1 引言
随着互联网、云计算、大数据和人工智能等数字技术与传统产业的深度融合,数据中心的规模和数量迅速扩大,高能耗和碳排放的问题备受关注[1 ⇓ -3 ] 。据预测,到2035年,我国数据中心和5G总用电量将达6 951~7 820亿kW·h,是2020年的2.5~3倍,占全社会用电量的5%~7%。与此同时,数据中心和5G的碳排放总量将达到2.3~3.1亿吨,占中国碳排放量的2%~4%,其中,数据中心碳排放将比2020年增长最高为103%[4 ] 。因此,研究数据中心源荷协调的低碳优化调度问题,对其电源侧、负荷侧等各种资源进行优化配置,实现数据中心的低碳绿色发展,对于实现“碳达峰”、“碳中和”的“双碳目标”有着积极的作用。
数据中心的数据负荷一般被分为可延迟型数据负荷和即时型数据负荷[3 ] 。国内外针对数据中心微电网优化调度的研究主要集中在以下几个方面。一是基于电价时间和地域的差异性,将数据负荷分配到电价较低的数据中心处理来降低运营成本[5 ⇓ -7 ] 。文献[5 ]基于电价的时间差异性,提出了考虑不同时间段耦合的批处理数据负荷最优分配方法。文献[6 ]基于时间地域上的差异性,研究了实时市场环境下数据负荷调度问题。文献[7 ]同时考虑了时间和地域上电价的差异性,充分利用储能“削峰填谷”的特性,研究了含储能的分布式数据中心能耗优化方法。二是利用可延迟型数据负荷在不同数据中心或同一数据中心不同服务集群可灵活转移的特性,通过需求响应的方法,引导数据负荷的合理分配。文献[8 ]提出了考虑电价随机性的数据中心日前需求响应调度模型,以降低数据中心运行成本。文献[9 ]提出了关于基于纳什均衡的数据中心需求响应模型,通过批处理数据负荷的转移和动态服务器分配来最小化分布式数据中心成本。文献[10 ]研究了基于Stackelberg博弈模型的数据中心需求响应模型,在数据中心间合理分配数据负荷以实现经济效益最大化。三是在综合考虑微电网或综合能源系统运行特性及相关物理约束的基础上,联合优化数据中心电源侧发电和数据负荷分配等资源,以达到数据中心运行成本最小化或收益最大化的目的。文献[11 ]考虑到风电、光伏供应、电力和热力需求的不确定性,建立了一个两阶段随机规划模型,实现了热、电资源的联合优化调度。文献[12 ]提出了一种考虑电价、可再生能源不确定性和风险因素的数据中心日前调度随机模型来最大化数据中心虚拟电厂的利润。文献[13 ]建立了综合经济和环境效益的数据中心综合能源系统调度模型,提出一种联合优化方法并验证了有效性。以上文献着重于数据中心数据负荷的优化分配、需求响应潜力分析以及数据中心微电网或综合能源系统的建模与优化运行,并未考虑电转气(Power-to-gas,P2G)和碳捕集与封存(Carbon capture and storage,CCS)技术在数据中心方面的应用。
电转气和碳捕集技术为新型能源转换、储存以及低碳发展提供了新的途径。文献[14 ]研究了含碳捕集和电转气系统的多能流间的逻辑关系,分析了两者在节能降排方面的作用。文献[15 ]考虑碳捕集电厂-电转气系统,研究了电转气消纳新能源与碳利用的协调优化。文献[16 ]以实现多类型能源的协同优化和经济效益最优为出发点,综合考虑分布式发电机组的出力特性、投资效益及碳减排政策,研究了储能系统的容量优化配置。上述研究为碳捕集-电转气在数据中心层面的应用提供了有效的思路。
本文提出了一种考虑电转气和碳捕集的数据中心微电网“源-荷”协调低碳优化调度模型。在电源侧建立含风、光、分布式发电机组(Distributed generators,DGs)、热电联产机组(Combined heat and power,CHP)、储能电池、CCS和P2G的综合供能系统。在负荷侧,针对数据中心能耗变化主要取决于服务器工作/空闲比例,建立含可延迟型和即时型两种数据负荷的服务器功耗模型。利用不同电源的能量资源在能量/功率上的互补性,通过优化数据中心数据负荷分配,充分挖掘各电源间的互补协调潜能。最后采用仿真算例验证了所提模型的有效性。
2 模型描述
图1 为数据中心微电网的基本结构,主要包含发电设备(风电、太阳能、DG机组、热电联产机组)、电池设备、碳捕集装置、电转气系统和数据中心等。微电网通过可再生能源发电、发电机组、储能电池和燃料电池以及外部购电提供电力需求。另外,微电网对外还可购买天然气。需要说明的是,电网和天然气网一般是在大范围内联网,而热需求由于受制于就近供需特点和传输延时特性,一般仅在局部小范围内传输。因此,在本文模型中,假定热能仅在内部传输。
图1
2.1 数据中心的功耗模型
本文将数据中心服务器划分为不同的集群,并且在同一个集群内所有服务器具有相同的主频和功耗[17 ] 。服务器集群$k$ $t$ $s$ ${{E}_{k,s}}(t)$
(1) ${{E}_{k,s}}(t)=P_{k}^{\text{I}}I_{k}^{\text{SC}}(t)+P_{k}^{\text{C}}{{U}_{k,s}}(t)+E_{k}^{\text{SU}}Y_{k}^{\text{SC}}(t)+E_{k}^{\text{SD}}Z_{k}^{\text{SC}}(t)$
式中,$P_{k}^{\text{I}}$ $k$ $P_{k}^{\text{C}}$ $k$ $E_{k}^{\text{SU}}$ $k$ $E_{k}^{\text{SD}}$ $k$ $Y_{k}^{\text{SC}}(t)$ $Z_{k}^{\text{SC}}(t)$ $I_{k}^{\text{SC}}(t)$ $k$
${{U}_{k,s}}(t)$
(2) ${{U}_{k,s}}(t)\text{=}\frac{\theta _{k,s}^{\text{RT}}(t)}{{{\mu }_{k}}}+\frac{\sum\limits_{\omega =1}^{NW}{{{f}_{\omega }}}\times \vartheta _{\omega,k,s}^{WK}(t)}{{{F}_{k}}}$
式中,$\theta _{k,s}^{\text{RT}}(t)$ $s$ $k$ $t$ ${{\mu }_{k}}$ $k$ ${{f}_{\omega }}$ $\omega $ ${{F}_{k}}$ $k$ $\vartheta _{\omega,k,s}^{WK}(t)$ $s$ $k$ $t$ $\omega $
数据中心用电负荷$P_{s}^{\text{SC}}(t)$ ${{E}_{k,s}}(t)$
(3) $P_{s}^{\text{SC}}(t)=\sum\limits_{k=1}^{K}{{{E}_{k,s}}(t)}$
数据中心的冷负荷$P_{s}^{\text{QC}}(t)$ [17 ] 。服务器集群的冷负荷$P_{s}^{\text{QC}}(t)$ $P_{s}^{\text{SC}}(t)$
(4) $P_{s}^{\text{QC}}(t)=P_{s}^{\text{SC}}(t)/LF(t)$
2.2 电转气系统精细化建模
一般来说,目前有两种常用的转化方式：一种是水电解之后产生氧气和所需的氢气;另一种则是在第一种方式制取氢气的前提下,再通入CO2 来获得所需的甲烷,其化学反应式分别为式(5)和式(6)
(5) $\text{2H}_{\text{2}}^{{}}\text{O}\to \text{2H}_{\text{2}}^{{}}+\text{O}_{\text{2}}^{{}}$
(6) $\text{CO}_{\text{2}}^{{}}\text{+4H}_{\text{2}}^{{}}\to \text{CH}_{4}^{{}}\text{+}2\text{H}_{\text{2}}^{{}}\text{O}$
在本文研究中,电转气系统既可以充分利用多余的发电资源,也可以弥补发电资源的不足。其中一种途径是在电能多余的前提下,水通过电解槽电解制取氢气,并且通过储氢罐保存起来,然后结合回收的CO2 制取CH4 燃料;另一种途径则是在电能不足的前提下,燃料电池通过利用储存的氢气将化学能转化为电能来供电。
2.2.1 电解槽模型
电解槽能够将水电解为氢气和氧气,其输出功率可表示为
(7) $P_{s}^{elsave}(t)=P_{s}^{el}(t)\eta _{el}^{{}}$
式中,$P_{s}^{el}$ $\eta _{el}^{{}}$
2.2.2 储氢罐模型
电解槽产出的氢气用途可分为两种,其中一种用途用于储存,另一部分则通过电转天然气循环回收。
(8) $E_{s}^{\text{HT}}(t)=E_{s}^{\text{HT}}(t-1)-P_{s}^{M,\text{g}}(t)+P_{s}^{elsave}(t)-P_{s}^{\tan k-fe}(t)$
式中,$E_{s}^{\text{HT}}(t)\text{/}E_{s}^{\text{HT}}(t-1)$ $t/t-1$ $s$
2.2.3 燃料电池模型
燃料电池将电解槽产出的氢气和氧气作为燃料,把化学能转化为电能,可用式(9)表示
(9) $P_{s}^{fe}(t)=P_{s}^{\tan k-fe}(t)\eta _{fe}^{{}}$
式中,$P_{s}^{\tan k-fe}$ ηfe 为燃料电池的工作效率。
2.2.4 甲烷反应器模型
氢气的配置比例、合成气的组成成分、化学反应的压力值和温度值等因素在氢气甲烷化过程中会影响化学反应的效率[18 ] ,因此,本文研究采用如式(10)所示的甲烷反应器模型
(10) $P_{s}^{M,g}(t)=\frac{\eta _{m}^{{}}E_{s}^{M,{{H}_{2}}}(t)H_{\ell }^{{}}\times 4}{\Upsilon }$
式中,$P_{s}^{M,g}(t)$ $t$ s 情景下甲烷反应器生成的天然气功率;${{\eta }_{m}}$ ${{H}_{\ell }}$ $E_{s}^{M,{{H}_{2}}}(t)$ $t$ Ω 情景下甲烷反应器的氢气输入量;4表示氢气合成天然气时摩尔质量折算系数;$\Upsilon $
2.3 碳捕集电厂模型
碳捕集电厂供给电能为除去碳捕集能耗的净输出功率。其运行模型如下所示
(11) $\left\{ \begin{align} & E_{n/l,s}^{\text{C}{{\text{O}}_{\text{2}}}}(t)={{\lambda }_{n/l}}(t){{\gamma }_{n/l}}(t){{\eta }_{n/l}}{{P}_{n/l,s}} \\ & P_{n/l,s}^{y}={{\theta }_{n/l}}E_{n/l,s}^{\text{C}{{\text{O}}_{\text{2}}}}(t) \\ & P_{n/l,s}^{j}=P_{n/l,s}^{{}}-P_{n/l}^{o}-P_{n/l,s}^{y} \\ \end{align} \right.$
式中,${{\gamma }_{n/l}}\text{(}t\text{)}$ $n/l$ 2 排放强度;${{\lambda }_{n/l}}\text{(}t\text{)}$ ${{\eta }_{n/l}}$ 2 的捕集效率;$E_{n/l,s}^{\text{C}{{\text{O}}_{\text{2}}}}\text{(}t\text{)}$ $t$ $s$ 2 量。${{\theta }_{n/l}}$ 2 的能耗;$P_{n/l,s}^{y}$ $P_{n/l,s}^{j}$ $n/l$ $P_{n/l}^{o}$
2.4 电转气系统碳利用量和天然气生成量模型
碳捕集电厂捕捉的CO2 总量$E_{n/l,s}^{\text{C}{{\text{O}}_{\text{2}}}}\text{(}t\text{)}$ $E_{s}^{rec}\text{(}t\text{)}$
甲烷反应器消耗的CO2 总量$E_{s}^{rec}\text{(}t\text{)}$
(12) $E_{s}^{rec}(t)\text{=}{{\alpha }_{\text{c}{{\text{o}}_{\text{2}}}}}P_{s}^{M,g}(t)$
式中,${{\alpha }_{\text{c}{{\text{o}}_{\text{2}}}}}$ 2 量。
甲烷反应器生成的天然气体积$V_{s}^{\text{C}{{\text{H}}_{\text{4}}}}\text{(}t\text{)}$
(13) $V_{s}^{\text{C}{{\text{H}}_{\text{4}}}}(t)\text{=}V_{s}^{{{\text{Q}}_{\text{2}}}}(t)=\frac{P_{s}^{M,g}(t)}{{{H}_{\ell }}}$
式中,$V_{s}^{\text{C}{{\text{H}}_{\text{4}}}}$ $V_{s}^{{{\text{Q}}_{\text{2}}}}$ 4 和CO2 的体积。
3 源荷协调随机优化模型
3.1 目标函数
优化模型以所有情景下的数据中心微电网总成本最小化为目标。所提出的数据中心微电网低碳经济优化调度模型目标函数包含DG、CHP机组运行成本,CO2 排放成本,电网交互成本,电转气系统的损耗成本和甲烷反应器的原料成本,目标函数如式(14)定义
(14) $\min \sum\limits_{s=1}^{S}{\sum\limits_{t=1}^{T}{{{\Pr }_{s}}(t)}}\times {{F}_{s}}(t)$
(15) $\begin{matrix} {{F}_{s}}(t)=\sum\limits_{n=1}^{N}{[C_{n,s}^{pr}(t)+}C_{n}^{ud}(t)]\text{+}\sum\limits_{l=1}^{L}{[C_{l,s}^{pr}(t)+}C_{l}^{ud}(t)]\text{+} \\ C_{s}^{\text{grid}}(t)\text{+}C_{s}^{\text{C}{{\text{O}}_{\text{2}}}}(t)\text{+}C_{s}^{\text{HGESS}}(t)+C_{s}^{\text{Buy}}(t) \\ \end{matrix}$
式中,${{\Pr }_{s}}(t)$ $s$ $T$ $S$ ${{F}_{s}}(t)$ $t$ $s$
(16) $C_{n,s}^{pr}(t)={{A}_{n}}I_{n}^{\text{DG}}(t)+\sum\limits_{d}{I{{F}_{n,d}}P{{X}_{n,d,s}}(t)}$
(17) $C_{n}^{ud}(t)=C_{n}^{\text{SU}}Y_{n}^{\text{units}}(t)+C_{n}^{\text{SD}}Z_{n}^{\text{units}}(t)$
式中,$C_{n,s}^{pr}(t)/C_{n}^{ud}(t)$ ${{A}_{n}}$ $I_{n}^{\text{DG}}(t)$ $I{{F}_{n,d}}$ $n$ $d$ $C_{n}^{\text{SU}}/C_{n}^{\text{SD}}$ $Y_{n}^{\text{units}}(t)/Z_{n}^{\text{units}}(t)$
(18) $C_{l,s}^{pr}(t)=c_{{}}^{gas}[(a_{Fl}^{{}}P_{l,s}^{\text{CHP}}(t)+b_{Fl}^{{}})-V_{s}^{\text{C}{{\text{H}}_{\text{4}}}}\text{(}t\text{)}]I_{l}^{\text{CHP}}(t)$
(19) $C_{l}^{ud}(t)=C_{l}^{\text{SU}}Y_{l}^{\text{units}}(t)+C_{l}^{\text{SD}}Z_{l}^{\text{units}}(t)$
式中,$C_{l,s}^{pr}(t)/C_{l}^{ud}(t)$ $a_{Fl}^{{}}$ $b_{Fl}^{{}}$ $I_{n}^{\text{CHP}}(t)$ $C_{l}^{\text{SU}}/C_{l}^{\text{SD}}$ $Y_{l}^{\text{units}}(t)/Z_{l}^{\text{units}}(t)$
(3) 二氧化碳排放成本包括机组排放CO2 的碳税成本和碳封存时的储碳成本
(20) $\begin{matrix} C_{s}^{\text{C}{{\text{O}}_{2}}}(t)=P_{{}}^{ts}[(\sum\limits_{n=1}^{N}{\mu _{n}^{\text{DG}}{{\lambda }_{n}}}(1-{{\eta }_{n}})P_{n,s}^{\text{DG}}\text{+} \\ \sum\limits_{l=1}^{L}{\mu _{l}^{\text{CHP}}{{\lambda }_{l}}(1-{{\eta }_{l}})}P_{l,s}^{\text{CHP}})+c_{{}}^{cs}\times \text{(}E_{n/l,s}^{\text{C}{{\text{O}}_{\text{2}}}}\text{(}t\text{)}-E_{s}^{rec}\text{(}t\text{))}] \\ \end{matrix}$
式中,$P_{{}}^{ts}$ $c_{{}}^{cs}$ 2 存储价格;$\mu _{n}^{\text{DG}}/\mu _{l}^{\text{CHP}}$ 2 排放强度;${{\eta }_{n}}/{{\eta }_{l}}$
(21) $C_{s}^{\text{grid}}(t)=\rho _{s}^{\text{grid}}(t)P_{s}^{\text{grid}}(t)$
式中,$\rho _{s}^{\text{grid}}(t)$ $t$ $s$
(22) $\begin{align} & C_{s}^{\text{P2G}}(t)\text{=}\rho _{s}^{\text{grid}}(t)\left[ (1-\eta _{el}^{{}})P_{s}^{el}\text{(}t\text{)}+ \right. \\ & \left( \frac{1-\eta _{fe}^{{}}}{\eta _{fe}^{{}}} \right)P_{s}^{fe}\text{(}t\text{)}+\left( \frac{1-\eta _{m}^{{}}}{\eta _{m}^{{}}} \right)\left. P_{s}^{M,g}\text{(}t\text{)} \right] \\ \end{align}$
(23) $C_{s}^{\text{Buy}}(t)\text{=}c_{{}}^{\text{Buy}}\times \text{ }\!\![\!\!\text{ }E_{n/l,s}^{\text{C}{{\text{O}}_{\text{2}}}}\text{(}t\text{)}-E_{s}^{rec}\text{(}t\text{) }\!\!]\!\!\text{ }$
式中,$c_{{}}^{\text{Buy}}$ 2 的价格。
3.2 约束条件
3.2.1 数据负荷约束
(24) $\sum\limits_{k=1}^{K}{{{\mu }_{k}}}-\sum\limits_{k=1}^{K}{\theta _{k,s}^{\text{RT}}(t)}\ge ICM\cdot \sum\limits_{k=1}^{K}{I_{k}^{\text{SC}}(t)}$
(25) $\sum\limits_{k=1}^{K}{{{F}_{k}}\times }I_{k}^{\text{SC}}(t)-\sum\limits_{w=1}^{NW}{\sum\limits_{k=1}^{K}{f_{w}^{{}}\cdot \vartheta _{w,k,s}^{\text{WK}}(t)}}\ge BCM$
(26) $\sum\limits_{k=1}^{K}{\theta _{k,s}^{\text{RT}}(t)}={{\Theta }_{s}}(t)$
(27) $\sum\limits_{k=1}^{K}{\vartheta _{w,k,s}^{\text{WK}}(t)}=I_{w,s}^{\text{WK}}(t)$
(28) $\sum\limits_{w=1}^{NW}{\vartheta _{w,k,s}^{\text{WK}}(t)}\le NW\times I_{k}^{\text{SC}}(t)$
(29) $\sum\limits_{t=1}^{DL_{w}^{{}}}{I_{w,s}^{\text{WK}}(t)}=TP_{w}^{{}}-TO_{w}^{{}}$
(30) $I_{w,s}^{\text{WK}}(t)=0\ \ \ \ \ \ \ \ \forall t\in \left[ DL_{w}^{{}}+1,NT \right]$
(31) $\text{wcu}_{w,s}^{{}}(t)\ge TP_{w}^{{}}\times Z_{w,s}^{\text{WK}}(t+1)$
(32) $0\le \text{wcu}_{w,s}^{{}}(t)\le TP_{w}^{{}}\times I_{w,s}^{\text{WK}}(t)$
(33) $\left( NT+1 \right)\cdot I_{w,s}^{\text{WK}}(t)-NT\le \text{wcu}_{w,s}^{{}}(t)-\text{wcu}_{w,s}^{{}}(t-1)\le 1$
(34) $Y_{w,s}^{\text{WK}}(t)-Z_{w,s}^{\text{WK}}(t)=I_{w,s}^{\text{WK}}(t)-I_{w,s}^{\text{WK}}(t-1)$
(35) $Y_{w,s}^{\text{WK}}(t)+Z_{w,s}^{\text{WK}}(t)\le 1$
式中,$ICM/BCM$ ${{\Theta }_{s}}(t)$ $t$ $s$ $TP_{w}^{{}}$ $w$ $TO_{w}^{{}}$ $DL_{w}^{{}}$ $\text{wcu}_{w,s}^{{}}(t)$ $Y_{w,s}^{\text{WK}}(t)/Z_{w,s}^{\text{WK}}(t)$
约束式(24)、(25)是为了保证服务器集群具备足够的冗余量,可以分别处理潜在的即时型和可延迟型数据负荷峰值。约束式(26)、(27)和(28)是数据负荷需求和服务器集群之间的关系约束。约束式(29)、(30)用于确保可延迟型数据负荷在指定的时间段内完成。约束式(31)、(32)和(33)是连续执行的可延迟型数据负荷约束。约束式(34)、(35)是$Y_{w,s}^{\text{WK}}(t)$ $Z_{w,s}^{\text{WK}}(t)$
3.2.2 电解槽约束
(36) $\mu _{el}^{{}}(t)P_{\min }^{el}\le P_{s}^{el}(t)\le \mu _{el}^{{}}(t)P_{\max }^{el}$
式中,$P_{\max }^{el}/P_{\min }^{el}$ $\mu _{el}^{{}}(t)$ $t$
3.2.3 甲烷反应器约束
(37) $\mu _{M,{{H}_{2}}}^{{}}(t)E_{\min }^{M,{{H}_{2}}}\le E_{s}^{M,{{H}_{2}}}\text{(}t\text{)}\le \mu _{M,{{H}_{2}}}^{{}}(t)E_{\max }^{M,H_{2}^{{}}}$
式中,$E_{\max }^{M,{{H}_{2}}}/E_{\min }^{M,{{H}_{2}}}$ $\mu _{M,{{H}_{2}}}^{{}}(t)$ t 时段甲烷化反应器的启动状态变量,1/0分别表示启动/停机状态。
3.2.4 燃料电池约束
(38) $\mu _{f\text{e}}^{{}}(t)P_{\min }^{fe}\le P_{s}^{fe}(t)\le \mu _{f\text{e}}^{{}}(t)P_{\max }^{fe}$
式中,$P_{\max }^{fe}/P_{\min }^{fe}$ $\mu _{f\text{e}}^{{}}(t)$ $t$
3.2.5 储氢罐约束
(39) $E_{\min }^{\text{HT}}\le E_{s}^{\text{HT}}(t)\le E_{\max }^{\text{HT}}$
(40) $\mu _{el}^{{}}\text{(}t\text{)+}\mu _{f\text{e}}^{{}}\text{(}t\text{)}\le 1$
式中,$E_{\max }^{\text{HT}}/E_{\min }^{\text{HT}}$
3.2.6 碳约束
碳捕集设备捕集CO2 可通入甲烷反应器循环利用,其约束为
(41) $0\le E_{s}^{rec}\text{(}t\text{)}\le E_{n/l,s}^{\text{C}{{\text{O}}_{\text{2}}}}\text{(}t\text{)}$
式中,$E_{n/l,s}^{\text{C}{{\text{O}}_{\text{2}}}}\text{(}t\text{)}$ 2 量。
3.2.7 交互约束
(42) $-P_{\max }^{\text{grid}}(t)\le P_{s}^{\text{grid}}(t)\le P_{\max }^{\text{grid}}$
式中,$P_{s}^{\text{grid}}(t)$ $P_{\max }^{\text{grid}}/-P_{\max }^{\text{grid}}$
3.2.8 机组约束
分布式发电机组采用分段线性化的方式表示[12 ] ,CHP装置采用标准化公式进行建模[20 ] ,式(43)~(45)描述了机组的发电出力约束;式(46)和式(47)为爬坡约束;式(48)和式(49)给出了$Y_{n/l}^{\text{units}}(t)$ $Z_{n/l}^{\text{units}}(t)$
(43) $P_{n,s}^{\text{DG}}(t)=P_{n}^{\min }{{I}_{n}}^{\text{DG}}(t)+\sum\limits_{d}{P{{X}_{n,d,s}}(t)}$
(44) $0\le P{{X}_{n,d,s}}(t)\le PX_{n,d}^{\max }$
(45) $P_{n/l}^{\min }I_{n/l}^{\text{units}}(t)\le {{P}_{n/l,s}}(t)\le P_{n/l}^{\max }I_{n/l}^{\text{units}}(t)$
(46) ${{P}_{n/l}}(t)-{{P}_{n/l}}(t-1)\le U{{R}_{n/l}}(1-Y_{n/l}^{\text{units}}(t))+P_{n/l}^{\min }Y_{n/l}^{\text{units}}(t)$
(47) ${{P}_{n/l}}(t-1)-{{P}_{n/l}}(t)\le D{{R}_{n/l}}(1-Z_{n/l}^{\text{units}}(t))\text{+}P_{n/l}^{\min }Z_{n/l}^{\text{units}}(t)$
(48) $Y_{n/l}^{\text{units}}(t)-Z_{n/l}^{\text{units}}(t)=I_{n/l}^{\text{units}}(t)-I_{n/l}^{\text{units}}(t-1)$
(49) $Y_{n/l}^{\text{units}}(t)+Z_{n/l}^{\text{units}}(t)\le 1$
式中,$P_{n,s}^{\text{DG}}(t)$ $t$ $s$ $n$ $PX_{n,d,s}^{\max }$ $P_{n/l}^{\max }$ $P_{n/l}^{\min }$ $n/l$ $U{{R}_{n/l}}/D{{R}_{n/l}}$ $n/l$
另外,机组的最小开/关机时间约束、服务器集群的最小开/关机时间约束以及储能电池相关约束详见作者先前的工作[12 ] 。
3.2.9 功率平衡约束
(50) $\begin{matrix} P_{s}^{\text{grid}}(t)+P_{\text{s}}^{\text{W}}(t)+P_{\text{s}}^{\text{Solar}}(t)+P_{s}^{dis}(t)+ \\ \sum\limits_{n\in N}^{{}}{P_{n,s}^{\text{DG}}(t)}+\sum\limits_{l\in L}^{{}}{P_{l,s}^{\text{CHP}}(t)}\text{+}P_{s}^{fe}(t)= \\ P_{s}^{ch}(t)+P_{s}^{\text{SC}}(t)+P_{s}^{el}(t)\text{+}P_{s}^{\text{QC}}(t)\text{+}P_{n/l}^{o}\text{+}P_{n/l,s}^{y} \\ \end{matrix}$
式中,$P_{s}^{ch}(t)/P_{s}^{dis}(t)$
上述目标函数和约束条件所构成的数学模型为典型的混合整数线性规划模型,采用随机规划的方法求解[21 -22 ] ,求解流程如图2 所示。
图2
4 算例分析
本节采用的算例系统包括1个风电场、1个光伏发电场、2台DG、2台CHP、1个储能电池装置、1个电解槽、1个储氢罐、1个燃料电池、1个甲烷反应器以及含有5个服务器集群的数据中心。每小时风电出力、电价以及即时型数据负荷的预测值分别来自文献[23 ⇓ -25 ],并将预测值的10%作为正态分布的标准差。首先采用蒙特卡洛随机生成3 000个场景,然后通过情景约简的方法将原始场景缩减至50个场景。DG和CHP机组的参数分别来自文献[12 ]和[25 ],如表1 所示;储能电池参数来自文献[26 ],如表2 所示;电解槽、储氢罐、燃料电池以及甲烷反应器的相关参数来自文献[27 ],如表3 所示;表4 为可延迟型数据负荷特性,其来源于文献[17 ]。表5 是服务器集群特性;微电网与外部电网的交互功率上限设为600 kW,其他相关参数参见文献[28 ]。本文所建立的数学模型属于混合整数线性优化问题,采用Cplex软件进行求解。
为研究CCPP-P2G对数据中心微电网运行的影响,设计了以下5个算例。
算例1：不考虑CCPP和P2G,即不含式(5)~(13)和约束式(36)~(41)。
算例2：只考虑CCPP,即不含式(5)~(10)和式(12)、(13)以及约束式(36)~(40)。
算例3：只考虑P2G,即不含式(11)、(12)和约束(41)。
算例4：CCPP-P2G、CHP未联合运行,电转气系统不利用捕集的CO2 ,式(12)中回收的部分CO2 量$E_{s}^{rec}\text{(}t\text{)}$ 2 全部封存。
算例5：CCPP-P2G、CHP联合运行,电转气系统利用捕集的CO2 ,即本文所提模型。
上述5个算例仿真试验结果如图3 所示,算例2相比算例1,单独考虑碳捕集系统后,系统总成本降低,主要为碳税成本的降低,由于捕捉到的CO2 需要存储,增加了储碳费用;算例3相比算例1,单独考虑P2G,虽然碳税成本较高,但是可以促进能源间的合理调度利用,系统总成本降低;算例4相比算例1,同时考虑CCPP和P2G,系统总成本降低,但是CCPP-P2G-CHP未实现联合运行,导致成本介于算例2、3之间,然而相比算例4,算例5实现了CCPP-P2G-CHP联合运行,使得算例5的系统总成本最低,说明CCPP-P2G-CHP联合运行优化数据负荷,可以在控制碳排放量的基础上,促进能源间的合理利用,实现最经济的优化调度。
图3
市场电价在24 h调度周期内的变化情况如图4 所示,图5 显示了发电组合随市场电价的趋势图,代表平均功率变化情况。可以看出,在0~11时段,市场电价较低(图4 ),从外部电网购电,储能电池处于充电状态,发电机组出力较小;在16~22时段,发电机组出力较大,储能电池处于放电状态,市场电价较高(图4 ),向电网售电。在1~24时段,燃料电池发电量始终为零,是因为相比储能电池而言,其作为P2G的一部分,要考虑能量损失。在数据中心功耗较大的13~15时段,可再生能源发电量最多,功耗最大的18~20时段,机组和储能电池发电量也最多,很好地协调了发电资源间的调度情况。
图4
图5
算例1~5的碳排量、产气量如图6 所示,碳排方面,机组产生的CO2 总量依次为7 729.644 kg、10 212.882 kg、10 011.471 kg、14 481.359 kg和18 103.126 kg。这是因为CCS设备的存在增大了机组的能耗,同时CCS设备对CO2 进行捕集,算例1~5实际碳排放量依次为7 729.644 kg、3 220.231 kg、10 011.471 kg、4 772.492 kg和5 843.732 kg,可以看出相对于其余算例,不考虑碳捕集的算例1和3的实际碳排放量是较高的。产气方面,机组减少的购气量依次为7 729.644 kg、10 212.882 kg、10 011.471 kg、14 481.359 kg和18 103.126 kg。这是因为引入P2G可以提升能源利用率,多余的资源可以转化为氢气,和CCS捕捉的CO2 反应生成CH4 ,提供给燃气机组,不但可以提高捕集的CO2 重复利用效率,实现减排,而且可以减少天然气的购气成本。
图6
电力平衡和数据负荷调度分别如图7 ~9所示,由图7 可以观察到,在数据负荷量小的时段,总的发电量也较小,在数据负荷量大的时段,总的发电量也较大,并且可以满足电力需求。由图8 和图9 可以看出,在0~9时段,即时型和可延迟型数据负荷较少,此时由表6 可以观察到,集群3和5全天开启,需要处理的数据负荷分配到这两个服务器集群上;在10、14和19时刻,即时型和可延迟型数据负荷需求量都是增加的,由表6 看出,集群2、4和1逐渐开启以应对数据负荷需求;另外,由表7 可以看出,由于可延迟型数据负荷3的连续性要求,可延迟型数据负荷3从5~23 h是连续处理的。
图7
图8
图9
5 结论
本文针对数据中心、可再生能源发电、电转气系统和碳捕集电厂构成的微电网,利用数据中心用电负荷模型,同时考虑电价、即时和可延迟型数据负荷和可再生能源发电的随机性,提出了一种数据中心微电网优化调度模型,实现了“源-荷”协同的低碳运行。仿真结果可表明如下结论。
(1) 引入CCPP-P2G-CHP可实现二氧化碳的回收利用,能够有效降低碳封存成本和二氧化碳购的买成本,促进碳捕集电厂捕集更多的CO2 。
(2) P2G可提升发电资源的综合协同利用,生成天然气作为CHP机组的原料,与不考虑P2G模型相比,减少了18 103.126 m3 购气量。
(3) 所提的模型在保证数据中心数据负荷优化分配的同时实现系统总成本最小,为10 129.9美元。
参考文献
View Option
[1]
VASUDEVAN M TIAN Y C TANG M , et al . Profile-based application assignment for greener and more energy-efficient data centers
[J]. Future Generation Computer Systems , 2017 , 67 :94 -108 .
DOI:10.1016/j.future.2016.06.037
URL
[本文引用: 1]
[2]
谷立静 , 周伏秋 , 孟辉 . 我国数据中心能耗及能效水平研究
[J]. 中国能源 , 2010 , 32 (11 ):42 -45 .
[本文引用: 1]
GU Lijing ZHOU Fuqiu MENG Hui . Research on energy consumption and energy efficiency of data center in our country
[J]. Energy of China , 2010 , 32 (11 ):42 -45 .
[本文引用: 1]
[3]
DING Z XIE L LU Y , et al . Emission-aware stochastic resource planning scheme for data center microgrid considering batch workload scheduling and risk management
[J]. IEEE Trans. on Industry Application , 2018 , 54 (6 ):5599 -5608 .
DOI:10.1109/TIA.2018.2851516
URL
[本文引用: 2]
[4]
叶瑞琪 , 袁媛 , 魏佳 , 等 . 中国数字基建的脱碳之路:数据中心与5G减碳潜力与挑战(2020-2035) [R]. 绿色和平与工业和信息化部电子第五研究所计量检测中心, 2021 .
[本文引用: 1]
YE Ruiqi YUAN Yuan WEI Jia , et al . Decarbonization of China’s digital infrastructure:Data center and 5G carbon reduction potential and challenges (2020-2035) [R]. Measurement and Testing Center of the Fifth Institute of electronics,Ministry of Greenpeace and Industry and Information Technology, 2021 .
[本文引用: 1]
[5]
LUO J RAO L LIU X . Temporal load balancing with service delay guarantees for data center energy cost optimization
[J]. IEEE Transactions on Parallel and Distributed Systems , 2013 , 25 (3 ):775 -784 .
DOI:10.1109/TPDS.2013.69
URL
[本文引用: 2]
[6]
GU L ZENG D BARNAWI A , et al . Optimal task placement with QoS constraints in geo-distributed data centers using DVFS
[J]. IEEE Transactions on Computers , 2015 , 64 (7 ):2049 -2059 .
DOI:10.1109/TC.2014.2349510
URL
[本文引用: 2]
[7]
HE H SHEN H . Minimizing the operation cost of distributed green data centers with energy storage under carbon capping
[J]. Journal of Computer and System Sciences , 2021 , 118 :28 -52 .
DOI:10.1016/j.jcss.2020.11.004
URL
[本文引用: 2]
[8]
CHEN Z WU L LI Z . Electric demand response management for distributed large-scale internet data centers
[J]. IEEE Transactions on Smart Grid , 2013 , 5 (2 ):651 -661 .
DOI:10.1109/TSG.2013.2267397
URL
[本文引用: 1]
[9]
TRAN N H TRAN D H REN S , et al . How geo-distributed data centers do demand response:A game-theoretic approach
[J]. IEEE Transactions on Smart Grid , 2015 , 7 (2 ):937 -947 .
[本文引用: 1]
[10]
WANG Y,LINX PEDRAM M. A . Stackelberg game-based optimization framework of the smart grid with distributed PV power generations and data centers
[J]. IEEE Transactions on Energy Conversion , 2014 , 29 (4 ):978 -987 .
DOI:10.1109/TEC.2014.2363048
URL
[本文引用: 1]
[11]
DING Z CAO Y XIE L , et al . Integrated stochastic energy management for data center microgrid considering waste heat recovery
[J]. IEEE Transactions on Industry Applications , 2019 , 55 (3 ):2199 -2207 .
[本文引用: 1]
[12]
ZHANG H XU T WU H , et al . Risk-based stochastic day-ahead operation for data center virtual power plants
[J]. IET Renewable Power Generation , 2019 , 13 (10 ):1660 -1669 .
DOI:10.1049/iet-rpg.2018.5736
URL
[本文引用: 4]
[13]
刘成运 , 孟超 , 景锐 , 等 . A级数据中心综合能源系统多目标优化设计和调度
[J]. 电力系统自动化 , 2019 , 43 (14 ):136 -142 .
[本文引用: 1]
LIU Chengyun MENG Chao JING Rui , et al . Muti-objective optimization design and scheduling of integrated energy system in A-level data center
[J]. Automation of Electric Power Systems , 2019 , 43 (14 ):136 -142 .
[本文引用: 1]
[14]
YANG J ZHANG N CHENG Y , et al . Modeling the operation mechanism of combined P2G and gas-fired plant with CO2 recycling
[J]. IEEE Transactions on Smart Grid , 2018 , 10 (1 ):1111 -1121 .
DOI:10.1109/TSG.2018.2849619
URL
[本文引用: 1]
[15]
周任军 , 肖钧文 , 唐夏菲 , 等 . 电转气消纳新能源与碳捕集电厂碳利用的协调优化
[J]. 电力自动化设备 , 2018 , 38 (7 ):61 -67 .
[本文引用: 1]
ZHOU Renjun XIAO Junwen TANG Xiafei , et al . Coordinated optimization of carbon utilization between power-to-gas renewable energy accommodation and carbon capture power plant
[J]. Electric Power Automation Equipment , 2018 , 38 (7 ):61 -67 .
[本文引用: 1]
[16]
李建林 , 牛萌 , 周喜超 , 等 . 能源互联网中微能源系统储能容量规划及投资效益分析
[J]. 电工技术学报 , 2020 , 32 (4 ):874 -884 .
[本文引用: 1]
LI Jianlin NIU Meng ZHOU Xichao , et al . Energy storage capacity planning and investment benefit analysis of micro-energy system in energy interconnection
[J]. Transactions of China Electrotechnical Society , 2020 , 32 (4 ):874 -884 .
[本文引用: 1]
[17]
LI J BAO Z LI Z , et al . Modeling demand response capability by internet data centers processing batch computing jobs
[J]. IEEE Transactions on Smart Grid , 2014 , 6 (2 ):737 -747 .
DOI:10.1109/TSG.2014.2363583
URL
[本文引用: 3]
[18]
崔帅 , 唐晓宁 , 张彬 , 等 . 合成气甲烷化过程热力学分析
[J]. 计算机与应用化学 , 2015 , 32 (4 ):419 -425 .
[本文引用: 1]
CUI Shuai TANG Xiaoning ZHANG Bin , et al . Thermodynamic analysis for the synthesis process of methane
[J]. Computers & Applied Chemistry , 2015 , 32 (4 ):419 -425 .
[本文引用: 1]
[19]
刘继春 , 周春燕 , 高红均 , 等 . 考虑氢能-天然气混合储能的电-气综合能源微网日前经济调度优化
[J]. 电网技术 , 2018 , 42 (1 ):170 -179 .
[本文引用: 1]
LIU Jichun ZHOU Chunyan GAO Hongjun , et al . A day-ahead economic dispatch optimization model of integrated electricity-natural gas system considering hydrogen-gas energy storage system in microgrid
[J]. Power System Technology , 2018 , 42 (1 ):170 -179 .
[本文引用: 1]
[20]
徐立中 , 杨光亚 , 许昭 , 等 . 考虑风电随机性的微电网热电联合调度
[J]. 电力系统自动化 , 2011 , 35 (9 ):53 -60 ,66.
[本文引用: 1]
XU Lizhong YANG Guangya XU Zhao , et al . Combined scheduling of electricity and heat in a microgrid with volatile wind power
[J]. Automation of Electric Power Systems , 2011 , 35 (9 ):53 -60 ,66.
[本文引用: 1]
[21]
林琳 , 高雪 , 甄钊 . 考虑含热电联产机组及可再生能源优先消纳的风-光-水-火联合优化调度
[J]. 电气工程学报 , 2021 , 16 (3 ):85 -91 .
[本文引用: 1]
LIN Lin GAO Xue ZHEN Zhao . Optimal dispatch of wind-photovoltaic-hydro-thermal power system based on CHP units and priority given to renewable energy
[J]. Journal of Electrical Engineering , 2021 , 16 (3 ):85 -91 .
[本文引用: 1]
[22]
张鹏 , 徐文宝 . 基于多场景随机规划的电热联合系统日前经济调度
[J]. 电气工程学报 , 2020 , 15 (2 ):85 -91 .
[本文引用: 1]
ZHANG Peng XU Wenbao . Day-ahead economic dispatch of combined electro-thermal system based on multi-scenario stochastic programming
[J]. Journal of Electrical Engineering , 2020 , 15 (2 ):85 -91 .
[本文引用: 1]
[23]
California ISO . Hourly breakdown of renewable resources [EB/OL]. [2018 -04-10]. http://content.caiso.com/green/renewrpt/20150806_DailyRenewablesWatch.txt.
URL
[本文引用: 1]
[24]
California OASIS . Locational marginal prices [EB/OL]. [2018 -04-10]. http://oasis.caiso.com/mrioasis/logon.do.
URL
[本文引用: 1]
[25]
LI J LI Z REN K , et al . Towards optimal electric demand management for internet data centers
[J]. IEEE Transactions on Smart Grid , 2011 , 3 (1 ):183 -192 .
DOI:10.1109/TSG.2011.2165567
URL
[本文引用: 2]
[26]
QIU J MENG K ZHENG Y , et al . Optimal scheduling of distributed energy resources as a virtual power plant in a transactive energy framework
[J]. IET Generation,Transmission & Distribution , 2017 , 11 (13 ):3417 -3427 .
DOI:10.1049/iet-gtd.2017.0268
URL
[本文引用: 1]
[27]
李奇 , 赵淑丹 , 蒲雨辰 , 等 . 考虑电氢耦合的混合储能微电网容量配置优化
[J]. 电工技术学报 , 2021 , 36 (3 ):486 -495 .
[本文引用: 1]
LI Qi ZHAO Shudan PU Yuchen , et al . Capacity optimization of hybrid energy storage microgrid considering electricity-hydrogen coupling
[J]. Transactions of China Electrotechnical Society , 2021 , 36 (3 ):486 -495 .
[本文引用: 1]
[28]
孙惠娟 , 刘昀 , 彭春华 , 等 . 计及电转气协同的含碳捕集与垃圾焚烧虚拟电厂优化调度
[J]. 电网技术 , 2021 , 45 (9 ):3534 -3545 .
[本文引用: 1]
SUN Huijuan LIU Yun PENG Chunhua , et al . Optimization scheduling of virtual power plant with carbon capture and waste incineration considering power-to-gas coordination
[J]. Power System Technology , 2021 , 45 (9 ):3534 -3545 .
[本文引用: 1]
Profile-based application assignment for greener and more energy-efficient data centers
1
2017
... 随着互联网、云计算、大数据和人工智能等数字技术与传统产业的深度融合,数据中心的规模和数量迅速扩大,高能耗和碳排放的问题备受关注[1 ⇓ -3 ] .据预测,到2035年,我国数据中心和5G总用电量将达6 951~7 820亿kW·h,是2020年的2.5~3倍,占全社会用电量的5%~7%.与此同时,数据中心和5G的碳排放总量将达到2.3~3.1亿吨,占中国碳排放量的2%~4%,其中,数据中心碳排放将比2020年增长最高为103%[4 ] .因此,研究数据中心源荷协调的低碳优化调度问题,对其电源侧、负荷侧等各种资源进行优化配置,实现数据中心的低碳绿色发展,对于实现“碳达峰”、“碳中和”的“双碳目标”有着积极的作用. ...
我国数据中心能耗及能效水平研究
1
2010
... 随着互联网、云计算、大数据和人工智能等数字技术与传统产业的深度融合,数据中心的规模和数量迅速扩大,高能耗和碳排放的问题备受关注[1 ⇓ -3 ] .据预测,到2035年,我国数据中心和5G总用电量将达6 951~7 820亿kW·h,是2020年的2.5~3倍,占全社会用电量的5%~7%.与此同时,数据中心和5G的碳排放总量将达到2.3~3.1亿吨,占中国碳排放量的2%~4%,其中,数据中心碳排放将比2020年增长最高为103%[4 ] .因此,研究数据中心源荷协调的低碳优化调度问题,对其电源侧、负荷侧等各种资源进行优化配置,实现数据中心的低碳绿色发展,对于实现“碳达峰”、“碳中和”的“双碳目标”有着积极的作用. ...
Research on energy consumption and energy efficiency of data center in our country
1
2010
... 随着互联网、云计算、大数据和人工智能等数字技术与传统产业的深度融合,数据中心的规模和数量迅速扩大,高能耗和碳排放的问题备受关注[1 ⇓ -3 ] .据预测,到2035年,我国数据中心和5G总用电量将达6 951~7 820亿kW·h,是2020年的2.5~3倍,占全社会用电量的5%~7%.与此同时,数据中心和5G的碳排放总量将达到2.3~3.1亿吨,占中国碳排放量的2%~4%,其中,数据中心碳排放将比2020年增长最高为103%[4 ] .因此,研究数据中心源荷协调的低碳优化调度问题,对其电源侧、负荷侧等各种资源进行优化配置,实现数据中心的低碳绿色发展,对于实现“碳达峰”、“碳中和”的“双碳目标”有着积极的作用. ...
Emission-aware stochastic resource planning scheme for data center microgrid considering batch workload scheduling and risk management
2
2018
... 随着互联网、云计算、大数据和人工智能等数字技术与传统产业的深度融合,数据中心的规模和数量迅速扩大,高能耗和碳排放的问题备受关注[1 ⇓ -3 ] .据预测,到2035年,我国数据中心和5G总用电量将达6 951~7 820亿kW·h,是2020年的2.5~3倍,占全社会用电量的5%~7%.与此同时,数据中心和5G的碳排放总量将达到2.3~3.1亿吨,占中国碳排放量的2%~4%,其中,数据中心碳排放将比2020年增长最高为103%[4 ] .因此,研究数据中心源荷协调的低碳优化调度问题,对其电源侧、负荷侧等各种资源进行优化配置,实现数据中心的低碳绿色发展,对于实现“碳达峰”、“碳中和”的“双碳目标”有着积极的作用. ...
... 数据中心的数据负荷一般被分为可延迟型数据负荷和即时型数据负荷[3 ] .国内外针对数据中心微电网优化调度的研究主要集中在以下几个方面.一是基于电价时间和地域的差异性,将数据负荷分配到电价较低的数据中心处理来降低运营成本[5 ⇓ -7 ] .文献[5 ]基于电价的时间差异性,提出了考虑不同时间段耦合的批处理数据负荷最优分配方法.文献[6 ]基于时间地域上的差异性,研究了实时市场环境下数据负荷调度问题.文献[7 ]同时考虑了时间和地域上电价的差异性,充分利用储能“削峰填谷”的特性,研究了含储能的分布式数据中心能耗优化方法.二是利用可延迟型数据负荷在不同数据中心或同一数据中心不同服务集群可灵活转移的特性,通过需求响应的方法,引导数据负荷的合理分配.文献[8 ]提出了考虑电价随机性的数据中心日前需求响应调度模型,以降低数据中心运行成本.文献[9 ]提出了关于基于纳什均衡的数据中心需求响应模型,通过批处理数据负荷的转移和动态服务器分配来最小化分布式数据中心成本.文献[10 ]研究了基于Stackelberg博弈模型的数据中心需求响应模型,在数据中心间合理分配数据负荷以实现经济效益最大化.三是在综合考虑微电网或综合能源系统运行特性及相关物理约束的基础上,联合优化数据中心电源侧发电和数据负荷分配等资源,以达到数据中心运行成本最小化或收益最大化的目的.文献[11 ]考虑到风电、光伏供应、电力和热力需求的不确定性,建立了一个两阶段随机规划模型,实现了热、电资源的联合优化调度.文献[12 ]提出了一种考虑电价、可再生能源不确定性和风险因素的数据中心日前调度随机模型来最大化数据中心虚拟电厂的利润.文献[13 ]建立了综合经济和环境效益的数据中心综合能源系统调度模型,提出一种联合优化方法并验证了有效性.以上文献着重于数据中心数据负荷的优化分配、需求响应潜力分析以及数据中心微电网或综合能源系统的建模与优化运行,并未考虑电转气(Power-to-gas,P2G)和碳捕集与封存(Carbon capture and storage,CCS)技术在数据中心方面的应用. ...
1
2021
... 随着互联网、云计算、大数据和人工智能等数字技术与传统产业的深度融合,数据中心的规模和数量迅速扩大,高能耗和碳排放的问题备受关注[1 ⇓ -3 ] .据预测,到2035年,我国数据中心和5G总用电量将达6 951~7 820亿kW·h,是2020年的2.5~3倍,占全社会用电量的5%~7%.与此同时,数据中心和5G的碳排放总量将达到2.3~3.1亿吨,占中国碳排放量的2%~4%,其中,数据中心碳排放将比2020年增长最高为103%[4 ] .因此,研究数据中心源荷协调的低碳优化调度问题,对其电源侧、负荷侧等各种资源进行优化配置,实现数据中心的低碳绿色发展,对于实现“碳达峰”、“碳中和”的“双碳目标”有着积极的作用. ...
1
2021
... 随着互联网、云计算、大数据和人工智能等数字技术与传统产业的深度融合,数据中心的规模和数量迅速扩大,高能耗和碳排放的问题备受关注[1 ⇓ -3 ] .据预测,到2035年,我国数据中心和5G总用电量将达6 951~7 820亿kW·h,是2020年的2.5~3倍,占全社会用电量的5%~7%.与此同时,数据中心和5G的碳排放总量将达到2.3~3.1亿吨,占中国碳排放量的2%~4%,其中,数据中心碳排放将比2020年增长最高为103%[4 ] .因此,研究数据中心源荷协调的低碳优化调度问题,对其电源侧、负荷侧等各种资源进行优化配置,实现数据中心的低碳绿色发展,对于实现“碳达峰”、“碳中和”的“双碳目标”有着积极的作用. ...
Temporal load balancing with service delay guarantees for data center energy cost optimization
2
2013
... 数据中心的数据负荷一般被分为可延迟型数据负荷和即时型数据负荷[3 ] .国内外针对数据中心微电网优化调度的研究主要集中在以下几个方面.一是基于电价时间和地域的差异性,将数据负荷分配到电价较低的数据中心处理来降低运营成本[5 ⇓ -7 ] .文献[5 ]基于电价的时间差异性,提出了考虑不同时间段耦合的批处理数据负荷最优分配方法.文献[6 ]基于时间地域上的差异性,研究了实时市场环境下数据负荷调度问题.文献[7 ]同时考虑了时间和地域上电价的差异性,充分利用储能“削峰填谷”的特性,研究了含储能的分布式数据中心能耗优化方法.二是利用可延迟型数据负荷在不同数据中心或同一数据中心不同服务集群可灵活转移的特性,通过需求响应的方法,引导数据负荷的合理分配.文献[8 ]提出了考虑电价随机性的数据中心日前需求响应调度模型,以降低数据中心运行成本.文献[9 ]提出了关于基于纳什均衡的数据中心需求响应模型,通过批处理数据负荷的转移和动态服务器分配来最小化分布式数据中心成本.文献[10 ]研究了基于Stackelberg博弈模型的数据中心需求响应模型,在数据中心间合理分配数据负荷以实现经济效益最大化.三是在综合考虑微电网或综合能源系统运行特性及相关物理约束的基础上,联合优化数据中心电源侧发电和数据负荷分配等资源,以达到数据中心运行成本最小化或收益最大化的目的.文献[11 ]考虑到风电、光伏供应、电力和热力需求的不确定性,建立了一个两阶段随机规划模型,实现了热、电资源的联合优化调度.文献[12 ]提出了一种考虑电价、可再生能源不确定性和风险因素的数据中心日前调度随机模型来最大化数据中心虚拟电厂的利润.文献[13 ]建立了综合经济和环境效益的数据中心综合能源系统调度模型,提出一种联合优化方法并验证了有效性.以上文献着重于数据中心数据负荷的优化分配、需求响应潜力分析以及数据中心微电网或综合能源系统的建模与优化运行,并未考虑电转气(Power-to-gas,P2G)和碳捕集与封存(Carbon capture and storage,CCS)技术在数据中心方面的应用. ...
... .文献[5 ]基于电价的时间差异性,提出了考虑不同时间段耦合的批处理数据负荷最优分配方法.文献[6 ]基于时间地域上的差异性,研究了实时市场环境下数据负荷调度问题.文献[7 ]同时考虑了时间和地域上电价的差异性,充分利用储能“削峰填谷”的特性,研究了含储能的分布式数据中心能耗优化方法.二是利用可延迟型数据负荷在不同数据中心或同一数据中心不同服务集群可灵活转移的特性,通过需求响应的方法,引导数据负荷的合理分配.文献[8 ]提出了考虑电价随机性的数据中心日前需求响应调度模型,以降低数据中心运行成本.文献[9 ]提出了关于基于纳什均衡的数据中心需求响应模型,通过批处理数据负荷的转移和动态服务器分配来最小化分布式数据中心成本.文献[10 ]研究了基于Stackelberg博弈模型的数据中心需求响应模型,在数据中心间合理分配数据负荷以实现经济效益最大化.三是在综合考虑微电网或综合能源系统运行特性及相关物理约束的基础上,联合优化数据中心电源侧发电和数据负荷分配等资源,以达到数据中心运行成本最小化或收益最大化的目的.文献[11 ]考虑到风电、光伏供应、电力和热力需求的不确定性,建立了一个两阶段随机规划模型,实现了热、电资源的联合优化调度.文献[12 ]提出了一种考虑电价、可再生能源不确定性和风险因素的数据中心日前调度随机模型来最大化数据中心虚拟电厂的利润.文献[13 ]建立了综合经济和环境效益的数据中心综合能源系统调度模型,提出一种联合优化方法并验证了有效性.以上文献着重于数据中心数据负荷的优化分配、需求响应潜力分析以及数据中心微电网或综合能源系统的建模与优化运行,并未考虑电转气(Power-to-gas,P2G)和碳捕集与封存(Carbon capture and storage,CCS)技术在数据中心方面的应用. ...
Optimal task placement with QoS constraints in geo-distributed data centers using DVFS
2
2015
... 数据中心的数据负荷一般被分为可延迟型数据负荷和即时型数据负荷[3 ] .国内外针对数据中心微电网优化调度的研究主要集中在以下几个方面.一是基于电价时间和地域的差异性,将数据负荷分配到电价较低的数据中心处理来降低运营成本[5 ⇓ -7 ] .文献[5 ]基于电价的时间差异性,提出了考虑不同时间段耦合的批处理数据负荷最优分配方法.文献[6 ]基于时间地域上的差异性,研究了实时市场环境下数据负荷调度问题.文献[7 ]同时考虑了时间和地域上电价的差异性,充分利用储能“削峰填谷”的特性,研究了含储能的分布式数据中心能耗优化方法.二是利用可延迟型数据负荷在不同数据中心或同一数据中心不同服务集群可灵活转移的特性,通过需求响应的方法,引导数据负荷的合理分配.文献[8 ]提出了考虑电价随机性的数据中心日前需求响应调度模型,以降低数据中心运行成本.文献[9 ]提出了关于基于纳什均衡的数据中心需求响应模型,通过批处理数据负荷的转移和动态服务器分配来最小化分布式数据中心成本.文献[10 ]研究了基于Stackelberg博弈模型的数据中心需求响应模型,在数据中心间合理分配数据负荷以实现经济效益最大化.三是在综合考虑微电网或综合能源系统运行特性及相关物理约束的基础上,联合优化数据中心电源侧发电和数据负荷分配等资源,以达到数据中心运行成本最小化或收益最大化的目的.文献[11 ]考虑到风电、光伏供应、电力和热力需求的不确定性,建立了一个两阶段随机规划模型,实现了热、电资源的联合优化调度.文献[12 ]提出了一种考虑电价、可再生能源不确定性和风险因素的数据中心日前调度随机模型来最大化数据中心虚拟电厂的利润.文献[13 ]建立了综合经济和环境效益的数据中心综合能源系统调度模型,提出一种联合优化方法并验证了有效性.以上文献着重于数据中心数据负荷的优化分配、需求响应潜力分析以及数据中心微电网或综合能源系统的建模与优化运行,并未考虑电转气(Power-to-gas,P2G)和碳捕集与封存(Carbon capture and storage,CCS)技术在数据中心方面的应用. ...
... ]基于电价的时间差异性,提出了考虑不同时间段耦合的批处理数据负荷最优分配方法.文献[6 ]基于时间地域上的差异性,研究了实时市场环境下数据负荷调度问题.文献[7 ]同时考虑了时间和地域上电价的差异性,充分利用储能“削峰填谷”的特性,研究了含储能的分布式数据中心能耗优化方法.二是利用可延迟型数据负荷在不同数据中心或同一数据中心不同服务集群可灵活转移的特性,通过需求响应的方法,引导数据负荷的合理分配.文献[8 ]提出了考虑电价随机性的数据中心日前需求响应调度模型,以降低数据中心运行成本.文献[9 ]提出了关于基于纳什均衡的数据中心需求响应模型,通过批处理数据负荷的转移和动态服务器分配来最小化分布式数据中心成本.文献[10 ]研究了基于Stackelberg博弈模型的数据中心需求响应模型,在数据中心间合理分配数据负荷以实现经济效益最大化.三是在综合考虑微电网或综合能源系统运行特性及相关物理约束的基础上,联合优化数据中心电源侧发电和数据负荷分配等资源,以达到数据中心运行成本最小化或收益最大化的目的.文献[11 ]考虑到风电、光伏供应、电力和热力需求的不确定性,建立了一个两阶段随机规划模型,实现了热、电资源的联合优化调度.文献[12 ]提出了一种考虑电价、可再生能源不确定性和风险因素的数据中心日前调度随机模型来最大化数据中心虚拟电厂的利润.文献[13 ]建立了综合经济和环境效益的数据中心综合能源系统调度模型,提出一种联合优化方法并验证了有效性.以上文献着重于数据中心数据负荷的优化分配、需求响应潜力分析以及数据中心微电网或综合能源系统的建模与优化运行,并未考虑电转气(Power-to-gas,P2G)和碳捕集与封存(Carbon capture and storage,CCS)技术在数据中心方面的应用. ...
Minimizing the operation cost of distributed green data centers with energy storage under carbon capping
2
2021
... 数据中心的数据负荷一般被分为可延迟型数据负荷和即时型数据负荷[3 ] .国内外针对数据中心微电网优化调度的研究主要集中在以下几个方面.一是基于电价时间和地域的差异性,将数据负荷分配到电价较低的数据中心处理来降低运营成本[5 ⇓ -7 ] .文献[5 ]基于电价的时间差异性,提出了考虑不同时间段耦合的批处理数据负荷最优分配方法.文献[6 ]基于时间地域上的差异性,研究了实时市场环境下数据负荷调度问题.文献[7 ]同时考虑了时间和地域上电价的差异性,充分利用储能“削峰填谷”的特性,研究了含储能的分布式数据中心能耗优化方法.二是利用可延迟型数据负荷在不同数据中心或同一数据中心不同服务集群可灵活转移的特性,通过需求响应的方法,引导数据负荷的合理分配.文献[8 ]提出了考虑电价随机性的数据中心日前需求响应调度模型,以降低数据中心运行成本.文献[9 ]提出了关于基于纳什均衡的数据中心需求响应模型,通过批处理数据负荷的转移和动态服务器分配来最小化分布式数据中心成本.文献[10 ]研究了基于Stackelberg博弈模型的数据中心需求响应模型,在数据中心间合理分配数据负荷以实现经济效益最大化.三是在综合考虑微电网或综合能源系统运行特性及相关物理约束的基础上,联合优化数据中心电源侧发电和数据负荷分配等资源,以达到数据中心运行成本最小化或收益最大化的目的.文献[11 ]考虑到风电、光伏供应、电力和热力需求的不确定性,建立了一个两阶段随机规划模型,实现了热、电资源的联合优化调度.文献[12 ]提出了一种考虑电价、可再生能源不确定性和风险因素的数据中心日前调度随机模型来最大化数据中心虚拟电厂的利润.文献[13 ]建立了综合经济和环境效益的数据中心综合能源系统调度模型,提出一种联合优化方法并验证了有效性.以上文献着重于数据中心数据负荷的优化分配、需求响应潜力分析以及数据中心微电网或综合能源系统的建模与优化运行,并未考虑电转气(Power-to-gas,P2G)和碳捕集与封存(Carbon capture and storage,CCS)技术在数据中心方面的应用. ...
... ]基于时间地域上的差异性,研究了实时市场环境下数据负荷调度问题.文献[7 ]同时考虑了时间和地域上电价的差异性,充分利用储能“削峰填谷”的特性,研究了含储能的分布式数据中心能耗优化方法.二是利用可延迟型数据负荷在不同数据中心或同一数据中心不同服务集群可灵活转移的特性,通过需求响应的方法,引导数据负荷的合理分配.文献[8 ]提出了考虑电价随机性的数据中心日前需求响应调度模型,以降低数据中心运行成本.文献[9 ]提出了关于基于纳什均衡的数据中心需求响应模型,通过批处理数据负荷的转移和动态服务器分配来最小化分布式数据中心成本.文献[10 ]研究了基于Stackelberg博弈模型的数据中心需求响应模型,在数据中心间合理分配数据负荷以实现经济效益最大化.三是在综合考虑微电网或综合能源系统运行特性及相关物理约束的基础上,联合优化数据中心电源侧发电和数据负荷分配等资源,以达到数据中心运行成本最小化或收益最大化的目的.文献[11 ]考虑到风电、光伏供应、电力和热力需求的不确定性,建立了一个两阶段随机规划模型,实现了热、电资源的联合优化调度.文献[12 ]提出了一种考虑电价、可再生能源不确定性和风险因素的数据中心日前调度随机模型来最大化数据中心虚拟电厂的利润.文献[13 ]建立了综合经济和环境效益的数据中心综合能源系统调度模型,提出一种联合优化方法并验证了有效性.以上文献着重于数据中心数据负荷的优化分配、需求响应潜力分析以及数据中心微电网或综合能源系统的建模与优化运行,并未考虑电转气(Power-to-gas,P2G)和碳捕集与封存(Carbon capture and storage,CCS)技术在数据中心方面的应用. ...
Electric demand response management for distributed large-scale internet data centers
1
2013
... 数据中心的数据负荷一般被分为可延迟型数据负荷和即时型数据负荷[3 ] .国内外针对数据中心微电网优化调度的研究主要集中在以下几个方面.一是基于电价时间和地域的差异性,将数据负荷分配到电价较低的数据中心处理来降低运营成本[5 ⇓ -7 ] .文献[5 ]基于电价的时间差异性,提出了考虑不同时间段耦合的批处理数据负荷最优分配方法.文献[6 ]基于时间地域上的差异性,研究了实时市场环境下数据负荷调度问题.文献[7 ]同时考虑了时间和地域上电价的差异性,充分利用储能“削峰填谷”的特性,研究了含储能的分布式数据中心能耗优化方法.二是利用可延迟型数据负荷在不同数据中心或同一数据中心不同服务集群可灵活转移的特性,通过需求响应的方法,引导数据负荷的合理分配.文献[8 ]提出了考虑电价随机性的数据中心日前需求响应调度模型,以降低数据中心运行成本.文献[9 ]提出了关于基于纳什均衡的数据中心需求响应模型,通过批处理数据负荷的转移和动态服务器分配来最小化分布式数据中心成本.文献[10 ]研究了基于Stackelberg博弈模型的数据中心需求响应模型,在数据中心间合理分配数据负荷以实现经济效益最大化.三是在综合考虑微电网或综合能源系统运行特性及相关物理约束的基础上,联合优化数据中心电源侧发电和数据负荷分配等资源,以达到数据中心运行成本最小化或收益最大化的目的.文献[11 ]考虑到风电、光伏供应、电力和热力需求的不确定性,建立了一个两阶段随机规划模型,实现了热、电资源的联合优化调度.文献[12 ]提出了一种考虑电价、可再生能源不确定性和风险因素的数据中心日前调度随机模型来最大化数据中心虚拟电厂的利润.文献[13 ]建立了综合经济和环境效益的数据中心综合能源系统调度模型,提出一种联合优化方法并验证了有效性.以上文献着重于数据中心数据负荷的优化分配、需求响应潜力分析以及数据中心微电网或综合能源系统的建模与优化运行,并未考虑电转气(Power-to-gas,P2G)和碳捕集与封存(Carbon capture and storage,CCS)技术在数据中心方面的应用. ...
How geo-distributed data centers do demand response:A game-theoretic approach
1
2015
... 数据中心的数据负荷一般被分为可延迟型数据负荷和即时型数据负荷[3 ] .国内外针对数据中心微电网优化调度的研究主要集中在以下几个方面.一是基于电价时间和地域的差异性,将数据负荷分配到电价较低的数据中心处理来降低运营成本[5 ⇓ -7 ] .文献[5 ]基于电价的时间差异性,提出了考虑不同时间段耦合的批处理数据负荷最优分配方法.文献[6 ]基于时间地域上的差异性,研究了实时市场环境下数据负荷调度问题.文献[7 ]同时考虑了时间和地域上电价的差异性,充分利用储能“削峰填谷”的特性,研究了含储能的分布式数据中心能耗优化方法.二是利用可延迟型数据负荷在不同数据中心或同一数据中心不同服务集群可灵活转移的特性,通过需求响应的方法,引导数据负荷的合理分配.文献[8 ]提出了考虑电价随机性的数据中心日前需求响应调度模型,以降低数据中心运行成本.文献[9 ]提出了关于基于纳什均衡的数据中心需求响应模型,通过批处理数据负荷的转移和动态服务器分配来最小化分布式数据中心成本.文献[10 ]研究了基于Stackelberg博弈模型的数据中心需求响应模型,在数据中心间合理分配数据负荷以实现经济效益最大化.三是在综合考虑微电网或综合能源系统运行特性及相关物理约束的基础上,联合优化数据中心电源侧发电和数据负荷分配等资源,以达到数据中心运行成本最小化或收益最大化的目的.文献[11 ]考虑到风电、光伏供应、电力和热力需求的不确定性,建立了一个两阶段随机规划模型,实现了热、电资源的联合优化调度.文献[12 ]提出了一种考虑电价、可再生能源不确定性和风险因素的数据中心日前调度随机模型来最大化数据中心虚拟电厂的利润.文献[13 ]建立了综合经济和环境效益的数据中心综合能源系统调度模型,提出一种联合优化方法并验证了有效性.以上文献着重于数据中心数据负荷的优化分配、需求响应潜力分析以及数据中心微电网或综合能源系统的建模与优化运行,并未考虑电转气(Power-to-gas,P2G)和碳捕集与封存(Carbon capture and storage,CCS)技术在数据中心方面的应用. ...
Stackelberg game-based optimization framework of the smart grid with distributed PV power generations and data centers
1
2014
... 数据中心的数据负荷一般被分为可延迟型数据负荷和即时型数据负荷[3 ] .国内外针对数据中心微电网优化调度的研究主要集中在以下几个方面.一是基于电价时间和地域的差异性,将数据负荷分配到电价较低的数据中心处理来降低运营成本[5 ⇓ -7 ] .文献[5 ]基于电价的时间差异性,提出了考虑不同时间段耦合的批处理数据负荷最优分配方法.文献[6 ]基于时间地域上的差异性,研究了实时市场环境下数据负荷调度问题.文献[7 ]同时考虑了时间和地域上电价的差异性,充分利用储能“削峰填谷”的特性,研究了含储能的分布式数据中心能耗优化方法.二是利用可延迟型数据负荷在不同数据中心或同一数据中心不同服务集群可灵活转移的特性,通过需求响应的方法,引导数据负荷的合理分配.文献[8 ]提出了考虑电价随机性的数据中心日前需求响应调度模型,以降低数据中心运行成本.文献[9 ]提出了关于基于纳什均衡的数据中心需求响应模型,通过批处理数据负荷的转移和动态服务器分配来最小化分布式数据中心成本.文献[10 ]研究了基于Stackelberg博弈模型的数据中心需求响应模型,在数据中心间合理分配数据负荷以实现经济效益最大化.三是在综合考虑微电网或综合能源系统运行特性及相关物理约束的基础上,联合优化数据中心电源侧发电和数据负荷分配等资源,以达到数据中心运行成本最小化或收益最大化的目的.文献[11 ]考虑到风电、光伏供应、电力和热力需求的不确定性,建立了一个两阶段随机规划模型,实现了热、电资源的联合优化调度.文献[12 ]提出了一种考虑电价、可再生能源不确定性和风险因素的数据中心日前调度随机模型来最大化数据中心虚拟电厂的利润.文献[13 ]建立了综合经济和环境效益的数据中心综合能源系统调度模型,提出一种联合优化方法并验证了有效性.以上文献着重于数据中心数据负荷的优化分配、需求响应潜力分析以及数据中心微电网或综合能源系统的建模与优化运行,并未考虑电转气(Power-to-gas,P2G)和碳捕集与封存(Carbon capture and storage,CCS)技术在数据中心方面的应用. ...
Integrated stochastic energy management for data center microgrid considering waste heat recovery
1
2019
... 数据中心的数据负荷一般被分为可延迟型数据负荷和即时型数据负荷[3 ] .国内外针对数据中心微电网优化调度的研究主要集中在以下几个方面.一是基于电价时间和地域的差异性,将数据负荷分配到电价较低的数据中心处理来降低运营成本[5 ⇓ -7 ] .文献[5 ]基于电价的时间差异性,提出了考虑不同时间段耦合的批处理数据负荷最优分配方法.文献[6 ]基于时间地域上的差异性,研究了实时市场环境下数据负荷调度问题.文献[7 ]同时考虑了时间和地域上电价的差异性,充分利用储能“削峰填谷”的特性,研究了含储能的分布式数据中心能耗优化方法.二是利用可延迟型数据负荷在不同数据中心或同一数据中心不同服务集群可灵活转移的特性,通过需求响应的方法,引导数据负荷的合理分配.文献[8 ]提出了考虑电价随机性的数据中心日前需求响应调度模型,以降低数据中心运行成本.文献[9 ]提出了关于基于纳什均衡的数据中心需求响应模型,通过批处理数据负荷的转移和动态服务器分配来最小化分布式数据中心成本.文献[10 ]研究了基于Stackelberg博弈模型的数据中心需求响应模型,在数据中心间合理分配数据负荷以实现经济效益最大化.三是在综合考虑微电网或综合能源系统运行特性及相关物理约束的基础上,联合优化数据中心电源侧发电和数据负荷分配等资源,以达到数据中心运行成本最小化或收益最大化的目的.文献[11 ]考虑到风电、光伏供应、电力和热力需求的不确定性,建立了一个两阶段随机规划模型,实现了热、电资源的联合优化调度.文献[12 ]提出了一种考虑电价、可再生能源不确定性和风险因素的数据中心日前调度随机模型来最大化数据中心虚拟电厂的利润.文献[13 ]建立了综合经济和环境效益的数据中心综合能源系统调度模型,提出一种联合优化方法并验证了有效性.以上文献着重于数据中心数据负荷的优化分配、需求响应潜力分析以及数据中心微电网或综合能源系统的建模与优化运行,并未考虑电转气(Power-to-gas,P2G)和碳捕集与封存(Carbon capture and storage,CCS)技术在数据中心方面的应用. ...
Risk-based stochastic day-ahead operation for data center virtual power plants
4
2019
... 数据中心的数据负荷一般被分为可延迟型数据负荷和即时型数据负荷[3 ] .国内外针对数据中心微电网优化调度的研究主要集中在以下几个方面.一是基于电价时间和地域的差异性,将数据负荷分配到电价较低的数据中心处理来降低运营成本[5 ⇓ -7 ] .文献[5 ]基于电价的时间差异性,提出了考虑不同时间段耦合的批处理数据负荷最优分配方法.文献[6 ]基于时间地域上的差异性,研究了实时市场环境下数据负荷调度问题.文献[7 ]同时考虑了时间和地域上电价的差异性,充分利用储能“削峰填谷”的特性,研究了含储能的分布式数据中心能耗优化方法.二是利用可延迟型数据负荷在不同数据中心或同一数据中心不同服务集群可灵活转移的特性,通过需求响应的方法,引导数据负荷的合理分配.文献[8 ]提出了考虑电价随机性的数据中心日前需求响应调度模型,以降低数据中心运行成本.文献[9 ]提出了关于基于纳什均衡的数据中心需求响应模型,通过批处理数据负荷的转移和动态服务器分配来最小化分布式数据中心成本.文献[10 ]研究了基于Stackelberg博弈模型的数据中心需求响应模型,在数据中心间合理分配数据负荷以实现经济效益最大化.三是在综合考虑微电网或综合能源系统运行特性及相关物理约束的基础上,联合优化数据中心电源侧发电和数据负荷分配等资源,以达到数据中心运行成本最小化或收益最大化的目的.文献[11 ]考虑到风电、光伏供应、电力和热力需求的不确定性,建立了一个两阶段随机规划模型,实现了热、电资源的联合优化调度.文献[12 ]提出了一种考虑电价、可再生能源不确定性和风险因素的数据中心日前调度随机模型来最大化数据中心虚拟电厂的利润.文献[13 ]建立了综合经济和环境效益的数据中心综合能源系统调度模型,提出一种联合优化方法并验证了有效性.以上文献着重于数据中心数据负荷的优化分配、需求响应潜力分析以及数据中心微电网或综合能源系统的建模与优化运行,并未考虑电转气(Power-to-gas,P2G)和碳捕集与封存(Carbon capture and storage,CCS)技术在数据中心方面的应用. ...
... 分布式发电机组采用分段线性化的方式表示[12 ] ,CHP装置采用标准化公式进行建模[20 ] ,式(43)~(45)描述了机组的发电出力约束;式(46)和式(47)为爬坡约束;式(48)和式(49)给出了$Y_{n/l}^{\text{units}}(t)$ $Z_{n/l}^{\text{units}}(t)$
... 另外,机组的最小开/关机时间约束、服务器集群的最小开/关机时间约束以及储能电池相关约束详见作者先前的工作[12 ] . ...
... 本节采用的算例系统包括1个风电场、1个光伏发电场、2台DG、2台CHP、1个储能电池装置、1个电解槽、1个储氢罐、1个燃料电池、1个甲烷反应器以及含有5个服务器集群的数据中心.每小时风电出力、电价以及即时型数据负荷的预测值分别来自文献[23 ⇓ -25 ],并将预测值的10%作为正态分布的标准差.首先采用蒙特卡洛随机生成3 000个场景,然后通过情景约简的方法将原始场景缩减至50个场景.DG和CHP机组的参数分别来自文献[12 ]和[25 ],如表1 所示;储能电池参数来自文献[26 ],如表2 所示;电解槽、储氢罐、燃料电池以及甲烷反应器的相关参数来自文献[27 ],如表3 所示;表4 为可延迟型数据负荷特性,其来源于文献[17 ].表5 是服务器集群特性;微电网与外部电网的交互功率上限设为600 kW,其他相关参数参见文献[28 ].本文所建立的数学模型属于混合整数线性优化问题,采用Cplex软件进行求解. ...
A级数据中心综合能源系统多目标优化设计和调度
1
2019
... 数据中心的数据负荷一般被分为可延迟型数据负荷和即时型数据负荷[3 ] .国内外针对数据中心微电网优化调度的研究主要集中在以下几个方面.一是基于电价时间和地域的差异性,将数据负荷分配到电价较低的数据中心处理来降低运营成本[5 ⇓ -7 ] .文献[5 ]基于电价的时间差异性,提出了考虑不同时间段耦合的批处理数据负荷最优分配方法.文献[6 ]基于时间地域上的差异性,研究了实时市场环境下数据负荷调度问题.文献[7 ]同时考虑了时间和地域上电价的差异性,充分利用储能“削峰填谷”的特性,研究了含储能的分布式数据中心能耗优化方法.二是利用可延迟型数据负荷在不同数据中心或同一数据中心不同服务集群可灵活转移的特性,通过需求响应的方法,引导数据负荷的合理分配.文献[8 ]提出了考虑电价随机性的数据中心日前需求响应调度模型,以降低数据中心运行成本.文献[9 ]提出了关于基于纳什均衡的数据中心需求响应模型,通过批处理数据负荷的转移和动态服务器分配来最小化分布式数据中心成本.文献[10 ]研究了基于Stackelberg博弈模型的数据中心需求响应模型,在数据中心间合理分配数据负荷以实现经济效益最大化.三是在综合考虑微电网或综合能源系统运行特性及相关物理约束的基础上,联合优化数据中心电源侧发电和数据负荷分配等资源,以达到数据中心运行成本最小化或收益最大化的目的.文献[11 ]考虑到风电、光伏供应、电力和热力需求的不确定性,建立了一个两阶段随机规划模型,实现了热、电资源的联合优化调度.文献[12 ]提出了一种考虑电价、可再生能源不确定性和风险因素的数据中心日前调度随机模型来最大化数据中心虚拟电厂的利润.文献[13 ]建立了综合经济和环境效益的数据中心综合能源系统调度模型,提出一种联合优化方法并验证了有效性.以上文献着重于数据中心数据负荷的优化分配、需求响应潜力分析以及数据中心微电网或综合能源系统的建模与优化运行,并未考虑电转气(Power-to-gas,P2G)和碳捕集与封存(Carbon capture and storage,CCS)技术在数据中心方面的应用. ...
Muti-objective optimization design and scheduling of integrated energy system in A-level data center
1
2019
... 数据中心的数据负荷一般被分为可延迟型数据负荷和即时型数据负荷[3 ] .国内外针对数据中心微电网优化调度的研究主要集中在以下几个方面.一是基于电价时间和地域的差异性,将数据负荷分配到电价较低的数据中心处理来降低运营成本[5 ⇓ -7 ] .文献[5 ]基于电价的时间差异性,提出了考虑不同时间段耦合的批处理数据负荷最优分配方法.文献[6 ]基于时间地域上的差异性,研究了实时市场环境下数据负荷调度问题.文献[7 ]同时考虑了时间和地域上电价的差异性,充分利用储能“削峰填谷”的特性,研究了含储能的分布式数据中心能耗优化方法.二是利用可延迟型数据负荷在不同数据中心或同一数据中心不同服务集群可灵活转移的特性,通过需求响应的方法,引导数据负荷的合理分配.文献[8 ]提出了考虑电价随机性的数据中心日前需求响应调度模型,以降低数据中心运行成本.文献[9 ]提出了关于基于纳什均衡的数据中心需求响应模型,通过批处理数据负荷的转移和动态服务器分配来最小化分布式数据中心成本.文献[10 ]研究了基于Stackelberg博弈模型的数据中心需求响应模型,在数据中心间合理分配数据负荷以实现经济效益最大化.三是在综合考虑微电网或综合能源系统运行特性及相关物理约束的基础上,联合优化数据中心电源侧发电和数据负荷分配等资源,以达到数据中心运行成本最小化或收益最大化的目的.文献[11 ]考虑到风电、光伏供应、电力和热力需求的不确定性,建立了一个两阶段随机规划模型,实现了热、电资源的联合优化调度.文献[12 ]提出了一种考虑电价、可再生能源不确定性和风险因素的数据中心日前调度随机模型来最大化数据中心虚拟电厂的利润.文献[13 ]建立了综合经济和环境效益的数据中心综合能源系统调度模型,提出一种联合优化方法并验证了有效性.以上文献着重于数据中心数据负荷的优化分配、需求响应潜力分析以及数据中心微电网或综合能源系统的建模与优化运行,并未考虑电转气(Power-to-gas,P2G)和碳捕集与封存(Carbon capture and storage,CCS)技术在数据中心方面的应用. ...
Modeling the operation mechanism of combined P2G and gas-fired plant with CO2 recycling
1
2018
... 电转气和碳捕集技术为新型能源转换、储存以及低碳发展提供了新的途径.文献[14 ]研究了含碳捕集和电转气系统的多能流间的逻辑关系,分析了两者在节能降排方面的作用.文献[15 ]考虑碳捕集电厂-电转气系统,研究了电转气消纳新能源与碳利用的协调优化.文献[16 ]以实现多类型能源的协同优化和经济效益最优为出发点,综合考虑分布式发电机组的出力特性、投资效益及碳减排政策,研究了储能系统的容量优化配置.上述研究为碳捕集-电转气在数据中心层面的应用提供了有效的思路. ...
电转气消纳新能源与碳捕集电厂碳利用的协调优化
1
2018
... 电转气和碳捕集技术为新型能源转换、储存以及低碳发展提供了新的途径.文献[14 ]研究了含碳捕集和电转气系统的多能流间的逻辑关系,分析了两者在节能降排方面的作用.文献[15 ]考虑碳捕集电厂-电转气系统,研究了电转气消纳新能源与碳利用的协调优化.文献[16 ]以实现多类型能源的协同优化和经济效益最优为出发点,综合考虑分布式发电机组的出力特性、投资效益及碳减排政策,研究了储能系统的容量优化配置.上述研究为碳捕集-电转气在数据中心层面的应用提供了有效的思路. ...
Coordinated optimization of carbon utilization between power-to-gas renewable energy accommodation and carbon capture power plant
1
2018
... 电转气和碳捕集技术为新型能源转换、储存以及低碳发展提供了新的途径.文献[14 ]研究了含碳捕集和电转气系统的多能流间的逻辑关系,分析了两者在节能降排方面的作用.文献[15 ]考虑碳捕集电厂-电转气系统,研究了电转气消纳新能源与碳利用的协调优化.文献[16 ]以实现多类型能源的协同优化和经济效益最优为出发点,综合考虑分布式发电机组的出力特性、投资效益及碳减排政策,研究了储能系统的容量优化配置.上述研究为碳捕集-电转气在数据中心层面的应用提供了有效的思路. ...
能源互联网中微能源系统储能容量规划及投资效益分析
1
2020
... 电转气和碳捕集技术为新型能源转换、储存以及低碳发展提供了新的途径.文献[14 ]研究了含碳捕集和电转气系统的多能流间的逻辑关系,分析了两者在节能降排方面的作用.文献[15 ]考虑碳捕集电厂-电转气系统,研究了电转气消纳新能源与碳利用的协调优化.文献[16 ]以实现多类型能源的协同优化和经济效益最优为出发点,综合考虑分布式发电机组的出力特性、投资效益及碳减排政策,研究了储能系统的容量优化配置.上述研究为碳捕集-电转气在数据中心层面的应用提供了有效的思路. ...
Energy storage capacity planning and investment benefit analysis of micro-energy system in energy interconnection
1
2020
... 电转气和碳捕集技术为新型能源转换、储存以及低碳发展提供了新的途径.文献[14 ]研究了含碳捕集和电转气系统的多能流间的逻辑关系,分析了两者在节能降排方面的作用.文献[15 ]考虑碳捕集电厂-电转气系统,研究了电转气消纳新能源与碳利用的协调优化.文献[16 ]以实现多类型能源的协同优化和经济效益最优为出发点,综合考虑分布式发电机组的出力特性、投资效益及碳减排政策,研究了储能系统的容量优化配置.上述研究为碳捕集-电转气在数据中心层面的应用提供了有效的思路. ...
Modeling demand response capability by internet data centers processing batch computing jobs
3
2014
... 本文将数据中心服务器划分为不同的集群,并且在同一个集群内所有服务器具有相同的主频和功耗[17 ] .服务器集群$k$ $t$ $s$ ${{E}_{k,s}}(t)$
... 数据中心的冷负荷$P_{s}^{\text{QC}}(t)$ [17 ] .服务器集群的冷负荷$P_{s}^{\text{QC}}(t)$ $P_{s}^{\text{SC}}(t)$
... 本节采用的算例系统包括1个风电场、1个光伏发电场、2台DG、2台CHP、1个储能电池装置、1个电解槽、1个储氢罐、1个燃料电池、1个甲烷反应器以及含有5个服务器集群的数据中心.每小时风电出力、电价以及即时型数据负荷的预测值分别来自文献[23 ⇓ -25 ],并将预测值的10%作为正态分布的标准差.首先采用蒙特卡洛随机生成3 000个场景,然后通过情景约简的方法将原始场景缩减至50个场景.DG和CHP机组的参数分别来自文献[12 ]和[25 ],如表1 所示;储能电池参数来自文献[26 ],如表2 所示;电解槽、储氢罐、燃料电池以及甲烷反应器的相关参数来自文献[27 ],如表3 所示;表4 为可延迟型数据负荷特性,其来源于文献[17 ].表5 是服务器集群特性;微电网与外部电网的交互功率上限设为600 kW,其他相关参数参见文献[28 ].本文所建立的数学模型属于混合整数线性优化问题,采用Cplex软件进行求解. ...
合成气甲烷化过程热力学分析
1
2015
... 氢气的配置比例、合成气的组成成分、化学反应的压力值和温度值等因素在氢气甲烷化过程中会影响化学反应的效率[18 ] ,因此,本文研究采用如式(10)所示的甲烷反应器模型 ...
Thermodynamic analysis for the synthesis process of methane
1
2015
... 氢气的配置比例、合成气的组成成分、化学反应的压力值和温度值等因素在氢气甲烷化过程中会影响化学反应的效率[18 ] ,因此,本文研究采用如式(10)所示的甲烷反应器模型 ...
考虑氢能-天然气混合储能的电-气综合能源微网日前经济调度优化
1
2018
... (5) 电转气系统损耗成本[19 ] ...
A day-ahead economic dispatch optimization model of integrated electricity-natural gas system considering hydrogen-gas energy storage system in microgrid
1
2018
... (5) 电转气系统损耗成本[19 ] ...
考虑风电随机性的微电网热电联合调度
1
2011
... 分布式发电机组采用分段线性化的方式表示[12 ] ,CHP装置采用标准化公式进行建模[20 ] ,式(43)~(45)描述了机组的发电出力约束;式(46)和式(47)为爬坡约束;式(48)和式(49)给出了$Y_{n/l}^{\text{units}}(t)$ $Z_{n/l}^{\text{units}}(t)$
Combined scheduling of electricity and heat in a microgrid with volatile wind power
1
2011
... 分布式发电机组采用分段线性化的方式表示[12 ] ,CHP装置采用标准化公式进行建模[20 ] ,式(43)~(45)描述了机组的发电出力约束;式(46)和式(47)为爬坡约束;式(48)和式(49)给出了$Y_{n/l}^{\text{units}}(t)$ $Z_{n/l}^{\text{units}}(t)$
考虑含热电联产机组及可再生能源优先消纳的风-光-水-火联合优化调度
1
2021
... 上述目标函数和约束条件所构成的数学模型为典型的混合整数线性规划模型,采用随机规划的方法求解[21 -22 ] ,求解流程如图2 所示. ...
Optimal dispatch of wind-photovoltaic-hydro-thermal power system based on CHP units and priority given to renewable energy
1
2021
... 上述目标函数和约束条件所构成的数学模型为典型的混合整数线性规划模型,采用随机规划的方法求解[21 -22 ] ,求解流程如图2 所示. ...
基于多场景随机规划的电热联合系统日前经济调度
1
2020
... 上述目标函数和约束条件所构成的数学模型为典型的混合整数线性规划模型,采用随机规划的方法求解[21 -22 ] ,求解流程如图2 所示. ...
Day-ahead economic dispatch of combined electro-thermal system based on multi-scenario stochastic programming
1
2020
... 上述目标函数和约束条件所构成的数学模型为典型的混合整数线性规划模型,采用随机规划的方法求解[21 -22 ] ,求解流程如图2 所示. ...
1
2018
... 本节采用的算例系统包括1个风电场、1个光伏发电场、2台DG、2台CHP、1个储能电池装置、1个电解槽、1个储氢罐、1个燃料电池、1个甲烷反应器以及含有5个服务器集群的数据中心.每小时风电出力、电价以及即时型数据负荷的预测值分别来自文献[23 ⇓ -25 ],并将预测值的10%作为正态分布的标准差.首先采用蒙特卡洛随机生成3 000个场景,然后通过情景约简的方法将原始场景缩减至50个场景.DG和CHP机组的参数分别来自文献[12 ]和[25 ],如表1 所示;储能电池参数来自文献[26 ],如表2 所示;电解槽、储氢罐、燃料电池以及甲烷反应器的相关参数来自文献[27 ],如表3 所示;表4 为可延迟型数据负荷特性,其来源于文献[17 ].表5 是服务器集群特性;微电网与外部电网的交互功率上限设为600 kW,其他相关参数参见文献[28 ].本文所建立的数学模型属于混合整数线性优化问题,采用Cplex软件进行求解. ...
1
2018
... 本节采用的算例系统包括1个风电场、1个光伏发电场、2台DG、2台CHP、1个储能电池装置、1个电解槽、1个储氢罐、1个燃料电池、1个甲烷反应器以及含有5个服务器集群的数据中心.每小时风电出力、电价以及即时型数据负荷的预测值分别来自文献[23 ⇓ -25 ],并将预测值的10%作为正态分布的标准差.首先采用蒙特卡洛随机生成3 000个场景,然后通过情景约简的方法将原始场景缩减至50个场景.DG和CHP机组的参数分别来自文献[12 ]和[25 ],如表1 所示;储能电池参数来自文献[26 ],如表2 所示;电解槽、储氢罐、燃料电池以及甲烷反应器的相关参数来自文献[27 ],如表3 所示;表4 为可延迟型数据负荷特性,其来源于文献[17 ].表5 是服务器集群特性;微电网与外部电网的交互功率上限设为600 kW,其他相关参数参见文献[28 ].本文所建立的数学模型属于混合整数线性优化问题,采用Cplex软件进行求解. ...
Towards optimal electric demand management for internet data centers
2
2011
... 本节采用的算例系统包括1个风电场、1个光伏发电场、2台DG、2台CHP、1个储能电池装置、1个电解槽、1个储氢罐、1个燃料电池、1个甲烷反应器以及含有5个服务器集群的数据中心.每小时风电出力、电价以及即时型数据负荷的预测值分别来自文献[23 ⇓ -25 ],并将预测值的10%作为正态分布的标准差.首先采用蒙特卡洛随机生成3 000个场景,然后通过情景约简的方法将原始场景缩减至50个场景.DG和CHP机组的参数分别来自文献[12 ]和[25 ],如表1 所示;储能电池参数来自文献[26 ],如表2 所示;电解槽、储氢罐、燃料电池以及甲烷反应器的相关参数来自文献[27 ],如表3 所示;表4 为可延迟型数据负荷特性,其来源于文献[17 ].表5 是服务器集群特性;微电网与外部电网的交互功率上限设为600 kW,其他相关参数参见文献[28 ].本文所建立的数学模型属于混合整数线性优化问题,采用Cplex软件进行求解. ...
... ]和[25 ],如表1 所示;储能电池参数来自文献[26 ],如表2 所示;电解槽、储氢罐、燃料电池以及甲烷反应器的相关参数来自文献[27 ],如表3 所示;表4 为可延迟型数据负荷特性,其来源于文献[17 ].表5 是服务器集群特性;微电网与外部电网的交互功率上限设为600 kW,其他相关参数参见文献[28 ].本文所建立的数学模型属于混合整数线性优化问题,采用Cplex软件进行求解. ...
Optimal scheduling of distributed energy resources as a virtual power plant in a transactive energy framework
1
2017
... 本节采用的算例系统包括1个风电场、1个光伏发电场、2台DG、2台CHP、1个储能电池装置、1个电解槽、1个储氢罐、1个燃料电池、1个甲烷反应器以及含有5个服务器集群的数据中心.每小时风电出力、电价以及即时型数据负荷的预测值分别来自文献[23 ⇓ -25 ],并将预测值的10%作为正态分布的标准差.首先采用蒙特卡洛随机生成3 000个场景,然后通过情景约简的方法将原始场景缩减至50个场景.DG和CHP机组的参数分别来自文献[12 ]和[25 ],如表1 所示;储能电池参数来自文献[26 ],如表2 所示;电解槽、储氢罐、燃料电池以及甲烷反应器的相关参数来自文献[27 ],如表3 所示;表4 为可延迟型数据负荷特性,其来源于文献[17 ].表5 是服务器集群特性;微电网与外部电网的交互功率上限设为600 kW,其他相关参数参见文献[28 ].本文所建立的数学模型属于混合整数线性优化问题,采用Cplex软件进行求解. ...
考虑电氢耦合的混合储能微电网容量配置优化
1
2021
... 本节采用的算例系统包括1个风电场、1个光伏发电场、2台DG、2台CHP、1个储能电池装置、1个电解槽、1个储氢罐、1个燃料电池、1个甲烷反应器以及含有5个服务器集群的数据中心.每小时风电出力、电价以及即时型数据负荷的预测值分别来自文献[23 ⇓ -25 ],并将预测值的10%作为正态分布的标准差.首先采用蒙特卡洛随机生成3 000个场景,然后通过情景约简的方法将原始场景缩减至50个场景.DG和CHP机组的参数分别来自文献[12 ]和[25 ],如表1 所示;储能电池参数来自文献[26 ],如表2 所示;电解槽、储氢罐、燃料电池以及甲烷反应器的相关参数来自文献[27 ],如表3 所示;表4 为可延迟型数据负荷特性,其来源于文献[17 ].表5 是服务器集群特性;微电网与外部电网的交互功率上限设为600 kW,其他相关参数参见文献[28 ].本文所建立的数学模型属于混合整数线性优化问题,采用Cplex软件进行求解. ...
Capacity optimization of hybrid energy storage microgrid considering electricity-hydrogen coupling
1
2021
... 本节采用的算例系统包括1个风电场、1个光伏发电场、2台DG、2台CHP、1个储能电池装置、1个电解槽、1个储氢罐、1个燃料电池、1个甲烷反应器以及含有5个服务器集群的数据中心.每小时风电出力、电价以及即时型数据负荷的预测值分别来自文献[23 ⇓ -25 ],并将预测值的10%作为正态分布的标准差.首先采用蒙特卡洛随机生成3 000个场景,然后通过情景约简的方法将原始场景缩减至50个场景.DG和CHP机组的参数分别来自文献[12 ]和[25 ],如表1 所示;储能电池参数来自文献[26 ],如表2 所示;电解槽、储氢罐、燃料电池以及甲烷反应器的相关参数来自文献[27 ],如表3 所示;表4 为可延迟型数据负荷特性,其来源于文献[17 ].表5 是服务器集群特性;微电网与外部电网的交互功率上限设为600 kW,其他相关参数参见文献[28 ].本文所建立的数学模型属于混合整数线性优化问题,采用Cplex软件进行求解. ...
计及电转气协同的含碳捕集与垃圾焚烧虚拟电厂优化调度
1
2021
... 本节采用的算例系统包括1个风电场、1个光伏发电场、2台DG、2台CHP、1个储能电池装置、1个电解槽、1个储氢罐、1个燃料电池、1个甲烷反应器以及含有5个服务器集群的数据中心.每小时风电出力、电价以及即时型数据负荷的预测值分别来自文献[23 ⇓ -25 ],并将预测值的10%作为正态分布的标准差.首先采用蒙特卡洛随机生成3 000个场景,然后通过情景约简的方法将原始场景缩减至50个场景.DG和CHP机组的参数分别来自文献[12 ]和[25 ],如表1 所示;储能电池参数来自文献[26 ],如表2 所示;电解槽、储氢罐、燃料电池以及甲烷反应器的相关参数来自文献[27 ],如表3 所示;表4 为可延迟型数据负荷特性,其来源于文献[17 ].表5 是服务器集群特性;微电网与外部电网的交互功率上限设为600 kW,其他相关参数参见文献[28 ].本文所建立的数学模型属于混合整数线性优化问题,采用Cplex软件进行求解. ...
Optimization scheduling of virtual power plant with carbon capture and waste incineration considering power-to-gas coordination
1
2021
... 本节采用的算例系统包括1个风电场、1个光伏发电场、2台DG、2台CHP、1个储能电池装置、1个电解槽、1个储氢罐、1个燃料电池、1个甲烷反应器以及含有5个服务器集群的数据中心.每小时风电出力、电价以及即时型数据负荷的预测值分别来自文献[23 ⇓ -25 ],并将预测值的10%作为正态分布的标准差.首先采用蒙特卡洛随机生成3 000个场景,然后通过情景约简的方法将原始场景缩减至50个场景.DG和CHP机组的参数分别来自文献[12 ]和[25 ],如表1 所示;储能电池参数来自文献[26 ],如表2 所示;电解槽、储氢罐、燃料电池以及甲烷反应器的相关参数来自文献[27 ],如表3 所示;表4 为可延迟型数据负荷特性,其来源于文献[17 ].表5 是服务器集群特性;微电网与外部电网的交互功率上限设为600 kW,其他相关参数参见文献[28 ].本文所建立的数学模型属于混合整数线性优化问题,采用Cplex软件进行求解. ...
