现代数据中心对UPS系统的要求

简介:

当前,信息与通信技术深刻改变着人类生产与生活的方式。以移动宽带、云计算、大数据、物联网为显著特征的ICT技术,正在重塑世界,成为引领人类社会下一轮可持续发展的新浪潮。今天的ICT技术,已经由过去以提高效率为特征的支撑系统,转变为驱动价值创造的生产系统。

数据中心是信息社会的关键基础设施,是ICT技术的核心载体。ICT技术发展带来的个人信息消费的增加与企业及各种机构的信息化建设与改造催生了巨量的数据中心建设需求。据ICT research预测,2012年至2020年间,中国数据中心的数量将从4万个增至8万个,从1000万m2增长至3000万m2。建设数据中心是一个复杂的系统工程,涉及建筑、制冷、供电等多个专业及不同的施工单位,建设周期长,投资巨大(仅基础设施部分即达到每平方米3-5万元)。但其作用非常关键,关系着未来十年企业信息系统的可靠运行。因此规划建设一个合理、经济、回报率高的数据中心非常重要。基础设施是整个数据中心的基础,而供电系统则是基础设施中最关键系统之一。笔者将从数据中心需求的角度分享自己关于供电系统建设与UPS电源选型的一些体会。

  1. 易扩容性

数据中心的生命周期一般在十年左右,包括供电在内的各子系统容量在全生命周期内如何灵活弹性地匹配业务需求是数据中心建设中的重要难题。事实上,随着企业全流程与全业务向信息化平台迁移及数据爆炸带来大量数据存储与分析需求,数据中心的规模增长往往超出预期。传统数据中心因为架构问题难以实现按需扩容,而一次性建设一个严重超出初期需求的数据中心,将导致投资激增,各系统运行在低负载低效率状态,造成资源浪费与高运营成本。这种困境对数据中心系统实现在全层面、全颗粒度地根据业务需求弹性扩展提出了必然要求。

传统UPS是一个典型的无法按需扩容的系统。对于传统UPS 系统如果规划容量过小,无法满足业务增长时,需要进行扩容。但UPS系统扩容有较大的风险。扩容可能涉及上下游布线结构的更改,为了避免影响业务一般在闲时施工,扩容周期长;而复杂的施工过程使其对人员技能的依赖非常明显,增大误操作等带来的断电风险。为了规避这些问题,在传统大型数据中心建设中,一般会结合当前的业务需求与未来3-5年的业务发展综合考虑规划供电系统。这种方式又导致了另一种极端的出现,即系统刚投入运行初期UPS负载率非常低,甚至低于10%,导致巨大的能源浪费和资源浪费。因此能够弹性适配业务需求、按需部署、无扩容风险的的UPS供电解决方案势在必行。

  1. 可用性

业务连续是数据中心的最基本最关键诉求之一。可用性是衡量业务处于可用状态即保障业务连续的基本指标,也是数据中心建设中一直关注的因素。可用性不同于可靠性,是一个综合可靠性与可维护性的概念,可更全面反应数据中心的真实需求。关于数据中心建设的重要标准TIA-942《数据中心电信基础设施标准》、《电子信息系统机房设计规范》GB50174-2008及Uptime Institute的白皮书均对数据中心的可用性做出了明确规定。传统数据中心IT系统一般通过使用高度稳定可靠的大型机及“两地三中心”架构确保IT系统的可用性, 基础设施则采用N+X冗余、2N甚至2( N+1)冗余的方式提升可用性,以确保单设备或单路故障不影响业务运行。

云计算技术的出现使IT设施的可用性有了极大的改善。当前基于X86等通用服务器的云计算数据中心中,虚拟化使存储、服务器等IT物理设施资源池化,业务在虚拟机上运行,而不再与某个具体设备绑定(烟囱式架构)。这样做带来两个优势,一是容错性明显改善,单个物理硬件的故障之后,业务可以迁移至其他虚拟机运行,不会因单个硬件故障导致业务中断,二是使IT硬件更易标准化、廉价化,IT硬件故障之后只需更换故障硬件即可,使IT硬件维护难度及其对维护人员的技能需求大幅降低,维护效率有效改善,降低运维成本。

与之形成反差的是,供电系统的核心UPS系统尤其是传统UPS系统,一旦出现故障必须由厂家专业人员进行维护,维护周期长,费用高。在维护期间,系统处于无冗余的状态,一旦再出故障,业务则会因无供电而中断。为了能更好地匹配现代数据中心的可用度需求,保障客户数据零中断,UPS系统必须在保障可靠性的同时,提高易维护性,以改善UPS系统的可用性。

相关文章
|
4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。
|
4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。
|
4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。
|
4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。
|
4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。
|
4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。
|
4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。
|
4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。
|
4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。
54 1