓦,可以为大约20 000幢现代住宅公寓供热,可以节省用于焚烧的燃料资源,并减少二氧化碳的排放。

通过部署热回收,一处绿色环保的数据中心可以成为气候净正性(net positive)。在斯德哥尔摩,10兆瓦的数据中心负载可以减少接近8000吨的二氧化碳排放量。

  图5:已经做出100%可再生能源承诺的ICT公司(Cook,2017)

无论以何种方式评估斯德哥尔摩数据公园热回收的影响,对环境而言,总是比竞争对手的冷却解决方案更好。没有采用热回收的数据中心可以从气候负性到气候中性,但绝不会变成净的正气候。

图6:具有可再生电力和热回收的冷却即服务的一处10兆瓦数据中心负载的净二氧化碳排放吨数

结论

由于数据中心几乎所有方面都在实现现代化及其对能源的不断增长的需求,我们需要它们不仅具有成本效益,而且要求其更加智能,可持续,并且是应对气候变化的理想组成部分。

斯德哥尔摩数据公园计划有助于在斯德哥尔摩逐步淘汰化石燃料。到2040年,该城市的目标是无化石燃料。

加入斯德哥尔摩数据公园并采用热回收,您企业将对减少全球二氧化碳排放量作出了重大贡献。我们为大型数据中心提供零OPEX的定价模式,帮助您使您的数据中心真正实现绿色环保——甚至净正气候性。

本文转自d1net(转载)

目录
相关文章
|
6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。
|
6月前
|
存储 传感器 监控
探索现代数据中心的冷却技术革新
【4月更文挑战第23天】 在信息技术迅猛发展的今天,数据中心作为计算和存储的核心枢纽,其稳定性和效率至关重要。然而,随着处理能力的增强,设备发热量急剧上升,有效的冷却方案成为确保数据中心持续运行的关键因素。本文将深入分析当前数据中心面临的热管理挑战,并探讨几种前沿的冷却技术,包括液冷系统、热管技术和环境自适应控制策略。通过比较不同技术的优缺点,我们旨在为数据中心管理者提供实用的冷却解决方案参考。
|
6月前
|
机器学习/深度学习 数据挖掘 物联网
【专栏】机器学习如何通过预测性维护、负载预测、动态冷却管理和能源效率优化提升数据中心能效
【4月更文挑战第27天】随着信息技术发展,数据中心能耗问题日益突出,占全球电力消耗一定比例。为提高能效,业界探索利用机器学习进行优化。本文讨论了机器学习如何通过预测性维护、负载预测、动态冷却管理和能源效率优化提升数据中心能效。然而,数据质量、模型解释性和规模化扩展是当前挑战。未来,随着技术进步和物联网发展,数据中心能效管理将更智能自动化,机器学习将在实现绿色高效发展中发挥关键作用。
126 5
|
6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。
|
6月前
|
存储 大数据 数据处理
探索现代数据中心的冷却技术
【5月更文挑战第25天】 在信息技术迅猛发展的今天,数据中心作为其核心基础设施之一,承载了巨大的数据处理需求。随着服务器密度的增加和计算能力的提升,数据中心的能耗问题尤其是冷却系统的能效问题日益凸显。本文将深入探讨现代数据中心所采用的高效冷却技术,包括液冷解决方案、热管技术和环境自适应控制等,旨在为数据中心的绿色节能提供参考和启示。
|
6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。
|
6月前
|
人工智能 监控 物联网
探索现代数据中心的冷却技术
【5月更文挑战第27天】 在信息技术迅猛发展的今天,数据中心作为信息处理的核心设施,其稳定性和效率至关重要。而随着计算能力的提升,数据中心面临的一个重大挑战便是散热问题。本文将深入探讨现代数据中心冷却技术的进展,包括传统的空气冷却系统、水冷系统,以及新兴的相变材料和热管技术。通过对不同冷却方式的效率、成本及实施难度的分析,旨在为读者提供一份关于数据中心散热优化的参考指南。
|
6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。
|
6月前
|
存储 大数据 数据中心
探索现代数据中心的冷却革新
【5月更文挑战第29天】在信息技术不断进步的今天,数据中心作为计算和存储的核心枢纽,其稳定性与效率至关重要。随着处理能力的提升,散热问题日益凸显,成为限制数据中心性能的关键因素之一。本文将深入探讨现代数据中心面临的热管理挑战,并分享一系列前沿的冷却技术与实践,旨在为构建更为高效、环保的计算环境提供参考。
|
6月前
|
存储 大数据 数据中心
提升数据中心能效的先进冷却技术
【5月更文挑战第27天】 在信息技术不断进步的今天,数据中心作为计算和存储的核心枢纽,其能源效率已成为评价其可持续性的关键指标。本文将探讨当前数据中心面临的热管理挑战,并展示一系列创新的冷却技术解决方案,旨在提高数据中心的能效,同时确保系统的稳定性和可靠性。通过对比传统冷却方法和新兴技术,我们将分析各种方案的优势、局限性以及实施难度,为数据中心运营者提供科学的决策参考。