CN113162038B - 一种基于多个小型数据网络负荷需求响应资源聚合方法 - Google Patents
一种基于多个小型数据网络负荷需求响应资源聚合方法 Download PDFInfo
- Publication number
- CN113162038B CN113162038B CN202110461397.4A CN202110461397A CN113162038B CN 113162038 B CN113162038 B CN 113162038B CN 202110461397 A CN202110461397 A CN 202110461397A CN 113162038 B CN113162038 B CN 113162038B
- Authority
- CN
- China
- Prior art keywords
- load
- characterizing
- power consumption
- idcai
- idc
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000002776 aggregation Effects 0.000 title claims abstract description 30
- 238000004220 aggregation Methods 0.000 title claims abstract description 30
- 230000004044 response Effects 0.000 title claims description 10
- LSTPKMWNRWCNLS-UHFFFAOYSA-N 1-amino-2,3-dihydroindene-1,5-dicarboxylic acid Chemical compound OC(=O)C1=CC=C2C(N)(C(O)=O)CCC2=C1 LSTPKMWNRWCNLS-UHFFFAOYSA-N 0.000 claims abstract description 34
- 230000008878 coupling Effects 0.000 claims abstract description 10
- 238000010168 coupling process Methods 0.000 claims abstract description 10
- 238000005859 coupling reaction Methods 0.000 claims abstract description 10
- 230000002452 interceptive effect Effects 0.000 claims description 62
- 230000008569 process Effects 0.000 claims description 19
- 230000033228 biological regulation Effects 0.000 claims description 16
- 238000001816 cooling Methods 0.000 claims description 15
- 150000001875 compounds Chemical class 0.000 claims description 12
- 210000004966 intestinal stem cell Anatomy 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 9
- 241000665848 Isca Species 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 230000003828 downregulation Effects 0.000 claims description 5
- 230000005012 migration Effects 0.000 claims description 5
- 238000013508 migration Methods 0.000 claims description 5
- 238000012512 characterization method Methods 0.000 claims description 4
- 230000003827 upregulation Effects 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 claims description 3
- 230000003750 conditioning effect Effects 0.000 claims 1
- 230000005611 electricity Effects 0.000 description 4
- 238000007792 addition Methods 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002222 downregulating effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000005293 physical law Methods 0.000 description 2
- 238000006116 polymerization reaction Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 101000979912 Homo sapiens Sphingomyelin phosphodiesterase 2 Proteins 0.000 description 1
- 101100277915 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) DMC1 gene Proteins 0.000 description 1
- 102100024550 Sphingomyelin phosphodiesterase 2 Human genes 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000007474 system interaction Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S50/00—Market activities related to the operation of systems integrating technologies related to power network operation or related to communication or information technologies
- Y04S50/16—Energy services, e.g. dispersed generation or demand or load or energy savings aggregation
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Water Supply & Treatment (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种基于多个小型数据网络负荷需求响应资源聚合方法,属于电力系统管理技术领域,其方法包括:提出建模的假设条件以便于呈现数据网络负荷聚合思想;建立单个DN的虚拟电网模型;建立与VPN对应的IDC负荷模型;建立AVPN模型;建立基于AVPN的AIDC负荷模型;通过建立AVPNDR供应曲线,以捕获异构的IDC负荷调节成本;本发明通过将各DN建模为虚拟电网模型,其次将多个VPNs聚合建模为由聚合虚拟电源、聚合虚拟负荷、和聚合虚拟电力流组成的聚合虚拟电网模型,并提出基于AVPN的聚合数据中心负荷模型,从而直观且准确地刻画多个DNs与电力系统之间的空间耦合关系,并准确地捕获不同互联网数据中心负荷的调节成本,实现大量小型DNDR资源的聚合。
Description
技术领域
本发明属于电力系统管理技术领域,具体涉及一种基于多个小型数据网络负荷需求响应资源聚合方法。
背景技术
随着数字产业的发展,IDC负荷已经成为体量庞大的需求侧资源,IDC负荷通过DN传递数据负荷可实现电力负荷的转移从而拥有参与系统互动的时空负荷调节潜力,因此IDC负荷是一种独特的新型优质需求响应资源。
国内外公开出版的文献,在IDC负荷建模、IDC负荷需求响应机理、利用IDC负荷的时空调节特性参与电力系统运行、及一般柔性负荷的电力系统运行与规划等方面已有了初步研究,但在计及IDC负荷时空调节潜力的电力系统运行与规划方面仍存在诸多问题和挑战。其中,由于缺乏DN聚合的相关研究,不符合批发市场准入门槛的大量小型DN无法直接/通过负荷聚合商参与批发市场中的DR项目。而与此同时,由于空间调节和一般柔性负荷在时间尺度上的调节具有本质差异,现有的关于一般柔性负荷的电力系统运行与规划方法,包括柔性负荷聚合建模方法等,皆不能适用于空间耦合的IDC负荷资源。因此,需要进一步研究DN的聚合方法以充分利用大量小型DN的负荷调节潜力。
发明内容
针对现有技术的不足,本发明的目的在于提供一种小型数据网络负荷需求响应资源聚合方法,以解决上述背景技术中提出的解决,由于缺乏DN聚合方法从而使不符合批发市场准入门槛的大量小型DN,无法直接通过负荷聚合商参与批发市场中DR项目的问题。
本发明目的可以通过以下技术方案实现:一种小型数据网络负荷需求响应资源聚合方法,包括以下步骤:一种基于多个小型数据网络负荷需求响应资源聚合方法,包括以下步骤:
S1:提出建模的假设条件以便于呈现数据网络负荷聚合思想;
S2:建立单个DN的虚拟电网模型;
S3:建立与VPN对应的IDC负荷模型;
S4:建立AVPN模型;
S5:建立基于AVPN的AIDC负荷模型;
S6:通过建立AVPN DR供应曲线,以捕获异构的IDC负荷调节成本;
作为本发明进一步的方案,所述步骤S1中,具体条件包括以下内容:
1)存在多个DNs,且各DN属于不同的互联网服务公司;
对于每个DN,有:
2)假设一组地理分布的互联网数据中心负荷负荷属于同一个ISC,各IDC负荷连接在不同的电力系统节点上并仅由电网供电,且这些电力节点由同一个电力公司供电;
3)假设各IDC中的服务器是同质的;
4)仅考虑交互式数据负荷,且仅考虑地理上均衡数据负荷这一负荷调节方法,即可调节各前端门户服务器分配给各IDC负荷的交互式数据负荷;
5)假设数据负荷分配决策、以及电力系统调度决策在每个时间段内更新一次,且该时间段(例如,1小时)大于交互式数据负荷的服务延迟界限;
6)数据负荷的服务质量始终维持在其最低水平,即其延迟时间等于数据负荷处理延迟界限
作为本发明进一步的方案,所述步骤S2中,单个DN的虚拟电网模型包括虚拟负荷和虚拟发电机组,所述虚拟负荷代表初始能耗计划,所述虚拟发电机组代表负荷迁移;
表征在IDCai中,在仅保证最低QoS的情况下,增加1单位的交互式数据负荷时,增加的总功耗;表征在时间段t,IDCai中,在仅保证最低QoS的情况下,增加基线数量的交互式数据负荷时,增加的总功耗;
表征在时间段t,IDCai中,与基线相比,由GWB贡献的负荷调节量;在时间段t,到达FSas的交互式数据负荷量;其中,代表平均能源效率,其可以根据ISC的喜好自由设定。例如,可以取值为所有的平均值。可根据ISC的喜好自由设定,其代表了初始能源使用计划。例如,可以设定为该场景下的值:交互式数据负荷按照各IDC中配置的服务器数量按比例进行分配。
式(2)描述基于GWB的多个IDC负荷调节潜力之间的空间耦合关系;
式(3)描述仅考虑交互式数据负荷和GWB下的有限计算资源约束;
式(4)描述GWB可以提供的最大负荷调节潜力,其不超过处理交互数据负荷的基线功耗;
式(5)描述处理单位数据负荷时增加的功耗,其中第二项表示处理单位数据负荷时增加的IT设备功耗;
式(6)描述仅考虑交互式数据负荷和GWB下的IDC功耗基线,其中第二项表示为消除从室外传递的热量而增加的功耗,第三项表示其他设备功耗和为消除其他设备产生热量的冷却系统增加的功耗之和,第四项是冷却系统的经验常数,表示冷却系统在制冷量为零时的功耗;
式(7)描述仅考虑交互式数据负荷和GWB下的处理基线交互数据负荷时增加的功耗,其满足;
式(8)描述当非活动服务器处理最大数据负荷量时IDCai增加的功耗,其中,第一项表征当所有服务器处理最大数据负荷量时IDCai增加的功耗;
式中,表征在时间段t,IDCai中的总功耗;β1ait表征在时间段t,IDCai中,总功耗的基线;表征属于ISCa的IDCs的数量;β3ait表征在时间段t,IDCai中,增加所有的非活跃服务器以最大计算能力处理交互式数据负荷时,增加的总功耗;b1ai,b2ai表征IDCai中,冷却系统功耗模型中的经验参数;b3ai表征IDCai中的等效热阻;表征IDCai中,边缘交换机/聚合交换机/核心交换机的额定功率;表征IDCai中,每个活跃服务器的空闲 /额定功率;表征IDCai中,其他设备(如照明和配电设备)的功耗;表征IDCai中,边缘交换机/聚合交换机/核心交换机的数量;表征IDCai中,服务器的数量;uai表征IDCai中,服务器的服务速率[requests/s];vI表征交互式数据负荷的延迟界限[s];表征在时间段t,IDCai的室外温度;表征在IDCai中,室内温度的基线;表征在时间段t,IDCai中,与处理的互式数据负荷量有关的功耗的基线。
作为本发明进一步的方案,所述步骤S4中,其中,假设连接到同一节点的IDC负荷具有相同或近似的α1ai,此外,通过聚类方法,可以用多个集群来表征异构的α1ai,因此,所提出的AVPN模型可以轻易地拓展到α1ai异构时的场景,具体地,在AVPN中,聚合虚拟负荷表示多个ISCs的所有IDC负荷的初始用电计划,聚合虚拟发电机表示多个ISCs中所有IDC负荷的调节。聚合虚拟负荷的电力需求固定为其满足其中,表征在AIDCk中,增加1单位的交互式数据负荷时,增加的总功耗[kW·s/request];表征在一组AIDCs中,处理1单位交互式数据负荷的功耗基线(如,取的平均值)[kW·s/request];表征在时间段t,与基线相比,AIDCk中的负荷调节量;表征在时间段t,AIDCk中,增加基线数量的交互式数据负荷时,增加的总功耗;AIDC负荷的电力需求和调节潜力分别建模为式(9)和式(10);
具体地,式(12)描述GWB对AIDC负荷调节潜力的贡献;
式(13)描述多个AIDC负荷调节潜力之间的空间耦合,表征了AIDC负荷之间空间耦合的本质;
式(14)描述GWB能够提供的最大负荷调节潜力,其不大于处理基线数据负荷所需的功耗;
式(15)描述计算资源对GWB负荷调节潜力的限制;
式中,表征在时间段t,AIDCk中的功耗基线;表征在时间段t,AIDCk中,增加所有的非活跃服务器以最大计算能力处理交互式数据负荷时,增加的总功耗;nAI表征AIDCs的数量;显然地,基于AVNP的AIDC负荷模型与基于VNP的IDC模型具有相同的形式和特性。
2)对于任一 表明IDCai参与上调DR是不经济的,因此,其上调DR能力表征为 表明IDCai参与上调DR是经济的,因此,其上调DR能力表征为其最大值,即AVPNDR供应曲线的建立过程,其为线性累加过程,至此,负荷调节成本的异构性问题已经解决;
综上,与VPN类似,适用于PN中的KCL和KVL等物理定律在AVPN中并不成立,其表明AVPN很难通过改变PN拓扑而直接嵌入到PN中;然而,AVPN可以有效地促进大量小型VPNDR资源在电力系统运行和规划中的应用,
AVPN模型能够准确且有效地表征多个VPNs的电气特性,其中,由聚合虚拟电力线路承载的功率与该两节点间各虚拟电力线路承载的功率总和是等价的,且每条聚合虚拟电力线路承载的功率比每条虚拟电力线路要大得多,通过这种方式,小型VPN也可以嵌入到PN操作中;
AVPN对应更为简洁的线性AIDC负荷模型,其中用于表征多个ISCs所拥有的多个IDC负荷之间关系的多个等式约束(即式(2))被等价替换为一个等式约束(即式(12)),由于式 (11)-(14)可以直接嵌入到PN模型中,通过该聚合,大量VPNs可以作为一个整体参与DR调度,减轻了计算负担,使大规模的VPN DR具有实用性;
由式(9)-(10)、式(15)-(16)、以及式(19)-(21)表征的聚合过程是线性累加。这表明AVPN 具有可扩展性,可以适用于大规模的VPN聚合,并且AVPN也可以轻易地分解为VPN,
AVPN具备准确的DR供应曲线,因此可以捕获IDC负荷调节成本的异构性,其保证了DR 的市场效率。
本发明的有益效果:针对目前DN DR资源聚合机制缺失的问题,本发明能够实现大量小型 DN DR资源的聚合。
附图说明
图1本发明中VPN示意图;
图2本发明中AVPN的示意图;
图3本发明中DR供应曲线;(a)下调DR;(b)上调DR
图4本发明中AVPN中电力负荷迁移;
图5本发明中VPNs中电力负荷迁移;
图6本发明中DNs中数据负荷分配
图7本发明中AVPN DR供给曲线图,(a)AIDC1;(b)AIDC2;(c)AIDC3。
具体实施方式
下面将结合本发明的实施例对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
一种基于多个小型数据网络负荷需求响应资源聚合方法,包括以下步骤:
S1:提出建模的假设条件以便于呈现数据网络负荷聚合思想;
S2:建立单个DN的虚拟电网模型;
S3:建立与VPN对应的IDC负荷模型;
S4:建立AVPN模型;
S5:建立基于AVPN的AIDC负荷模型;
S6:通过建立AVPN DR供应曲线,以捕获异构的IDC负荷调节成本;
进一步地,所述步骤S1中,具体条件包括以下内容:
2)存在多个DNs,且各DN属于不同的互联网服务公司;
对于每个DN,有:
2)假设一组地理分布的互联网数据中心负荷负荷属于同一个ISC,各IDC负荷连接在不同的电力系统节点上并仅由电网供电,且这些电力节点由同一个电力公司供电;
3)假设各IDC中的服务器是同质的;
4)仅考虑交互式数据负荷,且仅考虑地理上均衡数据负荷这一负荷调节方法,即可调节各前端门户服务器分配给各IDC负荷的交互式数据负荷;
5)假设数据负荷分配决策、以及电力系统调度决策在每个时间段内更新一次,且该时间段(例如,1小时)大于交互式数据负荷的服务延迟界限;
6)数据负荷的服务质量始终维持在其最低水平,即其延迟时间等于数据负荷处理延迟界限
进一步地,所述步骤S2中,单个DN的虚拟电网模型包括虚拟负荷和虚拟发电机组,所述虚拟负荷代表初始能耗计划,所述虚拟发电机组代表负荷迁移;
表征在IDCai中,在仅保证最低QoS的情况下,增加1单位的交互式数据负荷时,增加的总功耗;表征在时间段t,IDCai中,在仅保证最低QoS的情况下,增加基线数量的交互式数据负荷时,增加的总功耗;
表征在时间段t,IDCai中,与基线相比,由GWB贡献的负荷调节量;在时间段t,到达FSas的交互式数据负荷量;其中,代表平均能源效率,其可以根据ISC的喜好自由设定。例如,可以取值为所有的平均值。可根据ISC的喜好自由设定,其代表了初始能源使用计划。例如,可以设定为该场景下的值:交互式数据负荷按照各IDC中配置的服务器数量按比例进行分配。
式(2)描述基于GWB的多个IDC负荷调节潜力之间的空间耦合关系;
式(3)描述仅考虑交互式数据负荷和GWB下的有限计算资源约束;
式(4)描述GWB可以提供的最大负荷调节潜力,其不超过处理交互数据负荷的基线功耗;
式(5)描述处理单位数据负荷时增加的功耗,其中第二项表示处理单位数据负荷时增加的IT设备功耗;
式(6)描述仅考虑交互式数据负荷和GWB下的IDC功耗基线,其中第二项表示为消除从室外传递的热量而增加的功耗,第三项表示其他设备功耗和为消除其他设备产生热量的冷却系统增加的功耗之和,第四项是冷却系统的经验常数,表示冷却系统在制冷量为零时的功耗;
式(7)描述仅考虑交互式数据负荷和GWB下的处理基线交互数据负荷时增加的功耗,其满足;
式(8)描述当非活动服务器处理最大数据负荷量时IDCai增加的功耗,其中,第一项表征当所有服务器处理最大数据负荷量时IDCai增加的功耗;
式中,表征在时间段t,IDCai中的总功耗;β1ait表征在时间段t,IDCai中,总功耗的基线;表征属于ISCa的IDCs的数量;β3ait表征在时间段t,IDCai中,增加所有的非活跃服务器以最大计算能力处理交互式数据负荷时,增加的总功耗;b1ai,b2ai表征IDCai中,冷却系统功耗模型中的经验参数;b3ai表征IDCai中的等效热阻;表征IDCai中,边缘交换机/聚合交换机/核心交换机的额定功率;表征IDCai中,每个活跃服务器的空闲 /额定功率;表征IDCai中,其他设备(如照明和配电设备)的功耗;表征IDCai中,边缘交换机/聚合交换机/核心交换机的数量;表征IDCai中,服务器的数量;uai表征IDCai中,服务器的服务速率[requests/s];vI表征交互式数据负荷的延迟界限[s];表征在时间段t,IDCai的室外温度;表征在IDCai中,室内温度的基线;表征在时间段t,IDCai中,与处理的互式数据负荷量有关的功耗的基线。
进一步地,所述步骤S4中,其中,假设连接到同一节点的IDC负荷具有相同或近似的α1ai,此外,通过聚类方法,可以用多个集群来表征异构的α1ai,因此,所提出的AVPN模型可以轻易地拓展到α1ai异构时的场景,具体地,在AVPN中,聚合虚拟负荷表示多个ISCs的所有IDC 负荷的初始用电计划,聚合虚拟发电机表示多个ISCs中所有IDC负荷的调节。聚合虚拟负荷的电力需求固定为其满足其中,表征在AIDCk中,增加1单位的交互式数据负荷时,增加的总功耗[kW·s/request];表征在一组AIDCs中,处理1单位交互式数据负荷的功耗基线(如,取的平均值)[kW·s/request];表征在时间段t,与基线相比,AIDCk中的负荷调节量;表征在时间段t,AIDCk中,增加基线数量的交互式数据负荷时,增加的总功耗;AIDC负荷的电力需求和调节潜力分别建模为式(9)和式(10);
具体地,式(12)描述GWB对AIDC负荷调节潜力的贡献;
式(13)描述多个AIDC负荷调节潜力之间的空间耦合,表征了AIDC负荷之间空间耦合的本质;
式(14)描述GWB能够提供的最大负荷调节潜力,其不大于处理基线数据负荷所需的功耗;
式(15)描述计算资源对GWB负荷调节潜力的限制;
式中,表征在时间段t,AIDCk中的功耗基线;表征在时间段t,AIDCk中,增加所有的非活跃服务器以最大计算能力处理交互式数据负荷时,增加的总功耗;nAI表征AIDCs的数量;显然地,基于AVNP的AIDC负荷模型与基于VNP的IDC模型具有相同的形式和特性。
2)对于任一 表明IDCai参与上调DR是不经济的,因此,其上调DR能力表征为 表明IDCai参与上调DR是经济的,因此,其上调DR能力表征为其最大值,即AVPNDR供应曲线的建立过程,其为线性累加过程,至此,负荷调节成本的异构性问题已经解决;
综上,与VPN类似,适用于PN中的KCL和KVL等物理定律在AVPN中并不成立,其表明AVPN很难通过改变PN拓扑而直接嵌入到PN中;然而,AVPN可以有效地促进大量小型VPNDR资源在电力系统运行和规划中的应用,
AVPN模型能够准确且有效地表征多个VPNs的电气特性,其中,由聚合虚拟电力线路承载的功率与该两节点间各虚拟电力线路承载的功率总和是等价的,且每条聚合虚拟电力线路承载的功率比每条虚拟电力线路要大得多,通过这种方式,小型VPN也可以嵌入到PN操作中;
AVPN对应更为简洁的线性AIDC负荷模型,其中用于表征多个ISCs所拥有的多个IDC负荷之间关系的多个等式约束(即式(2))被等价替换为一个等式约束(即式(12)),由于式 (11)-(14)可以直接嵌入到PN模型中,通过该聚合,大量VPNs可以作为一个整体参与DR调度,减轻了计算负担,使大规模的VPN DR具有实用性;
由式(9)-(10)、式(15)-(16)、以及式(19)-(21)表征的聚合过程是线性累加。这表明AVPN 具有可扩展性,可以适用于大规模的VPN聚合,并且AVPN也可以轻易地分解为VPN,
AVPN具备准确的DR供应曲线,因此可以捕获IDC负荷调节成本的异构性,其保证了DR 的市场效率。
实施例1:
在改进的IEEE 24节点可靠性测试系统中验证所提出的AVPN聚合方法的有效性。其中,属于ISC1的三个地理分布的IDC负荷分别连接在节点2、节点6和节点22;属于ISC2的两个地理分布的IDC负荷分别连接在节点2、节点6;属于ISC3的两个地理分布的IDC负荷分别连接在节点6和节点22。DN1中有两个FSs和五条数据线路;DN2和DN3中皆有1个FS和两条数据线路。所有IDC负荷具有以下相同的参数: b1ai=0.5,b3ai=1.4℃/kW,uai=20requests/s,vI=0.1s,IDC1i、IDC21、以及IDC32具有以下相同的参数: b2ai=2.5MW。IDC22和IDC31具有以下相同的参数:
DNs、VPNs、AVPN的对比如表1所示。
表1 DNs、VPNs、以及AVPN的比较
DNs、VPNs和AVPN中的具体优化结果如图4-图6所示。具体地,如图4所示,在AVPN中,初始用电计划为每个AIDC中的交互式数据负荷量分配与其计算资源成比例时的电力需求,而在DR调度后,AIDC2的电力需求被转移到AIDC1和AIDC3中。如图5所示,在VPNs中,初始用电计划为每个IDC中的交互式数据负荷量分配与其计算资源成比例时的电力需求。在DR调度后,IDC1i的电力需求没有改变,而IDC22和IDC31的电力需求被转移到IDC21和IDC32中。相应地,图6描述了在DNs中分配给每个IDC的交互式数据负荷量。综上,DNs、VPNs和AVPN的等价性被验证,其表明了所提AVPN模型的准确性。
准确的AVPN DR供给曲线如图7所示,也就是说,异构的VPN负荷调节成本可被AVPN模型及其对应的AIDC负荷模型捕获。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (1)
1.一种基于多个小型数据网络负荷需求响应资源聚合方法,其特征在于,包括以下步骤:
S1:提出建模的假设条件以便于呈现数据网络负荷聚合思想;
S2:建立单个数据网络DN的虚拟电网模型;
S3:建立与虚拟电力网络VPN对应的互联网数据中心IDC负荷模型;
S4:建立聚合VPN AVPN模型;
S5:建立基于AVPN的聚合IDC AIDC负荷模型;
S6:通过建立需求响应AVPN DR供应曲线,以捕获异构的IDC负荷调节成本;
所述步骤S1中,具体条件包括以下内容:
1)存在多个DNs,且各DN属于不同的互联网服务公司;
对于每个DN,有:
2)假设一组地理分布的互联网数据中心负荷属于同一个互联网服务公司ISC,各IDC负荷连接在不同的电力系统节点上并仅由电网供电,且这些电力节点由同一个电力公司供电;
3)假设各IDC中的服务器是同质的;
4)仅考虑交互式数据负荷,且仅考虑地理上均衡数据负荷这一负荷调节方法,即可调节各前端门户服务器分配给各IDC负荷的交互式数据负荷;
5)假设数据负荷分配决策、以及电力系统调度决策在每个时间段内更新一次,且该时间段大于交互式数据负荷的服务延迟界限;
6)数据负荷的服务质量始终维持在其最低水平,即其延迟时间等于数据负荷处理延迟界限;
所述步骤S2中,单个DN的虚拟电网模型包括虚拟负荷和虚拟发电机组,所述虚拟负荷代表初始能耗计划,所述虚拟发电机组代表负荷迁移;
α1ai表征在IDCai中,在仅保证最低QoS的情况下,增加1单位的交互式数据负荷时,增加的总功耗;
β2ait表征在时间段t,IDCai中,在仅保证最低QoS的情况下,增加基线数量的交互式数据负荷时,增加的总功耗;
式(2)描述基于GWB的多个IDC负荷调节潜力之间的空间耦合关系;
式(3)描述仅考虑交互式数据负荷和GWB下的有限计算资源约束;
式(4)描述GWB提供的最大负荷调节潜力,其不超过处理交互数据负荷的基线功耗;
式(5)描述处理单位数据负荷时增加的功耗,其中第二项表示处理单位数据负荷时增加的IT设备功耗;
式(6)描述仅考虑交互式数据负荷和GWB下的IDC功耗基线,其中第二项表示为消除从室外传递的热量而增加的功耗,第三项表示其他设备功耗和为消除其他设备产生热量的冷却系统增加的功耗之和,第四项是冷却系统的经验常数,表示冷却系统在制冷量为零时的功耗;
式(7)描述仅考虑交互式数据负荷和GWB下的处理基线交互数据负荷时增加的功耗,其满足;
式(8)描述当非活动服务器处理最大数据负荷量时IDCai增加的功耗,其中,第一项表征当所有服务器处理最大数据负荷量时IDCai增加的功耗;
式中,表征在时间段t,IDCai中的总功耗;β1ait表征在时间段t,IDCai中,总功耗的基线;表征属于ISCa的IDCs的数量;β3ait表征在时间段t,IDCai中,增加所有的非活跃服务器以最大计算能力处理交互式数据负荷时,增加的总功耗;b1ai,b2ai表征IDCai中,冷却系统功耗模型中的经验参数;b3ai表征IDCai中的等效热阻;表征IDCai中,边缘交换机/聚合交换机/核心交换机的额定功率;表征IDCai中,每个活跃服务器的空闲/额定功率;表征IDCai中,其他设备的功耗;表征IDCai中,边缘交换机/聚合交换机/核心交换机的数量;表征IDCai中,服务器的数量;uai表征IDCai中,服务器的服务速率;vI表征交互式数据负荷的延迟界限;表征在时间段t,IDCai的室外温度;表征在IDCai中,室内温度的基线;表征在时间段t,IDCai中,与处理的互式数据负荷量有关的功耗的基线;
所述步骤S4中,其中,假设连接到同一节点的IDC负荷具有相同的α1ai,此外,通过聚类方法,用多个集群来表征异构的α1ai,所提出的AVPN模型拓展到α1ai异构时的场景;
在AVPN中,聚合虚拟负荷表示多个ISCs的所有IDC负荷的初始用电计划,聚合虚拟发电机表示多个ISCs中所有IDC负荷的调节,聚合虚拟负荷的电力需求固定为其满足其中,表征在AIDCk中,增加1单位的交互式数据负荷时,增加的总功耗;表征在一组AIDCs中,处理1单位交互式数据负荷的功耗基线,取的平均值;表征在时间段t,与基线相比,AIDCk中的负荷调节量;表征在时间段t,AIDCk中,增加基线数量的交互式数据负荷时,增加的总功耗;AIDC负荷的电力需求和调节潜力分别建模为式(9)和式(10);
具体地,式(12)描述GWB对AIDC负荷调节潜力的贡献;
式(13)描述多个AIDC负荷调节潜力之间的空间耦合,表征了AIDC负荷之间空间耦合的本质;
式(14)描述GWB能够提供的最大负荷调节潜力,其不大于处理基线数据负荷所需的功耗;
式(15)描述计算资源对GWB负荷调节潜力的限制;
式中,表征在时间段t,AIDCk中的功耗基线;表征在时间段t,AIDCk中,增加所有的非活跃服务器以最大计算能力处理交互式数据负荷时,增加的总功耗;nAI表征AIDCs的数量;显然地,基于AVNP的AIDC负荷模型与基于VNP的IDC模型具有相同的形式和特性;
2)对于任一 表明IDCai参与上调DR是不经济的,因此,其上调DR能力表征为 表明IDCai参与上调DR是经济的,因此,其上调DR能力表征为其最大值,即AVPN DR供应曲线的建立过程,其为线性累加过程,至此,负荷调节成本的异构性问题已经解决;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110461397.4A CN113162038B (zh) | 2021-04-27 | 2021-04-27 | 一种基于多个小型数据网络负荷需求响应资源聚合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110461397.4A CN113162038B (zh) | 2021-04-27 | 2021-04-27 | 一种基于多个小型数据网络负荷需求响应资源聚合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113162038A CN113162038A (zh) | 2021-07-23 |
CN113162038B true CN113162038B (zh) | 2022-06-21 |
Family
ID=76871501
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110461397.4A Active CN113162038B (zh) | 2021-04-27 | 2021-04-27 | 一种基于多个小型数据网络负荷需求响应资源聚合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113162038B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116542439A (zh) * | 2023-03-29 | 2023-08-04 | 国网上海市电力公司 | 一种虚拟电厂多能源响应的优化运行方法及系统 |
-
2021
- 2021-04-27 CN CN202110461397.4A patent/CN113162038B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113162038A (zh) | 2021-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Online energy sharing for nanogrid clusters: A Lyapunov optimization approach | |
Fateh et al. | Wireless network design for transmission line monitoring in smart grid | |
Liu et al. | Greening geographical load balancing | |
Doyle et al. | Stratus: Load balancing the cloud for carbon emissions control | |
Liu et al. | Greening geographical load balancing | |
Kim et al. | Cloud-based demand response for smart grid: Architecture and distributed algorithms | |
Chen et al. | Operational flexibility of active distribution networks with the potential from data centers | |
Kiani et al. | Profit maximization for geographically dispersed green data centers | |
CN108123995B (zh) | 分布式绿色云数据中心中空间觉察的请求调度与优化方法 | |
Croce et al. | Overgrid: A fully distributed demand response architecture based on overlay networks | |
Ge et al. | Energy management in cross-domain content delivery networks: A theoretical perspective | |
Xu et al. | Cost efficient datacenter selection for cloud services | |
Chen et al. | The fair allocation of power to air conditioners on a smart grid | |
Yu et al. | Price-sensitivity aware load balancing for geographically distributed internet data centers in smart grid environment | |
Chen et al. | Aggregated model of data network for the provision of demand response in generation and transmission expansion planning | |
CN107423133B (zh) | 一种降低电网网损的数据中心间数据网络负载分配方法 | |
CN113162038B (zh) | 一种基于多个小型数据网络负荷需求响应资源聚合方法 | |
Jogunola et al. | Multi-commodity optimization of peer-to-peer energy trading resources in smart grid | |
Addya et al. | A strategy for live migration of virtual machines in a cloud federation | |
Mbodji et al. | Decentralized control of the hybrid electrical system consumption: A multi-agent approach | |
Carroll et al. | Dynamic optimization solution for green service migration in data centres | |
CN107528321B (zh) | 互联电网交直流并联输电通道功率随机优化分配方法 | |
CN109146268B (zh) | 考虑联合优化数据调度和热储能的数据网络负荷建模方法 | |
CN110177056A (zh) | 一种自动适应的带宽控制方法 | |
Kiani et al. | A fundamental tradeoff between total and brown power consumption in geographically dispersed data centers |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |