Load ng baterya: pagsasanay ng AI vs inference

Ang isang AI operator na nagsusukat ng battery backup para sa mga GPU rack ay karaniwang nagsisimula sa isang numero: ang average na power sa kW. Ang numerong iyon ay sumasagot lamang sa kalahati ng tanong. Ang isang training cluster at isang inference fleet ay humihila ng enerhiya sa dalawang magkaibang hugis – ang isa ay patag at tuluy-tuloy, ang isa ay may maiikling rurok – at ang hugis ang nagpapasya kung ano ang dapat gawin ng baterya: gaano kalaking peak current ang dapat nitong dalhin, gaano kalalim ang bawat discharge, at kung enerhiya ba o power ang nagpapasya sa bilang ng mga module. Ang mga data center ay gumamit ng humigit-kumulang 415 TWh ng kuryente noong 2024, humigit-kumulang 1.5% ng pandaigdigang demand, at inaasahan ng IEA ang humigit-kumulang 945 TWh pagsapit ng 2030 (IEA, April 2025). Ipinapaliwanag ng pahinang ito ang dalawang load profile, kung ano ang hinihingi ng bawat isa mula sa isang LiFePO4 rack battery, at kung ano ang ipadala sa LJY Energy para sa isang sizing proposal.

Sa panahon ng training, ang mga GPU ay tumatakbo nang halos buong paggamit sa loob ng ilang oras o araw na sunud-sunod: ang power curve ay halos patag, mataas, at tuluy-tuloy, at ang isang pagkaantala lamang ay maaaring huminto sa training at mawala ang mga checkpoint na ilang oras. Ang isang training rack ay maaaring humila ng humigit-kumulang 40 kW – apat na DGX H100 server – ilang beses ng 7-12 kW ng isang karaniwang corporate rack. Ang inference ay may kabaligtarang hugis: ang mga query ay dumarating nang hindi pantay, ang mga GPU ay umaabot sa rurok sa bawat query at walang ginagawa sa pagitan, kaya ang curve ay isang serye ng mga rurok sa itaas ng mababang average. Ang inference ay humigit-kumulang 80-90% na ng AI computing, at inaasahan ng IEA na aabot ito sa humigit-kumulang 75% ng mga pangangailangan sa enerhiya ng AI pagsapit ng 2030 (IEA, April 2025). Ang dalawang hugis ay humihingi ng magkaibang bagay mula sa baterya: ang isang training battery ay dapat magbigay ng tuluy-tuloy na power sa buong bridging window, na may rurok na malapit sa average, bridging energy na tinutukoy ng tuluy-tuloy na power sa kW na pinarami ng mga minuto, katamtamang tuluy-tuloy na C rate, malalim na discharge sa mahabang pagkaantala, matatag na boltahe, at pantay na init; ang isang inference battery ay dapat sumipsip ng mabilis na mga rurok nang walang pagbaba ng boltahe, na may rurok na mas mataas kaysa sa average, bridging energy na tinutukoy ng peak power sa kW na pinarami ng mga minuto, mataas na maiikling current pulse, bahagyang discharge sa maiikling pangyayari, at mga heat pulse na sumusunod sa mga rurok ng load. Ang sizing ay nagsisimula sa tuluy-tuloy na power sa kW sa training at sa peak power sa kW at tagal ng rurok sa inference. Ang mga inference fleet ay may tendensiya ring lumaki kasabay ng paggamit, at ang isang modular rack battery ay lumalaki kasama nila: ang mga module ay idinaragdag nang parallel habang lumalaki ang load, sa halip na palitan ang baterya.

Mapa ng imprastraktura ng data center sa Estados Unidos
Larawan: DOE/National Renewable Energy Laboratory (NREL), Wikimedia Commons, Public domain (pinaliit, WebP). Larawang paglalarawan lamang, hindi produkto ng LJY.

Mga halaga ng sanggunian

Pagkonsumo ng kuryente ng mga data center, 2024415 TWh
Bahagi ng pandaigdigang demand sa kuryente1.5%
Inaasahang pagkonsumo ng kuryente ng mga data center pagsapit ng 2030945 TWh
Pagkonsumo ng power ng isang training rack, halimbawa40 kW
Pagkonsumo ng power ng isang karaniwang corporate rack7–12 kW
Bahagi ng inference sa AI computing80–90%
Inaasahang bahagi ng inference sa mga pangangailangan sa enerhiya ng AI pagsapit ng 203075%
Hanay ng training sa halimbawa ng sizing8 kW
Rurok ng inference sa halimbawa ng sizing16 kW

Ang sizing ay nagsisimula sa hugis ng load, hindi sa kinopyang numero ng ampere-hour: ang pahina ng 51.2V rack module ng LJY ay naglilista ng mga rack module na bumubuo sa baterya, at ang bilang ng mga module ay sumusunod sa nasukat na kW at mga minuto ng bridging at kinukumpirma para sa bawat proyekto.

Halimbawa ng sizing

Ang isang training row na 8 kW ay nangangailangan ng humigit-kumulang 2 kWh na magagamit na enerhiya para sa 15 minutong bridging. Sinasaklaw ito ng 2 100 Ah module na nakakonekta nang parallel: nagbibigay sila ng humigit-kumulang 10 kW nang tuluy-tuloy at nag-iimbak ng 10.24 kWh, kaya ang power at enerhiya ay parehong nakakatugon sa kinakailangan na may margin. Sukatin muna ayon sa tuluy-tuloy na power sa kW, pagkatapos ay suriin ang mga minuto ng bridging sa kWh. Kung lumaki ang hanay sa kalaunan, magdagdag ng mga module nang parallel; lumalawak ang baterya nang hindi pinapalitan ang naka-install na. Ang isang inference row na may parehong average na 8 kW, ngunit may mga rurok na 16 kW, ay nangangailangan ng parehong enerhiya, ngunit dalawang beses na module upang dalhin ang peak current – ang rurok, hindi ang average, ang nagpapasya sa bilang ng mga module.

Ano ang ipapadala bago ang alok

  • Load ng training o inference, na may nasukat na average at peak power sa kW
  • Mga kinakailangang minuto ng bridging bago magsimula ang generator
  • Magagamit na espasyo ng rack sa U at modelo ng UPS o inverter

Humiling ng kuwenta

Ipadala ang load profile – training o inference – na may average at peak power sa kW, mga kinakailangang minuto ng bridging, magagamit na espasyo ng rack sa U, at modelo ng UPS o inverter. Kukumpirmahin ng LJY Energy ang bilang ng mga module, ang parallel connection, at ang mga setting ng komunikasyon, at pagkatapos ay magbibigay ng quotation para sa baterya na may mga kondisyon ng paghahatid. Nagko-coordinate kami ng mga paghahatid ng OEM/ODM battery mula sa Shenzhen; hindi kami pabrika, at ang bawat order ay kinukumpirma nang nakasulat bago ang produksyon.

Mga server rack sa data center ng unibersidad
Larawan: Christopher Bowns, Wikimedia Commons, CC BY-SA 2.0 (pinaliit, WebP). Larawang paglalarawan lamang, hindi produkto ng LJY.

Humiling ng kuwenta para sa baterya ng rack · WhatsApp +86 159 8945 0735