考虑风光储互补与工作负载分配的数据中心优化调度

李彬，杜亚彬，曹望璋，祁兵，孙毅，陈宋宋

（1.华北电力大学电气与电子工程学院, 北京市昌平区 102206；2.中国电力科学研究院有限公司, 北京市海淀区 100192）

0 引言

随着大数据、云计算等高新技术的飞速发展，全世界迎来了数据中心建设的热潮[1]，但其巨大的用电量会造成高额的用电成本，在消耗能源的同时也会产生巨大的环境污染。因此数据中心利用新能源已成为新的研究趋势[2-3]。

目前数据中心利用新能源已有如下研究：利用储能设备来解决新能源间歇性问题，并将多余的电力出售给电网，从而实现数据中心新能源的消纳并减少运行成本[4-6]。面对新能源出力的不确定性，文献[7]提出了一种基于风险的随机混合整数线性规划模型来解决数据中心现场新能源和电价的不确定性；文献[8]首次采用不确定性模型来描述新能源在数据中心的随机性，并采取机会约束近似和鲁棒优化的方法，将模型转化为确定模型进行求解。有些研究还将电动汽车与数据中心进行联合管理，如文献[9]电动汽车交换站作为储能设备的补充，通过合理安排电动汽车交换站充放电，实现新能源的利用与成本最小。一些研究还集中于可再生能源从电力市场到数据中心的交易机制，如文献[10]，通过构建Stackelberg博弈模型，解决数据中心与电力市场的利益冲突，实现数据中心用能成本最小。但上述研究忽视了单个数据中心的工作负载分配在新能源消纳与降低运行成本的作用。有些研究考虑到了批处理负载分配对单个数据中心的影响，如文献[11-12]以减少运行成本为目的，将批处理负载分配策略用到数据中心的新能源微电网中，但其分配策略与储能设备运行只是考虑了电价的影响，没有考虑新能源的出力情况；文献[13]利用负载时间转移和冷却系统、储能和柴油发电机的交替使用来提高新能源的利用率；文献[14]利用储能设备与负载调度策略来提高数据中心新能源的利用率。但以上研究都忽视了用能成本。同时，鲜少有研究考虑交互式负载的处理情况。数据中心的交互式负载具有一定的优先级，通过考虑经济效益对业务级别进行调整，然后分配给相应的服务器进行处理，从而可降低数据中心的功耗。

因此，本文建立数据中心与负载的精细化模型，提出考虑数据中心异构服务器、交互式负载分级、批处理负载分类以及负载分配策略。场景上综合考虑电价与新能源出力，以碳排放与运行成本最小为目标，完成数据中心的最优运行。

1 系统模型

整个系统由数据中心、风光储互补系统、电网组成。风光储互补系统在一定程度上缓解了新能源出力不稳定的问题。电网可用来弥补风光储互补系统出力不足，保证数据中心稳定用电。

1.1 数据中心模型

假设某一数据中心共有K台服务器。这些服务器可分为M种类型，包括 κ1、 κ2···κM。不同种类之间的服务器配置不同，其中服务器任务处理能力上 κ1＞ κ2＞ ···＞ κM。服务器之间实现了虚拟化，可以进行负载迁移和负载均衡。数据中心需要处理前端处理器所带来的工作负载， λt,κi表示数据中心t时刻 κi类型服务器要处理的工作负载；st,κi表示t时刻前端 κi类型处理器工作的数量。所以数据中心的功率可由式(1)表示，其中，分别表示数据中心单台 κi类型服务器的峰值功率和闲时功率。

式中： μκi表示数据中心的 κi类型服务器处理速率；η表示数据中心消耗的所有能源与IT设备消耗的能源的比值。

1.2 风光储互补系统模型

数据中心所用的新能源主要是太阳能和风能，下式是太阳能光伏发电系统模型。

风机发电系统的模型如式(3)所示。

储能系统通过合理地充放电可在一定程度上解决新能源的间歇性问题，蓄电池的电量会受到充放电的影响，t时刻的电量如公式(4)所示。

新能源发电系统的输出功率受到外部天气的影响而存在间歇性强、波动性和不确定性大的特点[15-17]，其不确定性模型如式(5)所示。

2 工作负载分配策略

根据数据中心的业务负载类型不同，通常可以把工作负载分为2类：交互式（或“延迟敏感型”）工作负载和批处理（或“延迟容忍型”）工作负载。

2.1 交互式工作负载

交互式工作负载如实时用户请求和Web服务一旦到达必须马上执行，处理时间为秒级，基本上不具备调节能力。但是交互式工作负载存在一定的优先级，当请求量很大，难以达到同步的时候，优先性显得很重要。假设根据不同的优先级也分为M类，包括 ξ1、 ξ2… ξM，其中优先级排序为ξ1＞ ξ2＞...＞ ξM。根据优先级的高低将不同的负载分配到不同的服务器上进行执行。优先级越高的负载其对应的服务器配置越高、处理能力越强，如果当前类型服务器没有空闲或在一定的容忍下，可以选择分配到其他类型服务器上。负载分配到非对应类型服务器的原则是优先分配到与原来类型的服务器处理能力相差最小的服务器。

交互式工作负载需要在到达时刻立刻执行，所以t时刻交互式负载分配模型如下式所示。

假设数据中心运营商和用户之间所允许的最大时延为D，交互式工作负载处理还要满足式(8)与式(9)。

如果高优先级的负载在低处理能力的服务器上被处理，其满意度就会下降；同样低优先级的负载在高处理能力的服务器上被处理，会存在一定的资源浪费，其满意度也会下降。本文设置满足度函数 γ来表示各类型交互式工作负载与各类型服务器的匹配情况。cκi,ξj(0 ≤cκi,ξj≤ 1)表示 κi类型服务器处理 ξj类型交互式工作负载的权重；γ0表示运营商的最低满意度，其中T为运行周期。

2.2 批处理工作负载

批处理工作负载包括图像处理、数据挖掘等密集型工作，通常只要在截止时间之前完成任务即可，调节范围较大，具有很强的灵活性。本文假设批处理工作负载根据处理周期可分为L类。本文使用队列模型进行建模。

此时数据中心要处理的工作负载 λt,κi与工作前端服务器的数量st,κi可由式(13)表示，其中 Sκi表示 κi类型服务器的数量。

3 数据中心用能优化调度模型

3.1 目标函数

本文以数据中心最小运行成本作为一个子目标函数，以24 h为一个运行周期，步长为1 h，以运行周期内成本最小为目标，考虑新能源设备运维成本CRES、 储能系统充放电成本CES、电网功率交互的成本与收益CGRID，即

其中

式中：cW与cPV表示新能源系统风机与光伏系统的运维成本系数；cESC与cESD分别表示储能系统充电与放电时的成本系数；是电网向数据中心提供的功率；是数据中心馈入电网的功率；与表示数据中心在t时刻的购电电价与补贴。

为了减少碳排放，以数据中心最小碳排放量作为一个子目标函数，研究以24 h为一个运行周期，考虑从电网购电时产生的碳排放，目标函数如式(16)所示。

式中：n表 示燃料类型总量；ek表示第k种燃料在发电时的碳排放率； ϑk表示第k种燃料出力占比。

基于模糊逻辑理论把多目标函数C1和C2采用系数加权的方式转化为单目标函数，如下式所示。

3.2 约束条件

为保障整个系统稳定运行，需要满足相关运行约束：功率平衡约束、储能系统约束、新能源出力约束和数据中心处理时延约束。

功率平衡约束：

数据中心在t时刻的功率等于风机发电功率、光伏发电功率、电网交换的功率、储能充放电功率之 和。

储能系统约束：

式中：pESD,max与pESC,max分别表示储能系统最大放电与充电功率；、是0-1控制变量，表示储能系统t时刻的充放电状态，并且储能系统不能同时进行充放电。EES,min与EES,max分别表示储能系统最小与最大容量。

新能源出力约束：

连接点容量约束：

数据中心新能源微电网通过公共连接点（point of common coupling , PCC）与配电网连接，其约束如下：

式中：Ps,max与Ps,min为配电网到微电网传输容量的上下限；Pf,max与Pf,min为微电网到配电网传输容量的上下限。

不确定变量约束：

将式(19)第一个公式以概率约束的形式进行表示，如式(23)所示。

式中： α为约束成立的置信水平。将式(5)代入上式可得：

将式(24)转化为确定性模型。

式中： φ-1(·)为概率分布函数的反函数。

4 算例分析

4.1 输入参数

本文主要的输入系统参数包括风光储互补系统中的风机、光伏、储能系统和数据中心设备参数。在进行用能优化时，兼顾运行成本与碳排放量。下面对主要的输入参数进行设定，如表1所示。

表1 主要参数设定Table 1 Key parameter setting

数据中心交互式工作负载与批处理工作负载分布详见附图A1，其中交互式工作负载优先级分为2级ξ1＞ ξ2，批处理工作负载分为2种类型：类型1的处理周期为3 h，类型2的处理周期为24 h。发电燃料的碳排放率与出力占比详见附表S1。

4.2 优化结果分析

在MATLAB平台下通过YALMIP工具箱调用Gurobi对模型进行求解，得到数据中心最低运行成本为2825.4元，碳排放量为1.72 t，此时新能源出力、电价和数据中心功耗如图1 所示。

在保证整体满意度的情况下进行合理的级别调整，由不同类型的服务器进行处理，可以降低数据中心的运行功耗。如图2所示，图例中 ξ1-κ1表示优先级为 ξ1的交互式工作负载由 κ1类型服务器处理，其他情况类似，不再赘述。在新能源出力较低的时段如1～5 h，对优先级为 ξ1的交互式工作负载进行调整，交给 κ2类型的服务器处理，降低功耗。当对应的服务器无空闲时也需要对负载进行调整，对比图3 可知，在13 h和24 h这2个时段，由于当前批处理负载工作量大， κ2类型的服务器没有空闲，所以优先级为 ξ2的交互式工作负载被迫由 κ1类型服务器处理。

结合图1、图3可知，批处理工作负载在分配时，综合考虑电价和本地新能源出力情况，尽可能将负载分配在电价低、新能源出力大的时段。

在新能源出力较大的时段，如1～12 h，数据中心几乎不会去购电，所以此时负载分配对电价不太敏感，主要将负载分配到新能源出力大的时段；在新能源出力不足的时段，如15～24 h，数据中心优先使用储能系统，当储能还不能满足时就用电网来弥补供应不足，此时主要将批处理工作负载分配到电价相对较低的时段。通过合理地分配负载，尽可能地使数据中心的功率需求曲线与新能源的出力曲线相匹配，在一定程度上降低数据中心的运行成本，提高新能源利用率。

利用储能系统的充放电和电网的功率交互可在一定程度上缓解新能源出力间歇性的问题。其优化调度结果如图4所示。

结合图1、图4可知，当新能源出力大于数据中心的功率需求时，如4～13 h时段，储能系统进行充电或将多余的电能馈入电网，两者的调度取决于储能系统充电成本与电能馈入电网时的收益比较。但考虑到新能源出力的不确定性，数据中心又从电网购买部分电力，以保证一定的应对能力；当新能源出力小于数据中心的功率需求时，如14～24 h时段，储能系统优先进行放电，如果储能系统供应不足，再向电网购电。从而减少购电量，降低碳排放。

4.3 不同调度模式对比

为验证本文考虑风光储互补系统与批处理工作负载分配的有效性，将本文调度模式与传统的调度模式进行对比。具体设置如下：模式1为不考虑风光储互补与负载分配，储能系统只是基于电价进行充放电；模式2为文献[11]所用模式，不考虑风光储互补，考虑负载分配；模式3为文献[5]所用模式，考虑风光储互补，不考虑负载分配；模式4为本文考虑风光储互补与负载分配的调度模式。各模式的调度结果对比如表2所示。

由表2可知，本文考虑风光储互补与负载分配的调度模式综合运行成本与碳排放量最低，分别为2825.4元和1.72t，并且实现了新能源高效利用。与模式1相比，本文调度模式的综合成本降低了1761.4元，节约成本38.4%，碳排放量减少了58%，新能源利用率提高了15%；与模式2相比，本文调度模式的综合成本降低了323.7元，节约成本10.3%，碳排放量减少了14%，新能源利用率提高了7.4%；与模式3相比，本文调度模式的综合成本降低了762.6元，节约成本22.3%，碳排放量减少了34.6%，新能源利用率提高了8.3%。可见本文的调度模式能够有效地降低数据中心的综合运行成本，减少碳排放，提高新能源利用率。

表 S1 发电燃料的碳排放率与出力占比Table S1 Carbon emission rate and output proportion of fuel for power generation

表2 不同调度模式对比结果Table 2 Comparison results of different scheduling modes

5 结论

1）数据中心结合新能源系统的出力与电价，在满足任务处理要求下，合理分配任务负载，使其功耗更贴合新能源的出力曲线，提高了新能源的利用率。

2）风光储互补系统，在新能源出力大时段进行充电，在出力不足、电价较高的时段进行放电，既实现了系统的经济调度，又减少了碳排放。

未来，随着我国双碳战略的推进，数据中心结合本地的不同负载情况，合理开展能源的优化调度，在用户侧灵活电力市场的条件下，还将具有更大的发挥空间。

（本刊附录请见网络版，印刷版略）

附录 A