数据中心综合能源系统配置与运行的集成优化

王江江，邓洪达，刘艺，王永真

(1.华北电力大学动力工程系，保定 071003； 2.河北省低碳高效发电技术重点实验室，保定 071003； 3.北京理工大学机械工程学院，北京 100081)

当前，以数字化为代表的科技革命和产业革命，正推动着人类生活及生产方式的根本性变革。作为数字基础设施的重要载体，数据中心规模将不断扩大，“算力”将不断提高，相应地，数据中心能耗及运行成本也随之攀升。2018年，中国数据中心的用电量已达160×109kW·h，占全社会总用电量的2.4%[1]。按照现有速度发展，数据中心的能耗占全球能耗的比例，将从2015年的0.9%上升到2025年的4.5%，再到2030年的8%。数据中心的巨大能耗也带来了严峻的碳排放问题，据估算，2035年中国数据中心的碳排放总量将达(2.3～3.1)亿t，占中国碳排放量的2%～4%。因此，加快绿色数据中心建设，积极推广应用安全可控的节能新技术和新能源，把绿色发展理念贯穿于数据中心建设各环节，既是保障资源环境可持续的需要，也是支撑制造强国、网络强国建设的关键[2]。

传统的数据中心多采用市电供电，通过大型集中式空调制冷，将冷负荷转换为电负荷，进而推升了电负荷增长；以市电为主的电力供应方式严重依赖电网，经济性差且二氧化碳排放量大。若以天然气、太阳能等分布式能源替代部分电网的支撑，形成综合能源系统(integrated energy system, IES)，在一定程度上将提升数据中心供能系统的环境效益。

以天然气冷热电联供系为代表的分布式能源，因其能量梯级利用的特性，具备高效、清洁、可靠性高等特性，可有效降低数据中心一次能源的消耗[3]。当前不少研究均证实了利用分布式能源系统为数据中心供能的可行性与可靠性。文献[4]对冷热电联供系统在数据中心应用的能效、经济及环境特性进行了综合分析，结果显示数据中心稳定的负荷需求以及低电冷比使其与联供系统匹配度更好，运行成本可降低54%。文献[5]对燃料电池驱动的冷热电联供系统在数据中心的经济性能进行了评估，结果显示天然气与市电价格1%的变化将分别带来年度现金流50%和56%的变化，市电价格的提升将使其经济性能更好。

但是由于冷热电联供系统自身热电比受限的属性，经常与用户动态负荷不匹配，造成系统设备利用率低、适应性不强等问题。为了改善其特性，加之能源可持续发展目标的深化，太阳能、风能等可再生能源技术以及设置储能等方式在数据中心的应用也逐渐增多。但由于可再生能源的波动和随机性，给冷热电联供系统的规划与运行带来了不稳定的要素[6]，因此大多的研究更倾向于采用互补的方式为数据中心供电，提高可再生能源利用率，降低化石燃料的使用量。Sheme等[7]论证了在北纬60°数据中心使用可再生能源供电的可能性，结果显示太阳能和风能发电相互协同可取得更高的经济效益和更好的稳定性。为了降低数据中心对于传统化石能源的依赖，目前大多数研究都考虑使用风能和太阳能为数据中心供能，只有少数研究考虑了其他资源，如固体废料[8]。另外，有研究还探讨了通过系统内部中低品位热力循环的耦合来实现冷热电联供系统热电比的改善与系统优化。典型的耦合方式有地源热泵[9]、有机朗肯循环发电系统[10-11]、电转气技术(power to gas, P2G)[12]等。文献[11]通过集成余热有机朗肯循环发电系统来提升氢能驱动的冷电联供系统，年度能源利用率达86.53%。

综上，数据中心综合能源在设计与运行阶段，都取得了突破性的进展，但已有研究成果大多是将两个阶段分开进行，并未将优化的调度策略集成于系统的优化设计。另外，传统的IES优化设计方法通常将各设备的运行出力按照某种特定的运行规则进行分配，在这种优化模式下，IES并未实现最优的规划。基于以上问题，现首先提出一种集成有机朗肯循环的IES，实现IES热电比灵活调控，从而匹配数据中心的动态负荷；另外构建一种将系统容量配置与运行策略一并集成的优化模型，并采用混合整数线性规划理论进行求解，实现IES的最优设计。

1 数据中心IES方案

1.1 数据中心负荷

(1)

(2)

(3)

式(3)中：Eser,idle为所有处理器处于闲置状态时的总待机功率，W；Eser,max为机房处理器最大功率，即处理器利用率为100%时的能耗，W；user为处理器实时利用率，即工作状态的处理器数量占机房处理器总数的百分比。处理器最大功率和待机功率可分别求得为

(4)

(5)

式中：a0～a5为模型参数；Nser为处理器总数；SCPU为平均处理速度，MHz。

(6)

配电设备功耗计算公式为

(7)

(8)

式中：ηUPS和ηPDU分别为不间断电源(uninterruptible power supply，UPS)和电源分配单元(power distribution unit，PDU)效率； LAUPS为UPS负载率。

数据中心冷负荷Qc,DC包括机房和办公区两部分，可表示为

(9)

式(9)中：Qc,IT和Qc,of分别为机房和办公区冷负荷，机房冷负荷采用负载系数LF进行估算，即

(10)

负载系数LF越高则电能使用效率越高，对应产生的热能越低，所需的冷能也越低，选取冬季的负载系数为1.94，夏季负载系数为1.39[17]。

为了获得数据中心全年负荷曲线，参考典型数据中心历史数据，将处理器实时占用率近似为正态分布，根据其抽样则可获取机房全年电负荷，进而获得IT机房冷负荷。数据中心办公区冷热电负荷则可根据建筑面积及房间用电设备设置等进行模拟计算。因此数据中心分为非供暖期，IES满足数据中心IT机房和办公区的冷和电需求，而在供暖期，IES需同时满足IT机房的冷电需求以及办公区的热电需求。

1.2 IES方案及建模

针对数据中心IT机房及办公冷热电需求，构建如图1所示的IES，系统通过光伏(photovoltaic，PV)和燃气内燃机(gas engine，GE)发电，并与市电结合共同满足数据中心电力需求，采用余热利用设备[吸收式制冷机组(absorption chiller，AC)、有机朗肯循环机组(organic Rankine cycle，ORC)、换热器(heat exchanger，HC)等]回收利用内燃机余热，并通过ORC和地源热泵(ground source heat pump，GSHP)来调控系统热电比，以满足用户端的动态变化。针对数据中心供暖期和非供暖期的需求，采用两台GSHP配置的方式，非供暖期，两台GSHP为数据中心供冷，而在供暖期，GSHP#2与吸收式制冷机组为IT机房供冷，GSHP#1为办公区供热。

图1 数据中心IES流程图Fig.1 Energy flows of integrated energy system for data center

1.2.1 内燃机

内燃机的天然气耗量及发电量、产热量之间的关系(以1 h为时间尺度)如下。

Ege=Fgeηge,e

(11)

Qr=Fgeηge,qηhr

(12)

Vge,gas=Fge/LHVgas

(13)

式中：Ege为内燃机输出的电功率，kW；Fge为燃气内燃机的天然气消耗率，kW；Qr为余热功率，kW；ηge,e、ηge,q和ηhr分别为发电效率、余热效率和热回收效率；Vge,gas为天然气消耗体积，m3；LHVgas为天然气低热值，取9.7 (kW·h)/m3。

1.2.2 光伏发电

光伏板电力输出与当地环境温度和太阳辐射强度有关，发电功率EPV[3]表示为

(14)

式(14)中：f为光伏功率降额因子；NPV为光伏的额定功率，kW；Gp为太阳辐射强度，kW/m2；Gstc为标准测试条件下的太阳辐射强度，取值1 kW/m2；α为温度系数，%/℃；TPV,stc为标准试验条件下的光伏板温度，25 ℃；TPV,p为实际温度下的光伏板温度，计算公式[3]为

TPV,p=

(15)

式(15)中：Ta,p为环境温度，℃；TPV,soc为标准工况(45～48 ℃)下光伏板表面温度；ηe,PV为在标准试验条件下光伏效率；τ为太阳能的透光率；β为光伏的太阳能吸收率；τβ的默认值为0.9，标准操作条件为：标准光强度(Gsoc)0.8 kW/m2，标准环境温度(Ta,soc)20 ℃。

1.2.3 吸收式制冷机组和地源热泵

内燃机烟气与缸套水一并通入烟气热水型溴化锂吸收式冷水机组制冷，另外配置了两台地源热泵机组利用电力制冷，共同满足IT机房全年冷负荷及办公区的冬季热负荷。混合制冷模式提升了系统可靠性，保证数据中心的冷量需求。吸收式机组与地源热泵的输出功率分别表示为

Qac=COPacQra

(16)

Qgshp=COPgshpEgshp

(17)

式中：Qra和Egshp分别为吸收式制冷机组和热泵的输入能量，kW；Qac和Qgshp分别为吸收式制冷机组和热泵的能量输出，kW；COPac和COPgshp分别为吸收式制冷机组和地源热泵的性能系数；其中热泵在冬夏工况下性能系数各不同相同。

1.2.4 有机朗肯循环系统

ORC系统主要由膨胀机、蒸发器、冷凝器和工质泵4个部件组成，其理想循环过程包括绝热压缩、定压吸热、绝热膨胀和定压放热过程。有机朗肯循环系统的发电量为

Eorc=Qorcηorcηgen

(18)

式(18)中：Eorc为ORC系统的输出电量，kW；Qorc为ORC的输入热量，kW；ηgen为发电机效率，%。

1.2.5 燃气锅炉和换热器

燃气锅炉和换热器的输入输出能量关系如下。

Qb=ηbVbVgasLH

(19)

Qhx=ηhxQrh

(20)

式中：Vb为燃气锅炉的天然气消耗量，m3；Qb和Qhx分别为锅炉和换热器的输出热量，kW；Qrh为换热器的输入热量，kW；ηb和ηhc分别为锅炉和换热器的效率。

2 优化模型

针对数据中心IES的设计与运行，提出一种容量配置与运行策略的集成优化模型，如图2所示，主要包括模型构建、混合整数线性规划(mixed integer linear programming，MILP)模型、优化问题求解及性能评估等4个阶段。该模型将多维数、多时段及多约束的非连续优化问题，通过模型变换，实现了该优化问题的求解。另外，设备容量与其逐时运行出力间存在密切的耦合关系，常规处理方法是将两者分为两阶段优化，而本模型中将两者一并作为优化变量，实现了两者一体化的求解。

图2 IES容量配置与运行策略集成优化模型Fig.2 Optimization model of system configurations and operation strategies of IES

2.1 优化变量

如图1所示，IES中涉及的发电设备包括光伏、内燃机、ORC以及电网补充，各自的容量配置以及逐时出力状态关系到系统中的能流平衡以及经济成本，例如光伏容量的提升必然会降低IES运行成本，但是其投资成本也要一并考虑在内，因此，IES系统中各设备的容量存在最佳配置来实现优化设计；另外在系统运行中，由于数据中心末端冷热电负荷的逐时变化以及光伏的波动，各设备的出力需要进行优化调度，以实现运行性能的提升。基于此，针对IES各设备容量以及逐时出力进行优化，则针对图1所示的IES，其优化变量(X)可表示为

(21)

式(21)中：符号的上标t代表t时刻，以1 h为时间尺度；E和Q分别为各设备的逐时电量和热量；N为各设备的容量；Sge为内燃机的运行状态(当内燃机工作时，Sge=1；当内燃机停机时，Sge=0)。内燃机运行状态的优化主要是限制其低负荷运行，以免由于效率的下降而导致污染物的增加。

2.2 优化目标

通常IES成本包括设备投资成本、设备维护成本，包括购电及燃气的运行成本；另外考虑到双碳战略目标，引入碳排放成本限制市电和天然气的使用；并考虑弃光惩罚成本作为鼓励可再生能源的使用。综上，数据中心IES的年总成本可表示为

minATC=Ccap+Com+Cgas+Cgrid+Ctax+Cpe

(22)

式(22)中：ATC为数据中心IES费用年值；Ccap、Com、Cgas、Cgrid、Ctax和Cpe分别为年投资成本、设备运维成本、燃气成本、购电成本、碳税成本以及弃光惩罚成本。其中设备年投资成本可表示为

(23)

式(23)中：Nm为第m个设备的装机容量，kW；Cm为第m个设备的单位投资费用，元/kW；l为系统中的设备个数；i为折现率，i=0.06；n为寿命周期，年。设备运维成本按照设备投资成本进行折算，公式为

(24)

式(24)中：ε为运维成本系数，ε=0.02[18]。天然气费用、电网购电费用、碳税和弃光成本的计算公式如下。

Cgas=cgas(Vge+Vb)

(25)

Cgrid=cgridEgrid

(26)

Ctax=ctax[(Vge+Vb)λgas+Egridλgrid]

(27)

Cpe=cpe(Epv-Epv0)

(28)

式中：Vge和Vb分别为内燃机和锅炉年消耗天然气量，m3；cgas为天然气单价，元/m3；cgrid为实时电价，元/kWh；Egrid为电网年购电量，kW；ctax为碳税价格；λgas为天然气CO2排放因子，kg/m3；λgrid为电网度电CO2排放因子，kg/(kW·h)；Epv为光伏系统年产电量，kW；Epv0为数据中心实际使用的光伏发电量，kW；cpe为弃光惩罚因子，元/(kW·h)。

2.3 约束条件

IES运行过程中各发电设备电功率输出与数据中心和地源热泵所需要的电功率平衡，可表示为

Ege+Egrid+EORC+EPV=Egshp1+Egshp2+EDC

(29)

非供暖期，数据中心由吸收式制冷机组和地源热泵共同供冷，则冷量平衡可表示为

Qc=Qc,gshp1+Qgshp2+Qac

(30)

而在供暖期，数据中心由吸收式制冷机组和GSHP#2供冷，则冷量平衡可表示为

Qc=Qgshp2+Qac

(31)

IES热量平衡约束包括系统末端为数据中心供热的热量平衡和系统内部余热利用平衡，分别表示为

Qh=Qhc+Qh,gshp1

(32)

Qb+Qr=Qorc+Qra+Qrh+Qloss

(33)

另外，IES运行中各设备的逐时出力不得大于设备容量，则发电设备通用不等式约束可表示为

0≤Em≤Nm

(34)

而余热及制冷设备科表示为

0≤Qm≤Nm

(35)

对于燃气内燃机而言，若运行在低负荷，其发电效率将降低，也会带来污染物排放的增高，因此这里为了限制其运行在低负荷，设置其逐时出力约束为

βNgeSge≤Ege≤NgeSge

(36)

式(36)中：β为内燃机运行最小负荷率，β=25%。

2.4 求解算法

IES优化模型涉及设备容量变量、内燃机运行状态布尔变量，以及式(36)中运行状态和设备容量之间的耦合使得该优化为混合整数非线性优化(MINLP)模型。现引入一个无穷大变量M，将内燃机出力约束转换为如下线性数学表达式，即

(37)

通过线性变换，将MINLP问题转换为混合整数线性规划(MILP)模型，然后利用分支定界法对其进行求解。

3 性能评价指标

为了比较IES相对于传统数据中心供能系统的能源节约特性，选择一次能源节约率(primary energy saving ratio，PESR)作为能源评价指标，定义为

(38)

式(38)中：Fref和FIES分别为参考系统和IES的化石能源消耗量，其中参考系统由电网供电，地源热泵供冷，燃气锅炉供热来满足数据中心冷热的负荷。为了便于计算，将内燃机和锅炉消耗的天然气以及电网购电量按照自身热值转化为标准煤，计算公式为

F=Vgasωgas,f+Egridωgrid,f

(39)

式(39)中：ωgas,f和ωgrid,f分别为天然气和市电折算为标准煤的系数。根据《综合能耗计算通则》(GB/T 2589—2020)，标准煤的热值为7 000 kcal/kg (29 300 kJ/kg)，所用天然气热值为8 500 kcal/m3(35 580 kJ/kg)，因此天然气折算为标准煤的系数为1.214 kg标准煤/m3。根据国家电网及发改委所提供的数据，以火力发电煤耗为基准，电力折算为0.335 kg标准煤/(kW·h)[19]。

类似节能率的定义，IES的二氧化碳减排率可表示为

(40)

式(40)中：CDEref为参考系统二氧化碳排放量，CDEIES为IES二氧化碳排放量，计算公式为

CDE=λgas(Vge+Vb)+λgridEgrid

(41)

为了体现IES相对于参考系统的经济收益，使用年值节约率来评价系统经济性能，可表示为

(42)

式(42)中：ATCref和ATCIES分别为参考系统和IES的费用年值。

4 结果与讨论

4.1 参数设置

选择中国华北地区某中小型数据中心，该数据中心占地2 km2，为单体建筑，包括数据机房和办公区域。其中机房含3 100个机架，共56 000个处理器，单台处理器的额定功率为500 W。数据中心功耗模型所用经验系数见表1。该数据中心IT机房内各设备规格参数见表2。其中处理器实时利用率与实时网络流量负荷均用正态分布表示[20]。

表1 数据中心IT设备功耗模型经验系数[20]Table 1 Coefficients of electric consumption of IT in data center[20]

表2 数据中心IT设备的规格参数[20-21]Table 2 Parameters of IT equipment [20-21]

根据数据中心当地环境参数及太阳辐射强度，以及数据中心本体的设备能耗及围护结构，可模拟求得数据中心逐时负荷曲线，如图3所示。可以看出，数据中心全年存在冷负荷需求，热负荷需求仅发生在供暖季；数据中心全年最大电冷热负荷分别为9 568.19、8 948.93、3 290.24 kW。

图3 数据中心全年逐时负荷Fig.3 Hourly loads of data center

表3给出了各设备的技术与经济参数。数据中心当地分时电价：1:00—7:00以及24:00为低谷时段，电价为0.474 8元/(kW·h)；8:00和12:00—18:00为平价时段，电价为0.900 3元/(kW·h)；9:00—11:00和19:00—23:00为高峰时段，为1.345 8元/(kW·h)[22]。

表3 系统技术及经济参数Table 3 Technical and economic parameters

4.2 设备容量优化结果

为了比较所提出IES系统的有效性，对以下3种系统进行优化对比。

系统 1：参考分供系统(SP)。

系统 2：未集成ORC的太阳能与天然气互补IES，即如图1中所示未集成ORC发电子系统，定义为PV-IES。

系统 3：图1所示的IES，定义为PV-ORC-IES。

采用所构建混合整数线性规划模型，3种系统的配置方案如表4所示。对比发现：由于集成了ORC在内，PV-ORC-IES中内燃机和光伏的容量分别下降了6.17%和3.20%，也反映了ORC的集成可提升余热的利用，降低发电设备的容量。

表4 系统设备优化容量Table 4 Optimum capacities of components

参考分供系统的全年电负荷来自电网，冷负荷来自地源热泵，热负荷来自锅炉。对PV-ORC-IES全年冷热电负荷供给来源如表5所示。内燃机发电量占全年总用电量的45.15%，为数据中心和地源热泵用电的主要来源，光伏发电量占29.13%，电网购电量占比为22.28%，有机朗肯循环发电量占比最少，约3.44%。数据中心全年有冷负荷需求，吸收式制冷机组全年制冷量占数据中心冷负荷的72.92%，为主要冷量来源，地源热泵#1供冷量为12.11%，地源热泵#2为14.97%，略高于地源热泵#1。这说明IES为数据中心供能的过程中，绝大多数冷负荷能通过吸收式制冷机组利用内燃机余热满足。冬季，数据中心办公区的热需求由地源热泵#1和换热器满足，两者占比分别为36.30%和63.70%。

表5 数据中心冷热电来源占比Table 5 Cooling, heating and power source ratios

表6为3种系统的性能对比。与传统SP系统相比，PV-IES性能大幅提升，二氧化碳减排较为明显，达53.58%，一次能源节约率为37.67%。从经济性上来看，由于SP系统的电需求主要由电网满足，未涉及设备投资费用，因此PV-IES的投资费用和运维费用远大于SP系统。PV-IES主要由内燃机消耗天然气产电，购天然气的费用远大于SP系统，购电费用小于SP系统。碳税与二氧化碳排放量相关，年值中IES碳税部分的成本下降明显。由于光伏发电量受当地温度、湿度、太阳辐射等多种因素影响，不能完全与数据中心末端电负荷相匹配，存在弃光现象，PV-IES的年度弃光率约为15.65%，弃光成本约为46.54万元。

表6 不同供能系统性能对比Table 6 Performance comparisons of different systems

提出的PV-ORC-IES在经济、环境和能源三个方面均优于PV-IES。与SP系统相比，PV-ORC-IES的年值节约率为35.72%，二氧化碳减排率为55.11%，一次能源节约率为39.86%。与PV-IES相比，虽然包含ORC的IES投资费用与运维费用略大，但是购电费用、购天然气费用、碳税以及弃光惩罚均有减少。通过传统分供系统与两个IES的对比可以明显看出，IES在数据中心的应用是非常有必要的，IES与光伏发电、电网进行合理的配置和运行可以明显降低系统年值费用、二氧化碳排放量和一次能源消耗量，更好地发挥IES能源利用率高、节能环保的优势。同时，通过PV-IES和PV-ORC-IES的性能比较，可以看出有机朗肯循环发电系统能够在数据中心IES中发挥很好的作用。

4.3 最优运行出力分析

通过优化各个设备的逐时出力，达到运行成本最低的目的。选择供暖期和非供暖期典型日下对IES的优化运行状态进行分析。

图4为IES供暖期典型日的各机组运行状态及能量平衡关系。由图4(a)电平衡关系中可知：数据中心电力来源与电价、光伏发电情况密切相关。1:00—7:00以及24:00为低谷电价时段，该时段内电量来源以电网购电为主，内燃机发电为辅；9:00—18:00时段内系统优先利用光伏发电，在光伏发电量不足以满足数据中心电需求时，通过内燃机、ORC发电系统和电网共同满足电负荷。某些时刻IES发电量高于末端电负荷，主要因为地源热泵在制冷或制热的过程中需要消耗一定的电量。

图4(b)展示了IES系统冷量与热量平衡。吸收式制冷机组通过将内燃机余热转换为冷量满足大部分数据中心冷负荷；在内燃机不出力时段(10:00—15:00)，由地源热泵#2满足冷负荷，其中13:00时地源热泵#2达到其额定功率，此时，辅助锅炉工作为吸收式制冷机组提供热量补充制冷。数据中心办公区热负荷优先由换热器利用内燃机余热满足，当内燃机余热不足时地源热泵#1开始制热。

图4 供暖工况下各设备运行出力状态Fig.4 Hourly operation states of components in typical heating day

综合图4(a)和图4(b)可得：低谷电价时期，系统的最佳运行状态为内燃机根据吸收式制冷机组满足冷负荷与换热器满足热负荷所需的热量确定其出力情况，ORC不工作，不足电量从电网购入(如2:00—7:00、24:00)。1:00时数据中心所需电量全部从电网购入，这是因为该时段冷负荷若全部由AC满足，其所需热量未达到内燃机最小启动功率的产热量。非低谷电价时期，系统优先利用光伏出力，启动地源热泵#2制冷(如10:00—15:00)。光伏出力不能满足全部电负荷的情况下，内燃机的最佳运行状态是其产生的余热驱动AC制冷满足末端所有冷负荷，驱动HX满足所有热需求，剩余热量提供给ORC系统，并且此时的PV发电量、内燃机发电量和ORC发电量刚好满足末端电需求和地源热泵用电(如17:00—21:00)。8:00时内燃机在最大功率下工作，依然不能与ORC共同满足电负荷，则不足电量从电网购入。16:00时由于光伏出力不能满足全部电负荷，且内燃机具有最小启动负荷率，此时内燃机以最小工况运行，热量全部提供给吸收式制冷机组与换热器，造成了一定的弃光量。

数据中心IES非供暖期典型日的优化运行结果如图5所示。非供暖期光照时间长，光伏出力充足，光伏系统承担的电负荷占比明显高于供暖期，这也导致在某些时刻内燃机出力较少，产生的可利用余热量下降。光伏发电高峰时段10:00—17:00内，光伏出力能满足数据中心末端及地源热泵电需求，两台地源热泵为IT机房及办公区供冷。6:00—9:00和18:00—20:00时段内，光伏出力不能满足数据中心全部末端电需求及地源热泵耗电，由燃气内燃机与电网共同满足电需求。非供暖期各设备出力情况与供暖期类似，均受到电价与光伏出力的影响。

图5 非供暖工况下各设备运行出力状态Fig.5 Hourly operation states of components in typical non-heating day

总体来看，通过MILP方法优化的数据中心IES运行方案实现了PV、电网和燃气内燃机的协同供电，保证了数据中心的冷、热、电平衡。

5 结论

针对数据中心的冷热电需求，提出了集成光伏、内燃机及有机朗肯循环的综合能源系统(PV-ORC-IES)，建立了IES容量配置及运行策略一体化优化模型，分别对设备容量及各设备逐时出力进行了优化，可得如下结论。

(1)与传统分供系统及光伏-天然气互补冷热电联供系统相比，集成有机朗肯循环发电系统于数据中心的综合能源系统，集成了热-电转化功能从而实现了IES灵活热电比调节，在经济、减排、能耗三个方面的效益均有显著提升。与传统供能系统相比，PV-ORC-IES的费用年值节约率达35.72%，二氧化碳减排率为55.11%，一次能源节约率为39.86%。

(2)所提出的IES能通过调节内燃机负荷率与分别提供给ORC系统、吸收式制冷机组和换热器的余热比值有效匹配系统末端冷热电负荷，IES存在最佳运行状态，此状态下内燃机出力情况受数据中心末端冷、热、电负荷影响。通过优化方法，可获得最佳的调度指令，增强IES运行性能。