随着机器学习工作负载大大增加了能源消耗，具有低碳释放的可持续数据中心已成为全球政府和政府的重中之重。这需要在冷却及其加载中加载功率消耗的范式转移，并根据功率电网的可再生能源可用性的可用性以及使用协作代理来利用数据中心中不间断的电源的电池存储。这些运行策略及其对可变的外部因素（如天气和电网碳的强度）之间的依赖性之间的复杂关联使得这是一个困难的问题。当前，缺乏在Dynamic Real-World设置中同时优化所有这些目标的实时控制器。我们提出了一个数据，碳足迹减少（DC-CFR）多代理执法学习（MARL）框架，以优化数据中心，以实现碳足迹的多重目标，能源消耗，能源成本和能源成本。结果表明，DC-CFR MARL代理有效地解决了复杂的相互依存关系，以实时在现实世界中的动态天气和网格碳强度条件下实时优化冷却，负载转移和能源存储。DC-CFR显着超过了行业标准的ASHRAE控制器，碳排放量大大降低（14.5％），能源使用率（14.4％）和企业成本（13.7％），当时在整个模拟地理区域一年中评估了一年。