数据中心电池冷却系统有价值吗?

简介:

尽管电池冷却柜在理论上可行,但并没有人会在数据中心安装使用,那是因为没有实际价值。

使用阀控式铅酸蓄电池的数据中心可以把密封的电池冷装入电池冷却柜,冷却到22至25摄氏度(68-77华氏度),而不需要将整个数据中心冷却到同一温度,但这种办法并不经济。如果你使用的是浸泡式铅酸电池,那就必须和主数据中心空间保持隔离以防止酸液泄漏和氢气爆炸,这就自然要求实行独立冷却。

电池的最佳工作温度是25摄氏度(77华氏度)。而2008 ASHRAE建议的计算机设备最高持续工作温度是27摄氏度(80.6华氏度)。即使采用了完美的冷廊气流遏制措施,也无法让数据中心内每一行机柜中的每一个机柜从顶部到底部都完全保持在27摄氏度以内。因此,大部分数据中心都会在设计时建立一个稍低的目标温度,如24摄氏度(华氏75度),以保留一些波动余量。在这种冷却设计原则下,自冷式的电池柜就成了冗余的设施。根据2011 ASHRAE TC 9.9散热准则,超过27摄氏度并不会损坏设备。这个温度点被选为建议的温度波动上限,是因为大多数服务器的风扇会在超过此温度时显著加速,风扇增加的能耗甚至会超出提升温度所节省的制冷能耗。所以,让机架空间持续在较高的温度运行,并且让电池单独进行冷却的方案并不合适。

有两种可能的例外情况。

第一种情况,机房设施使用了冷廊遏制措施来确保设备运行温度低于ASHRAE规定的27摄氏度上限。而大多数现代计算机硬件的气流进出温度差至少有11摄氏度(20华氏度),这也意味着数据中心内其余区域的温度可能达到或超出热廊温度(38摄氏度/100华氏度)。如此高的温度不仅对电池很不利,也逼近了电池附近的不间断电源(UPS)系统的运行温度上限,这可能会导致整个UPS因为高温保护而停机。这种情况下就会强烈建议采用单独的UPS和电池房间,并配备专门的冷却措施。

第二个可能的例外情况是,供电或冷却系统临时故障停机而导致的数据中心温度高于ASHRAE允许温度。虽然这会缩短电池的寿命,但在这种紧急情况下电池寿命只是次要问题。如果UPS的可靠性极度重要,正确的设计是:不停机时间真正符合四级数据中心标准,UPS、电池,包括冷却系统都有完全独立的两套,并采用2N模式实现冗余备份。整合电池冷却措施节省的少量能耗微不足道。

除非你的数据中心一直在ASHRAE推荐的温度上限运行,独立的电池冷却措施节省下的电费是否比得上这套特殊冷却装置的价钱,这一点值得怀疑。


作者:何妍 

来源:51CTO

相关文章
|
2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。
77 4
|
8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。
|
8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。
|
8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。
|
8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。
|
5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。
|
8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。
|
8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。
|
8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。