كيفية نشر واستخدام المحولات بشكل صحيح في مراكز بيانات الذكاء الاصطناعي

مع تحول مراكز بيانات الذكاء الاصطناعي (AI) نحو مجموعات وحدات معالجة الرسومات (GPU) من الجيل التالي (مثل NVIDIA H100 وB200 وخوادم الذكاء الاصطناعي فائقة الكثافة)، تواجه فرق البنية التحتية تحديات غير مسبوقة في مجال توزيع الطاقة. تتسم أحمال عمل الذكاء الاصطناعي بكثافة طاقة عالية، وتقلبات ديناميكية شديدة في الأحمال، وتشوهات توافقية حادة. ولضمان استقرار البنية التحتية الحاسوبية بأكملها، فإن اختيار المحولات الكهربائية المناسبة ونشرها أمر بالغ الأهمية.

من أجل معالجة مسألة استغلال المحولات في مراكز بيانات الذكاء الاصطناعي بنجاح، يجب على المهندسين التركيز على خمسة ركائز أساسية: الاختيار المُحسَّن، والتخفيف من التوافقيات، وإدارة الأحمال الديناميكية، والبنية الاحتياطية، والصيانة التنبؤية.

1. اختيار المحولات عالية الكثافة لأحمال عمل الذكاء الاصطناعي

تستهلك حوامل مراكز البيانات التقليدية عادةً ما بين 5 و10 كيلوواط. وفي المقابل، تتطلب حوامل الذكاء الاصطناعي الحديثة عالية الكثافة ما بين 40 و100 كيلوواط أو أكثر لكل وحدة. ويتطلب هذا الارتفاع الهائل إجراء تعديلات هندسية كبيرة على مستوى المحولات.

• الاستخدام الإلزامي لمحولات عامل K: تولد مصادر الطاقة ذات الوضع التبديلي (SMPS) الموجودة داخل آلاف خوادم الذكاء الاصطناعي كميات هائلة من التشويه التوافقي غير الخطي. ومن شأن المحولات القياسية أن ترتفع درجة حرارتها بسرعة في ظل هذه الظروف. تحديد محولات مصنفة K-13 أو K-20 وهذا أمر بالغ الأهمية. تتميز هذه الوحدات بتصميمات متخصصة، مثل الموصلات المحايدة ذات المقاس الكبير والملفات النحاسية عالية الجودة المُرتبة بشكل متواصل، من أجل التعامل بأمان مع الخسائر الشاردة الناتجة عن التوافقيات.

• عزل عالي الجودة والتحكم في درجة الحرارة: المحولات من النوع الجاف التي تستخدم الفئة H (180 درجة مئوية) أو الفئة C (220 درجة مئوية) يُنصح بشدة باستخدام مواد العزل المقاومة للحرارة العالية (مثل وحدات مصبوبة من راتنج الإيبوكسي أو وحدات مشبعة بالضغط الفراغي [VPI]). فهي توفر الهامش الحراري اللازم أثناء عمليات التدريب المكثفة لنماذج الذكاء الاصطناعي، عندما تحدث ارتفاعات مفاجئة في الحمل الكامل.

• الجهد المُحسَّن للمقاومة: لمواجهة الانخفاضات الحادة في الجهد الناتجة عن الزيادة الفورية في استهلاك مجموعات الذكاء الاصطناعي، يجب حساب مقاومة المحول بدقة — وعادةً ما يتم الحفاظ عليها في حدود $6\% \text{ إلى } 8\%$ النطاق — للحفاظ على استقرار ممتاز للجهد العابر.

2. الحد من التشوه التوافقي وموازنة التيار المحايد

تتسم أحمال مراكز بيانات الذكاء الاصطناعي بطابع غير خطي إلى حد كبير، مما يؤدي إلى ظهور كميات كبيرة من التوافقيات من الدرجة الثالثة والتاسعة والتوافقيات الثلاثية. وتتراكم هذه التوافقيات ذات التسلسل الصفري في الموصل المحايد، مما يؤدي غالبًا إلى تجاوز تيار المحايد لتيار الطور.

• توصيل مجموعة المتجهات D-Yn11: يجب أن تستخدم محولات التوزيع الأولية توصيل «دلتا-واي» (D-Yn11). توصيل «دلتا» ($\Delta$) حيث يعمل الملف الأولي على احتجاز التوافقيات من الدرجة الثالثة، وإعادة تدويرها داخل الملف، ومنعها بشكل فعال من العودة إلى شبكة الكهرباء العامة الموجودة في المنبع.

• تنفيذ محول تغيير الطور: بالنسبة لمنشآت الذكاء الاصطناعي فائقة الحجم، فإن استخدام المحولات ذات التغير الطوري (على سبيل المثال، تكوين محولين متوازيين بفارق طور يبلغ 30 درجة لإنشاء تأثير تقويم ذي 12 نبضة) يتيح للتوافقيات المميزة أن تلغي بعضها بعضًا عند القضيب المشترك.

• موصلات محايدة مصنفة 200%: يجب زيادة سعة القطب المحايد والكابلات الممتدة من الجانب ذي الجهد المنخفض للمحول إلى وحدات توزيع الطاقة (PDUs) إلى 200% من مساحة المقطع العرضي لموصل الطور للتعامل مع العبء الثقيل للتيارات الناتجة عن التوافقيات بأمان.

3. إدارة التقلبات الديناميكية في الأحمال التي تشبه “الحافة”

تتسم أحمال عمل تدريب الذكاء الاصطناعي بطابع دوري شديد وبصعوبة التنبؤ بها. فعندما يبدأ تشغيل نموذج تدريب الذكاء الاصطناعي، يرتفع الطلب على الطاقة بشكل فوري؛ أما إذا تعطل عملية التدريب أو اكتملت، فإن الحمل ينخفض انخفاضًا حادًا. هذا الانخفاض الحاد $di/dt$ (معدل التغير الحالي) يُحدث ضغطًا ميكانيكيًا وكهربائيًا هائلاً على مكونات المحول.

• التنظيم والتعويض الديناميكي للجهد الكهربائي: يجب أن تعمل محولات الطاقة جنبًا إلى جنب مع مبدلات التوصيلات تحت الحمل (OLTC) أو مع تعويضات التزامن الثابتة (STATCOM) الموجودة في المرحلة التالية من الدائرة، بالإضافة إلى مرشحات الطاقة النشطة (APF). ويقوم هذا التكوين بالتعويض الفوري عن انخفاضات معامل القدرة والتقلبات المفاجئة في الجهد.

• قوة ميكانيكية معززة في حالة الدائرة القصيرة: تؤدي التقلبات المتكررة والعنيفة في التيار إلى توليد قوى كهرومغناطيسية شديدة قد تؤدي، بمرور الوقت، إلى تشوه ملفات المحولات مادياً. يجب أن تنص مواصفات الشراء على قدرات محسّنة على تحمل حالات الدائرة القصيرة وصلابة هيكلية عالية.

4. البنى الهندسية المتكررة: 2N مقابل التكرار الموزع (DR)

إذا انقطعت الطاقة عن سلسلة تدريب الذكاء الاصطناعي في منتصف العملية، فإن إعادة تشغيل العملية واستعادة نقاط التحقق التالفة من عملية التدريب قد تكلف المؤسسات ملايين الدولارات.

• تخطيطات 2N أو التكرار الموزع (DR): يجب أن يعتمد توزيع الطاقة على 2N (مسارات مزدوجة الاستخدام) أو DR (التكرار الموزع) الأطر. يجب أن تعمل المحولات في تكوين الاستعداد الفوري. إذا انقطع اتصال أحد مسارات المحولات، يجب على الوحدة المتبقية أن تتولى على الفور 100% من الحمل الحرج للذكاء الاصطناعي. وهذا يتطلب قدرة ممتازة على تحمل الحمل الزائد على المدى القصير (على سبيل المثال، الحفاظ على حد الحمل الزائد لـ 150% لمدة تتراوح بين ساعة وساعتين).

• العزل المادي والسلامة من الحرائق: على الرغم من أن المحولات من النوع الجاف لا تشكل سوى خطر ضئيل لاندلاع الحرائق، إلا أنه ينبغي وضعها في حجرات مخصصة ومعزولة هيكليًّا ومجهزة بأجهزة الكشف المبكر جدًّا عن الدخان (VESDA) وأنظمة إخماد الغاز الآلية.

5. التشغيل والصيانة الذكية: التوائم الرقمية والصيانة التنبؤية

يتطلب تعزيز موثوقية المحولات إلى أقصى حد في عصر الذكاء الاصطناعي الابتعاد عن الصيانة الاستباقية والتحول إلى نظام القياس عن بُعد المستمر والقائم على البيانات.

• مراقبة درجة الحرارة في نقاط الاتصال عبر الألياف الضوئية: يجب تضمين مستشعرات درجة الحرارة عالية الدقة (مثل PT100 أو مجسات الألياف الضوئية) مباشرةً في اللفات ثلاثية الطور والقلب لتتبع نقاط السخونة في اللفات في الوقت الفعلي.

• مراقبة التفريغ الجزئي (PD) عبر الإنترنت: يتيح التتبع المستمر لـ PD الكشف عن العلامات المبكرة لتدهور العزل الناتج عن السخونة الزائدة التوافقية قبل وقت طويل من حدوث قصر الدائرة الفعلي بين الأطوار.

• تكامل نظام إدارة الأصول الرقمية (DCIM) والتشخيصات القائمة على الذكاء الاصطناعي: جميع قياسات القياس عن بُعد — بما في ذلك معامل الحمل، والتشويه التوافقي الكلي للجهد ($THD_u$)، والتشويه التوافقي الكلي للتيار ($THD_i$)—ينبغي أن تُدمج مباشرةً في منصة إدارة البنية التحتية لمراكز البيانات (DCIM). ومن خلال معالجة هذه النقاط البياناتية باستخدام خوارزميات الذكاء الاصطناعي التنبؤية، يتلقى مديرو المرافق تقريرًا آليًّا مؤشر الصحة, ، مما يؤدي إلى تحويل عمليات مراكز البيانات من الصيانة المجدولة إلى إدارة حقيقية لوقت التشغيل القائم على التنبؤ.

عرض المزيد من منتجات محولات الطاقة