電池備份單元（BBU）

3 秒看懂

一句話： BBU 是部署在伺服器/機架級別的”分散式微型 UPS”，用鋰離子電池在市電中斷時提供數分鐘至十餘分鐘的直流後備電力，保護 AI 訓練任務不因瞬間斷電而丟失數小時的 checkpoint。

關鍵詞： 分散式備電 → 替代集中式 UPS → AI 機架功耗飆升催生剛需

3 分鐘產業解釋

為什麼 AI 時代 BBU 突然火了？

傳統資料中心靠機房級別的大型 UPS（不間斷電源）集中保護所有機架。但 AI 伺服器的單機架功耗從傳統伺服器的 5–8 kW 飆升至 30–120 kW（NVIDIA DGX 級別），集中式 UPS 面臨三個問題：

容量匹配困難： 一個萬卡叢集機房可能需要數十 MW 級別的 UPS，投資巨大且效率下降。
效率瓶頸： 集中式 UPS 在低負載率下效率不佳，而 AI 訓練負載高度集中。
擴容靈活性差： AI 算力需求爆發式增長，集中式供電架構擴建週期長。

BBU 化（BBU化） 的思路是：將備電功能從機房級”下沉”到機架級甚至伺服器級，每個 BBU 模組只負責自己所在的機架或數臺伺服器，形成分散式備電網。這帶來：

按需部署： 增加一個 AI 機架就配一組 BBU，無需重新規劃機房級 UPS。
更高效率： 直流配電減少 AC-DC-AC 轉換環節，系統級效率可提升 3–5 個百分點 [行業共識，具體效率增益因架構而異]。
空間節約： 將電池分散嵌入機架底部或側面，不佔用獨立 UPS 機房空間。

核心價值鏈

鋰電電芯 → BMS(電池管理系統) → DC-DC 變換 → 機械結構/外殼 → 系統整合 → 資料中心/伺服器 OEM

15 分鐘專家深入

BBU 在 AI 供電架構中的位置

現代 AI 伺服器的供電路徑正在從傳統 AC 架構向 48V 直流 架構演進。BBU 通常掛接在 48V（或 51.2V LFP）直流母線上：

市電 AC ──→ AC-DC PSU ──→ 48V DC 母線 ──→ 伺服器板載 DC-DC ──→ GPU/CPU
                                  ↑
                               BBU 模組
                            (電池 + BMS + DC-DC)

正常模式： AC-DC PSU 向 48V 母線供電，同時通過充電電路維持 BBU 電池處於滿充（或目標 SOC）狀態。

備電模式： 市電中斷 → BBU 在毫秒級內切入放電，向 48V 母線持續供電 → 為伺服器爭取 5–15 分鐘視窗（足夠完成 checkpoint 儲存或啟動柴油發電機）。

單個 BBU 模組的典型構成

子模組	功能	關鍵技術要點
電芯組	儲能	圓柱（18650/21700）或方形鋁殼；NMC 或 LFP 體系
BMS	電芯管理	電壓/溫度/電流取樣；SOC/SOH 估算；均衡控制；通訊上報（PMBus/CAN）
DC-DC	電壓匹配	升/降壓變換，匹配母線電壓；備電切換時需快速響應
保護/切換	故障隔離	過流/過溫保護；備電 MOSFET 或繼電器切換（<10 ms 級）
結構件	物理整合	1U/2U 機架式或嵌入式設計；熱管理；熱插拔能力

功率與容量——為什麼 AI 場景需求不同於傳統

傳統伺服器 BBU 功率通常在 數百瓦到 1–2 kW，對應的是低功耗儲存/計算節點。而 AI 機架：

單臺 NVIDIA DGX H100 系統整機功耗約 10.2 kW [NVIDIA 官方規格]；
一個標準 42U 機架可容納多臺 HGX/DGX 模組，整櫃功耗可達 40–120 kW [供應鏈估算，取決於具體配置]；
因此，AI 級 BBU 模組的單體功率需求顯著高於傳統——行業正在向 3–6 kW/模組 甚至更高功率密度演進 [行業趨勢定性描述]。

技術原理

備電切換時序（關鍵機制）

這是 BBU 的核心價值所在——切換速度和無縫性：

時間軸 ──────────────────────────────────────→

市電正常    │ 市電中斷 │          BBU 放電          │ 恢復/關機
────────────┤──────────┤───────────────────────────┤──────
            │          │                            │
PSU 輸出:   ████████████__                          │
            │   掉電     │                            │
BBU 檢測:   ────────────┤← 檢測到母線電壓跌落         │
            │          │                            │
BBU 切入:   ────────────┤←── 1–10 ms 級切入 ────────→│
            │          │   ████████████████████████  │
            │          │   48V 母線由 BBU 維持       │
            │          │                            │
伺服器側:  ██████████████████████████████████████████│
            │          │   感知不到斷電（母線無跌落）    │

關鍵技術指標：

切換時間（Transfer Time）： 從市電中斷到 BBU 完全接管母線的時間，通常要求在 10 ms 以內。部分高階設計可做到 < 5 ms。這決定了母線上是否需要大容量電容”holdup”來填補切換間隙。
備電持續時間（Backup Duration）： 取決於 BBU 容量（kWh）與負載功率（kW），AI 場景下通常設計為 5–15 分鐘 [行業常見配置範圍，非精確值]。
放電倍率（C-rate）： AI 場景下 BBU 需要在高倍率下放電（大電流短時間），這對電芯的功率型特性提出要求，與儲能電池的能量型特性有本質區別。

BMS 關鍵演算法

┌──────────────────────────────────────────┐
│                  BMS 主控                  │
│                                          │
│  ┌─────────┐  ┌─────────┐  ┌──────────┐ │
│  │ SOC 估算 │  │ SOH 管理 │  │ 均衡控制  │ │
│  │(卡爾曼濾波│  │(迴圈計數/ │  │(被動/主動) │ │
│  │ /安時積分)│  │ 內阻追蹤) │  │          │ │
│  └────┬────┘  └────┬────┘  └────┬─────┘ │
│       │             │            │        │
│  ┌────┴─────────────┴────────────┴─────┐ │
│  │         充放電狀態機                   │ │
│  │  IDLE → CHARGING → READY → BACKUP   │ │
│  └─────────────────────────────────────┘ │
│                                          │
│  通訊介面: PMBus / I²C / CAN → 上報主機   │
└──────────────────────────────────────────┘

SOC 估算： 在高倍率放電工況下，開路電壓法誤差大，通常採用 擴充套件卡爾曼濾波（EKF） 或 無跡卡爾曼濾波（UKF） 融合安時積分與電壓模型。精度要求一般在 ±3–5% 以內 [行業通用要求]。

SOH 管理： 追蹤電芯內阻增長與容量衰減。當 SOH 降至一定閾值（如 80%），BMS 上報告警要求更換。對 AI 資料中心而言，BBU 的可用性直接關聯訓練任務安全，SOH 管理必須保守。

技術演進史

階段	時間段	特徵	代表形態
1.0 鉛酸時代	2000s	傳統 UPS 內建鉛酸電池組，機房集中式	大型 UPS 櫃（鉛酸 VRLA）
2.0 鋰電化	2010s	鋰離子電池替代鉛酸，能量密度提升，開始出現機架級 BBU	1U/2U 鋰電 BBU 模組進入儲存/網路裝置
3.0 高功率化	2020–	AI 伺服器功耗飆升，單 BBU 模組功率從 1–2 kW 向 3–6+ kW 演進；48V 母線架構推動直流配電	面向 AI 機架的高功率 BBU，支援熱插拔
**4.0 智慧化（進行中）	2024–	BMS 與資料中心基礎設施管理（DCIM）深度聯動；預測性維護；與儲能/電網互動（V2G 思路延伸）	軟體定義 BBU，雲端端 SOH 管理

關鍵轉折點： 2023 年以來，隨著 ChatGPT 引爆大型模型訓練需求，萬卡乃至十萬卡叢集成為標配，單機架功耗突破 50 kW 成為常態。傳統 UPS 方案在擴容速度、效率、空間上的劣勢集中暴露，BBU 化 成為新建 AI 資料中心的重要供電架構選擇。

技術路線對比

電芯體系對比

維度	NMC（鎳錳鈷）	LFP（磷酸鐵鋰）	備註
能量密度	較高（~150–250 Wh/kg [電芯級，範圍取決於具體產品代際]）	中等（~120–180 Wh/kg [電芯級]）	同體積下 NMC 可存更多能量
功率密度	較好	良好	兩者在 BBU 高倍率放電場景均可勝任
迴圈壽命	中等（~500–1500 次 [取決於具體化學體系與工況]）	優秀（~2000–5000+ 次 [取決於工況]）	LFP 在長壽命場景有優勢
安全性	需更嚴格的熱管理	熱穩定性更優（分解溫度更高）	資料中心對安全性極為敏感
成本趨勢	受鈷/鎳價格波動影響	不含鈷，成本更可控	LFP 在中國市場佔比持續提升
BBU 適用性	對體積敏感的場景	對壽命/安全/成本敏感的場景	趨勢：LFP 在資料中心 BBU 中佔比上升 [行業觀察]

集中式 UPS vs 分散式 BBU 架構對比

維度	集中式 UPS	分散式 BBU
部署粒度	機房級（MW 級）	機架級（kW 級）
擴容靈活性	低（需提前規劃）	高（隨 AI 機架增量部署）
系統效率	較低（多次 AC/DC 轉換）	較高（直流配電減少轉換級數）
佔地面積	大（獨立 UPS 機房）	小（嵌入機架）
維護複雜度	集中維護方便，但故障影響範圍大	分散維護工作量大，但故障影響範圍小
初始投資	高（需一次性配齊）	可分期投入
備電時長	通常可配較長（15–30 分鐘）	通常較短（5–15 分鐘）

注：實際中兩者並非完全替代關係，很多新建 AI 資料中心採用”BBU + 柴發”架構，BBU 負責短時過渡（等待柴發啟動，通常 < 10 秒），柴發負責長時備電。

上下游

產業鏈全景

上游                    中游                    下游
──────────────────────────────────────────────────────
鋰電電芯           BBU 模組/系統           資料中心運營商
  ·電芯材料           ·BMS 晶片/方案           ·雲端廠商(自建 DC)
  (正極/負極/          ·DC-DC 模組             ·Colo 服務商
   電解液/隔膜)        ·結構件/熱管理           ·企業自建
                      ·系統整合                 AI 機房
                                              
                  伺服器 OEM                 電力基礎設施
                  ·整機整合 BBU              ·柴發機組
                                             ·PDU/配電

上游關鍵環節

電芯： 這是 BBU 最核心的物料，成本佔比高（通常 50–70% [供應鏈估算]）。供應商包括三星 SDI、LG 新能源、寧德時代、億緯鋰能、比亞迪等。
BMS 晶片： 高精度 ADC + 低功耗 MCU。代表供應商包括 TI（BQ 系列）、ADI（ADBMS 系列）、NXP 等。國產替代程序中。
DC-DC 晶片： 高效率同步升/降壓控制器。代表供應商包括 MPS、TI、Vicor 等。

下游關鍵客戶

NVIDIA 生態： DGX/HGX 平台的 OEM/ODM（如 Supermicro、Dell、HPE、聯想等）在整機中整合或配套 BBU。
雲端廠商： 微軟 Azure、Google Cloud、AWS 以及國內阿里雲端、字節跳動、百度等在自建 AI 資料中心中大量採購。
Colo/IDC 服務商： 萬國資料、世紀互聯、Equinix 等在新建 AI 機房中採用 BBU 方案。

關鍵指標

BBU 選型必須關注的技術引數

指標	含義	AI 場景典型要求 [行業共識範圍]
額定功率（kW）	最大持續放電功率	3–6 kW/模組（趨勢向上）
儲能容量（kWh）	總可用電量	0.5–3 kWh/模組（取決於備電時長要求）
備電時長（min）	滿載下持續供電時間	5–15 分鐘
切換時間（ms）	從市電中斷到 BBU 完全接管	< 10 ms（越短越好）
母線電壓（V）	BBU 接入的直流母線電壓	48V（主流）；51.2V（LFP 標稱）
迴圈壽命（次）	額定工況下充放電迴圈次數	≥ 1000 次（LFP 可達 3000+）
浮充壽命（年）	長期待機狀態下的可用年限	≥ 5 年（高階可達 8–10 年）
工作溫度範圍	正常工作的環境溫度	通常 0–45°C 或更寬
熱插拔	是否支援線上更換	AI 場景通常要求支援
通訊介面	與伺服器/管理系統的通訊	PMBus / SMBus / CAN / Redfish
SOH 監測精度	健康狀態估算誤差	±5% 以內
功率密度（W/L 或 W/kg）	單位體積/重量的功率輸出	越高越好，直接影響機架空間佔用

供需與市場資料

市場規模

⚠️ 以下為基於公開行業報告與分析師估算的定性/範圍性資料，非精確定值。

全球資料中心 BBU 市場： 2023 年估計在 數十億美元 量級，受 AI 基建拉動，2024–2028 年 CAGR 預期在 15–25% 範圍 [綜合多家券商/諮詢報告估算，口徑不一]。
中國市場： 受國產 AI 晶片生態（華為昇騰等）及資料中心建設熱潮驅動，增速可能高於全球平均。

供需格局

需求側驅動力：

AI 訓練叢集爆發： 全球主要雲端廠商資本支出中 AI 基礎設施佔比持續提升（2024 年多家頭部廠商 AI Capex 佔比超 50% [財報揭露]）。
BBU 化滲透率提升： 新建 AI 資料中心採用 BBU 方案的比例正在快速上升。
替換需求： 鋰電 BBU 替代老舊鉛酸 UPS 電池。

供給側瓶頸：

高倍率電芯產能： BBU 需要功率型電芯（與儲能的能量型電芯有所區別），產能切換需要時間。
BMS 定製化： 不同伺服器平台對 BBU 介面、尺寸、通訊協議要求各異，增加系統整合商工作量。
認證週期： 資料中心級產品需要 UL/IEC 等安全認證，週期較長。

代表公司與資本對映

產業鏈公司圖譜（非窮舉，不構成投資建議）

環節	代表公司	簡要說明
電芯供應	三星 SDI、LG 新能源、寧德時代（300750.SZ）、億緯鋰能（300014.SZ）、比亞迪（002594.SZ）	提供鋰離子電芯
BMS 晶片	TI、ADI、NXP、中穎電子（300327.SZ）	提供 BMS 主控與 AFE 晶片
系統整合	光寶科技（Lite-On, 2301.TW）、臺達電子（Delta, 2308.TW）、Artesyn（隸屬 Advanced Energy）等	BBU 模組整機設計與製造
伺服器 OEM	Supermicro（SMCI）、Dell（DELL）、HPE（HPE）、浪潮資訊（000977.SZ）、新華三/紫光股份（000938.SZ）	將 BBU 整合入 AI 伺服器/機架
資料中心	萬國資料（GDS）、世紀互聯（VNET）、Equinix（EQIX）、資料港（603881.SH）	BBU 的終端使用者

資本對映邏輯：

最直接受益：BBU 系統整合商（訂單量直接反映 AI 建設節奏）。
彈性較大：電芯供應商中具備高功率電芯產線的公司。
間接受益：BMS 晶片國產替代標的。

投資邏輯

看多邏輯

AI 基建確定性高增長： 全球主要雲端廠商 AI Capex 持續上調，BBU 作為 AI 機架標配部件，需求彈性大。
BBU 化滲透率提升： 從傳統 UPS 向分散式 BBU 的架構遷移處於早期階段，滲透率每提升 1%，對應顯著增量。
單位價值量提升： AI 機架功耗遠高於傳統伺服器，單機架所需 BBU 功率/容量更大，單個 BBU 模組價值量上升。
替換週期： 鋰電 BBU 有明確的壽命週期（通常 5–8 年），存量替換提供持續性需求。
產業鏈國產化： 中國企業在電芯、BMS、系統整合環節均具備全球競爭力。

看空/風險因素

技術路線不確定性： 固態電池、超級電容等替代備電方案可能在遠期構成威脅。
集中度與議價能力： BBU 系統整合商可能面臨下游大型雲端廠商的壓價。
產能過剩風險： 若鋰電行業產能過剩蔓延至 BBU 電芯環節，可能壓縮獲利率。
資料中心電力架構變革： 如液冷、高壓直流（380V HVDC）等新架構對 BBU 形態提出新要求，現有產品可能需要重新設計。

常見誤讀糾偏

誤讀 1：“BBU 就是小型 UPS，技術含量低”

糾偏： BBU 雖然在功能上與 UPS 部分重疊，但技術挑戰完全不同：

功率密度要求極高： BBU 需要在 1U/2U 的有限空間內實現數千瓦的持續放電功率，對電芯選型、熱管理、DC-DC 效率的要求遠高於同容量的大型 UPS。
切換速度要求嚴苛： 集中式 UPS 通常有較大的電池組和較長的母線電容 holdup 時間，而 BBU 在緊湊空間內需要做到同等甚至更快的切換。
與伺服器深度整合： BBU 需要通過 PMBus/Redfish 等協議與伺服器 BMC 聯動，報告 SOC/SOH/告警，這不是簡單”接上電就行”的事。
可靠性要求極端： BBU 是保護數百萬美元級 AI 訓練任務的”最後一道防線”，其可靠性設計（冗餘、熱插拔、故障隔離）要求極高。

誤讀 2：“BBU 容量越大越好，可以替代柴油發電機”

糾偏： BBU 和柴發在備電體系中扮演不同角色，不是替代關係：

BBU 負責”秒到分鐘級”過渡： 典型設計 5–15 分鐘，目的是等待柴發啟動（通常 10–30 秒內啟動，但穩定供電需更長時間）或完成關鍵 checkpoint 儲存。
柴發負責”小時級”長時備電： 在電網長時間中斷時維持資料中心執行。
盲目增大 BBU 容量 會導致成本、重量、安全風險成倍增加，經濟性遠不如柴發。正確的設計思路是 BBU 夠用即可，將投資放在柴發和電網冗餘上。

誤讀 3：“LFP 電池不適合做 BBU，能量密度太低”

糾偏： 這是對”能量密度”的片面理解。

BBU 場景的核心需求是 功率密度（快速大電流放電能力）和 迴圈/浮充壽命，而非”儲存儘可能多的能量”。
LFP 在功率密度、迴圈壽命、安全性方面均表現優秀，且成本更可控。在空間不是極端約束的場景下，LFP 是 BBU 的優秀選擇。
實際上，行業趨勢是 LFP 在資料中心 BBU 中的滲透率正在上升 [行業觀察]。

誤讀 4：“BBU 只在斷電時才工作，平時沒價值”

糾偏： 現代 BBU 在正常執行時持續發揮 電能質量調節 作用——通過與 PSU 協同工作，平滑母線電壓波動、吸收瞬態衝擊。此外，先進架構中的 BBU 還可參與 需求響應（Demand Response），在電網高峰時段向母線放電以降低市電負荷，幫助資料中心最佳化電費。這一功能與儲能系統的 V2G 思路類似，是 BBU 價值的延伸。

學習路徑

入門（0→1）

理解資料中心供電架構： 學習從高壓市電到伺服器晶片的完整配電路徑（中壓 → 變壓器 → 低壓配電 → PSU → 母線 → 板級 VRM）。
學習 UPS 基本原理： 瞭解線上式、後備式、線上互動式 UPS 的工作原理，理解 BBU 是”後備式 UPS”思想在伺服器級的延伸。
瞭解鋰離子電池基礎： NMC vs LFP 的化學特性、充放電曲線、SOC/SOH 概念。

進階（1→10）

研讀 BBU 規格書： 從主流伺服器廠商（Supermicro、Dell）的產品文件中找到 BBU 模組的 datasheet，理解其指標定義。
學習 BMS 設計： 研讀 TI BQ76952 或 ADI ADBMS6830 等典型 BMS AFE 的 datasheet，理解電壓/電流取樣、均衡、保護邏輯。
研究 48V 機架供電架構： Google 早在 2016 年即倡導 48V 機架（OCP 規範），理解 48V 母線相比 12V 的優勢。

專家（10→100）

關注行業標準： UL 1973（電池安全）、IEC 62619（工業鋰電安全）、OCP/Open19 機架規範。
追蹤頭部廠商技術路線： 關注光寶、臺達等 BBU 整合商的產品迭代；關注寧德時代、億緯等電芯廠在高功率電芯方面的進展。
參與行業會議/報告： 資料中心世界（Data Center World）、OCP Summit、以及券商/諮詢機構的專題報告。

一句話總結

BBU 是 AI 算力基礎設施中”看不見的安全氣囊”——它在市電中斷的數秒內接管供電，保護數百萬美元級別的 GPU 訓練任務不因一次意外斷電而歸零，是 AI 資料中心從集中式 UPS 向分散式直流配電架構遷移的核心使能元件。

延伸閱讀與來源

來源	說明
NVIDIA DGX H100 規格書	瞭解 AI 伺服器功耗與電源架構 [NVIDIA 官網]
Open Compute Project (OCP) - Open Rack v3 規範	48V 機架標準，BBU 介面定義 [OCP 官網]
TI 應用筆記：48V Server Power Architecture	BBU 在 48V 母線中的設計思路 [TI 官網]
UL 1973 標準	固定式儲能/備電電池安全標準
億緯鋰能/寧德時代投資者交流紀要	電芯廠商對 BBU 市場的展望 [上市公司公告]
各券商 AI 基建專題報告	BBU 市場空間測算與競爭格局分析 [券商研究報告平台]
各伺服器 OEM 產品頁面	Supermicro/Dell/HPE 的 BBU 配件規格 [廠商官網]

免責宣告： 本頁內容為技術概念學習用途，所涉公司、產品、資料僅供說明，不構成任何投資建議。具體技術規格以各廠商官方文件為準。市場資料基於公開資訊與行業估算，可能存在偏差。