Энергоэффективное стратегическое управление дата-центром с применением искусственного интеллекта

Cовременные центры обработки данных (ЦОД) сталкиваются с проблемой высокого энергопотребления, что приводит к увеличению операционных затрат и негативному воздействию на окружающую среду. В связи с этим возникает необходимость разработки интеллектуальных систем управления (ИСУ), которые могли бы повысить энергоэффективность и оптимизировать использование инженерной инфраструктуры. Целью работы является оценка эффективности интеграции нейронных сетей и робастного PID-контроллера в ИСУ для улучшения адаптивности управления, снижения энергопотребления и повышения устойчивости ЦОД к изменяющимся условиям эксплуатации. Используемые методы: для достижения поставленных целей была разработана имитационная модель ЦОД уровня TIER IV в среде TRNSYS, позволяющая моделировать динамические процессы энергопотребления. В модели применены алгоритмы машинного обучения для прогнозирования тепловой нагрузки и энергопотребления, реализованные с помощью нейронной сети, обученной в среде MATLAB. Также внедрён робастный PID-контроллер для управления системами охлаждения на основе прогнозных данных. Проведён экономический анализ эффективности внедрения ИСУ с расчётом ключевых показателей: ROI, NPV и BCR. Новизна работы заключается в предложении подхода к балансировке входных данных для нейронных сетей, что позволяет уменьшить разброс амплитуд колебаний, снизить вероятность переобучения и повысить обобщающую способность сети. Впервые разработан метод интеграции нейронных сетей и робастного PID-контроллера для управления энергопотреблением ЦОД, учитывающий динамические изменения инфраструктуры. Результат: предложенная система управления позволила снизить коэффициент PUE на 3,5%, уменьшить энергопотребление систем охлаждения до 40% от общего энергопотребления ЦОД и улучшить точность прогнозирования тепловой нагрузки. Это повысило адаптивность управления и обеспечило снижение эксплуатационных затрат. Практическая значимость: разработанные методы и модели применимы для модернизации инженерной инфраструктуры ЦОД с целью повышения их энергоэффективности, снижения затрат и обеспечения экологической устойчивости. Полученные результаты показывают целесообразность внедрения ИСУ для улучшения устойчивости и адаптивности ЦОД к изменяющимся условиям эксплуатации, что способствует снижению операционных затрат и экологического воздействия.

1. Bouaouda A., Afdel K., Abounacer R. Unveiling Genetic Reinforcement Learning (GRLA) and Hybrid Attention-Enhanced Gated Recurrent Unit with Random Forest (HAGRU-RF) for Energy-Efficient Containerized Data Centers Empowered by Solar Energy and AI. Sustainability 2024, 16, 4438.

2. Круглов В. В., Дли М. И., Голунов Р. Ю. Нечеткая логика и искусственные нейронные сети: учебное пособие для вузов. Москва: Физматлит, 2001. 496 с.

3. J. Yang W. Xiao, C. Jiang, M. S. Hossain, G. Muhammad, S. U. Amin, "AI-Powered Green Cloud and Data Center," in IEEE Access, vol. 7, pp. 4195-4203, 2019, DOI: 10.1109/ACCESS.2018.2888976.

4. Kołodziej J., Khan S.U., Wang L., Byrski A., Min-Allah N., Madani S.A. Hierarchical genetic-based grid scheduling with energy optimization. *Clust. Comput.* 16(3), 591–609 (2013).

5. Senthilkumar G., Rajendran P., Suresh Y., Herald Anantha Rufus N., Rama Chaithanya Tanguturi, Rajdeep Singh Solanki. Computational Engineering based Approach on Artificial Intelligence and Machine Learning Driven Robust Data Centre for Safe Management. Journal of Machine and Computing, 2023, 3(4): 465-474. DOI: https://doi.org/10.53759/7669/jmc202303038.

6. Majumder D., Kumar S. M. (2021). Optimal and Effective Resource Management in Edge Computing. *Computer Systems Science & Engineering*, 44(2), 1201-1217. DOI: 10.32604/csse.2023.024868.

7. Liu Hui, Aljbri Abdussalam, Song Jie, Jiang Jinqing, Hua Chun. (2022). Research advances on AI-powered thermal management for data centers. Tsinghua Science and Technology. 27. 303-314. DOI:10.26599/TST.2021.9010019.

8. Komar I. A. Theoretical and practical features of data processing centers evaluation (DPCs). Real Estate: Economics, Management. 2023; 2:70-77.

9. Ляшенко М. А. Содержание стратегии развития центра обработки данных // Интернет-журнал «НАУКОВЕДЕНИЕ», Т. 7, № 4 (2015) http://naukovedenie.ru/PDF/85EVN415.pdf (доступ свободный). DOI: 10.15862/85EVN415.

10. RBC Capital Markets September 20, 2021 RBC Datacenter Download.

11. Ali Ahmadi. Implementing Artificial Intelligence in IT Management: Opportunities and Challenges. DOI: https://doi.org/10.51983/ajcst-2023.12.2.3704.