机构名称：
¥ 1.0
摘要 — 可再生能源供应是解决数据中心不断增加的电力成本、能源消耗和有害气体排放问题的有前途的解决方案。然而，由于可再生能源的不稳定性，可再生能源供应不足可能导致使用储存能源或棕色能源。为了解决这个问题，本文提出了一种不稳定性弹性可再生能源分配系统。我们将作业的服务水平目标 (SLO) 定义为仅使用提供的可再生能源成功运行的概率。系统将具有相同 SLO 级别的作业分配给相同的物理机器 (PM) 组，并使用可再生能源发电机为每个 PM 组供电，这些发电机有不低于其 SLO 的概率生产不低于其能源需求的数量。我们使用深度学习技术来预测生产不低于每种可再生能源的每个值的概率，并预测每个 PM 区域的能源需求。我们制定了一个优化问题，将具有不同不稳定性的可再生能源资源匹配到不同的 PM 组进行供应，并使用强化学习方法和线性规划方法对其进行求解。我们进一步提出了一种能源驱动的计算资源分配方法，该方法根据每个 PM 组中的作业截止时间和故障概率调整每个作业的计算资源量，以及一种基于故障预测的节能方法。实际跟踪驱动的实验表明，与其他方法相比，我们的方法实现了更低的 SLO 违规、总能源货币成本和总碳排放量，并且与单个方法的有效性相比。
适用于云数据中心的抗不稳定可再生能源分配系统
主要关键词
相关文件推荐
