AI服务器电源配置：按GPU功耗倒推电源与供电冗余
AI服务器电源配置：按GPU功耗倒推电源与供电冗余
AI服务器电源配置不是简单选个“大功率电源”就能完事。
训练任务一旦跑起来，整机功耗会在短时间内冲高，如果电源功率不足或冗余模式配错，轻则触发降频，重则直接掉电重启，训练进度全部丢失。
正确的做法是：先按GPU和CPU的TDP估算整机峰值功耗，再留出冗余余量选择电源模块，最后通过BMC和功耗仪验证实际表现。
本文适用于自建或托管AI服务器的装机规划与上电前检查，不涉及具体品牌报价。
先算清楚整机峰值功耗
电源选型的第一手数据来自各部件的数据手册。
GPU是AI服务器里最大的功耗来源，CPU、内存、硬盘、网卡和风扇也要计入。
以一台8卡GPU服务器为例，估算顺序如下：
- 查GPU规格书中的TDP或最大板卡功耗，8张卡直接相加。
- CPU按插槽数乘以单颗TDP，再上浮10%左右覆盖睿频。
- 内存按每条3-5W估算，满配时不可忽略。
- NVMe盘按每块8-15W、机械盘按每块10W左右估算。
- 网卡、BMC、风扇、主板芯片组合计按100-200W预留。
把以上相加得到理论峰值功耗，再乘以1.2-1.3的安全系数，就是电源模块需要覆盖的功率下限。
例如理论峰值3500W，安全系数1.25，则电源总输出能力至少需要约4400W。
这个数字不是让你直接买一个4400W电源，而是用来决定电源模块数量和冗余方式。
选电源模块和冗余模式
服务器电源通常按模块配置，常见冗余方式有几种，含义差别很大：
- 1+1冗余：两个电源模块，正常工作各承担一半负载，一个故障时另一个接管全部负载。
- N+1冗余：N个模块满足总功率，额外加1个做备份。
- 2N冗余：两套完整电源系统互为备份，成本最高，可靠性也最高。
选择时注意一点：冗余模式下，每个模块的额定功率要能覆盖故障时的全部负载。
比如总需求4400W，用2+1冗余、每个模块3000W，故障时两个模块承担4400W，单个模块负载约2200W，在额定范围内，方案成立。
如果每个模块只有2000W，故障时两个模块要扛4400W，就会过载。
上电前还要确认电源模块的输入电压范围。
国内机房常见220V单相和380V三相两种供电，三相电源模块不能直接插单相插座，采购前要和机房确认PDU类型。
配电和PDU不能忽略
电源模块选对了，配电环节跟不上一样会出问题。
机柜PDU的额定电流要大于整机峰值电流，并留出余量。
220V供电下，电流估算公式为：
电流(A) ≈ 峰值功耗(W) ÷ 220 ÷ 功率因数功率因数一般取0.9-0.95。
峰值4400W时，电流约21A，这意味着单路PDU和空开至少要按25A以上规划，不能用一个16A插座硬扛。
实际操作中，建议把GPU服务器接在独立PDU回路上，避免和存储、网络设备混用同一路空开。
上电前用万用表或PDU管理界面确认电压和相序，三相设备尤其要检查相序，接反可能导致电源模块保护。
上电后怎么验证
配置完成后不能只看电源灯亮就结束，需要验证实际功耗和冗余切换是否正常。
通过BMC检查电源状态：
ipmitool -I lanplus -H -U <用户名> -P <密码> power status
ipmitool -I lanplus -H -U <用户名> -P <密码> sensor list | grep -i "PSU\|Power" 预期结果是所有电源模块状态为ok，输入功率读数在合理范围内。
如果某个模块显示failure或读数异常，先检查该模块的电源线和PDU插口。
运行GPU压力测试时观察整机功耗：
nvidia-smi --query-gpu=power.draw --format=csv -l 1同时用机房功耗仪或PDU管理界面记录整机输入功率，对比估算值。
如果实测峰值明显超过电源模块总容量的80%，说明冗余余量偏紧，后续扩容或满载训练时风险较高。
冗余切换测试要在业务空闲时进行：拔掉一个电源模块的输入线，观察BMC是否告警、系统是否持续运行、剩余模块负载是否在额定范围内。
测试完成后恢复接线，确认告警消除。
常见问题和避坑
训练中突然掉电重启：优先查BMC的电源事件日志，确认是输入断电、模块故障还是过载保护。
如果日志显示PSU过流，多半是电源模块总功率不足或冗余模式配错。
电源模块频繁告警但能运行：检查输入电压是否偏低、PDU是否接触不良，以及模块风扇是否被灰尘堵塞。
不要用消费级电源给GPU服务器供电：消费级电源的12V输出能力和瞬态响应通常不满足多卡GPU的峰值需求，容易在训练负载冲高时触发保护。
冗余不是越多越好：2N冗余会增加成本和机柜空间占用，中小规模部署按N+1规划通常够用，关键是每个模块在故障时不过载。
上电顺序有讲究：先开PDU总闸，再逐个开启电源模块，最后启动主机。
突然同时上电可能造成浪涌电流叠加，触发空开跳闸。
结尾
AI服务器电源配置的核心逻辑是：按GPU功耗倒推整机峰值，用安全系数确定电源总容量，再根据冗余模式反推单模块功率，最后用BMC和功耗仪验证实际表现。
装机前把这几步走完，比事后排查掉电问题省事得多。
如果机房供电条件不确定，建议先和机房确认PDU类型和单路容量，再下单采购电源模块。
