模块化配电系统在高密度数据中心的应用

简介:

摘要:在传统的配电系统当中,数据中心的主进线先至配电柜(配电柜一般额定功率为50~500kW),配电柜一般配有大型电力变压器用以转换电压或改善电力质量。

传统的数据中心配电架构

在传统的配电系统当中,数据中心的主进线先至配电柜(配电柜一般额定功率为50~500kW),配电柜一般配有大型电力变压器用以转换电压或改善电力质量。然后,配电柜将主进线分配成一定数量的分支电路(一般额定功率为1.5~15kW)为IT设备配电。每台IT机柜使用一条或多条分支电路。IT机柜的布线通常要求使用硬管或软管,一般部署在高架地板之下。

在传统的配电系统推出之时数据中心内仅有数量非常少的大型IT设备。那时,除了对IT设备进行重要升级时执行计划宕机外,很少会对此进行变更。

面临的挑战

当下,数据中心用电方面已然发生了巨大变化,特别是面临着功率密度升高、独立IT 设备数量不断增加、需要在现有IT设施部署的基础上添减设备等难题,而这些难题给传统的配电系统带来了很大的挑战。较之过去数据中心内寥寥数个大型IT设备,现代数据中心内可能装有上千台带有独立电源线的插接设备,这就需要更多的电源插座。

在数据中心生命周期内,机柜内的IT设备更换频繁,常常需要更改功率或在机柜处增减插座。由于功率需求的变化,处于运作中的数据中心时常要在不干扰附近IT负载的情况下添加电路。单位机柜功率密度显著提高,单位机柜内部的支电路数量也相应增多,大量电线导管充塞地板下的通风空间,会导致气流阻塞,也加大了更改布线的难度。分支电路断路器连接的IT设备数量常常远不只一台,这就很难估算分支电路尺寸或判断是否临界过载。现代数据中心普遍安装双路供电系统,必须确保所有电路负载均不超过50%.

然而,目前尚没有任何办法对其进行监控或规划。虽然人们已经普遍意识到了这些问题,市场上也出现了各种相应的产品,但由于仍使用了传统的配电架构,导致一些新建的数据中心处于以下窘境:数据中心操作员不得不带电更换电路(热作业);操作员无法判断哪些电路临界过载,或当一条电路断电时哪些电路可能过载;地板下的供冷空间被大量的缆线阻塞,减少了现代IT设备的通风量;配电柜的占地面积过大,对地板承重能力要求过高;由于没有足够的分支电路,配有大型变压器的配电柜无法得到充分利用;配有大型变压器的配电柜产生大量废热,必须对其制冷,导致数据中心效率降低。

优化配电架构以应对数据中心发展需求

优化目标

通过优化,可打造高效、可扩展、可重新配置的数据中心配电架构,其具备以下特征:可在运行的系统中安全新增或变更电路;无需在地板下敷设缆线;可对所有的电路功率进行监控;可远程监控所有断路器状态;可随时对IT区域或相关配电区域进行部署;IT机柜仅通过一根线缆满足所有功率需求;IT人员可自行更换使用IT机柜上的插座型号;可对每条支电路的容量及冗余进行管理;无需使用过量的铜线;效率高。

大型数据中心场景

对于较大的数据中心,在安装一组机柜时,小型的模块化配电柜也会被同时安装,并插接上方的母线槽。不同于传统断路器面板的导线线头事先未经过处理,模块化配电柜使用的是安装有预先端接防电击断路器模块的背板。模块化配电柜内起初并未安装分支电路模块。从模块化配电柜到IT机柜的电源电路均使用软线缆连接,这些线缆需在现场插接到模块化配电柜的正面,以满足每台机柜的不同需要。IT机柜的分支电路线缆为预先端接,同时配有可插接模块化配电柜防电击背板的断路器模块。对于需要使用专门分支电路的设备而言,例如大多数的刀片服务器,一根配电柜线缆内含有1~3个分支电路,这些线路直接插接刀片服务器,无需额外机柜级配电柜(比如配电盘)。当机柜内的设备进行混合部署时,可使用提供额定电流且可更换插座的机柜式配电柜。在该系统中,新增IT机柜行配备有配电柜以及所有配套分支电路电线、条形机柜插座,可在1h内安装完成,无需任何切线或端接操作。

小型数据中心场景

300kW 以下的小型数据中心可采用简化架构,其组成元件及工作原理与大型数据中心相同。对于只允许使用一到两个配电柜的小型数据中心,用传统导管及电线将模块化配电柜直接连接至关键母线的方法往往更加经济。小型数据中心也可以采取一种更为简化的方案,即将模块化配电柜直接集成于UPS系统,构成一个可安放于IT房间并与IT机柜排成一行的紧凑部署方案。这样便可省去利用主母线布线环节,同时也无需额外准备电源安置空间。至于很小的数据中心或形状不规则的数据中心,采用小型模块化配电单元则极为适合。

改造、升级应用场景

现有数据中心的升级往往涉及许多个数据中心项目,扩容或安装高密度区域项目是其中最为普遍的。相比安装传统配电柜,模块化配电系统的安装过程要来得简单方便许多,尤其适用于这些改造项目。在为现有数据中心安装新的传统配电柜时会面临一连串挑战,而模块化配电系统却可将多数的挑战难题一并“解决”。随着数据中心的发展,模块化配电柜可与现有传统配电柜共处运行。在这些改造方案中,传统配电柜的安装常常受限于各种历史局限,不使用吊顶母线槽元件,每个配电柜均由传统管道及电线连接至主母线。模块化配电柜在升级传统数据 中心时最重要的优势为:由于线缆均置于吊顶线缆槽之内,其安装不会加剧地板下气流阻塞现象。

配电监控

在数据中心配电系统中,可能有数以百计的断路器处于负载状态。而经过优化的配电系统采用更高容量的机柜供电,其断路器数量较之一般系统减少20%~40%.即使这样,系统中仍存在诸多电路,这些电路可分为4个级别:UPS主母线、配电柜输入、分支电路、插座。模块化配电系统采用内置电流及能源监控,可对各个级别的每条线路做到了如指掌。除此之外,配电柜的分支电路断路器也处于监控之中,以便实时掌握其工作状态。所有监控均通过简单网络管理协议(SNMP)公开标准协议进行通讯。容量管理软件可对系统中每条电路实施监控,增强安全系数,验证冗余并对现有容量进行确认。

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。
|
8天前
|
边缘计算 人工智能 监控
未来已来 模块化数据中心引领新趋势
未来已来 模块化数据中心引领新趋势
|
6天前
|
人工智能 运维 监控
智能运维在现代数据中心的应用与挑战
随着云计算和大数据技术的迅猛发展,现代数据中心的运维管理面临着前所未有的挑战。本文探讨了智能运维技术在数据中心中的应用,包括自动化监控、故障预测与诊断、资源优化等方面,并分析了当前面临的主要挑战,如数据安全、系统集成复杂性等。通过实际案例分析,展示了智能运维如何帮助数据中心提高效率、降低成本,并提出了未来发展趋势和建议。
|
15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。
40 4
|
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。
|
5月前
|
SDN 网络虚拟化 虚拟化
云数据中心中的SDN/NFV应用
【6月更文挑战第9天】计算和存储虚拟化技术在云计算IDC中已基本满足需求,但网络成为新瓶颈,主要问题包括虚拟化环境下的网络配置复杂度增加、拓扑展现困难和无法动态调整资源。
|
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
|
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
|
机器学习/深度学习 数据采集 存储
提升数据中心能效:采用机器学习优化冷却系统
【5月更文挑战第28天】在数据中心的运营成本中,冷却系统的能源消耗占据了显著比例。随着能源价格的不断上涨和可持续发展的需求日益增长,如何降低这一开支成为业界关注的焦点。本文将探讨利用机器学习技术对数据中心冷却系统进行优化的方法。通过分析历史数据和实时监控,机器学习模型能够预测冷却需求并动态调整系统设置,以实现最佳的能效比。这种方法不仅能减少能源消耗,还能提高系统的可靠性和稳定性。