面向热带自然风冷数据中心控制的深度强化学习
系统与控制
2020-12-15 v1 系统与控制
摘要
由于全年环境高温和高相对湿度(RH)的独特挑战,自然风冷数据中心(DC)此前未出现在热带地区。监管机构推动提高数据中心温度设定值,使得可耐受更高温度和相对湿度的服务器日益可用,这为热带自然风冷数据中心的可行性带来曙光。然而,由于复杂的湿度动力学特性,在热带运行自然风冷数据中心通常需要对送风条件进行自适应控制,以维持服务器的计算性能与可靠性。本文研究将热带自然风冷数据中心的送风温度和相对湿度控制在特定阈值以下的问题。为实现该目标,我们将控制问题建模为马尔可夫决策过程,并应用深度强化学习(DRL)来学习在满足送风温度和相对湿度要求的同时最小化制冷能耗的控制策略。我们还提出了一种受限 DRL 方案以提升性能。基于自然风冷测试台真实数据轨迹的广泛评估,以及无约束与受限 DRL 方法和另外两种基线方法的对比,表明了我们所提方案的优越性能。
引用
@article{arxiv.2012.06834,
title = {Deep Reinforcement Learning for Tropical Air Free-Cooled Data Center Control},
author = {Duc Van Le and Rongrong Wang and Yingbo Liu and Rui Tan and Yew-Wah Wong and Yonggang Wen},
journal= {arXiv preprint arXiv:2012.06834},
year = {2020}
}