Overlay energy circle formation for cloud data centers with renewable energy futures contracts
Notice bibliographique
Résumé
Cloud data centers are significant players in the electricity market due to their high energy consumption. It is highly desired to operate cloud data centers on only renewable energy such as solar, wind or tidal to reduce their cost and emissions. In the literature, utilization of renewable energy is maximized through workload migration towards data centers that are forecasted to have surplus renewable energy which is also known as “follow the sun chase the wind” approach. In practice, it is rather difficult and unrealistic to shift workloads based on instantaneous output of renewable generation. Generally forecast tools are used which can only provide a rough estimate of the generation capacity. In this paper, we use a more realistic approach and propose an overlay architecture to form energy circles of cloud data centers depending on their load and renewable energy futures contracts. A futures contract is an electricity purchase agreement between the data center operator and the renewable energy generator to purchase electricity in the future with today's price. Futures contracts are electricity market mechanisms that reduce the cost related risks for both parties and are seen as tools to scale-up renewable generation. On the other hand, fluctuating loads of cloud data centers may leave some contract capacity left unused or exceed the capacity. In this case, electricity will be purchased at current market price from the renewable generator or the utility grid where in both cases the electricity bill will increase. Hence, a mechanism to utilize the unused capacity in the contracts of peer data centers and shifting workloads towards available capacity can reduce bills as well as increase the utilization of renewable energy. Our proposed energy circles approach aims to group cloud data centers to achieve those goals.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».