An Adaptive Grid Frequency Support Mechanism for Energy Management in Cloud Data Centers
Notice bibliographique
Résumé
Grid frequency support is one of the most challenging problems, since minor variations in it may lead to huge financial losses. This problem becomes even more challenging with the horizontal and vertical expansion of modern cloud data centers (DCs). In the past, several efforts have been made to manage frequency deviations using flywheels, commercial buildings, electric vehicles, and renewable energy resources. However, these are not adequate due to their complex operations. To fill these gaps, in this paper, we propose the usage of cloud DCs and uninterruptible power supply (UPS) units for the effective frequency regulation. This is achieved by designing a 2-layer hierarchical control scheme for optimal segregation of the regulation signals amongst the DCs and UPS batteries. The proposed scheme determines the scheduling policy for jobs at DCs; along with the charging and discharging cycles of the UPS batteries. The job scheduling is carried out with respect to MapReduce tasks in accordance with the regulation signals with minimal service level adherence violations. Additionally, the sustainability of DCs is also supported through active participation of UPSes during peak hours. The overall frequency support problem in the considered setup involves multiple objectives under multiconstraint environment. Thus, it has been divided in two subproblems, which are addressed individually using either integer linear programming or mixed integer linear programming. In a nutshell, the proposed scheme serves dual purposes, i.e., manages frequency fluctuations and sustains DCs during peak hours. It has been validated using data traces taken from OpenCloud Hadoop cluster and Pennsylvania New Jersey Maryland. The results obtained prove the effectiveness of the proposed scheme for frequency support and DC's sustainability.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».