新加坡国立大学|采用无模型强化学习方法评估能源效益数据中心的节能情况

【标题】Energy saving evaluation of an energy efficient data center using a model-free reinforcement learning approach

【作者团队】Muhammad Haiqal Bin Mahbod, Chin Boon Chng, Poh Seng Lee, Chee Kong Chui

【发表日期】2022.6.21

【论文链接】https://www.sciencedirect.com/sdfe/reader/pii/S0306261922007309/pdf

【推荐理由】为了降低冷却能耗，建议数据中心提高服务器进气温度设定点。然而，在热带气候条件下，数据中心的操作人员仍然在较低的温度下工作。本文证明，使用一个浮动设定点与降低温度值的热带气候减少数据中心的总体能源消耗，而不是以静态方式提高温度。本文通过将深度强化学习算法应用于混合数据中心模型来实现这一点，该模型是从一个高效的数据中心收集数据建立的。这就产生了一个最优的控制策略，使能源消耗成本最小化，同时在所需的一组操作约束条件下操作。本文评估控制策略的行为，以说明节能的确切来源。深度强化学习算法通过不断与建立的数据中心模型进行交互而学习，而不需要事先了解数据中心。该算法在数据中心的全负载和部分负载配置下进行训练。测试结果表明，在一个已经具有冷却效率的数据中心中，通过有针对性的冷却供应，有效节省能源。