Содержание
Сценарные прогнозы энергопотребления
Подходы к форвард-анализу
Для прогнозов используют два класса моделей:
- Bottom-up (сценарный, технологический): учитывает набор «что-если» по устройствам ИТ, инфраструктуре, PUE, структуре рынка.
- Экстраполяционный (макро-показатели): масштабирует базовый уровень по агрегатным драйверам (например, глобальный IP-трафик или CAGR электроэнергии ЦОД).
| Метод | Сильные стороны | Ограничения и риски |
|---|---|---|
| Bottom-up | Привязывает прогноз к технологиям, операциям и структуре | Требует много разнородных данных; дорогой |
| Экстраполяция | Прост в применении; быстро даёт «границы» сценариев | Игнорирует технологические и структурные факторы → большие ошибки |
* В отрасли практикуют горизонты 3–5 лет из-за высокой неопределённости (быстрые технологические циклы и изменчивый спрос).
Формализация сценариев
Экстраполяция от базового года \(i\):
$$E^{DC}_{i+n} = E^{DC}_i \times (1+CAGR)^{n}$$
Экстраполяция по сервисному индикатору (например, IP-трафик) с учётом ежегодной эффективности:
$$E^{DC}_{i+n} = E^{DC}_i \times (1+GR_{IP})^{n} \times (1-GR_{eff})^{n}$$
Где \(GR_{IP}\) — годовой темп роста глобального IP-трафика ЦОД, \(GR_{eff}\) — ежегодное улучшение энергоэффективности.
Bottom-up сценарий (обобщённо):
$$ E^{DC}_{i+n}=\Big(\sum_{k} N_{k}\cdot P_{k}^{use}\cdot UF_{k}\Big)\times H \times PUE_{sc} $$
\(N_k\) — парк устройств класса \(k\), \(P_k^{use}\) — удельная мощность в рабочем режиме, \(UF_k\) — коэффициент загрузки, \(H\) — часов в году, \(PUE_{sc}\) — целевой PUE по сценарию.
Сопоставление результатов (качественно)
Наблюдения из ретроспективных сопоставлений:
- Применение чистой экстраполяции от роста IP-трафика (порядка 30%/год) даёт крутые восходящие траектории.
- Добавление фиксированного ежегодного улучшения эффективности (например, 10–15%/год) сглаживает рост, но всё равно зачастую перепредсказывает фактические значения.
- Bottom-up траектории на 2010–2018 гг. показывали умеренный рост/плато за счёт выигрышей по эффективности и виртуализации, расходясь с экстраполяциями в 2–3 раза.
- В продлении на 2020–2023 гг. «чистые» экстраполяции нередко дают уровни, которые в 3–7 раз выше bottom-up сценариев с продолжением тренда эффективности.
* Опора на единичный макро-индикатор (трафик) без разложения на технику/операции → высокая погрешность и разнос ошибок во времени. * Экстраполяции легко строить, но они слабо объясняют природу изменений и плохо подходят для политики/планов по энергоэффективности.
Рекомендации к применению
- Для коротких горизонтов (3–5 лет) использовать bottom-up со сценариями: парк устройств, коэффициенты загрузки, дорожные карты PUE/охлаждения, доля виртуализации и облаков/гипермасштаба.
- Экстраполяции применять как «обрамляющие» сценарии (upper/lower bound), обязательно документируя \(GR_{IP}\), \(GR_{eff}\), чувствительность и допущения.
- Фиксировать диапазоны неопределённости (интервалы) и обновлять параметры ежегодно.
- Явно отделять спрос сервисов (IP-трафик, workloads) от энергоёмности на единицу сервиса (Вт на Гбит/с, Вт на вычислительный экземпляр).
Ключевые идеи
* Прогнозы энергопотребления ЦОД высоко чувствительны к методологии и допущениям. * Bottom-up надёжен на ретроспективе и для 3–5 лет; экстраполяция — быстрый, но грубый инструмент. * Экстраполяции по трафику систематически завышают спрос на энергию, игнорируя технологические улучшения. * Добавление ежегодного \(GR_{eff}\) снижает, но не устраняет смещение экстраполяций. * Для планирования мощностей и политики энергоэффективности предпочтителен сценарный bottom-up с явными драйверами (PUE, виртуализация, плотность оборудования). * Лучший практический подход — комбинированный: bottom-up как базис + экстраполяционные коридоры неопределённости.