1、：年 月 第 卷 第 期计及负载特性的数据中心微电网双层优化配置李彬，杜亚彬，曹望璋，祁兵，陈宋宋（华北电力大学电气与电子工程学院，北京；中国电力科学研究院有限公司，北京）摘 要：为解决数据中心微电网前期容量规划不合理，无法适应数据中心运行特性的问题，同时为提高数据中心微电网的供电经济性和可再生能源消纳能力，文中提出了计及负载特性的数据中心微电网容量双层优化配置模型。使用基于场景缩减的选择方法应对可再生能源出力的不确定性，同时解决大量场景带来的计算复杂性问题。根据不同负载的特性，考虑其时间维度上的灵活性，制定相应的负载分配策略。采用带有精英策略的非支配排序遗传算法（，）与 结合的方式进行求解，
2、最后利用模糊多属性决策方法获得折衷最优解，合理规划微电网内储能系统、光伏和风机的容量。算例表明，所提方法降低了数据中心微电网建设与运行成本，减少了碳排放，提高了数据中心运营商的满意度。关键词：数据中心微电网；可再生能源；负载特性；双层优化；折衷最优解；场景缩减法中图分类号：文献标志码：文章编号：（）收稿日期：；修回日期：基金项目：国家自然科学基金资助项目（）；国家电网有限公司总部科技项目（）引言随着、云计算、人工智能等新一代信息技术的快速发展，信息技术与传统产业的融合加速，全球数据中心产业规模不断扩大，中国数据中心总能耗也将超过 亿千瓦时。浙江省发展改革委发布的浙江省关于建立健全高耗能行业阶梯
3、电价和单位产品超能耗限额标准惩罚性电价的实施意见（征求意见稿）中将数据中心列为高能耗行业。年 月 日，国务院下发关于 年前碳达峰行动方案的通知，要求到 年，非化石能源消费比重达到，风电、太阳能发电总装机容量超过 亿千瓦。因此，国家大力鼓励企业探索分布式光伏发电、燃气分布式供能等配套系统建设，引导新型数据中心向可再生能源发电侧方向发展，就地消纳可再生能源，优化用能结构。数据中心亟须节能降耗，充分利用可再生能源，减少碳排放。国内外众多学者针对数据中心使用可再生能源降低能耗进行了大量研究，主要思路是利用储能设备和不间断电源来解决可再生能源间歇性问题，通过与电网交互来解决能源供应不足或能源不能完全消纳
4、的问题，从而提高数据中心可再生能源利用率并减少运行成本。数据中心的负载具有很大的灵活性，部分文献重点研究负载分配策略，如文献考虑了工作量分配的随机性特征，制定随机资源规划方案，从而优化数据中心的能源成本，减少碳排放。文献以减少运行成本或提高可再生能源利用率为目的，将负载分配策略运用到数据中心可再生能源微电网中。围绕数据中心建立包括可再生能源和储能在内的微电网已成为一种趋势，上述研究侧重于数据中心如何利用可再生能源，减少可再生能源随机性的影响及负载分配策略，缺乏对数据中心可再生能源微电网前期容量规划的研究。传统微电网中的负荷如电动汽车，工业生产负荷等可根据电价、可再生能源出力调整用电计划，提前进
5、行后续计划的任务，实现负荷前移。但数据中心的任务来自互联网用户，在用户提交需求后数据中心才可进行任务，即数据中心不会和其他传统可调节负荷一样进行负荷的前移，只能在用户提交任务后在处理周期之内进行调节，具有单向转移的特征，且不同类型任务的处理周期也存在不同。如果按照传统工业生产负荷去配置，可能会导致配置容量不合理，不能实现可再生能源的充分利用和数据中心的经济运行。因此，部分学者针对如何合理规划数据中心微电网，降低建设及运行成本展开了研究。文献针对数据中心服务器的类型、数量及风光储供能系统进行了规划，但输入数据体量较大，计算复杂；文献根据电网中各类资源之间的相互影响，提出一种针对数据中心及储能系统
6、的容量规划方案，忽视了风光可再生能源的配置。文献考虑电、热负荷之间的耦合关系，对数据中心综合能源系统进行了规划；文献考虑了数据中心微电网建设和运行相关的总体规划成本，对分布式数据中心微电网的长期投资和短期运行进行了建模，但未考虑延时容忍型负载。针对上述问题，文中在已有研究的基础上，构建计及负载特性的数据中心微电网双层容量优化模型。上层为多目标容量规划层，下层为运行优化层，并应用场景缩减法处理可再生能源的不确定性，降低计算复杂度。最后，使用带有精英策略的非支配排序遗传算法（，）与 完成求解。在求得的 前沿面中利用模糊多属性决策方法获得折衷最优解。数据中心微电网模型如图 所示，数据中心微电网主体包
7、括风光储系统和数据中心。微电网可与大电网交互，出售和购买电能。数据中心内部包括服务器集群、冷却系统、电源分配单元（，）以及能量管理系统等。在接收到用户任务请求，将其放入请求队列中后，管理系统会结合采集的可再生能源出力、储能容量、请求队列和服务器运行状态等信息在任务周期内把用户请求任务交给相应的服务器进行处理。图 数据中心微电网架构 风光储系统模型光伏发电系统的输出功率与辐照度和环境温度有关，具体关系为：，（）|（）式中：，为典型场景 下光伏发电系统 时刻的输出功率；，为典型场景 下 时刻的辐照度；为标准状态下的辐照度；为光伏发电系统的额定输出功率；为功率温度因数；为 时刻环境温度；为辐照吸收系
8、数；为热交换系数；为光伏组件的光电转换效率；为标准状态下的温度。风力发电系统输出功率受风速变化的影响呈现波动性，其发电功率与风速的关系为：，|，|（）式中：，、，分别为典型场景 下风机 时刻的输出功率与风速；，、，分别为切入、切出风速；、，分别为风机额定功率和风机达到额定功率时的风速。蓄电池作为微电网中的储能系统，能够实时充放电以满足电网负荷变化的需求，合理地充放电在一定程度上能解决可再生能源的间歇性问题，典型场景 下 时刻蓄电池电量，的数学模型为：，（），|，|（）式中：为储能系统的自放电率；、分别为 时刻储能系统充电、放电效率；，、，分别为典型场景 下 时刻储能系统充电、放电功率；为单位调
9、度时长；为储能系统的额定充放电功率；、为 变量，储能系统处于充电状态，储能系统处于放电状态，并且充放电不能同时进行。数据中心模型数据中心的功耗主要来源于服务器、冷却设备以及内部配电系统，用电设备的功耗与服务器处理的工作负载有直接关系。工作负载处理数量增加，服务器功耗增加，散发热量增加，制冷系统工作密度增加，数据中心整体能耗增加。数据中心须处理前端处理器所带来的工作负载，在场景 中，数据中心服务器 时刻的功率，为：，（），（）式中：、分别为数据中心单台服务器的峰值功率和闲时功率；为数据中心的服务速率，与 的运行频率有关；，为场景 中数据中心 时刻要处理的延时容忍型工作负载量；，为场景 中 时刻前
10、端处理器工作的数量。在场景 中，数据中心制冷设备能耗为：，（，），（）式中：，为场景 中 时刻服务器对应制冷设备的能耗；，为制冷设备的送风温度。正常情况下，制冷设备的送风温度可用式（）进行约束。，|（）式中：，为服务器的入口温度；为数据中心内部空气密度，通常取 ；为制冷设备运行时的空气流速，取 ；为空气的比热容，通常取 （）；为热分布系数，取值为；为设定温度，可取 。数据中心需要相当大的基础设施来简单地分配不间断、稳定的电力。将数据中心的高压电转换为适合服务器工作的电压，但会产生一定的功率损耗。在场景 中，在 时刻的功率，为：，（，）（）式中：，为场景 中 在 时刻的空闲功率；为能耗系数。因此
11、数据中心的总功耗，为：，（）电网交互模型数据中心微电网可与大电网进行能量交互，从电网购电或售电来满足自身负荷的需求。数据中心与电网交互的功率，为：，（）式中：，为场景 中 时刻电网向数据中心提供的功率；，为场景 中 时刻数据中心馈入电网的功率。双层优化模型风机和光伏的输出功率具有间歇性和不可调度性，蓄电池能根据数据中心用能需求与出力之间的差额进行填补。通过联络线，数据中心微电网可与大电网进行能量交换，从而满足自身负荷需求。文中提出了双层优化配置策略，上层为数据中心微电网的风机、光伏和蓄电池容量规划，下层为数据中心微电网的运行策略，具体如图 所示。图 双层优化配置策略架构 首先，每 个月的数据分
12、为一组，使用 算法对风速、光照强度历史数据进行聚类，利用概率相加的方式对聚类场景进行加权，得到典型场景。然后，构建双层优化配置模型。上层以数据中心微电网年投资成本与碳排放量最小为目标，对风光储进行规划；下层以各场景下运行成本最小为目标对各时间段负载处理量、风光储的出力情况和与电网交互情况进行优化。双层模型的求解流程如下：首先，上层模型随机生成种群并将其传递给下层模型；其次，根据下层输入的设备容量数据和各典型场景下气象数据与负载需求，调用 求解器，求解最优运行方案，返回给上层模型；然后，上层模型根据下层模型返回的方案进行非支配排序和拥挤度计算，通过选择、交叉、变异生成新的种群；最后，将新种群传送
13、到内部模型进行循环迭代计算，当迭代次数达到设定值时，停止循环并输出最后一代种群。求得的 前沿面上各最优解的模糊隶属度函数取值为决策满意度，在所有 最优解中取满意度最高的解作为多目标优化问题的最优折衷解。模糊隶属度函数如式（）所示。李彬 等：计及负载特性的数据中心微电网双层优化配置，|（）式中：，为标准化条件下第 个最优解的第 个目标函数的满意度；，为第 个最优解的第 个目标函数值；，、，分别为第 个最优解的第 个目标函数的最大与最小值。以满意度为评价指标，则标准化最优计算为：，（）式中：为标准化条件下第 个最优解的满意度；为目标函数数量；为 前沿面上最优解数量。上层优化模型 目标函数上层优化模
14、型以风电、光伏发电系统的额定装设容量、蓄电池的额定容量以及最大充放功率为规划变量。各目标及其函数表达式如下。（）年折算投资成本与运行成本 最小。（）（）式中：为主要发电设备购置成本；为蓄电池购换置成本；为辅助设备购置成本；为资金回收系数；为数据中心运行成本。各参数计算见式（）。（）（）（）|（）式中：为折现率；为规划使用年限；、分别为风电、光伏发电系统的单位容量成本；为蓄电池额定容量；、分别为蓄电池的单位功率成本和单位容量成本；为蓄电池的使用年限；为比例系数；为典型场景 中数据中心的运行成本；为典型场景数量。（）碳排放量 最小。|，|（）式中：为燃料类型总量；为第 种燃料在发电时的碳排放率；为
15、第 种燃料出力占比。约束条件在规划时考虑到场地、资金等实际情况，对数据中心微电网进行约束：，|（）式中：，、，分别为 的上下限；，、，分别为 的上下限；，、，分别为的上下限；，、，分别为 的上下限。下层优化模型 负载特性分析数据中心的业务负载类型通常可以分为 类：延时敏感型工作负载和延时容忍型工作负载。延时敏感型工作负载如实时用户请求和 服务，处理时间为秒级，基本上不具备调节能力。而延时容忍型工作负载，只要在指定时间内完成即可，其时间要求一般为小时级，在时间维度上具备较强的灵活性。可通过合理调节延时容忍型工作负载算力需求在时间上的分布，实现数据中心的经济运行。由于可再生能源多分布在西部地区，数
16、字产业多布局在东中部负荷中心，所以可将东中部的延时容忍型任务转移到西部进行，既平衡了负荷，又增加了当地可再生能源消纳。因此文中仅考虑延时容忍性工作负载。文中使用队列模型对延时容忍型工作负载进行表述，如式（）所示。，（）式中：，为场景 中 时刻第 类延时容忍型工作负载的队列长度；，、，分别为 时刻数据中心到达与处理的第 类延时容忍型工作负载量。为保证在截止时间之前完成任务，须满足式（）。，|（）式中：，为场景 中 时刻安排处理第 类延时容忍型工作负载的前端服务器数量；为批处理负载总类型数；为截止时刻；为第 类延时容忍型负载的处理截止时刻。在数据中心中，服务器可以在活动状态或节能状态下工作。节能状态下的功耗几乎为，因此始终希望将尽可能多的负载任务分配给某些活动服务器，并将其余服务器保留为节能状态，以减少数据中心的能耗，但是服务器状态的频繁转换也会造成功耗。服务器状态转化的功耗如式（）所示，在服务器开启的整个时间内，电力消耗以峰值速率进行。，（）式中：，为场景 下 时刻服务器状态转化的功耗；（，）；为服务器从休眠状态转为活跃状态的时间。目标函数各场景以 为一个运行周期，单位调度时长 为 ，以
