Energy efficiency is a critical concern in data center operations due to the sector’s rapid growth, high energy demands and associated environmental impact. Various methods have been explored to optimize Power Usage Effectiveness (PUE), the main energy indi- cator in data centers, including machine learning approaches. This thesis aims to develop a machine learning model to optimize PUE by improving cooling strategies, in collabora- tion with data center company Data4. First, an energy analysis was conducted assessing the performance of chillers, CRAHs, and AHUs in relation to the IT load. This analysis revealed discrepancies in the thermal balance and identified potential areas for enhancing cooling performance. It also sets the context for interpreting the results of the machine learning modeling, where an LGBM model and a neural network were trained with one year of data gathered from the Building Management System (BMS). The models’ out- puts where then averaged, achieving an R2 of 0.962, with errors below 0.8% relative to a reference PUE of 1.5. The models were then used to minimize PUE and determine optimal cooling strategies under various weather scenarios, leading to estimated monthly cost savings between 4000 and 9000 euros and a reduction in non-IT electricity consump- tion by 2.8% to 6.1%. These findings demonstrate that machine learning can be used to effectively optimize cooling strategies in data centers, leading to energy savings, reducing costs and environmental impacts.

L’efficienza energetica è una preoccupazione cruciale nelle operazioni dei data center a causa della rapida crescita del settore, dell’elevata domanda energetica e dell’impatto ambientale associato. Diversi metodi sono stati esplorati per ottimizzare il PUE (Power Usage Effectiveness, Efficacia dell’Uso dell’Energia), il principale indicatore energetico nei data center, tra cui approcci di machine learning. Questa tesi si propone di sviluppare un modello di machine learning per ottimizzare il PUE migliorando le strategie di raf- freddamento, in collaborazione con l’azienda di data center Data4. In primo luogo, è stata condotta un’analisi energetica per valutare le prestazioni dei chiller, delle CRAH e delle AHU in relazione al carico IT. Questa analisi ha rivelato discrepanze nel bilancio termico e ha identificato potenziali aree per migliorare le prestazioni di raffreddamento. Ha inoltre fornito il contesto per interpretare i risultati della modellazione di machine learning, in cui un modello LGBM e una rete neurale sono stati addestrati con un anno di dati raccolti dal sistema di gestione dell’edificio (BMS). Gli output dei modelli sono stati quindi mediati, ottenendo un R2 di 0,962, con errori inferiori allo 0,8% rispetto a un PUE di riferimento di 1,5. I modelli sono stati poi utilizzati per minimizzare la PUE e determinare le strategie di raffreddamento ottimali in diversi scenari climatici, portando a risparmi mensili stimati tra 4000 e 9000 euro e a una riduzione del consumo di elettricità non IT dal 2,8% al 6,1%. Questi risultati dimostrano che il machine learning può essere utilizzato per ottimizzare efficacemente le strategie di raffreddamento nei data center, portando a risparmi energetici, riduzione dei costi e impatti ambientali.

Data Center PUE Optimization for Improving Cooling Strategies using Machine Learning

Perez Figueroa, Daniel
2023/2024

Abstract

Energy efficiency is a critical concern in data center operations due to the sector’s rapid growth, high energy demands and associated environmental impact. Various methods have been explored to optimize Power Usage Effectiveness (PUE), the main energy indi- cator in data centers, including machine learning approaches. This thesis aims to develop a machine learning model to optimize PUE by improving cooling strategies, in collabora- tion with data center company Data4. First, an energy analysis was conducted assessing the performance of chillers, CRAHs, and AHUs in relation to the IT load. This analysis revealed discrepancies in the thermal balance and identified potential areas for enhancing cooling performance. It also sets the context for interpreting the results of the machine learning modeling, where an LGBM model and a neural network were trained with one year of data gathered from the Building Management System (BMS). The models’ out- puts where then averaged, achieving an R2 of 0.962, with errors below 0.8% relative to a reference PUE of 1.5. The models were then used to minimize PUE and determine optimal cooling strategies under various weather scenarios, leading to estimated monthly cost savings between 4000 and 9000 euros and a reduction in non-IT electricity consump- tion by 2.8% to 6.1%. These findings demonstrate that machine learning can be used to effectively optimize cooling strategies in data centers, leading to energy savings, reducing costs and environmental impacts.
SANTORO, PIETRO
ING - Scuola di Ingegneria Industriale e dell'Informazione
10-ott-2024
2023/2024
L’efficienza energetica è una preoccupazione cruciale nelle operazioni dei data center a causa della rapida crescita del settore, dell’elevata domanda energetica e dell’impatto ambientale associato. Diversi metodi sono stati esplorati per ottimizzare il PUE (Power Usage Effectiveness, Efficacia dell’Uso dell’Energia), il principale indicatore energetico nei data center, tra cui approcci di machine learning. Questa tesi si propone di sviluppare un modello di machine learning per ottimizzare il PUE migliorando le strategie di raf- freddamento, in collaborazione con l’azienda di data center Data4. In primo luogo, è stata condotta un’analisi energetica per valutare le prestazioni dei chiller, delle CRAH e delle AHU in relazione al carico IT. Questa analisi ha rivelato discrepanze nel bilancio termico e ha identificato potenziali aree per migliorare le prestazioni di raffreddamento. Ha inoltre fornito il contesto per interpretare i risultati della modellazione di machine learning, in cui un modello LGBM e una rete neurale sono stati addestrati con un anno di dati raccolti dal sistema di gestione dell’edificio (BMS). Gli output dei modelli sono stati quindi mediati, ottenendo un R2 di 0,962, con errori inferiori allo 0,8% rispetto a un PUE di riferimento di 1,5. I modelli sono stati poi utilizzati per minimizzare la PUE e determinare le strategie di raffreddamento ottimali in diversi scenari climatici, portando a risparmi mensili stimati tra 4000 e 9000 euro e a una riduzione del consumo di elettricità non IT dal 2,8% al 6,1%. Questi risultati dimostrano che il machine learning può essere utilizzato per ottimizzare efficacemente le strategie di raffreddamento nei data center, portando a risparmi energetici, riduzione dei costi e impatti ambientali.
File allegati
File Dimensione Formato  
2024_10_Perez.pdf

non accessibile

Descrizione: Thesis text
Dimensione 7.47 MB
Formato Adobe PDF
7.47 MB Adobe PDF   Visualizza/Apri

I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/10589/225914