考虑数据中心用能时空可调的多区域能源站协同规划

王丹阳，张沈习，程浩忠，韩 丰，宋 毅，原 凯

（1. 电力传输与功率变换控制教育部重点实验室（上海交通大学）,上海市 200240；2. 国网经济技术研究院有限公司,北京市 102209）

0 引言

面对气候变化,减排降碳、提升能效是世界各国的重要应对策略［1-2］,可实现多能互补、能源梯级利用的综合能源系统成为研究热点。此外,随着数字经济的发展,数据中心能耗不断提升。2021 年,中国数据中心总用电量超过200 GW·h,并以10%以上的年均增长率继续增长［3-5］。显著的时空可调特性和毫秒级的调节能力使数据中心用能成为一种庞大的新型需求响应资源。在中国大力推进需求侧管理工作、促进资源优化配置的背景下,需要实现数据中心与综合能源系统的联合规划。

现有研究中,在电力系统运行层面有不少文献考虑了数据中心用能时空可调特性,但是在电力系统规划层面的相关研究较少,在综合能源系统规划层面的相关研究更是处于起步阶段。文献［6］基于变电站建立了分布式数据中心优化选址模型,但并未深入考虑数据中心用能在时间、空间尺度上的可调特性；文献［7］同样缺少对数据中心用能时空可调特性的深入研究,且所建模型为集成数据中心的配电网扩展规划模型；文献［8］和文献［9］考虑了数据负载的灵活调度,但仅规划某一数据中心园区供电系统,未进行多区域协同规划的相关研究。

在综合能源系统能源站规划方面,现有研究大多从单一能源站角度出发,也有部分考虑了多个能源站之间的互联互济。在单一能源站规划方面,文献［10］利用㶲效率,建立了综合能源系统能源站多目标规划模型；文献［11］考虑可再生能源出力不确定性,基于数据驱动的思想建立了综合能源系统能源站鲁棒规划模型；文献［12］考虑综合能源系统能源站集成燃料汽车加氢站,提出一种计及风光不确定性的电-热-氢综合能源系统设备容量配置方法；文献［13］基于图论的思想提出了一种综合能源系统能源站智能建模的方法,通过将复杂的能源枢纽模型进行分层并智能搜索能源回路建立能源站规划模型。考虑多个能源站之间的互联互济时,文献［14］以总成本最低为目标,在考虑供能可靠性的基础上建立了能源站之间电气联络线规划模型；文献［15］进行了能源站内数据中心和电池容量协同规划的研究,利用了数据中心用能的时空可调特性,但研究范围局限于电力系统。

目前,如何在综合能源系统规划层面充分利用信息系统柔性资源,进行能源、信息设备协同优化配置的研究仍处于起步阶段。本文提出了一种考虑数据中心用能时空可调特性的综合能源系统多区域能源站协同规划模型。首先,对数据中心进行建模并分析数据中心用能时空可调特性。然后,构建了集成数据中心的多区域能源站规划模型。最后,设置不同场景进行对比分析,验证了集成数据中心的多区域能源站规划模型在优化资源配置、降低投资成本等方面的积极作用。

1 数据中心建模

1.1 数据负载模型

根据实时性需求的不同,数据负载可分为对延迟容忍度较低的交互型数据负载和对延迟容忍度较高的批处理型数据负载。其中,交互型数据负载的典型应用场景包括视频直播、数据查询等；批处理型数据负载的典型应用场景包括科学计算、大规模数据分析等。

1.1.1 交互型数据负载

交互型数据负载的响应时间主要包括传输延迟和平均等待时间。区域级综合能源系统覆盖地理范围有限,其范围内交互的数据中心间的传输延迟时间可利用某一具体常数代替［16］；而平均等待时间可基于M/M/1 排队模型通过式（1）计算［17］。

式中:tque,t为t时段交互型数据负载平均等待时间；S为服务器种类集合；i为集合S内某一具体服务器类型；K为服务器工作状态集合；j为集合K内某一具体工作状态；μitri,j,t为在t时段数据中心第i类服务器且处于工作状态j的处理批处理型数据负载的服务率；λitrt为t时段服务器接收交互型数据的负载到达率。

1.1.2 批处理型数据负载

批处理型数据负载延迟容忍度较高,服务器在一定时段内将数据负载处理完成即可,该时段根据数据负载的不同可达几分钟至几天。此外,科学计算等批处理型数据负载往往可以将数据处理任务分为多个子任务。因此,本文考虑的批处理型数据处理负载可以在中断之后重新开始,并不要求服务器在一段连续的时间内处理完成。本文中,批处理型数据负载处理时间建模为:

1.2 数据中心能耗模型

数据中心能耗主要包括服务器能耗和制冷系统能耗,通常可通过数据中心能源使用效率和信息技术（information technology,IT）设备进行能耗计算。在综合能源系统背景下,类比数据中心电能使用效率（power usage effectiveness,PUE）,可将数据中心能源使用效率δPUE定义为:

式中:Edc,IT为数据中心全年耗电量；Edc,ce为数据中心全年消耗的冷能。在综合能源系统为数据中心供冷的前提下,数据中心全年耗电量即数据中心IT 设备耗电量。

由于数据中心IT 设备耗电量以服务器耗电量为主,本文用服务器耗电量代表数据中心内IT 设备耗电量。 基于动态电压/频率调节（dynamic voltage/frequency scaling,DVFS）技术,通过利用率模型对服务器耗电量进行建模［17-19］,具体表达式为:

式中:Pe,dc,t为t时段数据中心的服务器能耗；Pc,dc,t为t时段数据中心消耗的冷功率；Pst,t为t时段数据中心服务器静态能耗之和,与数据中心内服务器开机数量有关；Xi,on,t为t时段服务器开机状态标志位；Pdy,t为t时段数据中心服务器动态能耗之和,根据服务器工作状态的不同而不同；Ci,j为第i类处于工作状态j的服务器动态能耗计算系数；fi,j为第i类处于工作状态j的服务器工作频率；Mi,j,t为t时段数据中心内第i类处于工作状态j的服务器数量。

1.3 数据中心用能时空可调特性分析

数据中心用能具有一定的时空可调特性。批处理型数据负载的最大响应时间较长,在时间、空间尺度上均具有较高的调节灵活性；交互型数据负载虽然在时间尺度上灵活性有限,但是数据负载极快的传输速度为交互型数据负载在空间尺度上的灵活调节提供了可能［20］。在满足数据负载最大响应时间的前提下,根据不同的目标可重塑数据中心的数据负载曲线,进而实现各数据中心IT 设备时序用能曲线的调整,具体如附录A 图A1 所示。

目前,数据中心生产环境已经具备了对数据负载进行时空调度的能力,即基于混合部署技术,具有不同延迟敏感度的数据负载可部署在同一台服务器上,可以在各数据负载最大响应时间之内对不同延迟敏感度的数据负载具体处理时间进行优化调度。基于DVFS 技术,服务器可根据各时刻实时处理的数据负载量动态调节芯片工作频率,改变工作电压,在对数据负载进行时间平移的同时完成对服务器耗能的时间平移。此外,数据中心实时管理系统也是即时调度数据负载、实现数据中心用能时空转移的重要技术基础。在数据负载到达前端服务器后,数据中心实时管理系统可对各数据中心实时处理的数据负载进行分配,在满足数据负载最大响应时间约束的前提下,对数据中心用能进行优化。

通过对数据中心用能进行时空调度,有助于充分挖掘数据中心用能作为需求响应资源的潜力,从而促进清洁能源消纳、平抑综合能源系统的多能负荷峰谷差、提高综合能源系统可靠性等。目前,中国多个“多站合一”示范项目均对能源系统参与数据中心相关业务进行探索,如中国江苏同里能源互联网示范区、广东深圳宝安中心区多站合一示范项目等。

2 集成数据中心的多区域能源站规划模型

相较于对某个能源站进行单独规划,多区域能源站协同规划能够充分发挥综合能源系统多能互补的特性。通过不同区域能源站之间的互联互济,提高整体的设备利用效率、降低资产投入、促进资源优化配置。对于集成数据中心的能源站而言,多区域能源站间不仅存在能量流的互联,还存在信息流的沟通。在此基础上,数据负载不仅具有时间可调特性,也可进行空间转移。通过数据链路将数据负载在多个数据中心之间进行调度,可以实现数据中心用能负荷的时空转移。

本文建立集成数据中心的多区域能源站规划模型,对多区域能源站站内能源设备、服务器数量及站间能源联络线进行协同规划。在对能量流和数据流的协同机理进行分析建模的基础上,充分利用信息系统的柔性资源,提升各区域多能负荷和供能的匹配程度。通过能源站直接为数据中心供电供冷、利用热泵进行数据中心余热回收,提升系统整体能源利用效率。相较于单独规划综合能源系统进一步优化规划方案,实现能源站站内能源设备及信息设备规划方案的协同优化能达到更好的效果。

各能源站站内结构如图1 所示。本文考虑的区域综合能源系统能源站待选设备集包括光伏、变压器、燃气轮机、燃气锅炉、吸收式制冷机、电制冷机、电储能、蓄热罐和用于数据中心余热回收的热泵。能源站站内数据中心和站外数据中心通过数据链路在云端进行信息交互,数据中心的服务器对数据负载进行处理。

图1 集成数据中心的能源站能流示意图Fig.1 Power flow diagram of energy station with data center

2.1 目标函数

本节以规划期内总成本最低为目标,建立集成数据中心的多区域能源站规划模型。其中,总成本包括投资成本和运行成本,如式（8）所示。

minCtot=Cinv+Cop（8）

式中:Ctot为规划期内总成本；Cinv、Cop分别为投资成本和运行成本。

2.1.1 投资成本

投资成本主要包括能源站站内能源设备、服务器及站间能源传输线投资成本,表达式为:

式中:φy为等年值折算系数；Nes为不同能源站集合；R为能源站各能源转换设备和储能设备的集合；W为某一类设备可选类型的集合；c0,ω为设备ω的投资成 本；Mω,m为 能 源 站m内 该 能 源 设 备ω的 安 装 数量；c0,i为第i类服务器每台投资成本；Mi,m为能源站m内第i类服务器的投建数量；Le、Lh、Lg分别为待建电力传输线、热力传输线和天然气传输线集合；Xyle为是否投建电力联络线le的状态变量；cle为电力联络线le的投资成本；Xylh为是否投建热力联络线lh的状态变量；clh为热力联络线lh的投资成本；Xy lg为是否投建天然气联络线lg的状态变量；clg为天然气联络线lg的投资成本。

2.1.2 运行成本

运行成本主要为购能成本,具体包括各能源站向上级电网购电成本和各能源站向上级天然气网络购气成本,表达式为:

式中:D为典型日集合；d为集合D内某一典型日；T为典型日内各时段集合；θd为一年中各典型日数量；Pd,m,e,pur,t为 能 源 站m在t时 段 的 购 电 量；ce,pur,t为t时段的电价；Δt为仿真时间步长；Fd,m,g,pur,t为能源站m在t时段的购气量；cg,pur,t为t时段的天然气价格。

2.2 约束条件

1）能源设备数量约束

受各能源站占地面积等因素影响,站内待规划能源设备存在数量上限,表达式为:

式中；nw为各能源站站内能源设备的规划数量；w为能源设备类型；nmaxw为各能源站站内能源设备类型为w的规划数量上限。

2）服务器数量约束

3）数据负载总和约束

本文考虑数据中心承担交互型和批处理型2 类数据负载。数据负载到达率为单位时间内分配给数据中心的数据负载量。在t时段,各数据中心的数据负载到达率总和为λt,则应满足:

4）服务率总和约束

服务率表示数据中心处理数据负载的能力。各数据中心在t时段能提供的服务率总和为:

式中:μt为各个数据中心内不同种类处于不同工作状态服务器所能提供的服务率之和；μi,j m,t为t时 段 在能源站m第i类处于工作状态j的服务器服务率之和；μitrt为在单位时段t各数据中心用于处理交互型数据负载的服务率之和；μbatcht为各数据中心用于处理批处理型数据负载的服务率之和。

5）最大响应时间约束

集成数据中心的多区域能源站规划模型中,数据负载最大响应时间约束为:

式中:Tbatch为批处理型数据负载最大允许处理时间；Ditr为交互型数据负载最大响应时间；ditr为数据负载传输延迟时间,可假设为某一具体常数［13］。

6）系统功率平衡约束

电母线功率平衡约束为:

式中:Ple,e,t为t时段经电力传输线le向能源站m传输的电功率；xle为状态变量,xle∈{0,1,-1}；Pm,e,TF,t为t时段上级电网经变压器降压后输入能源站m的电功率；Pm,e,GT,t为t时段能源站m内燃气轮机发出的电功率；Pm,e,PV,t为t时段能源站m内光伏发电功率；Pm,e,EC,t、Pm,e,HP,t和Pm,e,dc,t分别为t时段能源 站m内电制冷机、热泵和数据中心消耗的电功率；Lm,e,t为t时 段 能 源 站m的 电 负 荷；Pm,e,ch,t、Pm,e,dis,t分 别 为能源站m内电储能设备充、放电功率。

气母线功率平衡约束为:

式中:Flg,g,t为t时段经天然气传输管线lg向能源站m传输的天然气量；xlg为状态变量,xlg∈{0,1,-1}；Fm,g,pur,t为t时 段 能 源 站m外 购 天 然 气 量；Fm,g,GB,t和Fm,g,GT,t分别为t时段能源站m内燃气锅炉和燃气轮机的耗气量；Fm,g,t为t时段能源站m的天然气负荷。

热母线功率平衡约束为:

式中:Plh,h,t为t时段经热力传输线lh向能源站m传输 的 热 功 率；xlh为 状 态 变 量,xlh∈{0,1,-1}；Pm,h,GT,t和Pm,h,GB,t分别为t时段能源站m内燃气轮机和燃气锅炉的产热功率；Lm,h,t为t时段能源站m的热负荷；Pm,h,AC,t为t时段能源站m内吸收式制冷机消耗的热功率；Pm,h,ch,t和Pm,h,dis,t分别为能源站m内蓄热装置的充、放热能功率。

冷母线功率平衡约束为:

式中:Pm,c,EC,t、Pm,c,AC,t分别为t时段能源站m内电制冷机、吸收式制冷机的制冷功率；Lm,c,t、Pm,c,dc,t分别为t时段能源站m需要外供的冷负荷及站内数据中心消耗的冷负荷。

7）联络线容量约束

8）能源站购能约束

由于能源站内配气站、配电站容量限制,能源站外购电以及外购气存在容量上限约束:

式中:ηTF、ηGT、ηGB、ηEC、ηAC、ηHP分别为变压器、燃气轮机、燃气锅炉、电制冷机、吸收式制冷机和热泵的能源转换效率；Rhe为燃气轮机的热电比；Pe,pur,t为能源 站 在t时 段 的 购 电 量；Pe,TF,t、Pe,GT,t、Pe,EC,t、Pe,HP,t分别为t时段能源站内变压器、燃气轮机、电制冷机、热泵的电功率；Pg,GT,t和Pg,GB,t分别为t时段能源站内燃气轮机和燃气锅炉的耗气量；Pc,EC,t和Pc,AC,t分别为t时段能源站内电制冷机、吸收式制冷机的冷 功 率；Ph,GB,t、Ph,AC,t、Ph,HP,t、Ph,GT,t分 别 为t时 段 能源站内燃气锅炉、吸收式制冷机、热泵和燃气轮机的热功率。

10）储能设备运行约束

针对电储能和蓄热罐,建立通用模型［21-22］为:

3 算例分析

3.1 算例设置

为验证本文所提能源站规划模型的有效性,本节基于中国天津某实际算例（区域内实际多能负荷及光伏出力系数曲线）进行算例分析,对如附录A图A2 所示的4 个区域能源站站内能源设备、服务器数量及站间能源联络线进行联合规划。能源站内待选设备信息和待选站间能源传输线信息见附录B,各区域多能负荷典型时序场景、光伏出力系数曲线及数据中心原始数据负载曲线见附录C。

数据中心PUE 值设置为1.35,待规划服务器数量上限为12 000 台。服务器CPU 类型包括Intel Pentium 950、Intel Pentium 4630 和AMD Athlon,3 类CPU 均有5 种可选工作频率［18］。本文假设各时段数据负载中交互型数据负载和批处理型数据负载到达率占比均为50%,交互型数据负载最大响应时间设置为100 ms,批处理型数据负载响应时间上限设置为24 h。

本文设置了3 个场景分析数据中心用能时空可调特性对规划结果的影响。其中,场景1 不考虑数据中心用能时空可调特性；场景2 仅考虑数据中心用能空间可调特性,即各时段4 个数据中心处理的数据负载总量不变,但数据负载可在空间范围内进行调度；场景3 同时考虑数据中心用能时间、空间可调特性。算例利用Gurobi 进行优化求解。

3.2 多场景对比分析

3.2.1 规划结果分析

不同场景下规划方案成本如表1 所示。各场景下站内服务器及各类能源设备规划数量、站间能源联络线具体规划结果见附录D。

由表1 可以发现,在考虑数据中心用能空间可调特性时,多能源站协同规划总成本较场景1 降低了1.6%；在同时考虑数据中心用能时空可调特性时,规划总成本较场景1 降低了3.2%。其中,总成本的降低主要来自设备投资成本和购能成本的降低。在购能成本方面,场景3 较场景1 降低了2.6%；在能源设备投资成本方面,场景2 较场景1 降低了2.3%,场景3 较场景1 降低了3.1%；在服务器投资成本方面,场景2 较场景1 降低了10%,场景3 较场景1 降低了10.7%。在能源传输线投资成本方面,场景2 和场景3 较场景1 有所增加,但本算例中能源传输线投资成本整体规模较小,因此场景2 和场景3总成本较场景1 仍有所降低。

表1 不同场景下规划方案成本对比Table 1 Cost comparison of planning schemes in different scenarios

在服务器规划数量方面,考虑数据中心用能空间可调特性时服务器规划总数较场景1 降低了9.6%。数据负载集中于能源站2 和能源站3 内处理；在同时考虑数据中心用能时间、空间可调特性时,服务器规划总量较场景2 进一步减少了200 台。考虑数据中心用能时空可调特性,有益于提高服务器利用率,减少服务器规划数量,降低投资成本。

在能源站站内能源设备配置方面,考虑数据中心用能时空可调特性的场景下变压器、燃气锅炉、热泵的配置容量均有所降低。其中,场景3 较场景1 变压器配置容量减少3.3 MW,在各类能源设备中减配规模最大。此外,在制冷设备配置方面,虽然场景3 较场景1 吸收式制冷机的配置规模有所增加,但电制冷机减配0.2 MW,因此在整体上场景3制冷设备投资成本较场景1 仍有所降低。

3.2.2 数据中心用能分析

场景2 和场景3 下,系统内数据负载转移至数据中心2 和数据中心3 进行处理,数据负载调度情况如图2 所示。

图2 场景2 和场景3 下数据负载调度情况Fig.2 Data load scheduling in scenario 2 and scenario 3

考虑数据中心用能空间可调特性,在整体上减少了服务器规划数量,提高服务器利用率。在场景3 下,数据负载在空间转移的基础上进一步向电价较低的时段平移:如在电价较低的22:00—23:00,场景3 下能源站3 处理的数据负载较场景2 增加了57.8%。通过将数据负载平移至电价较低的时段处理,降低了系统整体购能成本。

数据负载时空转移直接改变了各数据中心服务器的工作状态,从而实现数据中心用能的时空调度。对于单个数据中心而言,数据中心内各服务器工作状态的变化是数据中心用能变化的直接原因。图3 对比了不同场景下数据中心2 处于不同工作状态的服务器数量。图中,工作状态0 表示服务器处于关机状态,工作状态5 为服务器服务率及功耗最大状态。通过场景1 和场景2 服务器工作状态对比可以发现,考虑数据中心用能空间可调特性有助于提高服务器利用率:场景1 中数据中心2 在00:00—07:00 和22:00—23:00 时段内均存在500 台以上服务器处于关机状态,在其他时段大多数服务器也处于服务率较低的工作状态；在场景2 和场景3,数据中心2 内的服务器均处于状态3 及以上等服务率较高的工作状态。

图3 各场景下数据中心2 不同工作状态服务器数量Fig.3 Numbers of servers in different working statuses of data center 2 in each scenario

基于服务器动态电压频率调节技术,服务器工作状态的改变实现了对数据中心整体用能的调节。典型日内各场景下4 个数据中心的能耗如图4 所示。通过对比图4 中3 个子图可知,在仅考虑数据中心用能空间可调特性时,典型日内场景2 各数据中心总能耗较场景1 降低了9.2%,通过节约能耗降低了购能成本。在同时考虑数据中心用能时间、空间可调特性的场景3,典型日内各数据中心总能耗较场景1 降低了6.0%。虽然场景3 节约能耗低于场景2 节约能耗,但场景3 下部分数据负载时移至电价较低的时段处理。因此,场景3 下典型日内的数据中心购能成本较场景2 仍然降低了10.4%。

图4 各场景下数据中心能耗Fig.4 Power consumption of data centers in each scenario

4 结语

本文提出了一种考虑数据中心用能时空可调的多区域能源站规划模型。在算例分析部分,通过设置不考虑数据中心用能时空可调特性、考虑数据中心用能空间可调特性、考虑数据中心用能时空可调特性3 个场景进行对比分析,并得出以下结论:在集成数据中心的多能源站协同规划时考虑数据中心用能时空可调特性能够节省总成本,特别是购能成本和设备投资成本；考虑数据中心用能空间可调特性有助于在整体上降低服务器投资成本,减少服务器配置总量,提高服务器设备利用率；同时考虑数据中心用能时间、空间可调特性,有利于充分利用分时电价,降低购能成本。

在后续研究中,针对数据中心运营商与综合能源服务商为不同主体的场景,多主体间的交易机制与互动策略也将对多区域能源站规划模型产生影响,值得进一步探讨。此外,将数据中心通信通道及能源网络纳入规划模型,考虑数据中心用能时空可调的综合能源系统“站-网”协同规划也是未来重要的研究方向之一。

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。