面向数据中心绿色可靠运行的强化学习方法

贾庆山; 唐静娴; 吴俊杰; 胡潇; 林依挺; 夏恒

doi:10.11959/j.issn.2096-6652.202036

您当前的位置：

首页 >

文章列表页 >

面向数据中心绿色可靠运行的强化学习方法

专刊：深度强化学习 | 更新时间：2024-06-05

- 面向数据中心绿色可靠运行的强化学习方法
- Reinforcement learning for green and reliable data center
- 智能科学与技术学报 2020年2卷第4期页码：341-347
- 作者机构：
  
  1. 清华大学自动化系智能与网络化系统研究中心，北京 100084
  2. 北京化工大学信息科学与技术学院，北京 100029
  3. 腾讯IDC平台部，广东深圳 518052
- 作者简介：
  
  [ "贾庆山（1980- ），男，博士，清华大学自动化系智能与网络化系统研究中心副教授，主要研究方向为信息物理融合能源系统的优化理论与方法。" ]
  [ "唐静娴（1996- ），女，清华大学自动化系智能与网络化系统研究中心博士生，主要研究方向为绿色智能建筑的运行优化。" ]
  [ "吴俊杰（1992- ），男，清华大学自动化系智能与网络化系统研究中心博士生，主要研究方向为随机动态系统策略优化、强化学习。" ]
  [ "胡潇（1999- ），男，北京化工大学信息科学与技术学院本科生，主要研究方向为数据中心节能优化运行、强化学习。" ]
  [ "林依挺（1995- ），男，腾讯IDC平台部助理研究员，主要研究方向为数据中心AI能效分析、基础设施设备健康管理。" ]
  [ "夏恒（1986- ），男，腾讯IDC平台部产品管理组组长，主要研究方向为数据中心自动化运营管理平台。" ]
- 基金信息：
  
  国家自然科学基金资助项目;The National Natural Science Foundation of China(61673229);国家自然科学基金资助项目;The National Natural Science Foundation of China(62073182);国家重点研发计划基金资助项目;National Key Research and De-velopment Program of China(2017YFC0704100);国家重点研发计划基金资助项目;National Key Research and De-velopment Program of China(2016YFB0901900);111创新引智基地计划;111 International Collaboration Project(BP2018006)
- DOI：10.11959/j.issn.2096-6652.202036
  中图分类号： TP29
- 网络出版日期：2020-12，
  
  纸质出版日期：2020-12-15
- 稿件说明：
移动端阅览
贾庆山, 唐静娴, 吴俊杰, 等. 面向数据中心绿色可靠运行的强化学习方法[J]. 智能科学与技术学报, 2020,2(4):341-347.

Qing-Shan JIA, Jingxian TANG, Junjie WU, et al. Reinforcement learning for green and reliable data center[J]. Chinese journal of intelligent science and technology, 2020, 2(4): 341-347.
贾庆山, 唐静娴, 吴俊杰, 等. 面向数据中心绿色可靠运行的强化学习方法[J]. 智能科学与技术学报, 2020,2(4):341-347. DOI： 10.11959/j.issn.2096-6652.202036.

Qing-Shan JIA, Jingxian TANG, Junjie WU, et al. Reinforcement learning for green and reliable data center[J]. Chinese journal of intelligent science and technology, 2020, 2(4): 341-347. DOI： 10.11959/j.issn.2096-6652.202036.

摘要

数据中心的绿色可靠运行具有重大的社会经济价值。综述了面向数据中心绿色可靠运行的优化与控制方法，提出一种事件驱动的强化学习方法，用于提升运行能效；提出一种电池寿命预测方法，提升了预测精度。

Abstract

It is of significant social and economical impact to achieve green and reliable operation of data center.The optimization and control methods for green and reliable data center were reviewed briefly.An event-based reinforcement learning approach for improving the energy efficiency was developed.And a method to improve the accuracy of battery lifetime forecasting was developed.

关键词

Keywords

references

NICOLA J . How to stop data centres from gobbling up the world’s electricity [J ] . Nature , 2018 , 561 ( 7722 ): 163 - 166 .

ISO/IEC . Information technology - data ceners - key performance indicators - part 2:power usage effectiveness:30134-2:2016 [S ] . 2016 .

BULLARD N . Energy efficiency is a hot problem for big tech’s data centers [Z ] . 2019 .

SHEHABI A , SMITH S , SARTOR D , et al . United states data center energy usage report [R ] . 2016 .

张泉 , 李震 . 数据中心节能技术与应用 [M ] . 北京 : 机械工业出版社 , 2018 .

ZHANG Q , LI Z . Energy saving technology for data center and applicaitons [M ] . Beijing : China Machine Press , 2018 .

腾讯数据中心 . 致敬经典——腾讯第三代数据中心 [Z ] . 2020 .

Tencent Data Centers . To classic - three generations of Tencent data centers [Z ] . 2020 .

LI Y L , WEN Y G , GUAN K L , et al . Transforming cooling optimization for green data center via deep reinforcement learning [J ] . IEEE Transactions on Cybernetics , 2019 , 50 ( 5 ): 2002 - 2013 .

RAN Y Y , HU H , ZHOU X , et al . DeepEE:joint optimization of job scheduling and cooling control for data center energy efficiency using deep reinforcement learning [C ] // IEEE 39th International Conference on Distributed Computing Systems . Piscataway:IEEE Press , 2019 : 645 - 655 .

YI D L , ZHOU X , WEN Y G , et al . Toward efficient compute-intensive job allocation for green data centers:a deep reinforcement learning approach [C ] // IEEE 39th International Conference on Distributed Computing Systems . Piscataway:IEEE Press , 2019 : 634 - 644 .

PE/ESSB-Energy Storage ＆ Stationary Battery Committee . IEEE 1188-2005-IEEE recommended practice for maintenance,testing,and replacement of valve-regulated lead-acid (VRLA) batteries for stationary applications [S ] . 2006 .

贾庆山 , 杨玉 , 夏俐 , 等 . 基于事件的优化方法简介及其在能源互联网中的应用 [J ] . 控制理论与应用 , 2018 , 35 ( 1 ): 32 - 40 .

JIA Q S , YANG Y , XIA L , et al . A tutorial on event-based optimization with application in energy Internet [J ] . Control Theory and Applications , 2018 , 35 ( 1 ): 32 - 40 .

JIA Q S , WU J J , WU Z J , et al . Event-based HVAC control-a complexity-based approach [J ] . IEEE Transactions on Automation Science and Engineering , 2018 , 15 ( 4 ): 1909 - 1919 .

NEWMAN R H . Advantages and disadvantages of valve-regulated,lead/acid batteries [J ] . Journal of Power Sources , 1994 , 52 ( 1 ): 149 - 153 .

TANG J X , DU J H , LIN Y T , et al . Predictive maintenance of VRLA batteries in UPS towards reliable data centers [C ] // IFAC World Congress .[S.l.:s.n. ] , 2020 .

夏元清 , 高润泽 , 林敏 , 等 . 绿色能源互补智能电厂云控制系统研究 [J ] . 自动化学报 , 2020 , 46 ( 9 ): 1844 - 1868 .

XIA Y Q , GAO R Z , LIN M , et al . Green energy complementary based on intelligent power plant cloud control system [J ] . Acta Automatica Sinica , 2020 , 46 ( 9 ): 1844 - 1868 .

王飞跃 , 曹东璞 , 魏庆来 . 强化学习:迈向知行合一的智能机制与算法 [J ] . 智能科学与技术学报 , 2020 , 2 ( 2 ): 101 - 106 .

WANG F Y , CAO D P , WEI Q L . Reinforcement learning:toward action-knowledge merged intelligent mechanisms and algorithms [J ] . Chinese Journal of Intelligent Science and Technology , 2020 , 2 ( 2 ): 101 - 106 .

浏览量

270

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于改进DQN算法的复杂海战场路径规划方法

机器人自动轴孔装配研究进展

基于动态自选择参数共享的合作多智能体强化学习算法

异构多智能体系统的输出同步：一个基于数据的强化学习方法

基于强化学习的数据驱动多智能体系统最优一致性综述