基于深度强化学习的绿色能源数据中心管理
机器学习
2026-05-05 v2 人工智能
系统与控制
系统与控制
摘要
数字服务的指数增长使数据中心成为现代经济中最耗能的基础设施之一，引发关于运营成本、碳排放和可持续可再生能源整合的关键议题。本文提出了一种新型基于深度强化学习（DRL）的能源管理框架，用于数据中心，旨在动态协调太阳能光伏发电、风力发电、储能系统和传统电网供电，在面临高度随机操作条件时实现动态管理。该框架将能源管理问题形式化为马尔可夫决策过程（MDP），并采用带有混合长短期记忆（LSTM）和时间注意力架构的近似策略优化（PPO）智能体，实现对工作负载动态和可再生能源波动的精确建模。多目标奖励函数在最小化能源成本、碳排放和服务水平协议（SLA）违规的同时，推动储能效率的利用。在三个数据集上进行的广泛实验表明，所提出的框架相较于基于规则的启发式方法实现了 38% 的能源成本降低，相较于最强的 DRL 基线提升 4.6%，同时保持 SLA 违规率低至 1.5%，能源效率达 83.7%。消融研究确认了每个架构组件的独立贡献，超参数灵敏度分析验证了该方法在广泛配置范围内的鲁棒性。
引用
@article{arxiv.2507.21153,
title = {Green Energy Management for Sustainable Data Centers Using Deep Reinforcement Learning},
author = {Abderaouf Bahi and Amel Ourici and Hasan Dincer and Serhat Yuksel and Akila Djebbar},
journal= {arXiv preprint arXiv:2507.21153},
year = {2026}
}