Bagaimana Transien Beban AI Memengaruhi Perencanaan Kapasitas UPS dan Distribusi Daya

Mengapa transien beban AI memengaruhi UPS?

Tugas pelatihan GPU skala besar dapat menyebabkan banyak node komputasi mengubah konsumsi daya secara hampir bersamaan, membuat fasilitas melihat perubahan lonjakan yang lebih cepat dan lebih terkonsentrasi daripada beban TI hibrida tradisional.Daya rata-rata masih dalam peringkat peralatan, tidak berarti puncak berulang, laju perubahan, dan pemulihan lembah tidak akan memengaruhi UPS, penyimpanan energi, bus, perlindungan cabang, dan kualitas daya.

Tingkat dampak tergantung pada beban kerja, skala cluster, manajemen daya GPU, catu daya server, topologi daya, efek perataan dari beban non-AI lainnya, dan kecepatan pengambilan sampel sistem pemantauan. Persentase puncak dari satu kasus publik tidak dapat diterapkan langsung ke pusat data lain.

Tim desain perlu membedakan empat jenis masalah

Apa yang harus dikumpulkan sebelum memilih UPS atau meninjau sistem yang ada?

• Daya maksimum berkelanjutan server atau rak, puncak jangka pendek, durasi puncak, dan tingkat kenaikan daya yang diizinkan
• Deret waktu dari berbagai kombinasi beban seperti pelatihan, inferensi, komunikasi, dan penyimpanan, bukan hanya jumlah pelat nama
• Kurva beban berlebih dan deskripsi respons dinamis UPS pada faktor daya, suhu, dan status baterai yang berbeda
• Frekuensi pemanggilan baterai atau penyimpanan energi lainnya, kedalaman pengosongan, strategi pemulihan, dan dampak masa pakai
• Hasil koordinasi generator hulu, transformator, peralatan sakelar, bus, PDU, dan perlindungan cabang
• Solusi pengukuran daya resolusi tinggi dan kualitas daya yang memenuhi durasi peristiwa

Keputusan teknik tidak boleh disederhanakan menjadi "perbesar UPS"

Kemungkinan tindakan pengendalian termasuk menambah margin kapasitas yang terverifikasi, mengoptimalkan distribusi beban, menyesuaikan pengaturan perlindungan, menggunakan penyimpanan energi yang lebih dekat ke beban, membatasi daya GPU atau laju perubahan, dan mengurangi fluktuasi sinkronisasi kluster melalui penjadwalan. Namun, setiap tindakan akan memengaruhi efisiensi, biaya, ketersediaan, atau kinerja komputasi.