数据中心制冷系统即时消纳可再生能源的建模和变温控制

朱介北，杨顺坡，俞露杰，贾宏杰

（天津大学电气自动化与信息工程学院，天津市 300072）

0 引言

随着大数据、5G 和物联网等先进信息技术的快速发展，作为信息服务载体的数据中心耗电量不断增加。数据中心高能耗将会带来两个严重后果:1）巨大的电费开销会大幅增加数据中心运营成本；2）数据中心从电网获取大量棕色能源［1］，导致CO2排放量急剧增加［2］。2020 年，全球数据中心总耗电量已占全社会总用电量的2.4%［3］。预计到2025 年，全球数据中心能耗将导致全球碳排放量增长3.2%［4］。就中国而言，近年来的数据中心能耗增长更是大幅高于全球平均水平。但是，中国数据中心用电来源仍以燃煤发电为主，目前仅有约20%的数据中心利用了可再生能源［5］。2018 年，中国数据中心总用电量为160.889 TW·h，占全国总用电量的2.35%，其中燃煤发电量约为117.181 TW·h，碳排放量达9 855 万t。可见，数据中心的节能降耗问题日益紧迫［6］。当前，工业界和学术界探索数据中心脱碳途径主要分为两种思路:1）研究如何降低数据中心各能耗单元自身功耗以实现节能减排；2）研究如何将风能、太阳能等低碳能源引入数据中心供电系统并充分消纳，以节省能源开支和缓解碳污染问题。

针对第1 种思路，现有研究主要从降低服务器能耗和制冷系统能耗入手。文献［7］研究了自然冷却在数据中心的应用，分析了对电源使用效率（power usage effectiveness，PUE）的 影 响，其 中PUE=数据中心总能耗/IT 设备能耗。文献［8］提出了一种基于模型预测控制的数据中心节能调度算法，有效降低了制冷系统能耗。文献［9］将人工智能技术应用于数据中心能量管理与优化问题，搭建了数据中心精确能量感知与优化框架，提高了能源使用效率。但是，上述研究均只针对数据中心传统能源消耗，未考虑可再生能源的利用情况。

另一种思路是提高数据中心能源利用效率、增加可再生能源的利用比例，从源头上解决高碳排放问题［10］。目前，已有诸多知名IT 企业（如Google、百度等）正在采用风电、光伏等新能源供电方式来建设绿色数据中心，以节省巨大的电能开销［11］。文献［12］建立了以绿色数据中心为负荷、可再生能源为主要电源的直流供电系统，提高了数据中心的可再生能源占比。文献［13］提出了利用不间断电源（uninterrupted power system，UPS）快速响应能力来应对可再生能源的间歇性，在缓冲负荷峰值的同时提高了可再生能源利用率。文献［14］研究了以可再生能源供电的数据中心计算任务分配问题，通过分布式需求响应算法求解用能成本最低的负荷调控方案。文献［15］从绿色感知、计算任务调度和冷却感知这3 个方面进行虚拟机迁移，大幅提高了可再生能源利用率。然而，以上研究主要通过优化供电系统和调控计算任务来提高可再生能源利用率，而且对计算任务的调控适用的负载形式有限。未对负载调控时，可再生能源的供给和负载行为各自呈现毫无关联的随机性和波动性特征，与此同时，数据中心要求高可靠性的供电保障，二者共同制约着可再生能源的最大化使用［16］。现有研究鲜有综合考虑数据中心制冷功耗与可再生能源供应灵活匹配这一问题。

当前研究基本将数据中心制冷系统视为不可控负荷，且往往采用恒温恒湿制冷控制模式，其功耗随服务器集群无规律的产热变化而变化。同时，随着电子技术发展，服务器集群对环境温度要求逐渐放宽，美国制冷空调供暖工程师学会（American Society of Heating Refrigerating and Airconditioning Engineers，ASHRAE）为了降低制冷系统耗电量，于2014 年发布了《数据中心环境热力指南》，提高了数据中心机房温度的不同设计范围［17］。根据A1～A4等级，将最高允许温度分别提升至32、35、40、45 ℃。因此，数据中心机房具有温度动态调整的潜力，能够利用制冷系统的可控能力，且根据现行标准不会造成服务器集群过热故障［18］。利用制冷系统灵活调节数据中心机房温度，成为数据中心节能降耗和最大化消纳可再生能源的可行性方案。

本文突破传统研究中将制冷系统作为不可控负荷的局限，发挥数据中心机房自身热惯性对温度变化的延迟作用，提出了一种即时消纳可再生能源发电的数据中心变温控制策略，使制冷系统功耗即时匹配可再生能源发电功率，实现可再生能源利用率最大化。

1 数据中心能耗模型与温度模型

首先，搭建了数据中心服务器集群和制冷系统的动态能耗模型；其次，从能量守恒角度，根据室内温度、制冷功率、服务器集群产热量、外界环境之间的定量数学关系，建立了数据中心机房的动态温度模型。

数据中心供电系统主要由可再生能源、UPS、服务器集群、制冷系统、照明等辅助设备和能量管理系统构成［19］，结构如图1 所示。

图1 典型绿色数据中心供能系统Fig.1 Typical power supply system for green data center

数据中心用电负荷主要包含可控负荷和不可控负荷两部分，供电主要来自主网和风电、光伏等可再生能源。由此，建立数据中心供用电功耗平衡模型为:

式中:Pg为主网向数据中心的注入功率；Pw为风力发电功率；Ppv为光伏发电功率；Pups为UPS 的充放电功率；Ps为服务器集群功耗；Pc为制冷系统功耗；Pa为照明等辅助设备功耗。由于Pups为能量传输的中间环节，在后续的能量平衡分析中，本文暂不考虑其影响；Pa占比较小，亦可忽略不计［20］。本文主要的研究对象为占比较大的服务器集群能耗和制冷系统能耗模型。

1.1 数据中心能耗模型

1.1.1 服务器集群能耗模型

服务器集群是数据中心的核心，也是最主要的产热源。服务器集群可基于CPU 利用率的变化描述其实际发热量（假设发热量等于耗电量［21］），其能耗模型可以表示为［22］:

1.1.2 制冷系统能耗模型

目前，数据中心制冷的常用技术为水冷冷水空调，主要包含冷水机组、变频水泵、冷却塔和精密空调4 个部分［23］，如附录B 图B1 所示。其中，制冷过程主要包括冷冻水循环、制冷剂循环和冷却水循环。首先，低温冷冻水进入精密空调与机房换热，带走机房热量，冷冻水温度升高再进入冷水机组与制冷剂换热；低温低压液态制冷剂在蒸发器内蒸发，带走高温冷冻水热量后变为高温低压气态，再通过压缩机升压后进入冷凝器与低温冷却水换热降温。然后，通过膨胀阀变为低温低压液态循环进入蒸发器；与制冷剂换热后升温的冷却水进入冷却塔，与室外空气换热降温后再与冷凝器中的制冷剂换热。通过以上换热过程，数据中心机房内的热量被带到室外，数据中心机房温度被降低。

下文就冷水机组、变频水泵、冷却塔和精密空调的能耗展开详细分析，并推导各耗能部件电功率与制冷功率之间的关系，为后续搭建数据中心温度动态响应模型打下基础。

1）冷水机组能耗模型

冷水机组主要包括4 个部分:压缩机、蒸发器、冷凝器和膨胀阀。冷水机组功耗P1主要由设定温度TSAT和制冷功率Qc决定，相关参数和冷水机组型号有关，是由惠普实验数据中心的一个水冷式空调机组单元中所得［24-25］，即

冷水机组的制冷功率主要与压缩机的转速nc有关，其关系可表示为:

式中:Qmax为冷水机组最大制冷功率；nc，max为压缩机最大转速。

2）变频水泵能耗模型

变频水泵的总功率可根据水泵在不同转速下的特性曲线和泵的效率得到。在已知制冷系统所需流量时，水泵电功率P2为流体流量ma的函数［26］:

式中:ρa为流体密度；g为重力加速度；H为系统总压头；ηj为水泵抽水效率；ηp为水泵变频器电机效率；ca为流体比热容；Tina和Touta分别为流体进、出温度。

因此，变频水泵电功率P2和制冷功率Qc的函数关系可表示为:

3）冷却塔能耗模型

针对冷却塔能耗模型，本文以较为常见的方形开式横流冷却塔为例，其耗电部分主要为风机，其电功率P3可表示为［27］:

式中:N为风机台数；nk为第k台风机转速大小；nk，max为第k台风机最大转速；Pk，max为第k台风机的最大功率。

制冷功率Qc与风机带动空气流量mair相关:

式中:cair为空气比热容；ρair为空气密度；ΔTair为进出风温差。

为推导P3与Qc之间的关系，mair又可表示为与风机转速nk的函数:

式中:λ为流量系数，与风机结构有关；D为风机外径。

由此可得冷却塔电功率P3与制冷功率Qc之间的函数关系为:

4）精密空调（CRAC）能耗模型

精密空调功率P4为冷冻水流量mw的函数［28］:

式中:NCRAC为精密空调数量；P4，r为精密空调额定电功率；mw，r为冷冻水额定流量。

冷冻水流量mw为制冷功率Qc的函数:

5）制冷系统总能耗模型

由式（3）、式（7）、式（11）、式（14）可得数据中心制冷系统电功率Pc与制冷功率Qc和空调设定温度TSAT之间的函数关系:

其三维关系图见附录B 图B2。可以看出，制冷功率Qc相同的条件下，设定温度TSAT越低，制冷系统用电功率Pc增长趋势越明显；设定温度TSAT相同的条件下，制冷设备电功率Pc随制冷功率Qc近似呈线性变化。

1.2 数据中心温度动态响应模型

式（15）推导了制冷系统电功率Pc与制冷功率Qc的关系，本文的研究需要得到Pc和数据中心温度之间的关系。因此，本节首先分析了影响数据中心机房温度的主要因素，并基于能量守恒定律构建了数据中心温度与服务器集群发热功率、制冷功率和外界环境影响三者的定量数学关系，建立了数据中心温度动态响应模型。在建模过程中，从工程实用角度出发，提出了以下简化方案［29］:

1）假设数据中心机房内部温度可以用集总参数Tin表示；

2）假定机房内外表面温度分布较为均匀，将外围结构向室内导热的过程简化为沿厚度方向的一维过程。

根据能量守恒定律，数据中心实际获得热量等于室外室内交换热量加上服务器等设备发热量，再减去制冷系统制冷量。相应的功率关系如式（16）所示。附录B 图B3 展示了数据中心热功率交换图。

式中:ktop和kwall分别为房顶和墙壁热传导系数；Stop和Swall分别为房顶和墙壁面积；Tout和Tin分别为室外和室内温度。

根据能量守恒方程，可得室内在单位时间内获得的热量Qgdt为:

式中:Vk为室内体积；ms为服务器总质量；cs为服务器等效比热容，其具体计算公式见附录A；mr为服务器机架总质量；cr为服务器机架等效比热容，具体计算见附录A；Tin（t）为t时刻数据中心机房温度。

根据式（18），由数据中心机房产热功率和制冷功率的变化关系，可得室内温度时变方程为:

α1具有实际物理意义，是数据中心机房总热容，为室内温度波动提供了“惯性”作用［29，31］，具体表现为:当产热量（Qs+Qa+Qt）相同时，热容α1越大，温度变化越小。制冷功率Qc较低时，热容α1越大，上升相同温度所需时间越长，即蓄冷能力越强［30］。附录B 图B4 展示了数据中心配置60 台机架、600 台服务器的机房温度-发热/制冷功率随时间的变化曲线（服务器和机架参数见附录A）。假设机房初始温度为15 ℃，根据式（2）和式（15）使服务器发热功率Qs和制冷功率Qc连续阶跃变化，可以看出机房温度并不会迅速变化，具有一定的热惯性。基于此发现，本文拟从发挥数据中心机房自身热惯性的角度出发，当可再生能源发电充足时将电能转化为冷量；当可再生能源发电不足时将冷量释放，从而在保证数据中心运行安全的前提下调节制冷系统的电功率，有效提高可再生能源利用率。

2 数据中心变温控制策略及能效评价

本章基于前文搭建的数据中心能耗模型和温度动态响应模型，为发挥数据中心机房热容对温度变化的衰减和延迟作用，提出了实现数据中心制冷系统即时消纳可再生能源的变温控制策略，以及可用于评价可再生能源利用率的新型能效指标PUE-R。

2.1 数据中心变温控制策略

本节提出一种即时消纳可再生能源的变温控制策略，在保证数据中心温度Tin在安全运行范围［Tmin，Tmax］前提下，使数据中心制冷系统功耗Pc与可再生能源发电功率Pr实现即时匹配。当可再生能源发电充足时，降低数据中心机房温度，以冷能的形式存储在数据中心机房内；当可再生能源发电大幅降低时，降低制冷功率以允许数据中心机房温度适当升高，最小化使用市电。本文提出的控制策略的目标和约束条件如下:

原产我国，1953年在俄勒冈州发现的红星短枝型全株芽变，为元帅系第三代品种，1965年引入我国。在贵州主要作为富士系列品种授粉树。果实圆锥形，果顶五棱凸起明显，果形指数0.9～1.0，端正、高桩；果个较大，平均单果重230克左右；底色黄绿，全面着浓红色，树冠内外着色均匀一致，鲜艳美观；果面光滑，有光泽，无锈，蜡质较多，果粉薄，果点较稀；风味酸甜，香气浓，微具涩味，可溶性固形物含量13.5%，可滴定酸含量0.25%，果肉硬度7.5公斤/平方厘米，品质中上；果肉绿白色，肉质较细，松脆，汁多。果实发育期135天左右，较耐贮藏。植株紧凑，适于密植栽培。

式中:Pg符号为正表示制冷系统消耗市电，符号为负表示可再生能源发电外送。

基于上述思想，本文提出的即时消纳可再生能源的数据中心变温控制策略如图2 所示。

图2 数据中心变温控制设计Fig.2 Design of variable temperature control for data center

式中:kT为下垂系数；ΔT为启动修正的温度阈值与最大/最小温度的差值。ΔT可以根据实际情况加以调节以增加调整的灵活度，不会影响本文所提控制策略的有效性和结论的正确性。

式（23）对应的下垂控制曲线如图3 所示。当数据中心温度Tin在完全跟踪区（见图3 中红色区域）时，ΔP=0，此时制冷系统功耗Pc完全跟踪可再生能源发电量Pr；当数据中心温度Tin超出阈值Tmin+ΔT或Tmax-ΔT进入修正区（见图3 中灰色区域）时，存在温度越限风险，故启动下垂控制降低或增大制冷系统功率，将数据中心温度控制在安全范围内。当数据中心温度低于Tmin+ΔT时，需要减少制冷量，此时不再消纳可再生能源发电，可再生能源发电外送；当数据中心温度高于Tmax-ΔT时，需要增大制冷量，此时，可再生能源发电量无法满足数据中心制冷需求，制冷系统需消耗市电。

图3 制冷系统电功率下垂控制原理Fig.3 Principle of power droop control for cooling system

式中:kp和ki分别为PI 控制器的比例和积分系数。

2.2 可再生能源供电实现变温控制的配置方法

2.3 考虑可再生能源利用率的PUE-R 能效评价

由于传统能效指标PUE 无法体现可再生能源的利用率，本节提出了一种新的能效指标PUE-R。为引出能效指标PUE-R，首先分析了在不同时段下Pc与Pr可能存在的关系，如图4 所示。在t1和t3时段，制冷系统电功率Pc超过可再生能源发电功率Pr，此时阴影部分①和③的面积为制冷系统消耗市电量；t2时段为可再生能源发电量超过制冷系统耗电量，此时阴影部分②的面积为可再生能源发电外送量。变温控制的目标是减少阴影部分的面积（即图4 中的①、②和③的面积之和）。当阴影部分面积为0 时，表示制冷系统完全由可再生能源供能且消纳率为100%。

图4 Pc与Pr关系示意图Fig.4 Schematic diagram of relationship between Pc and Pr

由式（27）可见，PUE-R 越小表示可再生能源利用率越高，市电消耗量越小。当Pr与Pc完全匹配时，PUE-R 为1，表示此时制冷系统功耗与可再生能源发电功率完全匹配。

3 仿真及算法性能评估

为验证所提变温控制策略以及PUE-R 指标的有效性，本文依照数据中心机房建设标准与规范，选取中国北方某中型数据中心机房为算例［30］。该机房占地面积200 m2，层高4 m，机房外墙面积为240 m2，屋顶面积为200 m2，墙壁房顶热传导系数取值参考建筑设计规范［32］。机房配置60 台42U 机柜，单台机柜放置10 台额定功率为600 W 的服务器，服务器参数见附录A。依据式（25）配置制冷系统额定制冷功率Qratedc=500 kW，制冷系统额定电功率Pratedc=140 kW。光伏、风电总装机容量依据式（26）进行配置，Pmaxr=200 kW，取制冷系统平均负载率ηc为0.8，可再生能源平均发电效率ηr为0.6。可再生能源发电数据和室外温度数据从实际数据库网站获取［33］，其中风电和光伏占比按照1∶1 配置，不同的容量配比不会影响本文控制策略以及结论的有效性。可再生能源平均发电效率是根据实际数据的装机容量和输出功率计算得到的，仿真中的可再生能源出力曲线是对实际数据进行放缩得到仿真中配置的容量后得到的。服务器集群的电功率依据式（2）选取单台服务器电功率作为平均值。为便于评测，几组场景下服务器集群功率保持相同。

为验证所提控制策略的通用性，本文分别选取室外温度和可再生能源发电量差异性较大的典型夏季和冬季场景，仿真周期为一天的00:00—24:00，变温控制温度上下限分别为Tmin=15 ℃和Tmax=30 ℃，数据中心变温控制的PI 控制器的比例、积分系数分别为kp=2 和ki=1，下垂控制系数kT=10，控制有效区ΔT取0.2 ℃，恒温控制模式设定温度TSAT为25 ℃。

3.1 夏季场景分析

夏季日照辐射强度大，室外环境温度较高，光伏发电量较高，可再生能源发电量总体也较高，室内外换热带来的热量Qt较高。

1）可再生能源发电充足

风电、光伏发电充足时，传统恒温控制与本文所提的变温控制仿真结果如图5 所示。

图5 夏季可再生能源充足场景仿真分析Fig.5 Simulation analysis for scenarios with sufficient renewable energy in summer

图5（a）展示了变温控制和恒温控制两种模式下制冷系统功耗Pc、可再生能源出力Pr、与主网交互功率Pg的变化曲线。可以看出，恒温控制模式下的Pc波动与Pr无直接关联，Pg波动较大且大部分时段为负值，表示可再生能源大量外送；而变温控制模式下，Pc与Pr近似100%匹配，Pg接近为0，表示数据中心长时间处于图3 的“完全跟踪区”。对功率Pr积分可得:该场景全天可再生能源发电量为1 857 kW·h。而恒温控制模式下，制冷耗电量为1 295 kW·h，其中市电消耗量为24.7 kW·h，市电占比为2%；可再生能源外送量为586.7 kW·h，外送率为31.6%。变温控制模式下，制冷系统为了更好地消纳可再生能源，将可再生能源以冷能的形式存储在数据中心，故制冷耗电量高于恒温控制模式，为1 857.4 kW·h，但总的市电消耗量为0.4 kW·h，可再生能源外送量为0.47 kW·h，远小于恒温模式下的对应值。

图5（b）展示了制冷功率与产热功率变化曲线。两种控制模式的服务器发热功率Qs相同。在恒温控制模式下，制冷功率Qc一直等于产热功率Qs与Qt之和。而变温控制模式下，制冷功率Qc与可再生能源发电量有关，当可再生能源发电量较多时，制冷量也随之增加，从而保证可再生能源的最大化消纳；当可再生能源发电量较少时，制冷量也相应降低，保证对市电的最小化消耗。室外向室内传入热量Qt随室内外温差而变化，两种控制模式下室内外温差不同，故两种控制模式的Qt也不相同。图5（c）展示了恒温控制模式下机房温度维持在设定值25 ℃；变温控制模式下，温度随制冷量的变化在17～27 ℃范围波动，全天均在“完全跟踪区”。图5（d）展示了两种控制模式下的能效指标PUE-R 的变化曲线。可以看出，变温控制模式下PUE-R 始终接近于1，表示制冷系统既不消耗市电也无可再生能源外送；而恒温控制模式下的PUE-R 较高，全天为1.15，表示市电消耗量和可再生能源外送量相对较高。

综上所述，当可再生能源发电充足时，恒温控制模式下制冷系统对可再生能源的消纳能力不足，可再生能源外送较多；而在变温控制策略下，制冷系统几乎不消耗市电且能够即时消纳可再生能源发电。

2）可再生能源发电不足

当可再生能源发电不足时，仿真分析如附录B图B5 所示。与上一场景不同，恒温控制模式下，数据中心与主网交互功率Pg在大部分时段为正值，表示消耗市电量增加；变温控制模式下，制冷系统功耗Pc与可再生能源出力Pr的匹配度相较上一场景有所降低，且部分时段的Tin维持在上限30 ℃，这是由于可再生能源发电不足导致制冷功率整体低于上一场景，部分时段进入了图3 所示的“修正区”。通过对功率积分可得，该场景全天可再生能源发电量为829.4 kW·h，恒温控制模式制冷耗电量为1 121.6 kW·h，消耗市电308.3 kW·h，制冷系统能耗市电占比为27.5%，可再生能源外送16.2 kW·h，外送率为2.05%。变温控制模式有效降低了市电的使用，故制冷耗电量为864.3 kW·h 低于恒温控制模式，可再生能源外送量仅为0.25 kW·h，消耗市电量高于上一场景，为32.2 kW·h。变温控制模式下的PUE-R 始终低于恒温控制模式，变温控制模式的全天PUE-R 为1.01，低于恒温控制模式下的PUE-R值1.1，如图B5（d）所示。

可见在此场景下，恒温控制模式使制冷系统消耗大量市电。在变温控制策略下，当可再生能源出力较低时，通过适当提升机房温度可使制冷系统最大限度地降低市电消耗。

3.2 冬季场景分析

冬季光照辐射强度低于夏季，且存在雾霾天的影响，故冬季光伏发电量较低，可再生能源发电量总体低于夏季；冬季室外环境温度较低，受自然散热影响，冷负荷低于夏季，故制冷系统耗电量总体低于夏季。

1）可再生能源发电充足

冬季可再生能源发电充足时的仿真分析如附录B 图B6 所示。其总体变化趋势与夏季相同，恒温控制的市电消耗量和可再生能源外送较多，变温控制大部分时段处于图3 所示的“完全跟踪区”，Tin在15～30 ℃波动，部分时段处于“修正区”，Tin维持在30 ℃。通过对功率积分可得，在此场景下的全天可再生能源发电量为323.5 kW·h。恒温控制模式下的制冷耗电量为246.1 kW·h，其中消耗市电88.9 kW·h，消耗市电占比为36.1%；可再生能源外送167.5 kW·h，外送率为51.6%。变温控制模式下的制冷耗电量为346.6 kW·h，其中消耗市电量仅为22.3 kW·h，可再生能源外送量仅为0.1 kW·h。PUE-R 在变温模式下全天均低于恒温模式，变温控制模式的全天PUE-R 为1.01，低于恒温控制模式下的PUE-R 值1.06，如图B6（d）所示。

可以看出，冬季场景下的变温控制模式依然能够即时消纳可再生能源，提高可再生能源利用率并降低制冷系统的市电使用量。

2）可再生能源发电不足

冬季可再生能源发电不足时的仿真分析如附录B 图B7 所示。与夏季可再生能源发电不足场景类似，恒温控制模式下的Pg大部分时段为正值，表示消耗市电量较多。不同的是，由于冬季冷负荷较低，制冷耗电量总体低于夏季，变温控制模式处于“完全跟踪区”时段多于夏季。通过对图B7（a）的功率积分可得，该场景全天可再生能源发电量为114.8 kW·h。恒温控制模式下的制冷耗电量为231.9 kW·h，其中消耗市电88.9 kW·h，消耗市电占比为52.3%；可再生能源外送量为4.25 kW·h，外送率为1.83%。变温控制模式下的制冷耗电量为116.5 kW·h，其中市电消耗量仅为1.74 kW·h，可再生能源外送量仅为0.12 kW·h。变温控制模式下的PUE-R 为1，而恒温控制模式下的PUE-R 为1.03，全天均低于恒温控制模式，如图B7（d）所示。

可见，在冬季可再生能源发电不足时变温控制模式依然有较好的能效提升，能够最大限度地降低制冷系统的市电消耗。

4 结语

本文针对当前数据中心高能耗和低可再生能源利用率的问题，提出了一种利用数据中心制冷系统即时消纳可再生能源的变温控制策略，并搭建了数据中心能耗模型和温度动态响应模型。通过发挥数据中心的热惯性，将可再生能源发电充足时的电能转化为冷量存储在数据中心，在可再生能能源发电较少时将冷量释放以减小市电使用。该策略基于可再生能源实时出力调整数据中心制冷系统的电功率参考值，由PI 控制制冷系统功率。当温度超出设定阈值时，由下垂温度/功率控制回路调整制冷系统功率修正量，最终实现制冷系统功耗即时匹配可再生能源发电功率，提高可再生能源利用率且降低市电使用量。

此外，本文提出了适用于评价数据中心可再生能源利用率的能效指标PUE-R，并基于该指标得到了变温控制对可再生能源利用率提升效果显著高于恒温控制的结论。在未来数据中心和可再生能源同时大规模发展的背景下，本文所提的变温控制策略可作为一种实现数据中心节能减排和可再生能源消纳双重目标的有效手段。本文主要通过数据中心制冷系统即时匹配可再生能源，存在一定的局限性，未来可结合数据中心计算任务调度和虚拟机迁移等技术，使制冷系统和服务器集群共同参与即时消纳可再生能源，进一步提高可再生能源利用率。

附录见本刊网络版（http：//www.aeps-info.com/aeps/ch/index.aspx），扫英文摘要后二维码可以阅读网络全文。