面向可持续数据中心的实时碳足迹减排
机器学习
2025-05-20 v3 人工智能
多智能体系统
系统与控制
系统与控制
摘要
随着机器学习工作负载显著增加能源消耗，具有低碳排放的可持续数据中心正成为全球政府和企业的首要任务。这需要一种范式转变，即利用协作智能体优化冷却和IT负载的功耗，根据电网中可再生能源的可用性转移灵活负载，并利用数据中心不间断电源的电池存储。这些优化策略之间的复杂关联及其对天气和电网碳强度等可变外部因素的依赖，使得这成为一个难题。目前，缺乏一种能够在动态真实世界环境中同时优化所有这些目标的实时控制器。我们提出了一个数据中心碳足迹减排（DC-CFR）多智能体强化学习（MARL）框架，该框架针对碳足迹减排、能源消耗和能源成本的多重目标对数据中心进行优化。结果表明，DC-CFR MARL智能体在真实世界动态天气和电网碳强度条件下，有效地解决了不同地点在优化冷却、负载转移和能源存储方面的复杂相互依赖关系。DC-CFR显著优于行业标准的ASHRAE控制器，在多个地理区域为期一年的评估中，碳排放量（14.5%）、能源使用量（14.4%）和能源成本（13.7%）均有显著降低。
引用
@article{arxiv.2403.14092,
title = {Carbon Footprint Reduction for Sustainable Data Centers in Real-Time},
author = {Soumyendu Sarkar and Avisek Naug and Ricardo Luna and Antonio Guillen and Vineet Gundecha and Sahand Ghorbanpour and Sajad Mousavi and Dejan Markovikj and Ashwin Ramesh Babu},
journal= {arXiv preprint arXiv:2403.14092},
year = {2025}
}