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
|
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
|
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。
|
7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。
|
7月前
|
机器学习/深度学习 传感器 监控
利用机器学习优化数据中心冷却系统
【5月更文挑战第27天】 随着数据中心能耗的不断攀升,尤其是冷却系统的能源消耗占据了相当一部分比例,如何通过智能化手段提高冷却效率成为行业关注焦点。本文提出了一种基于机器学习技术的数据中心冷却系统优化方案,通过实时监控和数据分析,动态调整冷却策略,以达到节能减排的目的。实验结果表明,该方案能有效降低数据中心的PUE值(功率使用效能比),为绿色计算提供可行的技术路径。
|
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冷却系统
【4月更文挑战第28天】 在数据中心的运营成本中,冷却系统的耗电占据了显著比例。随着能源价格的上涨以及环境可持续性的重视,寻求高效的冷却策略变得尤为重要。本文将探讨如何应用机器学习算法来优化数据中心的冷却系统性能。通过分析历史温度数据、服务器负载和外部环境因素,机器学习模型能够预测数据中心内的热分布,并实时调整冷却设备的工作状态,以达到节能的目的。我们的研究显示,采用这种智能调节方法可以显著降低能耗,同时保持或甚至提升冷却效果。
83 1
|
7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
【5月更文挑战第29天】 在数据中心的运营成本中,冷却系统占据了显著的比重。随着能源价格的不断攀升以及可持续发展的需求日益增加,开发高效、节能的冷却技术变得至关重要。本文将探讨如何应用机器学习算法来优化数据中心的冷却系统性能。通过对历史温度和负载数据的分析,我们训练了一个预测模型来动态调整冷却需求,实现按需冷却。结果显示,使用机器学习方法可以有效减少能耗,同时保持适宜的操作环境。
|
7月前
|
机器学习/深度学习 敏捷开发 测试技术
深入理解自动化测试:框架选择与实践挑战利用机器学习技术优化数据中心冷却系统
【5月更文挑战第27天】 在现代软件开发周期中,自动化测试已成为确保产品质量和加快市场投放的关键步骤。本文深入探讨了自动化测试的框架选择问题,并剖析了实施过程中面临的挑战及其解决方案。通过比较不同测试框架的特点,我们旨在为读者提供一套明确的指导原则,帮助他们根据项目需求做出恰当的技术决策。同时,文中还分享了实际案例和最佳实践,以期帮助开发团队克服实施自动化测试时可能遇到的障碍。
下一篇
DataWorks