问答:双总线并机,可以使用不同品牌的ups吗?

昨天在我们的交流群里,有朋友提了一个关于UPS的相关问题,群里有个热心的群友帮助解答了这个问题。小编把问题整理出来给大家分享学习参考一下,大家也可以在评论区说说自己的想法。

问:双总线并机,可以使用不同品牌的ups吗?

答案1:两条总线应该可以,完全独立的不影响,我记得移动还是联通有个规范里有活这种建议。

问:每台ups输出应该调成完全一致吧,波形不一样对服务器有没有影响?

答案2:两台UPS并机运行输出为同一负载供电,肯定需要波形一致呀,包括电压、频率、波形。我个人认为使用相同品牌同型号的UPS就是为了保证这些。并机系统无非就是保证两个UPS输出没有相位差,并设计一些逻辑判断。同品牌的设备控制器相同,协议相同,兼容性好。没有见过不同品牌UPS并机的案例,所以也不排除通过各种复杂手段进行并机的可能。

答案1:刚才说的不是十分明确,2(n+1)中n+1需要同品牌同型号,2可以不同品牌。

答案2:你说的是2N或超2N供电架构,两边可以采用不同品牌的UPS,因为两边互不影响,相对独立。例如2N架构中每台机柜内的两路PDU,A路PDU可以是施耐德UPS并机后供电,B路PDU可以是维谛UPS并机后供电,这两路的PDU没有要求必须相位相同(对服务器没有影响,两路电都会在各自的电源模块上先将交流电转换为直流电)。

就算两边使用同品牌的UPS也保证不了没有相位差,主要还与两路市电是否同源有关。逆变器出来的波形是追踪静态旁路波形的(静态旁路的波形就是市电的波形),理论上只有这样才能在逆变器故障的时候瞬间切换至静态旁路,波形才会衔接得上,末端设备供电才会不受影响。对于T4的2N架构供电模式,两路市电同源本身就是不可能的。

640?wx_fmt=png&wxfrom=5&wx_lazy=1&wx_co=1&tp=webp

资料免费送(点击链接下载)

史上最全,数据中心机房标准及规范汇总(下载)

数据中心运维管理 | 资料汇总(2017.7.2版本)                                                    

加入运维管理VIP群(点击链接查看)

《数据中心运维管理》VIP技术交流群会员招募说明

扫描以下二维码加入学习群640?wx_fmt=jpeg&wxfrom=5&wx_lazy=1&wx_co=1&tp=webp

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值