气流遏制系统对数据中心能效和温度的影响

简介:

较高的能源成本和激增的数据中心能耗已迫使数据中心专家开始重新思考其数据中心制冷的策略。如EYP Mission Critical公司的Bruce Myatt所言,“冷热气流的隔离是当今新建和改建数据中心可以采用的最具前景的节能增效措施之一”。除了能效方面的优势外,气流遏制系统可以使众多IT设备进风口温度保持一致,从而消除在未采用气流遏制系统的传统数据中心架构中经常出现的局部热点。

一、气流遏制系统介绍

我们首先了解一下常用的冷热通道气流遏制系统。值得注意的是部署通道气流遏制系统首先要求机柜行采用冷/热通道布局。图1所示的是冷通道气流遏制系统,高架地板下送风方式和房间级制冷的数据中心气流管理的基本原理。在该数据中心中,可以通过封闭冷通道的顶部和两端来部署冷通道气流遏制系统。这样做对于已有的数据中心改造是非常方便的。

微信截图_20160711183741

图2所示为热通道气流遏制系统,该气流遏制系统将热通道密闭,以捕获IT设备排出的废热,数据中心机房内的其余空间就形成一个巨大的充满冷空气的“冷池”。通过封闭热通道,数据中心内的冷、热气流得以分离。需要注意的是封闭热通道有两种基本方法——行级制冷的热通道气流遏制系统和垂直风管式热通道气流遏制系统。

微信截图_20160711183749

图3所示为采用行级制冷的热通道气流遏制系统举例,是以独立的IT区域来运行的。本气流遏制解决方案既适用于已部署行级制冷装置的数据中心,也可用于已部署周边制冷装置的数据中心。对于已部署行级制冷装置的数据中心,只需在通道上添加顶棚面板,就能实现气流遏制。对于已部署周边制冷装置的数据中心,该气流遏制解决方案需要在机柜间添加制冷装置。该气流遏制方法应用于在低密度数据中心添加高密度机柜,并且所有机柜都采用某种形式的热通道部署时。

微信截图_20160711183757

另一方面,热通道气流遏制系统可以通过风管连接房间级机房空气处理装置或者将整个热通道围成通向大型房间级空调单元的烟囱状风道,如图4所示。选用垂直风管热通道气流遏制的一个主要的优点就是可以使用现有的节能冷却模式。这种热通道封闭设计方案适用于大型专用数据中心设施,因为存在风侧节能冷却模式效率上的优势。但这类系统需要构建大型的气流空间和/或定制的建筑结构来有效地处理大量的空气。因此,这种热通道气流遏制系统的变体设计非常适用于新建或者大型的数据中心。值得注意的是,上面提到的热通道遏制系统方案也同样适用于冷通道气流遏制系统。但是本文将会在下文论证热通道气流遏制系统的节能效果远远好于冷通道气流遏制系统。

微信截图_20160711183805

以上方法需要封闭整个通道。然而,当存在分散的高密度机柜时,使用垂直风管封闭单个机柜更合理。这种方法就是将一根垂直风管安装到机柜后顶部,来封闭热风并将其输送至吊顶,如图5所示。

微信截图_20160711183812

  二、气流遏制系统的益处

1.能够节能和增加制冷容量:制冷系统可以设置为更高的送风温度而仍然可满足负载的安全运行。未采用气流遏制系统的房间级制冷系统所设置的送风温度则要比IT设备所要求的温度低得多(约为13°C),以防止局部热点的产生。产生局部热点的原因是在冷风离开制冷设备到达IT机柜前的过程中,热量被带入冷风引起温升。采用气流遏制系统能够提高冷风的送风温度,以及达到提高制冷装置回风温度的目的。较高的回风温度有助于提升冷却盘管的热交换效率,从而提高制冷容量和整体的能效。这种影响对于几乎所有的空调设备都是存在的。某些设备会存在最高回风温度的限制,但是总体来说,所有的制冷系统在较高的回风温度时都会具有更高的制冷能力。

2.消除局部热点:气流遏制系统能阻止冷风在离开制冷设备到达IT机柜前的过程中与废热的混合。这意味着在制冷装置一侧的送风温度等于IT设备进风口温度,即统一的IT设备进风口温度。当没有冷、热气流混合,可以在不产生局部热点的前提下提高送风温度,从而延长节能冷却模式的运行时间。

3.延长节能冷却模式运行时间:当室外温度低于室内温度时,就可以不通过制冷系统的压缩机工作来向室外排热。通过提高制冷系统的工作温度区间设定点可以大幅的延长制冷系统中停用压缩机的时间,达到节能的目的。

4.降低加湿/除湿成本:通过消除冷、热气流的混合,设定较高的制冷系统送风温度,可以使制冷系统在高于露点温度的工况下运行。当送风温度高于露点温度,空气中的含湿量就不会降低。如果含湿量不降低,那么就不需要加湿,这样就节约了电能和水。

5.更好的物理基础设施整体使用率,适度规划带来的设备高效率运行:与适度选型的设备相比,越过度选型的设备,具有的固定损耗越大。然而,由于高架地板下送风路径中的阻力和静压要求需要消耗额外的风机功率,所以无法避免对传统制冷系统的过度规划。

三、冷热气流遏制系统对温度的影响

那么,冷热通道气流遏制系统对作业环境的影响又如何呢?采用冷通道气流遏制系统时,热通道内的温度过高也会导致作业环境温度同样过高,对长期在数据中心机房内作业的IT人员会产生不良的影响。而采用热通道气流遏制系统,高温只存在于封闭的热通道之内,而不会影响到在机房内长时间作业的人员。

值得注意的是在IT人员需要进入热通道进行作业时,还可以在作业之前打开门使冷风中和掉热通道的高温(在机柜后部)。即使保持热通道关闭,仍然符合作业环境的法规,两点原因如下:1)人员并不是在高温环境(热通道)内进行长期作业,采用冷通道气流遏制系统则不然,而且 2)绝大部分的作业都发生在IT机柜的前部。热通道气流遏制系统允许较高的热通道温度而不影响到机房内的其它空间是热通道气流遏制系统和冷通道气流遏制系统之间最关键的区别,因为这样可以使机房空气处理装置更高效的运行。

与人员的舒适性同等重要的还有IT设备的稳定运行。2011年发布的ASHRAE标准TC9.9建议服务器进风温度区间为18-27°C.采用冷通道气流遏制系统,房间的其它空间(作业环境)会相对较热,远超过27°C,当采用高密度IT设备时,将会超过38°C.因此,任何进入数据中心的人在步入这种高温环境时都会产生不适,在这种环境下连基本的巡视都很不现实。采用冷通道气流遏制系统,需要调整人员的预期是他们明白这种较高的温度是“正常的”,而不是系统即将宕机的表现。这种观念上的变化也会因为技术人员不情愿进入数据中心在高温环境下作业而受到质疑。

不仅如此,在使数据中心运行在较高的温度时,必须为非成行排列的IT设备(例如磁带库和大型主机)采取特殊的措施。采用冷通道气流遏制系统时,房间作为一个充满热空气的“热池”,这些设备将需要通过定制的风管从密闭的冷通道获得冷风。在热环境中部署打孔地板虽然可以有助于冷却这种设备,但是破坏了使用气流遏制系统来减少冷、热气流混合的初衷。此外,机房内的电源插排、照明、消防和其它系统将需要重新对温升后的可行性进行评估。

四、冷热气流遏制系统对能效的影响

在不考虑气流遏制系统冷、热气流泄漏的情况下,我们通过理论性分析对某城市来比较冷通道气流遏制系统和热通道气流遏制系统各自在最佳状态下的性能。而通常高架地板泄露比例约为25%-50%,气流遏制系统的泄露约为3%-10%.节能冷却模式的运行时间(以小时计)和PUE是通过对节能冷却模式时长进行建模和对数据中心PUE进行建模估算得到的。对冷通道气流遏制系统和热通道气流遏制系统都比较了以下三种温度情况:

1.IT进风温度维持恒定的27°C –ASHARE推荐的进风温度最大值

2.未封闭的开放作业区域温度维持恒定的27°C– ASHARE 推荐的进风温度最大值

3.未封闭的开放作业区域保持恒定的24°C – 标准的室内设计温度

情况#1结果:

在这种情况下,冷通道气流遏制系统在最佳状态运行时可以获得6,218小时的节能冷却模式运行时间,PUE约为1.65.在忽略人员健康与舒适性以及独立IT设备安全性的情况下,冷通道气流遏制系统和热通道气流遏制系统的效率是相当的。但是在这种状态下的作业环境干球温度达到不现实的41°C,相对湿度21%.这相当于湿球黑球温度(WBGT)为28°C,几乎达到OSHA所允许的湿球黑球温度WBGT的最大上限30°C.这对IT人员的作业环境和独立IT设备来说是不现实的。实际上,这种高温会加剧冷空气的泄露。

情况#2结果:

在这种情况下,作业环境温度保持在27°C,会导致冷通道气流遏制系统的年度节能冷却时间降低为2,075小时,PUE与情况#1相比变差,升高了13%.相应的IT进风温度变为13°C.采用热通道气流遏制系统的结果在情况#2下与情况#1的相同,因为两者的进风温度相同。情况#2中的冷通道气流遏制系统和热通道气流遏制系统都可以保证一个可以接受的IT设备进风温度在ASHRAE推荐的范围之内,但是作业环境温度与人员舒适性的要求还有一定差距。热通道气流遏制系统系统可以提供4,143小时的年度节能冷却运行时间,以及PUE优于采用冷通道气流遏制系统时11%.

情况#3结果:

当作业环境温度限制在24°C时,可满足人员舒适性的要求。这个温度会导致冷通道气流遏制系统的年度节能冷却时间降低为0,PUE与情况#2相比变差,升高了6%.相应的IT进风温度变为10°C.这时,热通道气流遏制系统的节能冷却模式的运行时长降低至5,319小时,PUE为1.69.情况#3中的冷通道气流遏制系统和热通道气流遏制系统都可以保证一个可以接受的作业环境温度和IT设备进风温度在ASHRAE推荐的范围之内。与采用冷通道气流遏制系统相比,热通道气流遏制系统系统可以提供5,319小时的年度节能冷却运行时间,以及PUE优于采用冷通道气流遏制系统时15%.

从此分析中可以清楚地看到,在实际作业环境温度限制和气候条件下,热通道气流遏制系统提供比冷通道气流遏制系统更长的节能冷却时间和更低的PUE.不管采用何种制冷架构和排热方式(无论房间级还是行级,冷冻水还是直膨式),最终结果都是如此。

五、结论

防止冷、热气流混合是所有高效数据中心制冷策略的关键所在。与传统制冷方式相比,热通道气流遏制系统和冷通道气流遏制系统都有助于提升功率密度和能效。热通道气流遏制系统是一种比冷通道气流遏制系统更高效的方式,因为其允许更高的作业环境温度,提高冷冻水供回水温度区间设定,从而延长节能冷却模式的运行时长,最终带来巨大的电力成本节约。将制冷温度设定点提高的同时,也保证舒适的作业环境温度(即未进行封闭的区域的温度)。





====================================分割线================================


本文转自d1net(转载)


目录
相关文章
|
1月前
|
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。
58 4
|
4月前
|
机器学习/深度学习 存储 监控
利用机器学习技术优化数据中心能效
【7月更文挑战第36天】在数据中心管理和运营中,能源效率已成为关键性能指标之一。随着能源成本的不断上升以及环境保护意识的增强,开发智能化、自动化的解决方案以降低能耗和提高能源利用率变得尤为重要。本文探讨了如何应用机器学习技术对数据中心的能源消耗进行建模、预测和优化,提出了一个基于机器学习的框架来动态调整资源分配和工作负载管理,以达到节能的目的。通过实验验证,该框架能够有效减少数据中心的能耗,同时保持服务质量。
|
7月前
|
机器学习/深度学习 存储 监控
利用机器学习优化数据中心能效的策略
【5月更文挑战第29天】 在信息技术迅猛发展的今天,数据中心作为信息处理和存储的核心设施,其能源消耗已成为关注焦点。传统的数据中心管理方法难以应对复杂多变的能耗问题,而机器学习提供了一种高效的解决方案。本文通过分析数据中心能耗特点,提出了一套基于机器学习的数据中心能效优化策略。通过构建预测模型,动态调整资源分配,实现能耗与性能之间的最优平衡。实验证明,该策略能有效降低能耗,提升数据中心的运行效率。
|
7月前
|
机器学习/深度学习 算法 数据挖掘
利用机器学习优化数据中心能效
【5月更文挑战第30天】 在数据中心管理和运营过程中,能效优化是一项持续的挑战。随着能源成本的不断上升以及环保意识的增强,开发高效能的数据中心变得更加重要。本文将探讨如何利用机器学习技术来优化数据中心的能源使用效率,减少能耗同时保持系统性能。通过分析历史数据和实时监控信息,机器学习模型可以预测数据中心的负载变化,并动态调整资源分配以实现最佳的能效比。文中还将讨论实施机器学习驱动的能效优化策略时可能遇到的挑战及解决方案。
|
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 存储 算法
利用机器学习优化数据中心能效的策略
【5月更文挑战第31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,其能源效率问题日益凸显。传统的能效管理方法已无法满足当前复杂多变的需求。本文提出了一种基于机器学习技术的数据中心能效优化策略,通过智能算法实时监控和调整数据中心的运行状态,以达到降低能耗、提高资源利用率的目的。该策略不仅考虑了服务器负载和冷却系统的效率,还兼顾了可再生能源的使用情况,为绿色计算提供了新的视角。
|
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。
|
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能效的策略
【5月更文挑战第30天】在信息技术不断进步的今天,数据中心作为核心基础设施之一,其能效管理已成为技术创新和成本控制的焦点。本文通过分析当前数据中心能耗问题,提出了一种基于机器学习的优化策略,旨在实现数据中心能源使用的最大化效率和最小化开销。我们采用预测算法对工作负载进行实时分析,动态调整资源分配,并通过仿真实验验证了该方法的有效性。结果表明,应用机器学习技术可以显著降低数据中心的能耗,同时保持服务质量。
|
7月前
|
机器学习/深度学习 资源调度 监控
利用机器学习技术优化数据中心能效
【5月更文挑战第30天】在数据中心管理和运营中,能源效率的优化是降低运营成本和减少环境影响的关键。本文旨在探讨如何应用机器学习技术来提升数据中心的能源效率。通过对现有数据中心运行数据的深入分析,开发预测性维护模型,以及实施智能资源调度策略,我们可以显著提高数据中心的能效。本研究提出了一种集成机器学习算法的框架,该框架能够实时监控并调整数据中心的能源消耗,确保以最佳性能运行。
下一篇
DataWorks