論文の概要: From Accounting to Coordination: A Virtual Water-Aware Electricity-Computation-Water Nexus Framework for Data Center Dispatch

• arxiv url: http://arxiv.org/abs/2605.25854v1
• Date: Mon, 25 May 2026 13:45:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:20.225574
• Title: From Accounting to Coordination: A Virtual Water-Aware Electricity-Computation-Water Nexus Framework for Data Center Dispatch
• Title（参考訳）: 会計からコーディネーションへ - データセンター分散のための仮想水面対応電力計算型Nexusフレームワーク
• Authors: Haiyang You, Chengwei Lou, Jin Zhao, Yue Zhou, Lu Zhang, Jin Yang,
• Abstract要約: データセンターは電力需要の持続的な増加と、それに伴う水流出を世代別で推進している。 既存のアプローチは、水のフットプリントを定量化するために静的統計会計に依存している。 本稿では, 電力系統の配電に仮想水の影響を直接内包する運用型電気計算・水ネクサス・フレームワークを開発する。
• 参考スコア（独自算出の注目度）: 13.519232591152353
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The expansion of data centers (DCs) drives a sustained increase in electricity demand and associated water withdrawals at generation sites. These withdrawals occur at generation sites and are virtually allocated to demand based on network power flows. Consequently, the actual water footprint of a specific load varies dynamically with generation dispatch and network conditions. Existing approaches typically rely on static statistical accounting to quantify these water footprints. However, such static methods fail to capture how dispatch optimization and workload relocation dynamically affect water withdrawals. As a result, static statistical accounting approaches remain decoupled from the optimization process, rendering them incapable of guiding workload relocation or power dispatch to mitigate water stress. To address this limitation, this paper develops an operational electricity-computation-water (ECW) nexus framework that internalizes virtual water impacts directly into power system dispatch. The framework represents dispatch optimization as a differentiable optimization layer embedded within a deep learning architecture, enabling efficient end-to-end learning of coordination policies while preserving operational feasibility. Combined with fixed-point coordination, the framework enforces consistency between virtual water attribution and physical generation-side withdrawals. Case studies on the IEEE 30-bus and 118-bus test systems demonstrate reliable convergence, exact power-water consistency, and reductions of approximately 3-5% in generation-related freshwater withdrawals under water-constrained conditions.
• Abstract（参考訳）: データセンター(DC)の拡大は、発電所における電力需要の持続的な増加とそれに伴う水流出を引き起こす。 これらの撤退は世代別で発生し、ネットワーク電力の流れに基づいて需要に事実上割り当てられる。 その結果、特定の負荷の実際の水のフットプリントは、ジェネレーションディスパッチやネットワーク条件によって動的に変化する。 既存のアプローチは通常、これらの水のフットプリントを定量化するために静的な統計会計に依存している。 しかし、このような静的な手法は、ディスパッチ最適化とワークロードのリロケーションが動的に水の離脱にどのように影響するかをキャプチャすることができない。 その結果、静的な統計会計手法は最適化プロセスから切り離されたままであり、負荷の移動や水ストレスを軽減するための電力供給を誘導できない。 この制限に対処するため,電力系統の配電に仮想水の影響を直接内包する運用用電気計算水(ECW)ネクサス・フレームワークを開発した。 このフレームワークは、ディスパッチ最適化をディープラーニングアーキテクチャに埋め込まれた差別化可能な最適化レイヤとして表現し、運用可能性を維持しながら、コーディネーションポリシーの効率的なエンドツーエンド学習を可能にする。 固定点調整と組み合わせて、このフレームワークは仮想水属性と物理世代側の離脱の一貫性を強制する。 IEEE 30-bus および 118-bus 試験システムのケーススタディでは、水に拘束された条件下での世代関連淡水流出において、信頼性の高い収束、正確な電力-水の整合性、約3.5%の削減が示されている。

関連論文リスト

• Q-Flow: Stable and Expressive Reinforcement Learning with Flow-Based Policy [51.31164293751206]
  Q-Flowは、フローダイナミクスの決定論的性質を利用して、ポリシーによって引き起こされるフローに沿って遅延状態を明確に伝播するフレームワークである。 OGBenchスイートのオフライン学習環境でのQ-Flowの評価では,最先端のベースラインを平均10.6ポイント上回っている。
  論文  参考訳（メタデータ） (2026-05-13T12:31:02Z)
• WaterAdmin: Orchestrating Community Water Distribution Optimization via AI Agents [21.130467500413737]
  エネルギー消費を最小化しつつ,水需要を満たすためにポンプとバルブを計画する必要がある地域水システムの運用について検討する。 既存の最適化手法は、十分にモデル化された環境で有効である。 我々は、LLMベースのコミュニティコンテキスト抽象化を上位レベルで統合し、最適化ベースの操作制御を下位レベルで行う、双方向AIエージェントベースのフレームワーク、WaterAdminを提案する。
  論文  参考訳（メタデータ） (2026-04-11T20:33:37Z)
• Iterative Refinement of Flow Policies in Probability Space for Online Reinforcement Learning [56.47948583452555]
  固定ステップのEulerスキームによるフローマッチング推論プロセスの離散化は,最適輸送から変化するJordan-Kinderlehrer-Otto原理と整合する,というキーインサイトに基づいて,SWFP(Stepwise Flow Policy)フレームワークを紹介した。 SWFPは、大域的な流れを、プロキシメート分布間の小さな漸進的な変換の列に分解する。 この分解は、小さな流れブロックのカスケードを介して事前訓練された流れを微調整する効率的なアルゴリズムを導き、大きな利点をもたらす。
  論文  参考訳（メタデータ） (2025-10-17T07:43:51Z)
• PowerGrow: Feasible Co-Growth of Structures and Dynamics for Power Grid Synthesis [75.14189839277928]
  本稿では,運用効率を維持しながら計算オーバーヘッドを大幅に削減する,共同生成フレームワークPowerGrowを提案する。 ベンチマーク設定による実験では、PowerGrowはフィデリティと多様性において、事前の拡散モデルよりも優れていた。 これは、運用上有効で現実的な電力グリッドシナリオを生成する能力を示している。
  論文  参考訳（メタデータ） (2025-08-29T01:47:27Z)
• Operator-based machine learning framework for generalizable prediction of unsteady treatment dynamics in stormwater infrastructure [3.919683312513903]
  コスト効率の高い設計と計画には,その場での処理性能の正確な評価が不可欠である。 従来のループ型動的モデルは計算効率が良いが、輸送と反応のプロセスが単純化され、予測精度と洞察が制限される。 本研究では,水理と粒子状物質(PM)の空間的・時間的ダイナミクスを予測するために,最先端の演算子学習を活用する複合演算子ベースニューラルネットワーク(CPNN)フレームワークを開発した。
  論文  参考訳（メタデータ） (2025-07-07T06:02:42Z)
• Lightweight Task-Oriented Semantic Communication Empowered by Large-Scale AI Models [66.57755931421285]
  大規模人工知能(LAI)モデルは、リアルタイム通信シナリオにおいて重大な課題を提起する。 本稿では,LAIモデルから知識を抽出・凝縮するために知識蒸留(KD)技術を活用することを提案する。 本稿では,反復推論の必要性を排除したプレストア圧縮機構を備えた高速蒸留法を提案する。
  論文  参考訳（メタデータ） (2025-06-16T08:42:16Z)
• Dynamic Domain Adaptation-Driven Physics-Informed Graph Representation Learning for AC-OPF [15.100794164684956]
  交流最適潮流(AC-OPF)は、電力系統における電圧の大きさと位相角の非形式的関係を利用して発電機出力を最適化することを目的としている。 現在のAC-OPFソルバは、制約空間における変数分布と対応する最適解の間の複雑な関係を効果的に表すのに苦労している。 本稿では,制約に関連した問題に対処し,グラフベースの学習フレームワークを構築するための新しい手法であるDDA-PIGCNを提案する。
  論文  参考訳（メタデータ） (2025-05-31T09:07:19Z)
• Hybrid Reinforcement Learning for Optimizing Pump Sustainability in Real-World Water Distribution Networks [55.591662978280894]
  本稿では,実世界の配水ネットワーク(WDN)のリアルタイム制御を強化するために,ポンプスケジューリング最適化問題に対処する。 我々の主な目的は、エネルギー消費と運用コストを削減しつつ、物理的な運用上の制約を遵守することである。 進化に基づくアルゴリズムや遺伝的アルゴリズムのような伝統的な最適化手法は、収束保証の欠如によってしばしば不足する。
  論文  参考訳（メタデータ） (2023-10-13T21:26:16Z)
• Wirelessly Powered Federated Edge Learning: Optimal Tradeoffs Between Convergence and Power Transfer [42.30741737568212]
  無線電力伝送(WPT)を用いた電力機器の解法を提案する。 本研究の目的は、無線で駆動するFEEL(WP-FEEL)システムの導入に関するガイドラインの導出である。 その結果、WPTプロビジョニングに関する有用なガイドラインを提供し、学習パフォーマンスの保証を提供します。
  論文  参考訳（メタデータ） (2021-02-24T15:47:34Z)
• Accelerating Deep Reinforcement Learning With the Aid of Partial Model: Energy-Efficient Predictive Video Streaming [97.75330397207742]
  深層強化学習を用いて,モバイルネットワーク上でのエネルギー効率の高いビデオストリーミングのための予測電力割り当てを考案した。 連続状態と行動空間を扱うために、我々はDeep Deterministic Policy gradient (DDPG)アルゴリズムを利用する。 シミュレーションの結果,提案手法は完全大規模チャネル予測に基づいて導出される最適方針に収束することが示された。
  論文  参考訳（メタデータ） (2020-03-21T17:36:53Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。