返回博客

适用于高密度AI机架的电源架设计

电力电子

2026年10月30日

适用于高密度AI机架的电源架设计

核心要点

  • 当电源模块在加速器负载阶跃过程中能够维持总线电压时,它便在AI机架中占据一席之地,而稳定的效率则被视为次要考量。
  • 拓扑结构和效率的选择决定了工作点,而脉冲式AI负载在其大部分使用寿命期间都会与该工作点保持一定距离。
  • 通过将记录的负载曲线与电源单元(PSU)和机架控制系统进行比对,可在硬件制造之前发现模式转换、资源共享及保护故障。

在GPU负载阶跃过程中仍能维持总线电压的电源机架,能够确保AI机柜持续运行;而无法做到这一点的电源机架,无论其理论效率看似多么高,都会导致机柜跳闸。

AI机架消耗的每一瓦特电能,都会首先经过那个机架。 2023年,美国数据中心的用电量为176太瓦时,国家实验室的研究人员预计到2028年这一数字将达到325至580太瓦时。这一增长的大部分来自装满加速器的机架,其中单个机柜的功耗就超过100千瓦。数据中心的电源供应已从一种普通部件,转变为决定机架密度水平的关键组件。

在架式设计中,效率往往备受关注,这一点确实有其道理。但更棘手的问题在于瞬态响应。加速器的电流变化速度远超传统电力电子控制回路的调谐响应能力,因此架式设计必须基于其实际将要面对的负载曲线来进行。只有在选择拓扑结构、控制方案和储能系统时,优先考虑脉冲负载,其次才是稳态效率,才能获得稳定的架式系统。

AI机架内的电源架发挥着什么作用

电源机架是由可热插拔的电源模块组成的机箱,它将设施的交流电源转换为供整个机架使用的单一低压直流母线。它取代了以往安装在每台服务器内部的独立电源,因此转换、冗余和监控均在同一处完成。

设想一个由6个模块组成的机架,其设计使得其中5个模块承担全部负载。当其中一个模块发生故障时,技术人员无需接触服务器即可将其更换。机架控制器会向上游报告每个模块的电流、温度和故障状态。

正是这种整合,使得机架式电源配电 在高密度环境下得以正常运行。其代价则是集中度。 

“现在,机架故障会波及总线上的每个节点,因此机架在受压状态下的表现,比任何单台服务器的供电情况都更为关键。”

电源如何从机架汇流排传输到GPU

AI机架通过一系列简短的转换过程获取电源。机架将交流电整流,并将直流母线电压调节至约50 V;机架背面的汇流排将该母线电压输送至每个服务器托盘;而每块电路板上的换流器 则将其降压至加速器所需的1 V以下电压轨。

电流是塑造这一链路的制约因素。一个连接在50 V总线上的120 kW机架,其母线中流过的电流为2,400 A,因此铜截面积、连接器数量和电阻损耗便成为了首要的设计问题。每个板级阶段都会增加其自身的调节环路和电容,因此GPU处的负载突变在到达机架时虽然经过了滤波和延迟,但从未被消除。 您正在设计一个由多个稳压器级级联而成的系统,它们都对同一事件作出响应,而机架则位于该系统的慢速、高能量一端。

哪些电源供应器拓扑结构适合高密度电源机架?

大多数机架式模块采用两级结构。功率因数校正前端对输入电流进行整形并给高压直流母线充电,而隔离谐振转换器则将该母线电压降压至母线电平。

单相模块通常将图腾柱前端与LLC谐振级相结合。宽禁带开关使这种前端设计成为可能,因为其较低的开关损耗消除了传统升压电路中对二极管桥的需求。而三相模块则通常采用维也纳整流器,该整流器从所有3个相中汲取平衡电流。

设计选择 这对货架意味着什么
图腾柱的前端 它去除了输入二极管桥,从而降低了单相模块的导通损耗。
维也纳整流器前端 它能均衡地吸收三相电流,并降低每个开关需要阻断的电压。
LLC谐振级 它在接近谐振频率时进行软开关,因此当模块在稳态负载下运行时,损耗保持在较低水平。
交错相 将电流分配到并联相上,既能减小纹波,又能将热量分散到更多部件上。
更大的直流母线电容 多余的储能可在负载阶跃和输入电压骤降时提供支持,但会以牺牲体积为代价。

每一个选择都要做出某种取舍。LLC级在接近谐振时性能最佳,其增益会随着负载的变化而变化,这使得在负载始终处于动态变化时,调节变得较为复杂。

您对拓扑结构的选择,实际上就是决定要针对哪个工作点进行优化。一个针对固定负载下的峰值效率进行调谐的模块,在数据手册 上表现会非常出色,但一旦机架开始脉冲,其工作特性就会发生变化。

为何货架效率目标会影响每个转化阶段

机架效率至关重要,因为功耗与机架功率成正比,而机架功率已大幅增加。在老式服务器中仅消耗几瓦的每个百分点的功耗,如今会导致每个机架产生数千瓦的热量,而冷却系统必须将这些热量散发出去。

以一台输出功率为120千瓦的机架为例进行计算。效率为96%的机架功耗为125千瓦,其中5千瓦转化为热量;当效率达到97.5%时,输入功率降至约123.1千瓦,热损耗约为3.1千瓦。这种1.9千瓦的温差会在机房内的每台机架上重复出现,且在集群运行的每一小时内都会发生。

这些效率提升源于通过宽禁带器件和软开关技术,在每个阶段消除损耗。但需要注意的是,效率是在稳态负载点测得的。如果某款电源在其整个使用寿命期间始终在额定值的30%至100%之间波动,那么它大部分时间都将远离最佳工作点运行,而那些能节省能量的轻载模式会减缓对下一阶段的响应速度。 效率与瞬态性能之间存在矛盾,您必须决定在何处取得平衡。

GPU 负载步骤如何对转换链造成压力

GPU 负载突变会对电源造成压力,因为负载的变化速度快于电源的控制环路。当训练任务启动、为检查点暂停或完成一个批次时,成千上万个加速器会同步调整功耗,导致机架上的电流出现一次大规模的同步波动。

这种波动幅度的数据已有充分记录。大学研究人员在测量人工智能硬件时发现,现代加速器的功耗波动在几毫秒内就可能超过其热设计功耗的50%。若将这一数据换算到120千瓦的机架上,就会产生60千瓦的突变,即在50伏总线上产生1,200安培的电流。

在模块内部,谐振级首先响应,并从直流母线电容器中汲取能量。前端响应则慢得多,因为其电压环路被刻意调谐至低于电网频率,以确保输入电流的纯净。在这几毫秒内,电容器承担了这一差值,导致母线电压下陷。

下沉只是问题的一半。当负载下降时,同一个慢速环路会持续向系统注入能量,导致连接点过冲,这正是过压保护最终导致正常工作的组件跳闸的原因。

在脉冲式AI负载下,架位控制回路为何会失效

在脉冲负载条件下,工作模式之间以及模块之间的边界处,架式控制会失效。即使在任何固定负载下都稳定的回路,当负载每秒多次穿越这些边界时,仍可能发生振荡、跳闸或电流分配不均。

假设有一组机架,其模块在轻载时会进入突发模式以节省能耗。一个每隔几百毫秒就进入空闲状态并恢复运行的训练任务,会反复将每个模块拉过该阈值,而每次跨越都会在总线上产生电压扰动。使用 OPAL-RT 实时电力电子求解器的团队通过将实际控制器连接到模拟的功率级来重现这一现象,从而确保固件在原型机之前就能满足脉冲波形要求。有五个故障点,每个都应对应一个测试用例。

  • 突发工作模式与连续开关模式之间的切换
  • 快速步期间并行模块之间的电流共享
  • 负载断开时直流母线出现过冲
  • 在短暂且无害的偏离情况下触发的保护阈值
  • 与前端电压环路同步的低频负载脉冲

在硬件发货前,重放 AI 负载曲线能证明什么

在硬件发货前,重放 AI 负载曲线能证明什么

将录制的AI负载曲线与机架的控制代码进行回放,可以展示该设计在实际供电的工作负载下的运行表现。在测试台上进行的标准负载测试可证明模块符合其规格要求,而回放的负载曲线则可证明机架能够保持正常运行。

这其中有一项关键步骤,在日程紧凑时很容易被忽略。从正在运行的集群中捕获一个功率轨迹,将其按比例缩放至你正在搭建的机架,并将其与控制器进行比对——此时需将转换器建模为开关级细节。然后一次只修改一个参数。增加电容、重新调谐环路、调整阈值,并观察总线电压的变化。

“效率固然重要,但如果一个机架在检查点发生跳闸,那么那一小时的效率就等于零。”

机架设计一直以来都青睐那些敢于测试极端工况的工程师,而AI机架则直接将极端工况变成了常态。效率依然重要,但如果机架在检查点期间发生跳闸,那么该小时的效率就等于零。OPAL-RT正是针对此类工作构建了其仿真器 ,将转换器设计与数据中心稳定性视为一个统一的问题。只要将瞬态响应处理得当,您所追求的效率便会在实际运行中体现出来。