Paano Nakakaapekto ang AI Load Transients sa UPS at Pagpaplano ng Kapasidad ng Power Distribution

Paano Nakakaapekto ang AI Load Transients sa UPS?

Ang malalaking GPU training tasks ay maaaring maging sanhi ng maraming compute nodes na halos sabay-sabay na baguhin ang power consumption, na nagdudulot ng mas mabilis at mas nakatutok na step changes sa facility kaysa sa tradisyonal na hybrid IT loads.Ang average na power ay nasa loob pa rin ng rated value ng kagamitan, hindi nangangahulugang ang paulit-ulit na mga peak, rate ng pagbabago, at pagbawi mula sa mga trough ay hindi makakaapekto sa UPS, pag-iimbak ng enerhiya, busbar, proteksyon ng branch circuit, at kalidad ng kuryente.

Ang antas ng epekto ay nakasalalay sa workload, laki ng cluster, GPU power management, server power supply, power topology, ang smoothing effect ng iba pang non-AI loads, at ang sampling rate ng monitoring system. Hindi maaaring direktang ilapat ang porsyento ng peak mula sa isang pampublikong kaso sa ibang data center.

Ang pangkat ng disenyo ay kailangang paghiwalayin ang apat na uri ng problema

Ano ang dapat kolektahin bago pumili ng UPS o suriin muli ang mga umiiral na sistema?

• Patuloy na maximum power ng server o rack, short-term peak, peak duration, at pinapayagang power ramp rate
• Mga time series ng iba't ibang kumbinasyon ng workload tulad ng training, inference, communication, at storage, hindi lamang ang kabuuan ng nameplate
• Mga kurba ng overload at dynamic na tugon ng UPS sa iba't ibang power factor, temperatura, at estado ng baterya
• Ang dalas ng pagtawag sa baterya o iba pang energy storage, lalim ng pagdiskarga, mga estratehiya sa pagbawi, at epekto sa buhay
• Mga resulta ng koordinasyon ng upstream generator, transformer, switchgear, busbar, PDU, at proteksyon ng branch circuit
• Mga solusyon sa pagsukat ng high-resolution power at power quality na nakakatugon sa tagal ng kaganapan

Ang mga desisyong pang-inhinyero ay hindi dapat pasimplehin sa "gawing malaki ang UPS"

Ang malalaking GPU training tasks ay maaaring maging sanhi ng maraming compute nodes na halos sabay-sabay na baguhin ang power consumption, na nagdudulot ng mas mabilis at mas nakatutok na step changes sa facility kaysa sa tradisyonal na hybrid IT loads. Ang mga posibleng paraan ng kontrol ay kinabibilangan ng pagdaragdag ng na-verify na kapasidad na reserba, pag-optimize ng load distribution, pag-aayos ng mga proteksyon, paggamit ng energy storage na mas malapit sa load, paglilimita sa GPU power o rate of change, at pagbabawas ng cluster synchronization fluctuations sa pamamagitan ng scheduling. Gayunpaman, ang bawat hakbang ay makakaapekto sa kahusayan, gastos, availability, o compute performance.