グリーン低炭素データセンターの源・負荷・蓄電協調運用のための安全制約付き深層強化学習

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:Proposes a novel safe DRL architecture for multi-energy dispatch with explicit constraint projection, offering a benchmark for future work in AI-based energy management.

🏢実務担当者:Provides a framework for data center operators to reduce energy costs and carbon emissions through intelligent control of computing, cooling, and storage assets.

🏛政策担当者:Highlights the potential of AI-controlled data centers to support grid flexibility and renewable integration, informing policies on demand response and low-carbon data center standards.

グリーン低炭素データセンターは、サイバー・エネルギー統合システムとして動作し、その運用計画は、再生可能エネルギー発電、系統電力融通、バッテリー蓄電、冷却負荷、柔軟な計算ワークロード、炭素強度シグナル、および信頼性制約を調整しなければならない。本研究は、系統連系型グリーンデータセンターの源・負荷・蓄電協調運用のための、安全性制約付き深層強化学習フレームワークを開発し評価する。運用問題は、IT負荷、遅延可能ワークロードのバックログ、再生可能エネルギー利用可能性、電力価格、限界炭素強度、バッテリー充電状態、サーバールーム温度、予備力、およびカレンダー情報を記述する状態変数を備えた制約付きマルコフ決定過程として定式化される。行動空間は、系統からの購入と系統への販売、再生可能エネルギーの利用、蓄電の充放電、ワークロードのシフト、および冷却制御を網羅する。学習アーキテクチャは、制約付きアクター・クリティック方策、適応型ラグランジュ安全クリティック、およびプラント実行前に安全でない行動を明示的に定義された運用集合へ射影する制御バリア関数（CBF）ベースの行動シールドを組み合わせる。シールドは、状態依存のSOC、熱、予備力、SLA、および系統インターフェース制約に対する低次元の二次射影として指定され、累積リスクは方策学習中にラグランジュ安全予算を通じて価格付けされる。評価には、正規化された公開データ互換プロファイル、宣言されたシナリオ、乱数シード、ニューラルネットワーク設定、およびメカニズム整合ベースラインを用いた、管理・監査可能なベンチマークシミュレーションを使用する。これは、実稼働データセンターのテレメトリ検証やハードウェア認証ではない。この宣言されたベンチマーク内で、提案する安全DRLコントローラは、ルールベースコントローラと比較してシミュレーション上13.1%の排出削減、95.8%の再生可能エネルギー利用率、正規化年間コスト0.91を生み出し、試験した無制約、ラグランジュのみ、およびシールドのみのPPO変種よりも境界接触が少なかった。これらのパーセンテージは、記載されたベンチマークに対するシミュレータ出力であり、実測された現場での削減効果として解釈してはならない。結果は、報酬学習、累積安全性価格付け、および一段の工学的射影を分離することが、指定されたモデル内での低炭素運用計画をどのように変えるかを示している。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

Green low-carbon data centers operate as coupled cyber-energy systems whose dispatch must coordinate renewable generation, grid exchange, battery storage, cooling load, flexible computing workload, carbon-intensity signals, and reliability constraints. This study develops and evaluates a safety-constrained deep reinforcement learning framework for source–load–storage coordinated operation of a grid-connected green data center. The operating problem is formulated as a constrained Markov decision process with state variables describing the IT load, deferrable workload backlog, renewable availability, electricity price, marginal carbon intensity, battery state of charge, server-room temperature, reserve margin, and calendar context. The action space covers grid import and export, renewable utilization, storage charge and discharge, workload shifting, and cooling control. The learning architecture combines a constrained actor–critic policy, adaptive Lagrangian safety critics, and a control barrier function (CBF)-based action shield that projects unsafe actions onto an explicitly defined operating set before plant execution. The shield is specified as a low-dimensional quadratic projection over state-dependent SOC, thermal, reserve, SLA, and grid-interface constraints, while cumulative risks are priced through Lagrangian safety budgets during policy training. The evaluation uses a controlled and auditable benchmark simulation with normalized public-data-compatible profiles, declared scenarios, random seeds, neural-network settings, and mechanism-matched baselines; it is not a telemetry-based verification or hardware certification of a deployed data center. Within this declared benchmark, the proposed safe DRL controller produces a simulated 13.1% emission reduction relative to the Rule-based controller, 95.8% renewable utilization, a normalized annual cost of 0.91, and fewer boundary contacts than the tested unconstrained, Lagrangian-only, and shield-only PPO variants. These percentages are simulator outputs relative to the stated benchmark and must not be interpreted as measured field savings. The results show how separating reward learning, cumulative safety pricing, and one-step engineering projection changes low-carbon dispatch within the specified model.

• openalex https://doi.org/10.3390/en19153492first seen 2026-07-29 05:05:47