人工智能与数字孪生技术赋能碳中和数据中心的智能优化策略9787523510919
正版图书，可开发票，请放心购买。
￥ 56.71 7.3折 ￥ 78 全新
库存2件
广东广州
认证卖家担保交易快速发货售后保障
作者周昕|
出版社科技文献
ISBN9787523510919
出版时间2023-12
装帧其他
开本其他
定价78元
货号32267377
上书时间2024-12-26
- 店主推荐
- 最新上架
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
江西科技师范大学校聘副教授，南洋理工大学计博士后，广岛大学工学博士，主要研究方向为强化学习、数字孪生、系统控制优化等。在ICDCS、IEEENETWORK等高水平会议和期刊发表论文20余篇，获得IndustrialTechnicalExcellenceAward。主持1项江西省教育厅科学技术研究项目和1项国家自然科学基金。
目录
\\\"第一章数据中心能效优化1
1.1引言1
1.2相关工作3
1.2.1基于时间驱动的优化方法4
1.2.2基于事件驱动的优化方法6
1.3问题表述6
1.3.1系统架构6
1.3.2系统模型8
1.3.3问题表述10
1.4基于DRL的联合优化算法11
1.4.1DRL用于离散和连续动作空间11
1.4.2参数化动作空间DQN（PADQN）12
1.4.3双时间尺度控制14
1.5评估16
1.5.1实验设置16
1.5.2性能指标18
1.5.3基准算法18
1.5.4PADQN训练结果19
1.5.5性能对比19
1.5.6对决策间隔tcool的性能敏感性21
1.6未来研究方向21
1.6.1开发适应动态和时常的协同策略22
1.6.2设计容错自适应的闭环联合控制22
1.6.3在复杂环境下实现能效全面提升23
1.7总结24
第二章深度强化学习在数据中心任务分配中的创新应用25
2.1引言25
2.2相关工作 28
2.2.1传统方法28
2.2.2深度强化学习应用29
2.2.3实际案例和应用31
2.3DRL应用于任务分配32
2.3.1问题描述32
2.3.2方法概述33
2.4基于长短期记忆（LSTM）网络的系统状态预测34
2.4.1预测方法34
2.4.2实际数据中心的评估 36
2.4.3基于DRL的作业分配39
2.4.4性能评估40
2.5结论48
2.5.1讨论48
2.5.2总结48
2.5.3未来研究方向49
第三章深度强化学习在数据中心冷却控制中的创新应用50
3.1引言50
3.2相关工作53
3.2.1冷却控制的传统方法与挑战53
3.2.2深度强化学习作为新兴解决方案54
3.2.3数据驱动模型55
3.2.4冷却控制56
3.2.5基于DRL的冷却控制的相关研究58
3.3系统概述59
3.3.1数据收集60
3.3.2物理建模60
3.3.3运营管理61
3.3.4验证模块61
3.4数据分析和建模61
3.4.1现有方法与我们的深度强化学习方法比较61
3.4.2基于数据的深度模型63
3.4.3基于物理规则的模型63
3.5基于深度强化学习的操作优化65
3.5.1深度强化学习在数据中心中的操作优化65
3.5.2深度强化学习在特定任务中的应用66
3.6评估68
3.7结论69
第四章数据中心数字孪生技术的基本原理及其广泛应用71
4.1引言72
4.2相关工作73
4.2.1数据中心建模73
4.2.2代理辅助优化74
4.2.3基于知识的神经网络75
4.2.4CFD模型校准75
4.2.5CFD模型简化76
4.3问题陈述76
4.3.1Kalibre方法的问题定义76
4.4通过代理进行CFD校准81
4.4.1基于知识的神经代理82
4.4.2CFD校准的四步迭代85
4.4.3Kalibre方法的实施87
4.5绩效评估87
4.5.1实验方法和设置88
4.5.2评价结果89
4.6结论94
第五章机器学习在绿色数据中心冷却控制中的安全强化96
5.1介绍96
5.2相关工作99
5.2.1数据中心冷却控制99
5.2.2安全强化学习101
5.2.3直流冷却控制模型102
5.2.4深度强化学习（Deep Reinforcement Learning，DRL)105
5.3奖励塑造绩效106
5.3.1奖励塑造的MDP公式106
5.3.2性能测量107
5.4方法111
5.4.1SAFARI方法111
5.5结论119
第六章基于物理引导的机器学习在数据中心数字孪生中的创新应用121
6.1引言121
6.2相关工作124
6.2.1物理引导的热建模125
6.2.2数据驱动的热建模126
6.2.3基于物理的学习和控制126
6.2.4MBRL和AutoML127
6.3预备知识128
6.3.1适当的正交分解129
6.3.2高斯过程回归130
6.3.3Data Hall热力学130
6.3.4系统功耗132
6.4系统模型132
6.4.1系统配置133
6.4.2多尺度数据中心热建模133
6.5REDUCIO方法134
6.5.1方法概论134
6.5.2离线GP模型培训135
6.5.3在线POD系数估计136
6.5.4评估138
6.6Phyllis的详细设计 145
6.6.1离线热力学建模145
6.6.2步骤 1：具有安全意识的在线探索147
6.6.3步骤2：电能使用和余量建模149
6.6.4步骤3和4：预培训和微调150
6.7结论151
第七章机器学习在智能电网管理中的创新应用153
7.1引言153
7.2相关工作154
7.2.1绩效指标154
7.2.2材料发现中的闭环机器学习157
7.2.3机器学习在能源材料研究中的应用159
7.2.4智能电网166
7.2.5可再生能源中的机器学习机会169
7.3智能电网的挑战172
7.3.1机器学习在智能电网管理中的关键挑战172
7.3.2需要解决的问题173
7.4方法173
7.4.1机器学习在智能电网管理中的应用173
7.4.2能源材料研究对智能电网管理的帮助176
7.4.3优化智能电网180
7.4.4政策优化181
7.5结论181
第八章数据中心可持续发展182
8.1引言182
8.2重新审视数据中心可持续性度量184
8.2.1能源效率指标184
8.2.2气流管理指标187
8.2.3冷却效率指标188
8.2.4电力供应系统效率指标189
8.2.5环境影响指标190
8.3数据中心可持续性研究现状与趋势191
8.3.1数据中心可持续性评级分析192
8.3.2新加坡可持续发展标准的演变194
8.4下一代可持续数据中心关键设计要素展望196
8.4.1高效节能的IT设备和云服务197
8.4.2高级基础设施198
8.4.3可再生能源整合198
8.4.4碳测量与报告200
8.4.5碳中和的云服务201
8.5数据中心可持续性优化的认知数字孪生202
8.5.1认知数字孪生的架构203
8.5.2案例研究：冷却装置优化205
8.6结论和展望208
第九章机器学习在数据中心电力存储系统开发中的创新应用210
9.1介绍210
9.2具有异质类别AI技术的电池领域应用212
9.3应用ML在可充电锂离子电池中213
9.3.1物性预测215
9.3.2材料发现与设计225
9.3.3在现实世界中部署人工智能的挑战场景和集成框架228
9.4总结与展望230
第十章电能存储材料探索与智能电网管理中的机器学习234
10.1介绍234
10.2电池材料发现中的机器学习235
10.3判别式机器学习237
10.4生成逆向设计239
10.5可解释人工智能240
10.6数据管理241
10.7机器学习势函数246
10.8机器学习集成的机器人平台247
10.9智能电网管理中的机器学习249
10.10数据稀缺和风险厌恶心态250
10.11智能电网优化的数字孪生251
10.12智能电网中的数据中心系统254
10.13总结与展望256
参考文献259\\\"
内容摘要
本书深入探讨了数据中心领域的十大前沿主题，包括能效优化、任务分配、冷却控制等，关注点在于数字孪生技术和深度强化学习在这些领域的应用。书中详细剖析了数据中心能效的关键挑战，探讨了深度强化学习在任务分配和冷却控制中的创新应用。同时，也介绍了数字孪生技术在数据中心运维优化中的重要性，以及机器学习在绿色冷却控制和智能电网管理等方面的应用。此外，还深入探讨了数据中心可持续性发展的策略和实践，以及机器学习在电力存储系统和电能存储材料探索中的应用，旨在为读者提供思考和应用的启示。
— 没有更多了 —
以下为对购买帮助不大的评价