Carbon Footprint Reduction for Sustainable Data Centers in Real-Time

随着机器学习工作量的显著增加，低碳排放的可持续数据中心已成为全球政府和企业的头等大事。这需要在冷却和IT负载的功耗优化方面实现范式转变，根据电网中可再生能源的可用性来转移灵活负载，并利用数据中心不间断电源的电池存储，使用协作代理。这些优化策略之间的复杂关联以及它们对变量外部因素（如天气和电网碳强度）的依赖使得这是一个难题。目前，在动态实际环境中同时优化所有这些目标的实时控制器尚不存在。我们提出了一个数据中心碳足迹减少（DC-CFR）多代理强化学习（MARL）框架，该框架优化数据中心的多个目标，包括减少碳足迹、能源消耗和能源成本。结果表明，DC-CFR MARL代理在实时优化不同位置的冷却、负载转移和能量存储方面，有效解决了复杂的相互依赖关系，并且在真实世界的动态天气和电网碳强度条件下表现良好。在多个地理区域的一年时间内评估时，DC-CFR明显优于行业标准的ASHRAE控制器，碳排放减少了14.5％，能源使用量减少了14.4％，能源成本减少了13.7％。

优化数据中心的能源消耗和碳排放量，实现可持续发展。

提出了一种基于多智能体强化学习的数据中心碳足迹降低框架，实时优化数据中心的冷却、负载转移和储能，以达到减少碳排放、降低能源消耗和成本的多重目标。

实验结果表明，该框架在多个地理区域的实际动态气象和电网碳强度条件下，比行业标准ASHRAE控制器显著地降低了碳排放量（14.5%）、能源消耗（14.4%）和能源成本（13.7%）。

最近的相关研究包括：1. 'A survey of machine learning for data center optimization'；2. 'Optimization of data center energy consumption using machine learning and dynamic voltage frequency scaling'。