L'intelligentie kunstmatige intelligentie toegepast op het koelen van gegevens is een van de belangrijkste innovaties op het gebied van industriële energieoptimalisatie.
Het autonome systeem dat is ontwikkeld door Google DeepMind en sinds 2018 operationeel is, heeft aangetoond hoe AI het thermisch beheer van kritieke infrastructuren kan transformeren en concrete resultaten kan boeken op het gebied van operationele efficiëntie.
Moderne datacenters zijn enorme energieverbruikers. Volgens Jonathan Koomey, een wereldwijde expert op het gebied van energie-efficiëntie, is koeling goed voor ongeveer 10 procent van het totale elektriciteitsverbruik. Elke vijf minuten maakt het cloudgebaseerde AI-systeem van Google een momentopname van het koelsysteem op basis van duizenden sensoren . Safety-first AI voor autonome datacenterkoeling en industriële besturing - Google DeepMind, analyseert operationele complexiteit die traditionele besturingsmethoden tart.
Het AI-koelsysteem van Google gebruikt diepe neurale netwerken om de impact van verschillende combinaties van acties op het toekomstige energieverbruik te voorspellen, en identificeert welke acties het verbruik minimaliseren en tegelijkertijd voldoen aan robuuste veiligheidsvereisten DeepMind AI verlaagt de koelfactuur van het datacenter van Google met 40% - Google DeepMind
De resultaten op het gebied van optimalisatie van koeling zijn significant: het systeem was in staat om consequent een vermindering van 40% te realiseren in de energie die wordt gebruikt voor koeling. Aangezien koeling ongeveer 10% van het totale verbruik uitmaakt, komt dit neer op een totale energiebesparing van ongeveer 4% in het datacenter.
Volgens het oorspronkelijke technische document van Jim Gao bereikt het neurale netwerk een gemiddelde absolute fout van 0,004 en een standaardafwijking van 0,005, wat overeenkomt met een fout van 0,4% voor een PUE van 1,1.
De implementatie van het AI-systeem is officieel bevestigd in drie specifieke datacenters:
Singapore: De eerste significante implementatie in 2016, waar het datacenter teruggewonnen water gebruikt voor koeling en een 40% reductie in koelenergie liet zien.
Eemshaven, Nederland: Het datacenter gebruikt industrieel water en verbruikte in 2023 232 miljoen liter water. Marco Ynema, site lead van de faciliteit, houdt toezicht op de activiteiten van deze geavanceerde faciliteit.
Council Bluffs, Iowa: De MIT Technology Review liet specifiek het datacenter van Council Bluffs zien tijdens de bespreking van het AI-systeem. Google heeft 5 miljard dollar geïnvesteerd in de twee campussen in Council Bluffs, die in 2023 980,1 miljoen gallons water verbruiken.
Een cloudgebaseerd AI-besturingssysteem is nu operationeel en zorgt voor energiebesparingen in meerdere datacenters van Google, maar hetbedrijf heeft niet de volledige lijst gepubliceerd van faciliteiten die de technologie gebruiken.
Volgens patent US20180204116A1 maakt het systeem gebruik van eendeep learning architectuur met precieze technische kenmerken:
De architectuur maakt gebruik van Model Predictive Control met lineaire ARX-modellen geïntegreerd met diepe neurale netwerken. Bij neurale netwerken hoeft de gebruiker de interacties tussen variabelen in het model niet vooraf te definiëren. In plaats daarvan zoekt het neurale netwerk naar patronen en interacties tussen kenmerken om automatisch een optimaal model te genereren.
PUE vertegenwoordigt de fundamentele energie-efficiëntie van datacenters:
PUE = totale energie datacenter / energie IT-apparatuur
Google heeft de ISO 50001-certificering voor energiebeheer, die strenge operationele normen garandeert maar niet specifiek de prestaties van het AI-systeem valideert.
De kern van de innovatie is voorspellende besturing die de toekomstige temperatuur en druk van het datacenter in het volgende uur voorspelt en aanbevolen acties simuleert om ervoor te zorgen dat de operationele beperkingen niet worden overschreden.
Na vallen en opstaan zijn de modellen nu 99,6 procent nauwkeurig in het voorspellen van PUE. Deze nauwkeurigheid maakt optimalisaties mogelijk die onmogelijk zijn met traditionele methoden, waarbij tegelijkertijd de complexe niet-lineaire interacties tussen mechanische, elektrische en omgevingssystemen worden verwerkt.
Een belangrijk aspect is het vermogen om evolutionair te leren. In de loop van negen maanden nam de prestatie van het systeem toe van een verbetering van 12% bij de eerste lancering tot ongeveer 30% verbetering.
Dan Fuenffinger, operator bij Google, merkte op: "Het was verbazingwekkend om te zien hoe AI leerde om de winterse omstandigheden te benutten en kouder water dan normaal te produceren. De regels worden na verloop van tijd niet beter, maar AI wel'.
Het systeem beheert 19 cruciale operationele parameters tegelijkertijd:
De operationele veiligheid wordt gegarandeerd door redundante mechanismen. De optimale acties die door de AI worden berekend, worden gecontroleerd aan de hand van een interne lijst met door de operator gedefinieerde beveiligingsbeperkingen. Na verzending naar het fysieke datacenter controleert het lokale besturingssysteem de instructies opnieuw . DeepMind AI verlaagt het energieverbruik voor het koelen van de datacenters van Google met 40 procent.
Operators behouden altijd de controle en kunnen de AI-modus op elk moment verlaten, waarbij ze naadloos overgaan op traditionele regels.
De industrie erkent de beperkingen van Power Usage Effectiveness als metriek. Uit een onderzoek van het Uptime Institute uit 2014 bleek dat 75 procent van de respondenten vond dat de industrie een nieuwe efficiëntiestandaard nodig had. Problemen zijn onder andere klimaatbias (onmogelijk om verschillende klimaten te vergelijken), tijdmanipulatie (metingen tijdens optimale omstandigheden) en uitsluiting van componenten.
Elk datacenter heeft een unieke architectuur en omgeving. Een aangepast model voor het ene systeem is mogelijk niet toepasbaar op een ander systeem, waardoor een algemeen intelligentieraamwerk nodig is.
De nauwkeurigheid van het model hangt af van de kwaliteit en kwantiteit van de invoergegevens. De fout in het model neemt over het algemeen toe bij PUE-waarden boven 1,14 vanwege de schaarste aan overeenkomstige trainingsgegevens.
Er zijn geen onafhankelijke audits door grote accountantskantoren of nationale laboratoria gevonden, en Google heeft 'geen audits door derden nagestreefd' die verder gaan dan de minimale federale vereisten.
In 2024-2025 verlegde Google het accent drastisch naar:
Deze verandering geeft aan dat AI-optimalisatie praktische grenzen heeft bereikt voor de thermische belasting van moderne AI-toepassingen.
AI-optimalisatie voor koeling heeft ook toepassingen buiten datacenters:
Energiebesparingen op koelsystemen resulteren in:
Fase 1 - Beoordeling: Energie-audit en in kaart brengen van bestaande systemenFase2 - Pilot: Testen in een gecontroleerde omgeving op een beperkt deelFase3 - Uitrol: Geleidelijke uitrol met intensieve monitoringFase4 - Optimalisatie: Continue afstemming en capaciteitsuitbreiding
Drie datacenters zijn officieel bevestigd: Singapore (eerste installatie 2016), Eemshaven in Nederland en Council Bluffs in Iowa. Het systeem is operationeel in meerdere datacenters van Google, maar de volledige lijst is nooit openbaar gemaakt.
Het systeem zorgt voor een reductie van 40% in het energieverbruik voor koeling. Aangezien koeling ongeveer 10% van het totale verbruik uitmaakt, is de totale energiebesparing ongeveer 4% van het totale verbruik van het datacenter.
Het systeem bereikt een nauwkeurigheid van 99,6% in het voorspellen van de PUE met een gemiddelde absolute fout van 0,004 ± 0,005, wat overeenkomt met een fout van 0,4% voor een PUE van 1,1. Als de werkelijke PUE 1,1 is, voorspelt de AI tussen 1,096 en 1,104.
Het maakt gebruik van verificatie op twee niveaus: eerst controleert de AI de beveiligingsbeperkingen die door de operators zijn gedefinieerd, daarna controleert het lokale systeem de instructies opnieuw. Operators kunnen de AI-controle altijd uitschakelen en terugkeren naar traditionele systemen.
Implementatie duurt meestal 6-18 maanden: 3-6 maanden voor gegevensverzameling en modeltraining, 2-4 maanden voor pilottesten, 3-8 maanden voor gefaseerde implementatie. De complexiteit varieert aanzienlijk afhankelijk van de bestaande infrastructuur.
Er is een multidisciplinair team nodig met expertise op het gebied van data science/AI, HVAC-engineering, facility management, cyberbeveiliging en systeemintegratie. Veel bedrijven kiezen voor partnerschappen met gespecialiseerde leveranciers.
Ja, de AI leert automatisch gebruik te maken van seizoensgebonden omstandigheden, zoals het produceren van kouder water in de winter om koelenergie te verminderen. Het systeem verbetert voortdurend door weer- en klimaatpatronen te herkennen.
Elk datacenter heeft een unieke architectuur en omgeving, waardoor er veel maatwerk nodig is. De complexiteit van de implementatie, de behoefte aan specifieke gegevens en de vereiste expertise maken direct marketing complex. Na acht jaar is deze technologie nog steeds uitsluitend intern bij Google.
Er zijn geen onafhankelijke audits door grote accountantskantoren (Deloitte, PwC, KPMG) of nationale laboratoria gevonden. Google heeft een ISO 50001-certificering, maar 'streeft geen audits door derden na' die verder gaan dan de minimale federale vereisten.
Absoluut. AI-optimalisatie voor koeling kan worden toegepast op industriële installaties, winkelcentra, ziekenhuizen, bedrijfskantoren en elke faciliteit met complexe HVAC-systemen. De principes van multivariabele optimalisatie en voorspellende regeling zijn universeel toepasbaar.
Het Google DeepMind AI-koelsysteem vertegenwoordigt een technische innovatie die binnen een specifiek domein incrementele verbeteringen realiseert. Voor bedrijven die energie-intensieve infrastructuren beheren, biedt deze technologie concrete mogelijkheden voor optimalisatie van koeling, zij het met de benadrukte beperkingen van schaal.
Belangrijkste bronnen: Jim Gao Google Research paper, DeepMind Official Blog, MIT Technology Review, Patent US20180204116A1.
.svg)
.svg)
.svg)
.jpeg)
.jpeg)