Nov, 2022

运行时数据中心温度预测技术的语法演化应用

PDF
TL;DR本研究利用语法进化技术，生成数据中心温度模型并预测 CPU 和进气口温度，在减少冷却成本、增强能量效率方面具有重要意义。通过实际数据中心场景的跟踪，结果表明可以完全预测数据室中服务器的温度，并且预测误差分别低于 2℃ 和 0.5℃ 的 CPU 和服务器进气口温度。
发现论文，激发创造
  • 提升建筑温度预测：一种基于数据驱动的系统场景聚类方法

    给出了一种基于 k-means 聚类方法的数据驱动室温预测模型，通过历史数据分析提取系统运行特征并简化系统级模型，提高了泛化能力和计算效率，实验证明该方法能显著减少建模时间而不降低预测准确性。

    Feb, 2024

  • 云数据中心中计算和冷却能量的动态管理的启发式算法和元启发式算法

    通过结合元启发式和最佳适应性递减算法，提出新的关于功耗和热管理的策略和模型，以实现数据中心的能源效率提升，包括数据中心的计算和冷却设施，在保持服务质量的同时，提高高达 21.74% 的能源效率。

    Dec, 2023

  • 室内室温预测的全局 Transformer 架构

    该研究提出了一种全局 Transformer 体系结构用于多房间建筑的室内温度预测，旨在优化能源消耗并减少与暖通空调系统相关的温室气体排放。该方法为温度预测提供了一种新颖解决方案，可提高准确性和效率，成为优化建筑行业能源消耗和减少温室气体排放的有价值工具。

    Oct, 2023

  • PyDCM: 使用强化学习创建可持续发展的自定义数据中心模型

    给定全球对可持续性和减少碳排放的越来越重视，政府和企业不得不重新思考数据中心的设计与运营。这篇论文介绍了 PyDCM，一个可定制的 Python 实现的数据中心模型，它允许用户创建独特的 IT 设备配置，并通过几何 IT 机柜布局进行优化，使用矢量化热计算使得 PyDCM 比当前的 Energy Plus 模型实现快数十倍，并且能够通过 Gymnasium 来实现深度强化学习优化数据中心的冷却效果，为测试各种数据中心设计原型提供了一个用户友好的平台。

    Oct, 2023

  • 混合数据驱动 / 热仿真模型用于舒适评估

    通过混合实际数据和模拟数据，利用机器学习模型在预测舒适度方面取得了很有希望的结果。

    Sep, 2023

  • 房间入住预测：探索机器学习和时间洞察的力量

    我们的研究验证了我们对连续和分类任务的预测框架的有效性，并强调通过包含时间方面来提高预测能力的潜力。该研究凸显了机器学习在塑造节能实践和房间占用管理方面的前景。

    Dec, 2023

  • 利用机器学习方法预测法尔斯省的霜冻

    气象和农业中常见的危害和问题之一是霜冻、寒冷或冻结的问题。本研究使用了三种方法，包括门控循环单元（GRU）、时间卷积网络（TCN）和梯度提升（XGBoost），证明基于机器学习方法的最低温度建模比经验方法具有更好的性能。

    Jan, 2024

  • 实时可持续数据中心的碳足迹减少

    利用多主体强化学习（MARL）框架，提出了一种数据中心碳足迹减少（DC-CFR）的方法，该方法在实时环境下，通过优化冷却、负载转移和能量存储，有效地解决了能源效率和碳排放减少等复杂目标之间的相互依赖关系。

    Mar, 2024

  • 可配置的 Python 数据中心模型用于可持续冷却和机器学习整合

    这篇论文介绍了 PyDCM，它是一个 Python 库，可用于快速构建数据中心的设计和应用强化学习控制，以评估关键的可持续发展指标，包括碳足迹、能源消耗和温度热点等。同时对比了现有 EnergyPlus 对数据中心建模的方法。

    Apr, 2024

  • 通过语法演化优化嵌入式系统的 L1 缓存

    本文提出了一种基于语法进化的优化框架，以高效地找到适用于给定基准应用程序的最佳缓存配置，对 Mediabench 套件进行实验，结果显示我们的提议能够找到适当的缓存配置，平均改善了 62％。

    Mar, 2023