ความท้าทายด้านพลังงานของศูนย์ข้อมูล AI: แก้ไขคอขวดของแร็ค

ศูนย์ข้อมูล AI กำลังเขียนกฎการออกแบบโครงสร้างพื้นฐานด้านพลังงานใหม่ แร็คเซิร์ฟเวอร์ CPU ทั่วไปครั้งหนึ่งเคยใช้พลังงานประมาณ 10 kW แร็ค NVIDIA GB200 NVL72 ที่กำหนดค่าอย่างสมบูรณ์สามารถดึงพลังงานได้ประมาณ 120 kW และแผนงานสำหรับปี 2026 ชี้ไปที่แร็คที่เข้าใกล้ 600 kW แล้ว ขณะเดียวกัน.สำนักงานพลังงานระหว่างประเทศคาดว่าความต้องการไฟฟ้าของศูนย์ข้อมูลทั่วโลกจะเพิ่มขึ้นกว่าสองเท่าเป็นประมาณ 945 TWh ภายในปี 2573โดยมี AI เป็นตัวขับเคลื่อนที่ใหญ่ที่สุดเพียงตัวเดียว สำหรับผู้ปฏิบัติงาน สิ่งนี้จะเปลี่ยนคำถามหลัก มันไม่ใช่อีกต่อไป"เรามีความจุทั้งหมดเพียงพอหรือไม่"แต่"สถาปัตยกรรมพลังงานของเราจะส่งมอบพลังงานที่สะอาด ซ้ำซ้อน และมองเห็นได้จากการเชื่อมต่อสาธารณูปโภคไปจนถึงแร็ค GPU ความหนาแน่นสูงแต่ละ-ได้หรือไม่"

จริงๆ แล้ว AI Rack ต้องการพลังงานมากแค่ไหน?

“พลังที่เพิ่มขึ้นอย่างเห็นได้ชัด” ไม่ใช่ตัวเลขในการวางแผน คำตอบที่ตรงไปตรงมาก็คือขุมพลังของชั้นวาง AI ขึ้นอยู่กับแพลตฟอร์ม GPU เป้าหมายความซ้ำซ้อน และวิธีการระบายความร้อน แต่จุดอ้างอิงสาธารณะตอนนี้เป็นรูปธรรมเพียงพอที่จะออกแบบต่อต้านได้

• ชั้นวาง CPU วัตถุประสงค์ทั่วไป-:มากถึงประมาณ 12 กิโลวัตต์
• ชั้นวาง H100 ระบายความร้อนด้วยอากาศ:ประมาณ 40 กิโลวัตต์ ใกล้เพดานใช้งานจริงสำหรับอากาศ
• NVIDIA GB200 NVL72:ประมาณ 120 kW ต่อแร็ค และประมาณ 132 kW ที่กำหนดค่าไว้อย่างสมบูรณ์ โดยส่งผ่านชั้นวางพลังงานหลายชั้นบน 415–480 V สามเฟส- ฟีดเข้าสู่บัสบาร์ DC
• รุ่นต่อไป (แผนงานปี 2569):ระบบเครื่องชั่งแบบแร็ค-ที่คาดการณ์ไว้ที่ 240–600 กิโลวัตต์

สำหรับบริบทว่าสิ่งนี้รุนแรงแค่ไหน:การสำรวจทั่วโลกประจำปี 2025 ของสถาบัน Uptime Instituteทำให้ความหนาแน่นของชั้นวางโดยเฉลี่ยอยู่ที่ประมาณ 9 kW และผู้ปฏิบัติงานมากกว่า 80% ยังคงรายงานว่าไม่มีชั้นวางใดที่เกิน 30 kWผู้ปฏิบัติงานน้อยกว่า 1% ใช้ชั้นวางที่สูงกว่า 100 kWและประเภทที่ใช้การประมวลผลประสิทธิภาพสูงแบบเดิม- กล่าวอีกนัยหนึ่ง พ็อด GB200 เพียงตัวเดียวขอให้อาคารทำสิ่งที่ 99% ของอุตสาหกรรมไม่เคยทำ ช่องว่างนั้นไม่ใช่เมกะวัตต์ดิบ ซึ่งเป็นจุดที่โครงการพลังงาน AI ส่วนใหญ่ประสบปัญหา

เหตุใดปริมาณงาน AI จึงทำลายสมมติฐานด้านพลังงานแบบเดิม

การฝึกอบรม AI การอนุมาน และ HPC ขึ้นอยู่กับคลัสเตอร์ตัวเร่งความเร็ว เซิร์ฟเวอร์ พื้นที่จัดเก็บข้อมูล และเครือข่ายหนาแน่นของเครือข่ายไฟเบอร์ความเร็วสูง-. ระบบเหล่านี้ไม่ทำงานเหมือนไอทีระดับองค์กรทั่วไป ชั้นวางแบบดั้งเดิมมีการวางแผนไว้เสมอ ชั้นวาง AI จะผลักพลังงานสูงสุดที่สูงขึ้นมาก และลดการบริโภคลงอย่างรวดเร็วเมื่อ GPU รวมตัวกัน เมื่อแร็คหลายสิบตู้ทำเช่นนี้ในเวลาเดียวกัน เอฟเฟกต์จะเคลื่อนผ่าน Cabinet และไปถึงวงจรย่อย, PDU ของชั้นวาง, เส้นทางการจัดจำหน่าย, โมดูล UPS และโรงงานทำความเย็น

นั่นคือเหตุผลว่าทำไมพลังที่พร้อมของ AI- จึงต้องถือเป็นระบบปลายด้านหนึ่ง-ถึง- อินพุตยูทิลิตี้, สวิตช์เกียร์, UPS, การจัดจำหน่าย, บัสเวย์, PDU ของชั้นวาง, การตรวจสอบ และการทำความเย็น ไม่ได้แยกรายการการจัดซื้อจัดจ้างที่นี่ พวกมันเป็นลูกโซ่เดี่ยว และลูกโซ่นั้นใช้งานได้เฉพาะกับจุดอ่อนที่สุดเท่านั้น

ความท้าทายด้านพลังงานที่สำคัญของศูนย์ข้อมูล AI

1. ความหนาแน่นของพลังงานของแร็คแซงหน้าโครงสร้างพื้นฐานแบบเดิม

ความท้าทายที่เห็นได้ชัดเจนที่สุดคือพื้นที่และความจุไฟฟ้าไม่สอดคล้องกันอีกต่อไป ห้องที่มีพิกัด 8–10 kW ต่อตู้ไม่สามารถวางชั้นวางขนาด 120 kW ได้เพียงเพราะกระเบื้องว่างเปล่า

สิ่งนี้หมายความว่าในทางปฏิบัติ:ในการติดตั้งเพิ่มเติม ผนังด้านแรกไม่ค่อยมีความจุสาธารณูปโภคทั้งหมด มันคือ-จำนวนวงจรสาขา ความกว้างขวางของบัสเวย์ การโหลดบนพื้น (ชั้นวาง GB200 มีน้ำหนักเกิน 1,300 กก.) หรือเพียงแค่ระยะห่างจากประตูและทางเดิน ห้องหลายห้องใช้แอมป์ต่อตู้จนหมด และเฮดรูมที่มีโครงสร้างไม่เพียงพอ ก่อนที่ห้องโถงจะหมดเมกะวัตต์ วางแผนความจุทั้งระดับแร็คและระดับคลัสเตอร์ และยืนยันจำนวนแอมป์ที่ใช้งานได้จริงที่คุณสามารถลงในแต่ละตู้

2. โหลด GPU แบบไดนามิกเน้นการตอบสนองชั่วคราวของ UPS

โหลด AI จะระเบิดและซิงโครไนซ์กัน ขั้นตอนการลดทั้งหมด-หรือการเขียนจุดตรวจสอบสามารถย้ายการดึงของคลัสเตอร์ได้สิบเปอร์เซ็นต์ในหน่วยมิลลิวินาที จากนั้นจึงปล่อยอีกครั้ง

สิ่งนี้หมายความว่าในทางปฏิบัติ:บน UPS ที่มีการแปลง- สองครั้ง การแกว่งดังกล่าวจะปรากฏเป็นขั้นตอนโหลดที่อินเวอร์เตอร์และสแตติกบายพาสต้องผ่านไปอย่างเรียบร้อย เบรกเกอร์ที่มีการประสานงานต่ำกว่า-ตัวอาจสร้างความรำคาญ-สะดุดในช่วงขาขึ้นและฆ่าการฝึกซ้อมหลาย-วัน โมดูล UPS แบบขนานที่ใช้ร่วมกันได้ไม่ดีสามารถต่อสู้กันเองได้ในระหว่างที่เกิดเหตุการณ์ชั่วคราว ระบุ UPS และการป้องกันสำหรับขั้นตอนการโหลดที่รวดเร็ว และตรวจสอบการประสานงานของเบรกเกอร์กับโปรไฟล์โหลดจริง ไม่ใช่ค่าเฉลี่ยของแผ่นป้าย พื้นที่จัดเก็บแบตเตอรี่ในไซต์-ถูกนำมาใช้มากขึ้นโดยเฉพาะเพื่อดูดซับการเปลี่ยนแปลงเหล่านี้ในระดับโรงงาน

3. การกระจายพลังงานความหนาแน่นสูง-สำหรับชั้นวาง GPU

เส้นทางการแจกจ่ายแบบคงที่ซึ่งใช้ได้กับโหลดขององค์กรแบบคงที่ไม่ค่อยรองรับแถว GPU ที่หนาแน่น การเติบโตแบบเป็นขั้นตอน และฟีดซ้ำซ้อน A/B ในเวลาเดียวกัน

สิ่งนี้หมายความว่าในทางปฏิบัติ:บนฟีด A/B การทดสอบจริงคือกรณีเฟลโอเวอร์ เมื่อเส้นทางหนึ่งตก เส้นทางที่รอดจะต้องรับน้ำหนักของชั้นวางทั้งหมดโดยไม่เกินเบรกเกอร์หรือตู้ข้างเคียงที่อดอยาก การกำหนดขนาดฟีดแต่ละรายการสำหรับความจุ N แทนการโหลดซ้ำซ้อนถือเป็นข้อผิดพลาดที่พบบ่อยและมีราคาแพง ทางเดินเหนือศีรษะมักช่วยให้เพิ่มหรือย้ายความจุได้ง่ายกว่าแบบคงที่ แต่ทางเลือกที่เหมาะสมขึ้นอยู่กับความหนาแน่น แผนผังห้อง และกลยุทธ์ในการบำรุงรักษา

การกระจายยังเป็นจุดที่สายเคเบิลแข่งขันกับพลังงานสำหรับถาดและท่อร้อยสายเดียวกัน พ็อดเดี่ยวขนาด 120 kW ยุติการเชื่อมต่อไฟเบอร์หลายร้อยเส้นกับสวิตช์ลีฟและสไปน์ และไฟเบอร์นั้นจะใช้เส้นทางและเส้นทางการไหลของอากาศร่วมกับตัวป้อนพลังงาน ในแถวที่หนาแน่นสายเคเบิลลำตัว MPO/MTPรักษาจำนวนการเชื่อมต่อและการจัดการจำนวนมากได้ จึงไม่ปิดกั้นการไหลเวียนของอากาศหรือการเข้าถึงบริการ การเข้าถึงก็มีความสำคัญเช่นกัน: ลิงก์ GPU แบบสั้น-ถึง-มักจะทำงานบนมัลติโหมด ในขณะที่ลิงก์สไปน์และแคมปัสจะย้ายไปที่ไฟเบอร์โหมดเดี่ยว- (OS2)เพื่อระยะทางที่ไกลขึ้น

4. คุณภาพไฟฟ้ากลายเป็นปัญหาความต่อเนื่องทางธุรกิจ

ในโรงงาน AI คุณภาพไฟฟ้าไม่ได้เป็นเพียงปัญหาด้านไฟฟ้าเท่านั้น โดยส่งผลโดยตรงต่อเวลาทำงาน อายุการใช้งานของฮาร์ดแวร์ และการดำเนินการฝึกอบรมยังคงอยู่หรือไม่

สิ่งนี้หมายความว่าในทางปฏิบัติ:โหลดโหมด-ยอด-สวิตช์แฟกเตอร์สูง-ยอดและการแตะเฟสเดียวที่ไม่สมดุล-- ช่วยลดกระแสที่เป็นกลาง การบิดเบือนฮาร์มอนิก และเฟสไม่สมดุลสูงขึ้น หากไม่ได้รับการตรวจสอบ ความไม่สมดุลมักจะแสดงขึ้นเป็นการเชื่อมต่อที่ร้อนแรงหรือสาขาสะดุด ไม่ใช่เป็นการแจ้งเตือนบนแดชบอร์ดที่เป็นระเบียบ เนื่องจากระบบไอทีมีราคาแพงและการหยุดทำงานมีค่าใช้จ่ายสูง ให้ตรวจสอบคุณภาพไฟฟ้าอย่างต่อเนื่อง แทนที่จะรอให้เบรกเกอร์ค้นหาปัญหาให้กับคุณ

5. ต้องวางแผนพลังงานและความเย็นร่วมกัน

ทุกวัตต์ที่ส่งให้ไอทีจะกลายเป็นความร้อนที่ต้องกำจัดออกไป ที่สูงกว่า 30 kW ต่อแร็ค การระบายความร้อนด้วยอากาศไม่สามารถทำได้อีกต่อไป ซึ่งเป็นเหตุผลว่าทำไมการระบายความร้อนด้วยของเหลวโดยตรง-ไปยัง-ชิปจึงเป็นมาตรฐานสำหรับระบบคลาส GB200คณะกรรมการ TC 9.9 ของ ASHRAEเพิ่มคลาสความหนาแน่น (H1) สูง-ในแนวทางการระบายความร้อน และในปี 2024 ก็ได้เผยแพร่กระดานข่าวทางเทคนิคเกี่ยวกับความยืดหยุ่นในการทำความเย็นด้วยของเหลว ซึ่งครอบคลุมถึงการแบ่งเขตของหน่วยจ่ายน้ำหล่อเย็น (CDU) ความเฉื่อยทางความร้อนสำหรับการเปลี่ยนแปลงโหลดกะทันหัน และการสร้างแบบจำลองชั่วคราว

สิ่งนี้หมายความว่าในทางปฏิบัติ:แผ่นเย็นจะย้ายความร้อนของ GPU จำนวนมากไปที่ CDU แต่ 10–20% ของโหลดของแร็ค (หน่วยความจำ NIC ออปติก การแปลงพลังงาน) สามารถคงความเย็นของอากาศ-ได้ ดังนั้นห้องจึงยังต้องการการจัดการอากาศ การวาง CDU อุณหภูมิการจ่ายน้ำหล่อเย็น (โดยทั่วไปจะอยู่ที่ประมาณ 25–45 องศา ) ความสมดุลของการไหล และ-การกำหนดเส้นทางการตรวจจับการรั่วไหล ทั้งหมดนี้จะต้องได้รับการจัดการก่อนที่ชั้นวางจะมาถึง พัด-ออกจากสวิตช์แต่ละตัวไปยังเซิร์ฟเวอร์ -สายเคเบิลฝ่าวงล้อม MPO / MTP- ควรถูกกำหนดเส้นทางอย่างจงใจ เพื่อไม่ให้อยู่ในเส้นทางที่การระบายความร้อนขึ้นอยู่กับ

อย่าอนุมัติความจุไฟฟ้าโดยไม่ตรวจสอบการปฏิเสธความร้อน การระบายความร้อนที่ไม่สามารถเอาโหลดออกได้คือสาเหตุเดียวที่พบบ่อยที่สุด-ความจุพลังงานความหนาแน่นสูงเกิดการติดค้างและใช้งานไม่ได้

6. การมองเห็นที่จำกัดทำให้การวางแผนกำลังการผลิตมีความเสี่ยง

การตรวจสอบ-ระดับห้องหรือ UPS-จะซ่อนสิ่งที่สำคัญในห้องโถง AI ไว้อย่างชัดเจน: ความไม่สมดุลต่อ-เฟส, โอเวอร์โหลดเฉพาะที่, -ระดับที่เพิ่มขึ้นอย่างรวดเร็ว, ข้อจำกัดของวงจรสาขา-, ความซ้ำซ้อนที่ลดลง และความจุที่ค้างอยู่

สิ่งนี้หมายความว่าในทางปฏิบัติ:PDU แร็คอัจฉริยะที่มี-มิเตอร์วัดไฟต่อสาขา- การตรวจสอบวงจร การวัดและส่งข้อมูลทางไกลของ UPS และการรวม DCIM ช่วยให้ทีมตอบคำถามสามข้อแบบเรียลไทม์ - ความจุที่ใช้งานอยู่ในขณะนี้ ตำแหน่งที่มีความเสี่ยง และจำนวนโหลด AI เพิ่มเติมที่สามารถเพิ่มได้อย่างปลอดภัย หากไม่มีรายละเอียดดังกล่าว การวางแผนกำลังการผลิตก็เป็นเพียงการคาดเดา และสัญญาณแรกของปัญหาก็คือการเดินทาง

7. ความสามารถในการปรับขนาดและข้อจำกัดของกริดทำให้การปรับใช้ AI ช้าลง

การเติบโตของ AI แซงหน้าวงจรการวางแผนแบบเดิมไปแล้ว แม้ว่าจะมีพื้นที่ว่าง ไซต์งานก็อาจขาดยูทิลิตี้, UPS, การจัดจำหน่าย หรือความสามารถในการทำความเย็นสำหรับ GPU รุ่นถัดไป ด้วยความต้องการดาต้าเซ็นเตอร์เพิ่มขึ้นประมาณ 15–17% ต่อปีระยะเวลาในการเชื่อมต่อโครงข่ายสาธารณูปโภคในตลาดที่มีข้อจำกัดได้ขยายออกไปเป็นเวลาหลายปี ซึ่งเป็นสาเหตุที่นักพัฒนาซอฟต์แวร์บางรายหันมาเปิด-การสร้างไซต์และพื้นที่เก็บข้อมูลแบตเตอรี่

สิ่งนี้หมายความว่าในทางปฏิบัติ:การออกแบบสำหรับการเติบโตแบบเป็นขั้นตอนแทนการสร้างฮาร์ดแวร์เดี่ยว - UPS แบบแยกส่วน, การกระจายที่ขยายได้, การเพิ่มความจุตามบัสเวย์-, บล็อกกำลังไฟฟ้าของชั้นวางมาตรฐาน และความซ้ำซ้อนและจุดกระตุ้นที่ชัดเจน วัตถุประสงค์คือใช้งานได้ ปรับใช้ได้ และบำรุงรักษาได้เมื่อเวลาผ่านไป ไม่ใช่วันที่ใหญ่ที่สุดที่เป็นไปได้-หนึ่งระบบ

การออกแบบพลังงานศูนย์ข้อมูลแบบดั้งเดิมเทียบกับ AI

วิธีวางแผนโครงสร้างพื้นฐานด้านพลังงานสำหรับ-ชั้นวาง AI ความหนาแน่นสูง

ขั้นตอนที่ 1: กำหนดแร็ค-ระดับและคลัสเตอร์-ความต้องการระดับ

เริ่มต้นจากแผนงานและฮาร์ดแวร์ ประมาณการใช้แต่ละแร็ค แต่ละคลัสเตอร์ และแต่ละเฟสการใช้งาน รวมถึง GPU เซิร์ฟเวอร์ เครือข่าย พื้นที่เก็บข้อมูล และอุปกรณ์จ่ายไฟระดับแร็ค- ใช้สมมติฐานการเติบโตที่สมจริง - ฮาร์ดแวร์ AI พลิกกลับอย่างรวดเร็ว ดังนั้น-การโหลดครั้งเดียวจึงเป็นเป้าหมายการออกแบบที่ผิด

ขั้นตอนที่ 2: ตรวจสอบความจุอัปสตรีมและความซ้ำซ้อน

เดินเส้นทางแบบเต็ม: บริการสาธารณูปโภค สวิตช์เกียร์ หม้อแปลง UPS แผงจ่ายไฟ บัสเวย์หรือสายเคเบิล PDU ของชั้นวาง วงจรย่อย และฟีด A/B ยืนยันว่าระบบรองรับทั้งโหลดที่คาดหวังและระดับความซ้ำซ้อนภายใต้การบำรุงรักษาหรือสภาวะความผิดปกติ ไม่ใช่แค่ในโหมดปกติ

ขั้นตอนที่ 3: จับคู่สถาปัตยกรรมของ UPS กับพฤติกรรมการโหลดของ AI

มองผ่านกิโลวัตต์รวมไปแล้ว ประเมินการตอบสนองชั่วคราว ความสามารถในการปรับขนาด ความซ้ำซ้อน (N+1 หรือ 2N) ประสิทธิภาพการโหลดบางส่วน- รันไทม์ของแบตเตอรี่ การทำงานแบบขนาน และการตรวจสอบ UPS แบบโมดูลาร์มีประโยชน์เมื่อคลัสเตอร์จะขยายเป็นระยะ เนื่องจากจะเพิ่มความจุโดยไม่ต้องเพิ่มขนาดเกินในวันแรก

ขั้นตอนที่ 4: เลือกการกระจายพลังงานแบบยืดหยุ่น

แถวที่มีความหนาแน่นสูงมักจะต้องการความยืดหยุ่นมากกว่าการออกแบบแผงคงที่-และ-แบบแส้ เปรียบเทียบการกระจายแผงแบบดั้งเดิม โอเวอร์เฮดบัสเวย์ PDU ชั้นวางความหนาแน่นสูง- ฟีดคู่ และการวัดแสงอัจฉริยะ ห้องโถง AI ใหม่มักจะปรับขนาดของบัสเวย์ให้เหมาะกับความหนาแน่นในอนาคต การติดตั้งเพิ่มเติมอาจถูกจำกัดไว้ที่แผงที่มีอยู่

ขั้นตอนที่ 5: ประสานกำลังและความเย็นก่อนการใช้งาน

ตรวจสอบเทคโนโลยีการทำความเย็น เส้นทางการไหลของอากาศ ข้อกำหนดการทำความเย็นด้วยของเหลว ตำแหน่ง CDU อุณหภูมิและการไหลของน้ำหล่อเย็น น้ำหนักบรรทุกของพื้น การเข้าถึงบริการ และการตรวจจับการรั่วไหลก่อนติดตั้งชั้นวาง วิธีนี้จะหลีกเลี่ยงความล้มเหลวแบบคลาสสิกในการมีความจุไฟฟ้าเพียงพอแต่ไม่สามารถใช้งานชั้นวางได้เต็มกำลัง

ขั้นตอนที่ 6: สร้างเพื่อการขยายแบบค่อยเป็นค่อยไป

ปฏิบัติต่อระบบไฟฟ้าเป็นแนวทาง กำหนดวัน-ความจุหนึ่งวัน ความสามารถในการขยาย จุดกระตุ้นสำหรับ UPS หรือการอัปเกรดการจัดจำหน่าย เกณฑ์การตรวจสอบ ข้อกำหนดด้านความซ้ำซ้อน และขั้นตอนงบประมาณ เพื่อให้วิศวกรรม การดำเนินงาน และการจัดซื้อจัดจ้างใช้แผนเดียวกัน

รายการตรวจสอบการวางแผนพลังงานของศูนย์ข้อมูล AI

สิ่งที่ควรมองหาใน AI-Ready Power Solutions

ยูพีเอสแบบโมดูลาร์คุ้มค่าเมื่อมีการปรับใช้เพิ่มขึ้นเป็นระยะ เพิ่มกำลังการผลิตและลดความยุ่งยากในการบำรุงรักษาโดยไม่ต้องจ่ายค่ากิโลวัตต์ที่ไม่ได้ใช้ในวันแรก

การกระจายความหนาแน่นสูง-บัสเวย์หรือระบบที่ยืดหยุ่นอื่นๆ ให้ผลตอบแทนอย่างรวดเร็ว-โดยการเปลี่ยนแถวที่มีการเพิ่มหรือย้ายชั้นวาง และจุดที่การป้อนคู่และการบำรุงรักษาที่ปลอดภัยมีความสำคัญ

PDU ชั้นวางอัจฉริยะการมองเห็นต่อ-เต้าเสียบหรือต่อ-ช่วยให้ทีมตรวจจับความไม่สมดุล ป้องกันการโอเวอร์โหลด และวางแผนความจุได้อย่างแม่นยำ นี่เป็นเลเยอร์ที่บ่อยที่สุด-ที่ระบุไว้ในบิลด์ AI

การตรวจสอบคุณภาพไฟฟ้ามองหาการมองเห็นแรงดันไฟฟ้า กระแส ตัวประกอบกำลัง ฮาร์โมนิค ความสมดุลของเฟส และแนวโน้มโหลด ดังนั้นปัญหาต่างๆ จึงจะปรากฏก่อนที่จะเกิดไฟฟ้าดับ

การบูรณาการ DCIMการเชื่อมต่อข้อมูลพลังงานกับข้อมูลความร้อนและการใช้งานแร็คคือสิ่งที่เปลี่ยนการตรวจสอบเป็นการวางแผนกำลังการผลิต เมื่อระบบเครือข่ายเป็นส่วนหนึ่งของโครงสร้างเดียวกันของวิศวกรคู่มือการเลือก MTP กับ MPOช่วยให้ด้านไฟเบอร์ของแร็คมีเจตนาเช่นเดียวกับด้านไฟ

ข้อผิดพลาดทั่วไปที่ควรหลีกเลี่ยง

• การวางแผนสำหรับความจุรวมของสิ่งอำนวยความสะดวกเท่านั้นไซต์งานสามารถมีเมกะวัตต์ได้เพียงพอและยังคงล้มเหลวที่ชั้นวาง ตรวจสอบขีดจำกัดระดับชั้นวาง-และสาขา-
• ถือว่าการระบายความร้อนเป็นการตัดสินใจในภายหลังการระบายความร้อนที่วางแผนไว้หลังจากมีไฟฟ้าใช้เป็นสาเหตุหลักของความจุที่ค้างอยู่
• ละเว้นพฤติกรรมการโหลดแบบไดนามิกออกแบบมาเพื่อการตอบสนองชั่วคราวและคุณภาพกำลังไฟฟ้า ไม่ใช่โหลดโดยเฉลี่ย
• ภายใต้-การตรวจสอบที่ระบุการมองเห็นที่จำกัดหมายถึงการแก้ไขปัญหาที่ช้าและการวางแผนกำลังการผลิตที่ไม่น่าเชื่อถือ
• การสร้างสถาปัตยกรรมที่เข้มงวดฮาร์ดแวร์ AI พัฒนาขึ้นภายในไม่กี่เดือน การออกแบบที่ตายตัวจะกลายเป็นปัญหาคอขวดก่อนที่โรงงานจะหมดอายุการใช้งาน

การซื้อกลับบ้านครั้งสุดท้าย

การออกแบบพลังงานศูนย์ข้อมูล AI ไม่ได้เกี่ยวกับการเพิ่มความจุไฟฟ้ามากขึ้น เป็นเรื่องเกี่ยวกับการส่งมอบพลังงานที่ใช้งานได้ - อย่างปลอดภัย มองเห็นได้ชัดเจน และเชื่อถือได้ - ไปยังชั้นวางที่สามารถดึงพลังงานมากกว่าสิบเท่าของโครงสร้างพื้นฐานเดิมที่สร้างขึ้น วางแผนจากกริดหนึ่งไปยังอีกแร็ค ประสานพลังงานกับการระบายความร้อน ตรวจสอบที่ระดับสาขาและทางออก และออกแบบสำหรับ GPU รุ่นถัดไปแทนที่จะเป็นรุ่นปัจจุบัน ก่อนใช้งาน ให้ประเมินความหนาแน่นของชั้นวาง เส้นทางการจ่าย ประสิทธิภาพชั่วคราวของ UPS คุณภาพไฟฟ้า การตรวจสอบ และการทำความเย็นร่วมกัน ระบบไฟฟ้าที่สร้างขึ้นในลักษณะนั้นทำได้มากกว่าการป้องกันไฟฟ้าดับ ช่วยให้โครงสร้างพื้นฐาน AI ปรับขนาดตามกำหนดเวลา แทนที่จะหยุดชะงักที่คอขวดแรก