Dieser Artikel stellt einen neuartigen Ansatz zur Optimierung des Kohlenstoffausstoßes in Rechenzentren vor, der auf Multi-Agenten-Reinforcement-Learning (MARL) basiert. Das vorgeschlagene Rahmenwerk, genannt DC Carbon Footprint Reduction (DC-CFR), koordiniert drei spezialisierte Agenten, die den Energieverbrauch, die Lastverschiebung und den Batteriebetrieb in Echtzeit optimieren.
Im Gegensatz zu herkömmlichen statischen Ansätzen, die auf Tagesvorhersagen angewiesen sind, nutzt DC-CFR kurzfristige Informationen zur Netzkohlenstoffintensität, um dynamisch auf Änderungen zu reagieren. Die Ergebnisse zeigen, dass DC-CFR im Vergleich zum branchenüblichen ASHRAE-Regler erhebliche Einsparungen bei Kohlenstoffemissionen (14,5%), Energieverbrauch (14,4%) und Energiekosten (13,7%) erzielt, wenn es über ein Jahr hinweg in verschiedenen geografischen Regionen evaluiert wird.
Der Schlüssel zum Erfolg von DC-CFR ist die effiziente Handhabung der komplexen Wechselbeziehungen zwischen den einzelnen Optimierungsstrategien. Die Agenten arbeiten zusammen, indem sie gemeinsame Belohnungen und Zustandsvariablen nutzen, um ihre Aktionen aufeinander abzustimmen. Dadurch können sie die Ziele der Kohlenstoffreduzierung, Energieeinsparung und Kosteneinsparung gleichzeitig erreichen.
A otro idioma
del contenido fuente
arxiv.org
Ideas clave extraídas de
by Soumyendu Sa... a las arxiv.org 03-22-2024
https://arxiv.org/pdf/2403.14092.pdfConsultas más profundas