CN104253432A - 数据中心内利用风能和电池储能的运行费用计算方法 - Google Patents
数据中心内利用风能和电池储能的运行费用计算方法 Download PDFInfo
- Publication number
- CN104253432A CN104253432A CN201410455730.0A CN201410455730A CN104253432A CN 104253432 A CN104253432 A CN 104253432A CN 201410455730 A CN201410455730 A CN 201410455730A CN 104253432 A CN104253432 A CN 104253432A
- Authority
- CN
- China
- Prior art keywords
- battery
- energy
- data center
- cost
- wind
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开一种数据中心内利用风能和电池储能的运行费用计算方法,对利用动态电价进行电池储能的运行费用进行计算,该运行费用分为成本开支和电费开支,分别对成本开支和电费开支进行建模,将电费开支形成一个带约束的优化问题,为解决该优化问题,对该优化问题进行变形,形成为近似的多步优化问题,并为变形后的多步优化问题提供多项式时间的算法,最后,通过计算数据中心使用电池储能的运行费用,并换算为归一化电价,对数据中心使用新能源并且利用电池储能的经济性进行衡量。本发明能够高效地计算在智能电网下,数据中心中使用风能和电池储能的成本开支、电费开支、操作成本。并提供了归一化参数,对数据中心使用风能和电池储能的经济性进行衡量。
Description
技术领域
本发明涉及一种数据中心的耗能管理,更具体地说,涉及一种数据中心内利用风能和电池储能的运行费用计算方法。
背景技术
当前,随着云计算技术的迅猛发展,数据中心作为云服务的重要组成部分,承受着越来越重的压力。相应地,是数据中心内部的用电量的不断攀升。在数据中心内部,有着大量的服务器,在服务器运算的同时,会产生大量的热量。因此,需要使用机房空调(computer room air conditioning,CRAC)对服务器进行降温冷却,在降温冷却过程中,也会消耗大量的电能,进而产生大量的电费开支。
另一方面,国内外智能电网的发展速度也越来越快,欧洲、美国的部分地区,已经实行了实时的动态电价,即智能电网根据总用电负荷,实时地调节电价。而中国,也已经实行了夜电和日电价格相区别的二元动态电价。
目前,数据中心中,往往使用新能源产生的电力作为数据中心的电力供应,对于数据中心中的CRAC系统而言,也往往使用新能源电力。当前,数据中心的电力供应已不仅仅局限于使用从电网中获取的新能源,部分数据已经开始拥有数据中心自己的新能源发电厂,以供给该数据中心电力。这种方式,能够保证数据中心获得的电力价格较低,同时数据中心的供电可靠性也得到了保证。在新能源发电的同时,由于新能源发电的不确定性,数据中心也往往使用电池对新能源进行存储。当前,在智能电网下,数据中心使用新能源发电方式,使用电池储能的方式主要为:在智能电网下,利用智能电网的动态电价效果和新能源发电的不确定性,使用电池进行电力存储,达到降低电费开支和合理利用新能源的目的。
然而,当前已有数据中心使用电池存储的方法,存在一定的问题:1)有些研究没有未考虑电池成本,即只研究了总电费开支,2)当前研究只考虑使用电池能够降低总开支的情况,没有考虑在什么情况下使用新能源并利用电池储能反而会增大数据中心的总开支,即数据中心使用新能源发电和电池储能经济性的影响因素。
发明内容
针对上述现有技术中存在的技术问题,本发明提供一种数据中心内利用风能和电池储能的运行费用计算方法,能够高效地计算在智能电网和风能发电下,数据中心中使用电池储能的成本开支、电费开支、操作成本。并提供了归一化参数,对数据中心使用电池储能的经济性进行衡量。
为达到上述目的,本发明所采用的技术方案如下:
一种数据中心内利用风能和电池储能的运行费用计算方法,对利用动态电价进行电池储能的运行费用进行计算,该运行费用分为成本开支和电费开支,分别对成本开支和电费开支进行建模,将电费开支形成一个带约束的优化问题,为解决该优化问题,对该优化问题进行变形,形成为近似的多步优化问题,并为变形后的多步优化问题提供多项式时间的算法,最后,通过计算数据中心使用电池储能的运行费用,并换算为归一化电价,对数据中心使用新能源并且利用电池储能的经济性进行衡量。
成本开支包括风力发电的成本开支和电池的成本开支,对风力发电的成本开支建模的方法是:
一台风力发电机在时间间隔Δk内的发电功率Pt(k)为:
其中,Pr代表额定输出功率,Vr代表额定风速,t代表Weibull参数,vi和vo分别代表风力发电机切入风速和切出风速,v(k)表示当前风速;
对于n台风力发电机,在时间间隔Δk内其总功率pv(k)为:
其中,表示第m台风力发电机的发电功率;
则风力发电机的发电成本表示为:
对电池的成本开支建模的方法是:
将其总成本换算为每小时充能费用Br及每小时放能费用Bd:
Bd=Br=0.5BpZmaxΔk/BlBh
其中,Bl和Zmax分别表示电池的最大充放电循环次数和最大储电能力,Bh表示最大的放电能力,即多少小时内可以将电池从最高储能状态变为最低储能状态,Bp表示单位电能储存量电池的成本开支。
对数据中心使用电池的电费开支建模的方法是:
考虑到数据中心电价的动态性和风能发电的不确定性,使用最优化方法来建模长时间内平均的电费开支,
取费用函数为:
其中,E表示期望,用来消除控制算法的随机性效果,K表示控制间隔个数,G(k)表示在时间间隔Δk内,从智能电网获得的电能,e(k)表示智能电网的实时电价,Id(k)表示二进制变量,值为1表示放能,Ir(k)表示二进制变量,值为1表示充能;
该费用函数表示,最小化平均时间间隔的电费开支。
对所述电费开支设置相应的约束条件,具体如下:
A.能量守恒,智能电网和风力发电的发电量,同数据中心的负载、电池充能、放能间的总能量守恒,并考虑电池处理热负载放能时的能量效率:
pv(k)Δk+G(k)=Yr(k)-ηiYd(k)+W(k)
其中:pv(k)表示在时间间隔Δk内,风力发电机功率,Yr(k)表示在时间间隔Δk内,充入电池中的电能,Yd(k)表示在时间间隔Δk内,电池放出的电能,ηi表示电池放能率,W(k)表示在时间间隔Δk内,热负载能量;
B.电池不能同时充能放能,但可以既不充能也不放能:
0≤Ir(k)+Id(k)≤1,Ir(k),Id(k)∈Z;
C.智能电网在时间间隔Δk内发电的总电能应在峰值限定范围内,风力发电在时间间隔Δk内发电功率应在峰值限定范围内:
0≤pv(k)≤pv,peak,0≤G(k)≤PpeakΔk
其中,pv,peak指风力发电机最大发电功率;
D.在时间间隔Δk内,电池充能和放能不能超过最大限定:
0≤Yr(k)≤Yr,max,0≤Yd(k)≤Yd,max
其中,Yd,max表示时间间隔Δk内的放能最大值,Yr,max表示时间间隔Δk内的充能最大值;
E.电池储能能量最低应满足紧急制冷的要求,最高不能超过最大能量的限制:
Zmin≤Z(k)≤Zmax,其中:Z(k)表示电池储存的总冷能,Zmin电池最小储存能量,Zmax表示电池最大储存能量;
F.从每个时间段k和k+1,对电池储存的电能能量进行更新,并且考虑智能电网向电池充能时的能量转换效率:
Z(k+1)=Z(k)+ηcYr(k)-Yd(k),其中:ηc表示电池充能效率。
将所述电费开支形成为一个带约束的优化问题后,对该优化问题进行变形,形成为近似的多步优化问题,并为变形后的多步优化问题提供多项式时间的算法,进行求解,具体方法如下:
首先,将约束E进行放宽,使其满足长时间平均的充放能相同:
H.设置在时间间隔Δk内,电池的虚拟队列T(k),用以包含约束G,定义虚拟队列为:
T(k)=Z(k)-A·xmin-Yd,max-Zmin,其中:xmin=max[e(0),e(1),e(2),...]和A=(Zmax-Zmin-Ymax-Ymin)(emax-emin)均为确保算法性能控制参数,Ymax表示单位时间内充电最大值。Ymin表示单位时间内充电最小值。emax表示所有时间内电价最大值,emin表示所有时间内电价最小值;
I.进一步,电池的虚拟队列的储能状态更新,表示为:
T(k+1)=T(k)+ηcYr(k)-Yd(k)
原最优化问题,可以变形为多步的最优化问题如下:
其目标函数变形形式为:
min T(k)G(k)+A[G(k)e(k)+Id(k)Bd+Ir(k)Br]
并满足约束A-D,H-I,该多步的优化算法获得的最优解同原最优化问题获得的最优解间最多有O(1/L)的近似度;
该多步的最优化问题,从形式上,仍然为多步的整数线性规划问题,可是,由于相应的约束限制,可以退化为多项式时间可解的问题,因此,设计相应的多项式时间算法如下:
算法输入:T(k),e(k),W(k),pv(k),K
算法输出:G(k),Yr(k),Yd(k)
通过该算法,计算出在每个时间间隔数据中心需要从智能电网获取的总电能G(k),以及电池充放电策略Yr(k)和Yd(k)。
对数据中心使用电池储能的运行费用进行归一化电价费用换算的方法如下:数据中心的总电费开支Pb为:
智能电网和风力发电下,数据中心使用电池的总操作费用开支表示为:
Pw+Pb
智能电网和风力发电下,数据中心使用电池的归一化电价费用表示为:
未使用风力发电和电池的数据中心归一化电价费用表示为:
设定归一化比率为:
rn=Nb/Ne
当rn大于1时,表示风力发电和电池的成本费用会增加数据中心的运行费用,当rn等于1时,表示风力发电和电池的成本费用不会改变数据中心的运行费用,当rn小于1时,表示使用风力发电和电池的成本费用会减少数据中心的运行费用。
本发明的有益效果如下:
1、可以估算数据中心使用风力发电的成本开支;
2、可以估算数据中心使用电池的成本开支;
3、可以通过建模的方式,估算数据中心在智能电网和风力发电下使用电池的电费开支;
4、可以估算数据中心在智能电网和风力发电下使用电池的操作费用;
5、可以通过计算归一化电价,衡量数据中心使用风力发电和电池的经济性。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1是与本发明方法相关的基本结构图;
图2是本发明实施例的风能发电量;
图3是本发明实施例的实时电价信息;
图4是本发明实施例的热负载;
图5是本发明实施例的归一化比率。
具体实施方式
本发明所提供的数据中心内利用风能和电池储能的运行费用计算方法。通过对智能电网下和风能发电情况下,利用动态电价进行电池储能的运行费用分为成本开支和电费开支,并分别对其进行建模。将电费开支形成了一个带约束的优化问题。为解决该优化问题,对该优化问题进行变形,形成为近似的多步优化问题。并为变形后的多步优化问题提供了多项式时间的算法。最后,通过计算数据中心使用电池储能的运行费用,并换算为归一化电价,对数据中心使用新能源并且利用电池储能的经济性进行衡量。
该方法所涉及的基本结构如图1所示。在该结构中,智能电网和风力发电机负责供电。智能电网的供电策略为:可以向数据中心中的CRAC装置直接进行供电,也可以通过电池进行电能储存,或者两者同时进行。能量管理主要为控制智能电网的供电策略。其中,电池一般在综合考虑总储能量、智能电网电价和新能源发电不确定性的情况下,进行储能和放能。在储能时,电池将来自智能电网或风力发电机的电能储存为化学能,在放能时,将化学能转化为电能,对CRAC系统进行供电。CRAC装置一般需要承担数据中心机房服务器的热负载的降温。
之后,对该问题进行建模,参数表如下:
首先建立均一化电价模型在智能电网和风力发电下,数据中心使用电池的运行费用主要包含两个部分:使用电池成本开支,和数据中心使用电池的电费开支。
1)风力发电的成本开支
一台风力发电机在时间间隔Δk内的发电功率Pt(k)一般为:
其中,Pr代表额定输出功率,Vr代表额定风速,t代表Weibull参数,vi和vo代表风力发电机切入风速和切出风速。v(k)表示当前风速。
对于n台风力发电机,在时间间隔Δk内其总功率pv(k)为:
其中,表示第m台风力发电机的发电功率。
则风力发电机的发电成本可以表示为:
2)电池的成本开支
由于电池的寿命较为有限,一般同电池使用的循环次数有关,可以将其总成本划算为每小时充能费用Br及每小时放能费用Bd:
Bd=Br=0.5BpZmaxΔk/BlBh
其中,Bl和Zmax分别表示电池的最大充放电循环次数和最大储电能力。Bh表示最大的放电能力,既多少小时内可以将电池从最高储能状态变为最低储能状态。由于电池的成本开支可以转化成每小时的操作费用,我们将电池的成本开支同每小时的电费开支中共同考虑。Bp表示单位电能储存量电池的成本开支;
3)智能电网和风力发电下,数据中心使用电池的电费开支
考虑到数据中心电价的动态性和风能发电的不确定性,我们使用最优化方法来建模长时间内平均的电费开支。
取费用函数为:
其中,E表示期望,用来消除控制算法的随机性效果,其他参数详见参数表。该费用函数表示,最小化平均时间间隔的电费开支。
根据智能电网,风力发电,数据中心和电池的具体情况,设置相应的约束条件:
A.能量守恒,智能电网和风力发电的发电量,同数据中心的负载、电池充能、放能间的总能量守恒,并考虑电池处理热负载放能时的能量效率:
pv(k)Δk+G(k)=Yr(k)-ηiYd(k)+W(k)
B.电池不能同时充能放能,但可以既不充能也不放能:
0≤Ir(k)+Id(k)≤1,Ir(k),Id(k)∈Z;
C.智能电网在时间间隔Δk内发电的总电能应在峰值限定范围内,风力发电在时间间隔Δk内发电功率应在峰值限定范围内。
0≤pv(k)≤pv,peak,0≤G(k)≤PpeakΔk
其中,pv,peak指风力发电机最大发电功率。
D.在时间间隔Δk内,电池充能和放能不能超过最大限定。
0≤Yr(k)≤Yr,max,0≤Yd(k)≤Yd,max
其中,Yd,max表示时间间隔Δk内的放能最大值,Yr,max表示时间间隔Δk内的充能最大值。
E.电池储能能量最低应满足紧急制冷的要求,最高不能超过最大能量的限制
Zmin≤Z(k)≤Zmax;
F.从每个时间段k到k+1,由于智能电网、风能发电对电池进行充能,或是电池放能处理热负载,应对电池储存的电能能量进行更新。并且考虑智能电网向电池充能时的能量转换效率。
Z(k+1)=Z(k)+ηcYr(k)-Yd(k);
对于该电费开支的最优化模型,由于其目标函数为长时间平均的优化函数,当前没有较为高效、准确的求解方式。可以将该优化问题近似地变形为多步的最优化问题,进行求解。
首先,将约束E进行放宽,使其满足长时间平均的充放能相同:
H.设置虚拟队列T(k),用以包含约束G,定义虚拟队列为:
T(k)=Z(k)-A·xmin-Yd,max-Zmin,其中:xmin=max[e(0),e(1),e(2),...]和A=(Zmax-Zmin-Ymax-Ymin)(emax-emin)均为确保算法性能控制参数。
I.进一步,电池的虚拟队列的储能状态更新,可以表示为:
T(k+1)=T(k)+ηcYr(k)-Yd(k)
原最优化问题,可以变形为多步的最优化问题如下:
其目标函数变形形式为:
min T(k)G(k)+A[G(k)e(k)+Id(k)Bd+Ir(k)Br]
并满足约束A-D,H-I。该多步的优化算法获得的最优解同原最优化问题获得的最优解间最多有O(1/L)的近似度。
该多步的最优化问题,从形式上,仍然为多步的整数线性规划问题,可是,由于相应的约束限制,可以退化为多项式时间可解的问题。因此设计相应的多项式时间算法如下:
算法输入:T(k),e(k),W(k),pv(k),K
算法输出:G(k),Yr(k),Yd(k)
通过该算法,可以计算出在每个时间间隔(每步)数据中心需要从智能电网获取的总电能G(k),以及电池充放电策略Yr(k)和Yd(k)。
最后,可以表示数据中心的总电费开支Pb为:
4)智能电网和风力发电下,数据中心使用电池的总操作费用开支可以表示为:
Pw+Pb
智能电网和风力发电下,数据中心使用电池的归一化电价费用可以表示为(总操作费用平摊到总电能,计算出单位电能的价格)
未使用风力发电和电池的数据中心归一化电价费用可以表示为:
设定归一化比率为:
rn=Nb/Ne
当rn大于1时,表示风力发电和电池的成本费用会增加数据中心的运行费用,当rn等于1时,表示风力发电和电池的成本费用不会改变数据中心的运行费用,当rn小于1时,表示使用风力发电和电池的成本费用会减少数据中心的运行费用。
在本发明一实施例中,设定K=7200,热负载W(k)前72小时的负载状况如图4所示,将该72小时的负载迭代100次,模拟7200小时的热负载情况。相应地,动态电价选取了美国的三个城市的动态电价,,其前72小时数据如图3所示,并将数据迭代100次,以模拟7200小时数据。时间间隔Δk为1小时,电网的峰值功率为50MW。风力发电的单位储存能力的成本开支为37$/MWh。前72小时风能发电量如图2所示,将数据迭代100次,以模拟7200小时数据。
电池的最大放电能力为6小时,每kWh电池储存能力的成本开支为10$。电池的充能效率和放能效率分别设置为75%和100%,电池每小时放能的储能量最大值为1/6,充能最大值为放能最大值的1/7,初始储能为最大储能量的一般。电池的最低储存量限制为1MW,最高储存能力限制从7MW变化到50MW,每1MW为一个间隔。归一化比率如图5所示,可以看出,归一化比率的高低,同使用电价的地区,以及在同样热负载情况下,所使用的电池的最大容量数有关。对于数据中心而言,可以通过该数据中心所在的地区的动态电价、热负载情况,根据该发明所提供的算法,计算采用风力发电和电池是否具有经济性,以及当采用多大容量的电池能够获得最大的经济性。
尽管本发明的内容已经通过上述实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。
Claims (7)
1.一种数据中心内利用风能和电池储能的运行费用计算方法,对利用动态电价进行电池储能的运行费用进行计算,该运行费用分为成本开支和电费开支,其特征在于,分别对成本开支和电费开支进行建模,将电费开支形成一个带约束的优化问题,为解决该优化问题,对该优化问题进行变形,形成为近似的多步优化问题,并为变形后的多步优化问题提供多项式时间的算法,最后,通过计算数据中心使用电池储能的运行费用,并换算为归一化电价,对数据中心使用新能源并且利用电池储能的经济性进行衡量。
2.根据权利要求1所述的数据中心内利用风能和电池储能的运行费用计算方法,其特征在于,成本开支包括风力发电的成本开支和电池的成本开支,对风力发电的成本开支建模的方法是:
一台风力发电机在时间间隔Δk内的发电功率Pt(k)为:
其中,Pr代表额定输出功率,Vr代表额定风速,t代表Weibull参数,vi和vo分别代表风力发电机切入风速和切出风速,v(k)表示当前风速;
对于n台风力发电机,在时间间隔Δk内其总功率pv(k)为:
其中,表示第m台风力发电机的发电功率;
则风力发电机的发电成本表示为:
3.根据权利要求2所述的数据中心内利用风能和电池储能的运行费用计算方法,其特征在于,对电池的成本开支建模的方法是:
将其总成本换算为每小时充能费用Br及每小时放能费用Bd:
Bd=Br=0.5BpZmaxΔk/BlBh
其中,Bl和Zmax分别表示电池的最大充放电循环次数和最大储电能力,Bh表示最大的放电能力,即多少小时内可以将电池从最高储能状态变为最低储能状态,Bp表示单位电能储存量电池的成本开支。
4.根据权利要求3所述的数据中心内利用风能和电池储能的运行费用计算方法,其特征在于,对数据中心使用电池的电费开支建模的方法是:
考虑到数据中心电价的动态性和风能发电的不确定性,使用最优化方法来建模长时间内平均的电费开支,
取费用函数为:
其中,E表示期望,用来消除控制算法的随机性效果,K表示控制间隔个数,G(k)表示在时间间隔Δk内,从智能电网获得的电能,e(k)表示智能电网的实时电价,Id(k)表示二进制变量,值为1表示放能,Ir(k)表示二进制变量,值为1表示充能;
该费用函数表示,最小化平均时间间隔的电费开支。
5.根据权利要求4所述的数据中心内利用风能和电池储能的运行费用计算方法,其特征在于,对所述电费开支设置相应的约束条件,具体如下:
A.能量守恒,智能电网和风力发电的发电量,同数据中心的负载、电池充能、放能间的总能量守恒,并考虑电池处理热负载放能时的能量效率:
pv(k)Δk+G(k)=Yr(k)-ηiYd(k)+W(k)
其中:pv(k)表示在时间间隔Δk内,风力发电机功率,Yr(k)表示在时间间隔Δk内,充入电池中的电能,Yd(k)表示在时间间隔Δk内,电池放出的电能,ηi表示电池放能率,W(k)表示在时间间隔Δk内,热负载能量;
B.电池不能同时充能放能,但可以既不充能也不放能:
0≤Ir(k)+Id(k)≤1,Ir(k),Id(k)∈Z;
C.智能电网在时间间隔Δk内发电的总电能应在峰值限定范围内,风力发电在时间间隔Δk内发电功率应在峰值限定范围内:
0≤pv(k)≤pv,peak,0≤G(k)≤PpeakΔk
其中,pv,peak指风力发电机最大发电功率;
D.在时间间隔Δk内,电池充能和放能不能超过最大限定:
0≤Yr(k)≤Yr,max,0≤Yd(k)≤Yd,max
其中,Yd,max表示时间间隔Δk内的放能最大值,Yr,max表示时间间隔Δk内的充能最大值;
E.电池储能能量最低应满足紧急制冷的要求,最高不能超过最大能量的限制:
Zmin≤Z(k)≤Zmax,其中:Z(k)表示电池储存的总冷能,Zmin电池最小储存能量,Zmax表示电池最大储存能量;
F.从每个时间段k和k+1,对电池储存的电能能量进行更新,并且考虑智能电网向电池充能时的能量转换效率:
Z(k+1)=Z(k)+ηcYr(k)-Yd(k),其中:ηc表示电池充能效率。
6.根据权利要求5所述的数据中心内利用风能和电池储能的运行费用计算方法,其特征在于,将所述电费开支形成为一个带约束的优化问题后,对该优化问题进行变形,形成为近似的多步优化问题,并为变形后的多步优化问题提供多项式时间的算法,进行求解,具体方法如下:
首先,将约束E进行放宽,使其满足长时间平均的充放能相同:
H.设置在时间间隔Δk内,电池的虚拟队列T(k),用以包含约束G,定义虚拟队列为:
T(k)=Z(k)-A·xmin-Yd,max-Zmin,其中:xmin=max[e(0),e(1),e(2),...]和A=(Zmax-Zmin-Ymax-Ymin)(emax-emin)均为确保算法性能控制参数;
其中:Zmax表示电池最大储存能量,Zmin表示电池最小储存能量,Ymax表示单位时间内充电最大值。Ymin表示单位时间内充电最小值。emax表示所有时间内电价最大值,emin表示所有时间内电价最小值;
I.进一步,电池的虚拟队列的储能状态更新,表示为:
T(k+1)=T(k)+ηcYr(k)-Yd(k)
原最优化问题,可以变形为多步的最优化问题如下:
其目标函数变形形式为:
min T(k)G(k)+A[G(k)e(k)+Id(k)Bd+Ir(k)Br]
并满足约束A-D,H-I,该多步的优化算法获得的最优解同原最优化问题获得的最优解间最多有O(1/L)的近似度;
该多步的最优化问题,从形式上,仍然为多步的整数线性规划问题,可是,由于相应的约束限制,可以退化为多项式时间可解的问题,因此,设计相应的多项式时间算法如下:
算法输入:T(k),e(k),W(k),pv(k),K
算法输出:G(k),Yr(k),Yd(k)
通过该算法,计算出在每个时间间隔数据中心需要从智能电网获取的总电能G(k),以及电池充放电策略Yr(k)和Yd(k)。
7.根据权利要求6所述的数据中心内利用风能和电池储能的运行费用计算方法,其特征在于,对数据中心使用电池储能的运行费用进行归一化电价费用换算的方法如下:数据中心的总电费开支Pb为:
智能电网和风力发电下,数据中心使用电池的总操作费用开支表示为:
Pw+Pb
智能电网和风力发电下,数据中心使用电池的归一化电价费用表示为:
未使用风力发电和电池的数据中心归一化电价费用表示为:
设定归一化比率为:
rn=Nb/Ne
当rn大于1时,表示风力发电和电池的成本费用会增加数据中心的运行费用,当rn等于1时,表示风力发电和电池的成本费用不会改变数据中心的运行费用,当rn小于1时,表示使用风力发电和电池的成本费用会减少数据中心的运行费用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410455730.0A CN104253432B (zh) | 2014-09-09 | 2014-09-09 | 数据中心内利用风能和电池储能的运行费用计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410455730.0A CN104253432B (zh) | 2014-09-09 | 2014-09-09 | 数据中心内利用风能和电池储能的运行费用计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104253432A true CN104253432A (zh) | 2014-12-31 |
CN104253432B CN104253432B (zh) | 2017-12-15 |
Family
ID=52188084
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410455730.0A Active CN104253432B (zh) | 2014-09-09 | 2014-09-09 | 数据中心内利用风能和电池储能的运行费用计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104253432B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107025610A (zh) * | 2017-04-24 | 2017-08-08 | 东华大学 | 一种数据中心成本优化方法 |
CN111244948A (zh) * | 2020-02-28 | 2020-06-05 | 海南电网有限责任公司三沙供电局 | 一种基于nsga2算法的微电网优化调度方法 |
CN114881317A (zh) * | 2022-04-24 | 2022-08-09 | 国网江西省电力有限公司供电服务管理中心 | 供电费用的预测方法、装置、存储介质及计算机设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002152969A (ja) * | 2000-11-07 | 2002-05-24 | Hitachi Ltd | 火力発電所の省エネルギー運転方法およびそのシステム |
CN102545214A (zh) * | 2012-01-13 | 2012-07-04 | 重庆大学 | 一种含电池储能设备的风电场可靠性评估方法 |
CN103679299A (zh) * | 2013-12-30 | 2014-03-26 | 华北电力大学(保定) | 兼顾车主满意度的电动汽车最优峰谷分时电价定价方法 |
-
2014
- 2014-09-09 CN CN201410455730.0A patent/CN104253432B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002152969A (ja) * | 2000-11-07 | 2002-05-24 | Hitachi Ltd | 火力発電所の省エネルギー運転方法およびそのシステム |
CN102545214A (zh) * | 2012-01-13 | 2012-07-04 | 重庆大学 | 一种含电池储能设备的风电场可靠性评估方法 |
CN103679299A (zh) * | 2013-12-30 | 2014-03-26 | 华北电力大学(保定) | 兼顾车主满意度的电动汽车最优峰谷分时电价定价方法 |
Non-Patent Citations (1)
Title |
---|
王承民等: "智能电网中储能技术应用规划及其效益评估方法综述", 《中国电机工程学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107025610A (zh) * | 2017-04-24 | 2017-08-08 | 东华大学 | 一种数据中心成本优化方法 |
CN107025610B (zh) * | 2017-04-24 | 2021-03-19 | 东华大学 | 一种数据中心成本优化方法 |
CN111244948A (zh) * | 2020-02-28 | 2020-06-05 | 海南电网有限责任公司三沙供电局 | 一种基于nsga2算法的微电网优化调度方法 |
CN114881317A (zh) * | 2022-04-24 | 2022-08-09 | 国网江西省电力有限公司供电服务管理中心 | 供电费用的预测方法、装置、存储介质及计算机设备 |
CN114881317B (zh) * | 2022-04-24 | 2023-07-25 | 国网江西省电力有限公司供电服务管理中心 | 供电费用的预测方法、装置、存储介质及计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN104253432B (zh) | 2017-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nan et al. | Optimal residential community demand response scheduling in smart grid | |
Baziar et al. | Considering uncertainty in the optimal energy management of renewable micro-grids including storage devices | |
CN106779291A (zh) | 智能用电园区需求响应策略 | |
CN103217900B (zh) | 基于实时电价的中压微网混沌pso最优潮流实现方法 | |
Kandasamy et al. | Virtual storage capacity using demand response management to overcome intermittency of solar PV generation | |
Yu et al. | A GA-based system sizing method for net-zero energy buildings considering multi-criteria performance requirements under parameter uncertainties | |
CN104104107B (zh) | 用混合储能平抑风电功率波动的模型预测控制方法 | |
Zhou | Sustainable energy sharing districts with electrochemical battery degradation in design, planning, operation and multi-objective optimisation | |
CN105356491B (zh) | 一种基于储能和虚拟储能最优控制的功率波动平抑方法 | |
CN105990838A (zh) | 一种计及可调度和可平移负荷的海岛微电网优化调度方法 | |
CN104252648A (zh) | 数据中心内利用热储能的运行费用计算方法 | |
Nikoobakht et al. | Co-operation of electricity and natural gas systems including electric vehicles and variable renewable energy sources based on a continuous-time model approach | |
Gao et al. | Optimal configuration for regional integrated energy systems with multi-element hybrid energy storage | |
Kumar et al. | A New Approach to Design and Optimize Sizing of Hybrid Microgrids in Deregulated Electricity Environment | |
Li et al. | Optimization for a grid-connected hybrid PV-wind-retired HEV battery microgrid system | |
CN117477557A (zh) | 一种虚拟电厂调峰优化调度方法、系统、电子设备及介质 | |
CN104253432A (zh) | 数据中心内利用风能和电池储能的运行费用计算方法 | |
Shi et al. | Unit commitment and multi-objective optimal dispatch model for wind-hydro-thermal power system with pumped storage | |
Cui et al. | An optimal energy co-scheduling framework for smart buildings | |
Wang et al. | Stochastic dynamic programming based optimal energy scheduling for a hybrid fuel cell/PV/battery system under uncertainty | |
Saber et al. | Smart micro-grid optimization with controllable loads using particle swarm optimization | |
Rajasekhar et al. | Multi-stage scheduling for a smart home with solar PV and battery energy storage—A case study | |
Rojas et al. | Optimal sizing of photovoltaic systems for smart buildings. Case study" Cañar Gubernation Building" | |
Zhang et al. | Coordinated dispatch of the wind-thermal power system by optimizing electric vehicle charging | |
Ding et al. | The optimal allocation of pumped storage station in wind farm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |