Wir gehen die Modernisierung der Klimaanlagen in den PLUTEX-Rechenzentren an: Nach den ersten Tests verbrauchen die neuen Anlagen 40% weniger Strom bei doppelter Leistung.
Ab Februar werden wir zu dem Thema mit Studenten der Universität Bremerhaven auch ein Forschungsprojekt starten: Ziel ist es, den durch Kühlung erzeugten Stromverbrauch im Rechenzentrum nachhaltig zu senken. Dazu soll auf Basis eines Deep Reinforcement Learning Algorithmus eine intelligente Steuerung für Kühlanlagen entwickeln werden. Ziel ist es den durch Kühlung erzeugten Stromverbrauch des Rechenzentrums nachhaltig zu senken indem wir verschiedenste Daten analysieren und als Grundlage
für eine Steuerung der Kühlanlagen durch eine intelligente Management-Plattform auf Reinforcement Learning Basis realisieren. Zur Auslegung des Prozesses orientieren wir uns an ISO 50001.
Herausforderungen bei der Modernisierung der Klimaanlagen in den PLUTEX-Rechenzentren
Dabei ist die Herausforderung, eine gleichmäßige und energieeffiziente Klimatisierung für eine Vielzahl an Server- und Storage-Einrichtungen, die zudem noch unterschiedlich ausgelastet und daher sehr unterschiedlich im Kühlbedarf sind, unter einen Hut zu bringen. Aus diesem Grund kann der Energieverbrauch nicht so genau geplant werden und es kann zu extrem hohen Lastspitzen kommen. Diese Schwankungen wollen wir durch das Projekt minimieren und durch algorithmische Anlagensteuerung zudem erreichen, dass auch die Kühlsysteme auf Basis von Power Usage Effectiveness optimiert werden und zukünftig mit weniger Strom laufen. Power Usage Effectiveness beschreibt den Stromverbrauch des IT-Equipments in Relation zum Gesamtstromverbrauch.
Zum Beispiel erwarten wir, dass das System durch vorhersehende Datenanalyse kurze Zyklen, in denen die Kühlung aktiv ist, aber nicht notwendig gewesen wäre, ermittelt und diese somit verhindert. Für das Projekt wird ein System aus verschiedenen sogenannten Agents genutzt. Diese übernehmen die Überwachung und Einordnung der notwendigen Parameter wie zum Beispiel die Kaltgangtemperaturen, Außentemperaturen und zu erwartende Serverlasten. Basierend auf den Ergebnissen übernimmt anschließend der Deep-Reinforcement-Learning-Algorithmus die energieeffiziente Steuerung.
