★ FEATURED ARTICLE 1. 项目背后为什么AI数据中心突然卡在“电”上先说个直白的现实这几年做AI基础设施的同行都有一个共同感受——算力芯片的迭代速度已经快过供电系统的迭代速度。单机柜功耗从过去的6kW一路干到30kW、50kW甚至更高CPU、GPU的峰值功耗像坐火箭一样往上蹿但电源系统还停留在老一代的标准里。很多机房明明有空位却因为“供不上电”白白闲置这事搁谁身上都头疼。Open Rack V3 HPR V2 12kW PSU就是在这个背景下被推到台前的。简单说HPR是High Power Range的缩写V2是这一代大功率电源模块的第二个版本单模块额定输出12kW。它属于Open Rack V3整机柜标准的供电单元之一专门为高密度AI算力节点设计用来替代老款6kW、9kW级别的电源模块。单个模块12kW意味着什么一个标准ORv3机柜如果配6个这样的PSU理论上总供电能力能到72kW配合高压直流母线基本能喂饱当前主流AI服务器的功耗需求。这篇文章就是把这些年的工程设计笔记整理出来围绕12kW PSU从需求拆解、拓扑选型、机械结构、数字控制到实测排查完整过一遍。适合正在做数据中心供电设计、服务器电源开发、或者机房运维想搞明白“柜顶那一排电源到底怎么回事”的朋友参考。2. 把AI负载的脾气摸透设计需求拆解2.1 传统服务器电源被什么打败了老一代电源设计通常按照“平均功耗加一点余量”的思路来做。传统CPU服务器虽然也有睿频、也有峰值电流但功耗波动的幅度有限持续时间也短电源的保持时间和动态响应规格基本兜得住。AI加速卡完全不同。GPU在训练任务里会出现秒级甚至毫秒级的功耗跳变比如一个batch计算开始整卡功耗从200W瞬间冲到800W多个加速卡同步运行整个节点的电流摆动幅度非常夸张。实测中我们见过整机电流在20A到120A之间以数kHz频率来回震荡的场景。这种负载特性对电源的动态响应、环路稳定性、输出电容配置提出了完全不同的要求。另一个要命的是功耗密度。传统1U/2U服务器电源占用的体积是固定的PSU做得再大机箱里也塞不下。AI节点往往是8卡、10卡甚至更多卡的配置GPU占掉了大部分空间和风量留给电源的位置非常有限。在这个前提下还要把单模块功率从9kW提升到12kW只能靠提升转换效率和功率密度这两件事拧在一起就是设计上的最大矛盾。2.2 ORv3标准的几个硬约束Open Rack V3规范把电源模块的物理尺寸、电气接口、通信协议都固定下来了属于“戴着镣铐跳舞”的设计。几个关键硬约束先说清楚安装方式ORv3的PSU是水平插拔从机柜正面维护金手指连接器朝后对接背板母排。这意味着电源整体是扁长型结构散热风道被迫做成侧面进风、后部出风或者后部进风、前部出风和传统服务器的前进后出结构完全不同。输入母线ORv3机柜采用三相交流输入经过机柜级整流后变成高压直流母线典型值380V DC或400V DCPSU直接吃直流。不过在HPR V2方案里很多设计仍然保留了AC/DC和DC/DC混合输入的兼容能力方便不同数据中心灵活部署。通信总线电源必须通过PMBus接口上报电压、电流、温度、效率、故障码等信息整机柜管理控制器RMC实时监控所有PSU状态。协议层的兼容性是硬指标不是可选项。模块冗余标准机柜通常配6个12kW模块负载按5个模块满载设计留1个模块作为N1冗余。这个冗余逻辑要求任何单模块拔插、故障都不影响系统输出热插拔和故障隔离是必须做到的基础功能。这些约束叠加起来基本就把设计空间框死了。电源的宽度、高度、长度散热方式连接器位置甚至螺丝孔位都不能随便动不然装不进机柜也过不了互操作测试。2.3 12kW这个数字是怎么定下来的很多人问为什么不干脆做15kW、18kW这里面有个性价比和可靠性的权衡。12kW是综合考虑了半导体器件极限、散热能力、连接器载流能力和用户侧需求之后的一个平衡点。以目前主流功率半导体的水平单模块12kW、输入380V DC的情况下输入电流约32A输出12V时电流高达1000A。输出电流破千安之后连接器、铜排、PCB走线、同步整流管的并联数量都会急剧膨胀再往上升成本就不是线性增长而是指数增长了。同样重要的是单点故障域控制。一个模块18kW坏了就是18kW的缺口冗余成本太高模块做小一点单点故障的影响范围也小但模块数量太多又会挤占机柜空间、降低整体效率。12kW配6模块N1冗余51的架构刚好是当前AI机柜功耗档位40kW~60kW的最优解。3. 拓扑选型与核心电路设计3.1 两级架构为什么是当前最优解12kW PSU的功率链路目前主流方案是两级架构前级PFC功率因数校正后级LLC谐振变换器再往后是同步整流输出。对于380V DC输入的特殊场景前级PFC可以旁路直接进入后级DC/DC设计上用继电器或半导体开关做模式切换。为什么用PFCLLC而不是其他拓扑原因很实在PFC把输入电流波形掰成正弦保证功率因数接近1不然一个机柜几十千瓦的谐波电流能让上游变压器和UPS直接过载。LLC谐振变换器天然适合大功率、高密度场景因为它的开关管能实现零电压开通ZVS次级整流管配合同步整流能做到零电流关断开关损耗压得非常低效率容易做到97%以上。两级架构的中间母线通常380V~400V给了系统很大的灵活性比如可以做母线储能、支持短时掉电保持也方便把不同输入源接进来。当然也有做单级隔离式PFC的尝试比如把PFC和隔离变换整合到一起省掉一级母线电容。但问题是控制复杂度上去了动态响应和保持时间不好兼顾工程上的成熟度和可靠性还不如两级方案。在这个功率级别上追求稳妥远比追求账面指标重要。3.2 PFC级的关键器件与参数PFC级的输入范围要覆盖90V~264V AC全电压段额定输入220V AC输出母线设定在400V DC。在12kW功率等级下输入电流的RMS值最大能到60多安培低电压段这就要求整流桥、升压电感、开关管、快恢复二极管的电流定额都留足余量。实际选型中我倾向于用两颗或者三颗分立MOSFET并联做升压开关相比单颗大模块并联方案的热分布更均匀失效模式也更友好。开关频率设计在65kHz左右这是EMI和磁性元件体积之间的折中。频率再高电感可以做小但开关损耗和EMI滤波器成本都会上来频率太低磁性元件体积压不住功率密度上不去。PFC电感是这个环节最容易翻车的器件。12kW下电感电流的纹波分量很大磁芯损耗、铜损都集中在这么一个小东西上散热条件又差。我的经验是磁芯材料选低损耗的铁硅铝或者非晶绕制时务必采用利兹线或者多层箔绕把高频集肤效应带来的额外铜损压下去。电感的热设计要按最高环境温度加满载的条件算不能只按典型工况留余量不然高温老化测试一跑就露馅。3.3 LLC谐振变换器的参数计算过程LLC是整个电源效率的核心参数设计直接决定满载效率和轻载效率能不能兼顾。下面用12kW、输出电压12V的方案举个例子把计算过程捋一遍。先定关键参数输入母线电压380V DC范围360V~400V输出电压12V DC实际按11.4V~12.6V调节范围设计满载输出电流1000A谐振频率110kHz考虑GaN器件的能力可以做到更高但磁件和驱动配套的复杂度和成本会上升匝比n原边/副边按输入380V、输出12V加整流压降估算约15.5:1变压器原边等效负载电阻Rac可以用公式估算Rac 8 × n² × Vout² / (π² × Pout)代入8 × 15.5² × 12² / (3.1416² × 12000) ≈ 2.35Ω这个Rac是后面算谐振参数的基准。LLC的电压增益范围按母线波动来定输入最低360V时要保持输出稳定增益至少要补偿到380/360 ≈ 1.056考虑负载调整和动态跌落实际增益范围设计在0.95~1.15之间比较合理。谐振电感Lr和谐振电容Cr的取值决定励磁电感Lm与负载的匹配关系。常用的做法是先定K值励磁电感与谐振电感之比K取5~7比较常见。K太大频率调节范围窄轻载稳压困难K太小环流偏大效率受损。以K6、谐振频率110kHz为例Lr Rac / (2π × fr × K) 近似估算时还要乘上增益修正工程上我一般先用仿真工具做初算Lr取值大约8~12μHCr对应谐振电容约180~220nF励磁电感Lm约50~70μH。最终数值要在满载效率、轻载调频范围、短路特性之间做三轮以上的迭代优化。这里有个工程技巧Cr要用CBB薄膜电容耐压必须按峰值电压的1.5倍以上选ESR要低而且尽量用多个小容值并联降低单个电容的应力同时减小寄生电感。谐振电感的磁芯要开气隙气隙大小直接影响电感量的温度稳定性磁芯材料选3C95或者同类高磁通密度功率铁氧体。3.4 同步整流与输出侧设计输出12V/1000A次级同步整流是绕不开的。整流管清一色用低压大电流MOSFET并联比如单颗40V耐压、单管电流能力200A级别的管子4到6颗并联利用导通电阻Rds(on)远低于肖特基二极管的优势把导通损耗压下来。但并联MOSFET有个坑均流和寄生振荡。每颗管子的栅极驱动阻抗、源极电感、门限电压略有差异并联后高频开关瞬间可能产生电流集中和振荡。具体表现是某一颗管子特别烫或者开关波形上出现严重的振铃。我的处理办法是每颗管子单独串一个栅极电阻比如2.2Ω~4.7Ω阻尼高频振荡PCB布局上确保每颗管子的源极到输出母排的寄生电感尽量一致走线等长化如果条件允许用一颗集成多通道驱动芯片来做并联驱动时序一致性会更好输出电容是另一个大头。1000A的负载瞬态下输出电压跌落幅度要控制在3%以内保持时间要满足规范要求。常规做法是堆电解电容加陶瓷电容的组合电解电容提供大容值维持能量陶瓷电容提供低ESL/ESR扛高频瞬态。这个规格下输出电容总容量做到几万微法很正常关键是把电容组靠近负载端放置缩短功率回路不然电容装得再多也是白搭。4. 结构、散热与可靠性设计4.1 ORv3标准下的机械设计约束Open Rack V3的12kW PSU外形尺寸是有明确规范的通常宽度在73mm左右高度在40mm左右长度在400mm级别。这个扁长比例意味着内部PCB布局必须沿着长边展开功率链路从输入端经过PFC、LLC变压器、同步整流到输出端是“一字排开”的。这样的布局有几个直接影响功率回流路径变长寄生电感随之上升开关应力增大。所以每一级的局部解耦电容必须贴器件放不能指望远端大电容。结构件承担导热角色。电源底部通常是铝合金底板发热器件通过绝缘导热垫把热量导到外壳再由外壳传导到机柜的冷板或者通过风道带走。电源本身的导热设计做得好不好直接影响器件结温而不是只看风扇大小。连接器方向固定。输入输出金手指都在后端面正向插拔。由于输出电流高达1000A金手指的连接器要采用多层触指并联结构插拔力很大维护人员操作时需要有辅助把手。我在实际项目中踩过的一个坑是结构设计初期没给金手指连接器预留足够的公差浮动空间量产阶段发现部分PSU插入机柜后接触电阻偏大导致连接器温升超标。解决方式是调整连接器的浮动安装结构并增加出厂前的插拔力测试和接触电阻抽检。4.2 风冷、液冷还是混合冷却12kW模块的发热量按97%的效率估算满载损耗约370W。这个热量如果全部靠自身风扇排出对风道设计的压力非常大。ORv3机柜的实际情况是前面板进风经过服务器节点后温度已经升高电源模块处在机柜后部进风温度可能达到45°C甚至50°C。在这种进风温度下靠纯风冷维持12kW输出风扇转速会很接近极限噪音和可靠性都不乐观。所以HPR V2的设计里更大功率档位往往搭配液冷方案。电源模块壳体上集成水冷板通过快速接头接入机柜的冷却水回路。冷却液温度通常在25°C~45°C之间水的比热容远高于空气换热效率完全不在一个量级。液冷之后风扇可以降到很低转速甚至可以做成无风扇设计噪音问题也顺带解决了。需要考虑的额外风险是液冷回路增加了漏液隐患快速接头的可靠性、水质管理、防冻液的腐蚀性都要纳入整体方案评估。我的建议是在做设计选型时不要一上来就决定风冷还是液冷先看部署场景如果是传统风冷机房改造就坚持风冷版本如果是新建的AI算力中心直接上液冷省掉后期改造的麻烦和成本。4.3 用N1冗余换系统可用性六个12kW模块共同为负载供电任何单模块故障其余模块自动承担其输出份额这个过程不需要人工干预不需要停机。为了实现这一点背板母排的设计和电源模块的输出特性曲线必须匹配。关键设计是“均流”和“下垂”控制。最简单的实现方式是输出下垂法电源的输出电压随负载增加略微下降所有并联模块会自动在同一个工作点上平衡。但这种方案负载调整率变差精度有限。更精密的是有源均流模块之间通过均流总线交换电流信息数字控制器实时调整输出参考值稳态均流精度可以做到5%以内。做N1冗余时还有一个容易忽略的点模块热插拔的瞬态冲击。插入一个全新模块时它从待机状态切换到满载输出如果输出电容充电电流没有限制背板母线上会出现很大的浪涌可能导致机柜断路器误动作。所以热插拔必须有预充电电路和软启动时序先通过限流电阻给输出电容充电电压趋近母线后再闭合主接触器。5. 数字控制、通信协议与系统联动5.1 数字电源为什么是必修课12kW这个级别的电源靠模拟控制芯片堆外围电路基本玩不转。原因很朴素环路参数需要在线调整、负载瞬态响应需要自适应优化、故障诊断需要记录黑盒信息、与整机柜管理控制器通信需要固件支持。这些功能没有数字控制器的参与每一样都能把硬件工程师逼疯。主控DSP或者MCU的选择主要看三点运算性能、PWM外设精度、ADC采样率。控制环路一条电流内环、一条电压外环加上PFC的双环控制运算量不大但PWM分辨率要做到几百ps级别ADC采样率至少要跑到1MSPS以上才能捕捉到高频动态事件。我常用的架构是一颗MCU同时管理PFC和LLC的控制外加一颗逻辑芯片处理通信和状态机。这样既保证实时控制环路的确定性又方便后期添加新功能。数字控制的好处还体现在调试阶段参数全在寄存器里不用反复换电阻电容改一个环路增益只需要刷一次固件。5.2 PMBus协议层的设计细节ORv3标准要求PSU支持PMBus 1.3或更高版本命令集要覆盖输出电压/电流/功率的读取、故障状态上报、风扇转速、温度、厂商信息和序列号等。实际开发中协议栈本身的工作量不算大难的是“故障状态上报”的业务逻辑怎么组织。比如过流保护触发后PSU要明确区分是“瞬时过流”“持续过流”还是“输出短路”每个故障类型对应的状态位、SMBALERT中断行为、LED指示都要定义清楚。运维人员在现场看到一颗电源亮红灯不会每次都想打开日志分析直观的故障类别提示能省很多事。PMBus的物理层也容易踩坑通信速率通常设置为100kHz或400kHz为了抗干扰I2C总线上需要做电平转换和ESD保护。模块热插拔时总线信号不能反灌到其他模块否则整排电源管理全部掉线。某个项目里我就遇到过PSU插入瞬间导致其他模块通信异常的问题后来在PMBus接口加了一颗热插拔保护负载开关问题才彻底解决。5.3 固件升级与安全启动数据中心电源的固件升级已经成了标配需求。整机柜管理系统需要支持批量升级所有PSU固件同时保证升级过程中即使有一两个模块掉线整个机柜的供电能力不受影响。设计上要支持双Bank固件机制当前运行在Bank A升级时把新固件写入Bank B校验通过后切换启动。一旦新固件在运行中出现严重异常回滚到Bank A继续工作。这个机制实现不难但很多人会忽略签名校验不校验固件签名一旦管理网络被入侵恶意固件刷进电源模块硬件层面就能被远程控制。所以合理的做法是固件包里附带签名MCU启动时先校验验证失败直接拒绝启动。6. 实测数据、性能验证与问题排查6.1 效率测试的几个隐藏门道效率是12kW PSU的核心指标之一钛金级标准要求在50%负载时效率达到96%以上满载也要在94%到95%以上。实际测试效率时有几个地方特别容易出现“测试结果好看但实际翻车”的情况。第一个是测试仪表本身的精度。大电流下输出回路的铜排连接电阻、电流探头的位置都会引入误差测出来的损耗可能比实际小不少。我建议用两台校准过的功率分析仪分别测输入和输出而且必须在电源稳定热态下测试冷态器件的压降、导通电阻和热态差别很大。第二个是效率曲线的“驼峰”设计。电源的最佳效率点通常设计在50%~60%负载附近轻载和满载效率都会低一些。AI负载的特点是大部分时间跑在70%~90%功率段偶尔冲刺满载所以要把效率曲线的高效区间对准实际负载段而不是理论上的半载点。第三个是辅助电源的损耗占比。12kW主功率路径效率做到97%但控制板、风扇、通信电路这些辅助负载加起来可能有个30W~50W折算到整机效率上就是0.3~0.4个百分点的损失。优化辅助电源拓扑和轻载管理策略把这些杂散损耗压下来整机效率才能从96.3%跳到97%。6.2 动态响应的实测案例给AI服务器供电最怕的就是负载剧烈跳动时输出电压跌出规范范围。实测中我见过一个典型案例GPU任务调度引发的负载阶跃从10%负载瞬间跳到90%负载上升沿时间在20μs左右电压跌落需要控制在300mV以内按12V输出的3%折算。我在实验室做过对比测试。使用纯电压环控制时这种瞬态下电压跌落到了720mV超出规格后来在环路前馈中加入负载电流前馈电流变化信号直接叠加到控制量上动态响应改善非常明显跌落压降降到了280mV以内恢复时间也缩短了一半。这个案例说明一个工程常识环路不光是带宽越高越好更重要的是负载变化的前馈补偿和快速响应路径。数字控制环境下实现前馈只需要几分钟改代码但前提是ADC的采样速率和PWM的更新率够快这就回到了前面说的选型关键参数。6.3 常见故障模式与排查速查表做电源项目几年遇到的故障类型翻来覆去就那么几类但每次跳进去查还是很费时间。下面整理一个速查表按“现象、可能原因、解决方向”的格式写方便现场参考故障现象可能原因检查方向模块上电无输出输入欠压锁定、保险丝熔断、控制供电异常先用万用表量输入母线和辅助电源输出再查保护寄存器输出电压偏低输出电容老化、环路参考漂移、负载过流触发限流查看PMBus读取的输出电压/电流值比对设定值模块温度过高报警风道堵塞、风扇失效、导热垫老化、负载不均流检查风扇转速反馈测壳体温度分布排查导热接触面均流偏差大均流母线断线、模块间PMBus通信干扰、输出采样偏差测量各模块输出电流检查均流线和接地完整性PMBus通信异常总线电平冲突、地址冲突、ESD损坏单独接USB适配器测试核对地址和上拉电阻风扇噪音异常风扇轴承磨损、PWM占空比突变、共振低转速下逐个停转风扇定位异响源6.4 从原型到量产的经典翻车现场原型机调通和批量出货之间还隔着十万八千里这是电源行业不变的真理。分享两个我印象深刻的教训。第一个是EMI测试不过。设计阶段所有精力都放在效率和动态响应上忽略了EMI滤波器的设计冗余。结果送测时传导骚扰超标辐射骚扰更是超标6个dB。解决过程很痛苦共模电感从两个增加到三个X电容容量加大PCB布局也推倒重来了一版。核心教训是EMI设计要前置不是说最后加个滤波器就能兜住所有问题的。第二个是器件降额的教训。满载老化测试跑了500小时后发现PFC整流桥的温度比预期高了近20°C。查来查去发现根源是器件选型时只按满载电流的RMS值做了降额没考虑电流峰值和PWM开关纹波的叠加效应。后来换了更大封装、引脚热阻更低的器件温度才压下来。整流桥这个位置看似不起眼一旦热失效整机保护和后级全部会跟着掉。7. 调试期最值钱的几个建议最后聊几条调试阶段的心得都是拿时间和更换物料换出来的经验。第一件事数字电源调试一定要先搭硬件在环测试台。纯靠真机调环路参数效率太低而且很多边界条件在真机上不容易复现。用仿真软件把控制算法跑通再落到固件上能省掉至少一周的调试时间。第二件事示波器探头的地线尽量用短地簧不要用那个长鳄鱼夹。12kW电源的开关节点dV/dt非常快长地线感应出来的振铃足以让波形看起来面目全非。很多所谓“振荡问题”其实只是测量方法不对。第三件事从第一版PCB打样开始就保留完整的调试日志。哪个版本改了什么参数、为什么改、实测结果如何全部记录下来。电源项目的调试周期往往横跨好几个月不记录的话三个星期前调过什么早就忘干净了返工成本极高。第四件事热设计验证不要只在实验室常温下做。把电源放进模拟机柜环境的密闭腔体里从冷启动一直跑到热稳定记录完整温升曲线重点看磁件、整流桥、同步整流管和输出电容这四类最容易老化的器件。12kW PSU这个项目做完我个人的体会是在AI数据中心这个跑道上电源系统已经从“配套部件”变成了“核心基础设施”。算力芯片的功耗每往上走一档电源侧就要跟着把功率密度、效率、可靠性和智能化水平整个提升一圈。Open Rack V3 HPR V2 12kW PSU只是这条演进路线上的一个节点未来更高功率密度、更智能的供电方案还会不断冒出来。先把这一代吃透后面的路会好走很多。
阅读完成 · 觉得有帮助？
