在“双碳”背景下,国家和地方政府近年来密集出台监管政策,不仅要求新建数据中心绿色节能,而且对存量数据中心的能效也提出了量化要求。在诸多监管政策中,PUE小于1.5已经成为衡量存量数据中心能效的红线。
相对而言,新建数据中心可以通过采用绿色、节能产品达到能耗指标,但是存量数据中心只能通过节能改造才能符合监管要求。
然而,数据中心节能改造是一项系统性的复杂工程,需要综合考虑各种能耗因素,绝不是仅仅更换某些设备就能达到提升PUE的目的。
为什么节能改造不仅仅是换空调?
在数据中心PUE组成中,除去末端设备能耗,空调能效因子CLF占比达到六成以上,其节能改造的潜力最大。由于这个原因,用户往往想通过直接更换高能效空调来实现节能目标。
维谛技术(Vertiv,NYSE:VRT)认为,尽管采用这种措施能够改善数据中心能效,但是这也是数据中心节能改造中的一个误区。
事实上,数据中心是一个复杂的系统性环境,尤其是老旧的存量数据中心条件有限,有很多因素会影响空调能效难以达到设计值。
在影响空调能效的因素中,包括显性因子和隐形因子。显性因子指的是系统本身及其能效性能;隐形因子包括机房布局、负荷差异、气流组织、机组控制、气候环境,这些都直接制约着空调CLF,从而影响数据中心的节能考核指标。
比如,气流组织管理是影响空调能效表现的主要因素。存量数据中心一般设备种类繁多,而且规格尺寸各异,造成风道混乱,节能改造很难用封闭通道进行设计,而无法有效提高送回风温度,这种情况下空调CLF自然得不到优化。此外,建筑布局也会对节能改造造成不利影响,比如层高有限,不能使用封闭热通道、加高防静电地板等改善气流组织的技术方案。
显而易见,在隐性因子的影响下,通过更换空调虽然可以一定程度优化机房的CLF因子,但空调系统的的实际能效相比理论值有可能相差甚远;这种“简单的改造”对于整体PUE的提升有限。这个原理也同样适用于供电PLF、建筑OLF。
“9步走”实现PUE<1.5真实落地
面对极具挑战性的数据中心节能改造,维谛技术(Vertiv)基于“可信节碳,全程陪伴”的理念,在拥有数百个节能改造案例经验的基础上,推出“9步走”逻辑框架,全面解码数据中心节能改造之道。
“9步走”框架包括机房勘察、数据分析、架构设计、设备选型、PUE评估、系统仿真、设计修正、改造施工、参数调优,基于完整、逻辑严密的程序和流程,可以更好地对抗数据中心节能改造的不确定性。这个过程看似复杂,但是维谛技术(Vertiv)一直秉持“把复杂交给维谛,把简单留给客户”的宗旨,全流程陪伴客户的数据中心节能改造。
“9步走”框架有效地消除了隐性因子,而且能够很好地控制设计值和落地值之间的偏差,从而实现可信CLF的落地。在强化显性因子方面,维谛技术(Vertiv)也具备领先优势,提供包括“混动双擎” 热管、动态双冷源、全变频氟泵、风冷多联等独创技术在内的一系列技术方案,可以全面满足客户的产品选型需求,适用各种不同场景。
同时,维谛技术(Vertiv)具备强大的机电集成、机电改造及总包能力,可以为客户提供超过30个大类、100个小类的节能改造服务,能够根据数据中心所处环境、预期目标、改造成本及工程周期,因地制宜、因需制宜为客户提供最佳匹配的改造方案。
在落地可信CLF之外,维谛技术(Vertiv)还能够对全链路供配电系统以及照明、新风系统、除湿系统进行节能改造,实现供电PLF、建筑OLF的统筹优化,帮助客户数据中心满足PUE1.5的要求。
不仅如此,在后期运维阶段,维谛技术(Vertiv)以全生命周期服务视角,提供针对性的技术手段,使数据中心始终处在高能效运营状态。
面对当前迫切的节能改造需求,维谛技术(Vertiv)以“可信节碳,全程陪伴”的理念,围绕逻辑流程、产品技术、工程能力、运行维护等维度建立了成熟的方法论,为存量数据中心注入新的活力。
好文章,需要你的鼓励
南洋理工大学研究团队开发了WorldMem框架,首次让AI拥有真正的长期记忆能力,解决了虚拟世界模拟中的一致性问题。该系统通过记忆银行存储历史场景,并使用智能检索机制,让AI能准确重现之前的场景和事件,即使间隔很长时间。实验显示在Minecraft和真实场景中都表现出色,为游戏、自动驾驶、机器人等领域带来广阔应用前景。
AWS通过升级SageMaker机器学习平台来扩展市场地位,新增观测能力、连接式编码环境和GPU集群性能管理功能。面对谷歌和微软的激烈竞争,AWS专注于为企业提供AI基础设施支撑。SageMaker新功能包括深入洞察模型性能下降原因、为开发者提供更多计算资源控制权,以及支持本地IDE连接部署。这些更新主要源于客户需求,旨在解决AI模型开发中的实际问题。
MTS AI研究团队提出RewardRanker系统,通过重排序模型和迭代自训练显著提升AI代码生成质量。该方法让13.4B参数模型超越33B大模型,在多种编程语言上表现优异,甚至在C++上超越GPT-4。通过引入困难负样本和PPO优化,系统能从多个代码候选中选出最优方案,为AI编程助手的实用化奠定基础。