flx-business
FLX:RESEARCH // GREEN DATA CENTER INTELLIGENCE
← Zurück zu flx-business.de
OFFLINE-DEMONSTRATOR · SIMULIERTE DATEN · V1.2

Energieeffizienz durch intelligente Last- und Wärmeoptimierung

Interaktives Rechenzentrumsmodell: IT-Last, Rack-Standorte, Hotspots, Kühlung und SLA gemeinsam betrachten.

01 Monitoring02 Hotspot03 Analyse04 Optimierung05 Vergleich
–kW
–kW · IT + Infrastruktur
–Gesamt / IT
–°C · Modellwert
–kg CO₂e · Strombezug, ModellwertReferenz: aktuelles Szenario

Digitaler Zwilling · Rack-Standorte

12 Racks · 3 Reihen · 4 ACUs
ACU 01
ACU 02
ACU 03
ACU 04
unter 28 °C 28 bis unter 32 °C ab 32 °C · Demo-Grenze

Vereinfachtes Standort- und Temperaturmodell mit Mittelgang und vier schematischen Air Cooling Units (ACU). Keine CFD-Simulation; angezeigt werden modellierte Rack-Eintrittstemperaturen. Die ACUs sind räumlich dargestellt, nicht einzeln physikalisch simuliert.

Verlauf · Energie und Temperatur

Letzte Simulationsschritte
Gesamtleistung (relativ) Maximale Racktemperatur (relativ)

Analyse und Handlungsempfehlung

Bereit
Starten Sie die Analyse, um thermische Risiken, Lastverteilung und Einsparpotenziale zu bewerten.

FLX:RESEARCH // TECHNISCHER HINTERGRUNDKI-Modell & OptimierungslogikDatenbasis, Modellarchitektur und Berechnungsprinzipien anzeigen
Technischer Status: Diese Version demonstriert ein vereinfachtes thermisches Rechenmodell mit regelbasierter Optimierung. Die nachfolgende XGBoost-Architektur beschreibt den vorgesehenen spezialisierten KI-Ausbau. Ein trainiertes XGBoost-Modell wird in V1.2 nicht ausgeführt. Sämtliche Betriebswerte sind simuliert.
01 / DATEN & TRAINING

Vom Messwert zur Prognose

Die Datenpipeline führt zeitlich synchronisierte Betriebswerte und physische Rack-Positionen zusammen.

  • IT-Auslastung, elektrische Leistung und Rack-Eintrittstemperatur
  • ACU-Betriebszustände, Kühlleistung und Umgebungstemperatur
  • Workload-Verteilung, Standort und SLA-Anforderungen
  • Zeitlich getrennte Trainings- und Testdaten; Bewertung von Temperatur- und Energieprognosefehlern

Trainingsziel: Vorhersage zukünftiger Rack-Temperaturen und des Kühlenergiebedarfs.

02 / OPEN SOURCE

XGBoost als Prognosekern

XGBoost (Apache-2.0-Lizenz) ist das ausgewählte Open-Source-Framework für strukturierte Betriebs- und Sensordaten.

  • Thermal Predictor: prognostiziert Rack-Temperaturen
  • Energy Predictor: prognostiziert den Kühlenergiebedarf
  • Lokaler Betrieb ohne Cloud-Zwang
  • Mathematischer Optimierer bewertet Maßnahmen getrennt vom Prognosemodell

Die aktuelle Demo nutzt noch keine trainierten Gewichte und keine XGBoost-Inferenz.

03 / OPTIMIERUNG

Energie senken, SLA einhalten

Der Optimierer vergleicht Workload-Platzierungen und Kühlzustände unter technischen Grenzen.

Minimiere: P_IT + P_Kühlung + Risiko(SLA, Temperatur)

Die Risikoterme werden für die mathematische Optimierung gewichtet und in vergleichbare Einheiten überführt.

  • Rack-Temperaturen unter dem definierten Grenzwert
  • Server- und ACU-Kapazitäten einhalten
  • Performance- und SLA-Grenzen sichern
PUE = P_gesamt / P_IT
CO₂e/Tag = P_gesamt × 24 h × EF

EF ist der einstellbare Emissionsfaktor in kg CO₂e/kWh. Der Vergleich erfolgt bei gleicher IT-Arbeitslast und identischen Randbedingungen.

Forschungsansatz: Verbindung von Heat/Power Management, physischer Ressourcenposition und SLA-orientierter Lastverteilung. Die Optimierung im Demonstrator ist eine illustrative Simulation und keine produktive Rechenzentrumssteuerung.