节能高效的数据中心多模UPS系统

简介:

随着政府部门和企业面临降低数据中心运营成本和相关能源使用的压力,不间断电源(UPS)生产制造商对其技术与产品进行了设计改进,以提高运营效率。

数据中心行业组织如绿色网格协会强烈建议企业使用新的多模式UPS系统技术,使其运行效率达到98%到99%,取代运行效率为93%至95%传统的单模式UPS.目前,大约50%的大型UPS系统制造商采用具有快速传输逻辑的多模技术。这种类型的UPS很可能在未来五年内得到显著增长。

什么是多模UPS系统?

多模UPS系统为数据中心运营商提供了在两种运行模式之间进行选择的能力:双变换模式可以提供优质的电源保护,而多模或“ecomode”(经济模式)提供高效的运行效率。当用户选择多模式作为默认运行模式以达到效率的98%到99%时,如果在UPS输入上检测到电源异常,则UPS系统将在不到两毫秒的时间内自动转移到高级保护模式。在美国,对IT关键负荷有害的电力异常通常只占业务运行时间的3%,因此全年的运营模式之间的转换机率很有可能是最小的。

双变换模式是数十年来在大型UPS系统中的典型的电源保护模式,但其也有显著的弱点,那就是运行效率始终在93%至95%的范围内。如今,用户要求更高的UPS运行效率和更低的总体拥有成本(TCO),并且不能影响足够的电力保护。这就是多模UPS的关键所在。

调研说明书构Frost&Sullivan的一项研究显示,企业的一个空间50,000平方英尺的数据中心在10年内使用多模UPS系统,并在大多数时间运行在多模方式下,可以节省310万美元的成本。这些成本主要来自UPS系统减少的能源消耗,以及用于克服UPS系统散热的通风和空调(HVAC)系统的能耗。随着电力成本的持续上涨,多模UPS的节省的电能将随着时间的推移而变大。

TCO以外的其他多模优点

多模UPS除TCO之外还提供了其他优点,并降低了能耗。该技术提供了一个“智能”输入功率监控高手,其中UPS将记录导致从多模转换到双变换模式的输入电源异常的数量和频率。过多或频繁的电源异常将使UPS“锁定”多模式一段时间,从而使电力在一段时间内保持稳定。因此,多模UPS系统可以对何时使用多模或双转换模式进行智能的实时逻辑决策,以最大限度地保护关键负载运行正常,而不牺牲运行效率。

多模UPS系统的第二个优点是延长了部件寿命。在多模操作期间,许多UPS模块组件在低电流和低热范围下工作,从而延长使用寿命。其他组件如风扇,可以不运行。多模UPS的制造商预计许多组件的最短寿命延长一至两年。

多模UPS系统的第三个优点是缓解输出故障。任何UPS输出短路或过载将很快通过上游的过流保护设备来处理,而UPS系统中没有任何内部的工作模式进行调剂。这些UPS输出故障将直接加载在电源的源阻抗上,而不是加载在UPS逆变电源,从而减少了故障损失。

一些UPS生产制造商,如通用电气公司的关键电源业务,在其多模系统中设计了额外的独特功能,通用电气公司称之为eBoost技术。这些特征包括在经济运行模式下电源路径中使用线路电抗器,在该高效率模式下提供功率调节级别;具体来说,它可以减轻高频“浪涌”事件和较低频率的“环波”,从而最大限度地减少转换为双转换模式。这种电抗器的设计还允许将多个UPS模块到并行输出总线的电缆长度差异高达±25%。该电缆长度差异还提供了增强的地板布局设计的灵活性。一些其他UPS生产制造商必须将电缆长度差值保持在±10%,否则可能导致UPS功率下降或并联的UPS运行不正常。

多模UPS系统的运营费用(opex)的减少以及上述额外的优点,为数据中心用户在可预见的将来采用这种UPS技术提供了许多令人信服的理由。对于其他任务关键型和/或关键过程应用,也应考虑多模式UPS技术,特别是对于225kVA及以上的大功率应用,因为其能源消耗是一个关键问题。


本文作者:佚名

来源:51CTO

相关文章
|
1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。
16 0
|
1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。
17 1
|
1天前
|
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。
|
1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29天】 在本文中,我们探讨了如何应用机器学习技术来改善数据中心的能源效率,特别是针对冷却系统的优化。传统的数据中心冷却方法常常采用静态的、预设的策略,忽视了环境变化和负载波动的影响。通过集成机器学习模型,我们能够实时分析数据中心的操作状况,并动态调整冷却策略,以实现节能和性能的双重提升。文中详细介绍了所采用的算法框架、实验设置以及与传统方法的性能比较。
|
1月前
|
机器学习/深度学习 算法 数据中心
利用机器学习优化数据中心冷却系统
【2月更文挑战第17天】 在数据中心运营成本中,冷却系统占据了显著比例。本文通过探索机器学习技术在数据中心冷却系统中的应用,旨在提高能效并降低运营成本。首先介绍了数据中心冷却系统的基本原理和关键性能指标,随后详细阐述了如何通过监督学习和强化学习算法来预测冷却需求并实时调整冷却策略。文章通过案例分析验证了所提方法的有效性,并讨论了实施过程中面临的挑战与未来发展方向。
|
11月前
|
关系型数据库 Linux 网络安全
开源IDC数据中心资产管理系统RackTables部署篇(一)
开源IDC数据中心资产管理系统RackTables部署篇(一)
647 0
|
11月前
|
调度 数据中心
UPS智能在线模式:数据中心的一场节电革命
UPS智能在线模式:数据中心的一场节电革命
|
人工智能 5G 数据中心
阿里云数据中心两项自研技术入选工信部“通信业节能技术产品推荐目录”
阿里云数据中心两项自研技术入选工信部“通信业节能技术产品推荐目录”
阿里云数据中心两项自研技术入选工信部“通信业节能技术产品推荐目录”