Dec, 2023

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

PDF
TL;DR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。
data centersenergy consumptionthermal distributionoptimization strategiesenergy efficiency
发现论文，激发创造
  • 运行时数据中心温度预测技术的语法演化应用

    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。

    Nov, 2022

  • 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

  • 机器学习辅助热电制冷多热点热管理

    这项研究介绍了一种新颖的机器学习辅助优化算法，用于实时多热点条件下基于实时多热点条件下基于实时多热点条件下基于实时多热点条件下基于实时多热点条件下的系统并获得准确的温度预测，从而实现全局最优温度控制。

    Apr, 2024

  • 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

  • 功耗比例数据中心简明有效的动态调度

    本文研究了在数据中心中，服务器低负载时的能源浪费问题，提出基于未来工作量信息的动态调度算法，探讨了其性能和效益，并与现有解决方案进行了比较。

    Dec, 2011

  • 利用非因果 CPU 状态信息进行高能效移动协同计算

    本文提出了一种合作计算的系统，使用户将计算分配给助手，控制分配过程以最小化用户的能耗，并证明了问题的最优解结构特征，最后将其扩展到突发数据案例，并通过模拟得出了算法的实效性。

    Apr, 2017

  • 云原生运行时能耗指标导出的强大功率模型训练框架

    本文研究了现代云环境中估计功耗的重要性，提出了一个新的管道框架用于训练功耗模型，通过机器学习技术预测云平台控制平面和相关进程所消耗的功耗，并利用该模型来隔离用户容器消耗的功耗。实验结果表明该模型在预测未知平台和虚拟机上的未知容器功耗时具有更高的准确性。

    Apr, 2024

  • 分布式基于 ADMM 的深度学习方法用于多区域建筑热控制

    通过使用 ADMM 和深度学习模型进行分布式优化，本研究通过采用两层分层结构的方法，将建筑物的总功率限制为对应的各个区域的局部功率目标，从而有效地规划室内温度设定点，并成功管理需求响应的高峰事件。

    Dec, 2023

  • 能效建筑中基于 HVAC 系统的分散温度控制

    本文设计了分散、分布式的实时控制方案，旨在平衡用户舒适度和节能，并在不测量或预测外部干扰的情况下实现。通过调整区域流量，我们提出一个热动力学建模和稳态资源分配问题的优化方法，可以最小化区域温度和建筑能耗之间的总偏差，同时考虑实际操作限制。根据该问题的非凸性质，我们提出两种方法来解决它并设计实时控制。在两种情况下，都可以将热动力学驱动到最优解并平衡节能和舒适度。

    Feb, 2017

  • 边缘自适应基于人工智能应用程序的能源感知设计方法

    在本文中，我们提出了一种能够平衡应用目标与能耗的采用能量感知方法的自适应 AI 应用程序的设计和部署方法，通过元启发式搜索过程确定可用于自适应系统的配置集合，并使用加权灰色关联分析将最终的配置映射到自适应应用程序的操作模式，验证结果表明，我们的自适应应用程序在节省高达 81% 的能源的同时，仅在准确率上损失了 2% 至 6%。

    Aug, 2023