CN113609676B - 一种电力系统的配置规划方法、计算设备和存储介质 - Google Patents
一种电力系统的配置规划方法、计算设备和存储介质 Download PDFInfo
- Publication number
- CN113609676B CN113609676B CN202110891204.9A CN202110891204A CN113609676B CN 113609676 B CN113609676 B CN 113609676B CN 202110891204 A CN202110891204 A CN 202110891204A CN 113609676 B CN113609676 B CN 113609676B
- Authority
- CN
- China
- Prior art keywords
- data center
- constraint
- data
- power
- cost
- 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 101
- 238000013439 planning Methods 0.000 title claims abstract description 78
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 230000007613 environmental effect Effects 0.000 claims abstract description 15
- 238000005057 refrigeration Methods 0.000 claims description 50
- 230000004044 response Effects 0.000 claims description 44
- 238000009434 installation Methods 0.000 claims description 39
- 230000014509 gene expression Effects 0.000 claims description 31
- 230000005012 migration Effects 0.000 claims description 25
- 238000013508 migration Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 24
- 238000004891 communication Methods 0.000 claims description 22
- 238000010438 heat treatment Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 20
- 230000002452 interceptive effect Effects 0.000 claims description 18
- 229910052799 carbon Inorganic materials 0.000 claims description 16
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 15
- 230000005611 electricity Effects 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 8
- 238000001816 cooling Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 6
- 230000002123 temporal effect Effects 0.000 claims description 3
- 239000013307 optical fiber Substances 0.000 claims description 2
- OWWYREKLGMILGW-UHFFFAOYSA-N δline Chemical compound COC1C2C3C4(C5C6OC(C)=O)C(OC)CCC5(C)CN(CC)C4C46OCOC42CC(OC)C1C3 OWWYREKLGMILGW-UHFFFAOYSA-N 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims 2
- 230000005540 biological transmission Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 230000001932 seasonal effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000006399 behavior Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000017525 heat dissipation Effects 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 102100028029 SCL-interrupting locus protein Human genes 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000007723 transport mechanism Effects 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000009954 braiding Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005338 heat storage Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 229910052717 sulfur Inorganic materials 0.000 description 1
- 239000011593 sulfur Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- 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
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种电力系统的配置规划方法,适于在计算设备中执行,该电力系统包括数据中心、配电网和可再生能源,数据中心包括服务器、虚拟机和辅助设备中的至少一种,该方法包括:构建电力系统的二阶段规划模型,该二阶段规划模型的第一阶段以年规划成本最小为目标,第二阶段以年运行成本、条件风险成本和环境成本的总和最小为目标;以及获取电力系统的基本参数,并根据该基本参数对二阶段规划模型进行优化求解,得到电力系统中数据中心、配电网和可再生能源的优化配置方案。本发明还公开了用于执行该方法的计算设备。
Description
技术领域
本发明涉及电力系统领域,尤其涉及一种电力系统的配置规划方法、计算设备和存储介质。
背景技术
近些年来,随着我国信息产业的不断发展,大数据、云计算等网络需求呈现爆炸式增长,数据中心(Data Center,DC)大规模接入配电网已经成为必然的发展趋势。在传统规划决策中,配电网和数据中心归属于不同的主体,数据中心在电网中的节点位置由数据中心运营商进行决策(即所有成本由数据中心运营商承担),然后与配电公司共同商议决定,此时做出的规划方案对电网的日常运行和扩展规划决策具有重要影响。为了应对数据中心的大规模接入及常规用电负荷的高峰需求,配电网运营商通常需要进行线路、变压器等设备的冗余配置,容易造成严重的资产浪费。
而在数字背景下,随着多站融合等概念的提出,数据中心可以由DNO投资建设,而后将机柜进行出租或者自行管理使用,因而基于运管一体策略的配电网和数据中心集成规划成为一种新的泛式。而随着越来越多的数据中心接入配电网,数据中心与配电网的耦合关系越来越密切,在数字背景下研究更为科学的集成规划与运行方式具有重要的现实意义。
发明内容
为此,本发明提供一种电力系统的配置规划方法、计算设备和存储介质,以力图解决或至少缓解上面存在的问题。
根据本发明的一个方面,提供了一种电力系统的配置规划方法,适于在计算设备中执行,该电力系统包括数据中心、配电网和可再生能源,该方法包括:构建电力系统的二阶段规划模型,该二阶段规划模型的第一阶段以年规划成本最小为目标,第二阶段以年运行成本、条件风险成本和环境成本的总和最小为目标;以及获取电力系统的基本参数,并根据该基本参数对所述二阶段规划模型进行优化求解,得到电力系统中数据中心、配电网和可再生能源的优化配置方案;其中,数据中心包括服务器、虚拟机和辅助设备中的至少一种,辅助设备包括制冷设备,第一阶段的优化变量包括以下至少一种:线路选型、变压器扩容容量、数据中心选址、服务器安装数量、虚拟机配置数量、制冷设备安装数量、可再生能源的选址和安装数量。
可选地,在根据本发明的方法中,第二阶段的优化变量包括以下至少一种:各时段信息负荷迁移量、服务器开关机状态、制冷设备出力、可再生能源出力、主网购电量。
可选地,在根据本发明的方法中,第一阶段的约束条件包括以下至少一种:变压器扩容容量约束、线路选型约束、各节点的可再生能源安装数量约束、数据中心建设状态约束、服务器安装数量约束、虚拟机配置数量约束、制冷设备安装数量约束。
可选地,在根据本发明的方法中,第二阶段的约束条件包括以下至少一种:主网购电约束、风电出力约束、数据平衡约束、数据处理延时约束、服务器热备用约束、数据中心功率约束、制冷设备运行约束、数据中心机房热平衡约束、数据中心机房温度约束、配电网运行约束;其中,所述配电网运行约束包括节点功率平衡约束、节点电压约束、线路潮流约束、线路容量约束中的至少一种。
可选地,在根据本发明的方法中,数据中心功率约束的表达式包括:
式中,表示季节se中场景s下编号为d的数据中心在t时段的有功功率,为季节se中场景s下编号为d的数据中心中服务器在t时段的有功功率,/>表示季节se中场景s下编号为d的数据中心中制冷设备在t时段的有功功率,a为常数,ΩDC、ΩS、ΩSE、ΩT分别表示数据中心集合、场景集合、典型季节集合、调度时段集合,/>表示数据中心d中服务器的静默功率,/>表示数据中心d中服务器的峰值功率,Dd,s,se,t表示季节se中场景s下编号为d的数据中心在时段t分配的数据负荷量,/>表示季节se中场景s下编号为d的数据中心在时段t需要开机的服务器数量,μd为数据中心d中服务器的服务率,Umax为数据中心服务器的CPU利用率上限,/>表示季节se中场景s下编号为d的数据中心中制冷设备在时段t的制冷功率,ηACS表示制冷设备的制冷效率。
可选地,在根据本发明的方法中,数据中心机房热平衡约束的表达式包括:
其中,
式中,表示由墙体内外温差导致的热交换功率,/>表示服务器运行的发热功率、/>表示辅助设备的发热功率,/>和/>分别表示季节se中场景s下编号为d的数据中心在时段t和时段t-1的室内温度,ρ是空气密度,C为空气比热容,Vd表示数据中心d的室内空间体积,/>表示季节se中场景s下编号为d的数据中心在时段t的室外温度,kwall为建筑外墙的热传导系数,Swall为与外界接触的墙体面积,kserver为服务器综合发热系数,/>表示数据中心d中配电系统的额定功率,kNL、krun分别为辅助设备空载和运行两种工况下的发热系数。
可选地,在根据本发明的方法中,数据中心机房温度约束的表达式包括:
式中,Tin-DC-max、Tin-DC-min分别为DC机房要求的温度上下限,ΔTin-DC为机房内部相邻时刻温度变化率限制。
可选地,在根据本发明的方法中,数据平衡约束包括空间可迁移数据负荷平衡约束和/或时间可迁移数据负荷平衡约束;空间可迁移数据负荷平衡约束包括以下至少一种:交互型数据负荷数量约束、数据流平衡约束、数据中心间的通信光纤带宽约束、信息流状态变量约束、允许迁移条件约束、数据中心可迁移数据总量约束;时间可迁移数据负荷平衡约束包括以下至少一种:批处理数据负荷数量约束、响应前后数据平衡约束、两时段间负荷迁移约束、数据负荷迁移总量约束。
可选地,在根据本发明的方法中,空间可迁移数据负荷平衡约束的表达式包括以下至少一种:
式中,表示季节se中场景s下编号为d的数据中心在t时段需求响应前所分配的数据负荷,/>为季节se中场景s下编号为d的数据中心在t时段需求响应前所分配的交互型数据负荷,α为需求响应前交互型数据负荷的比例系数,/>表示季节se中场景s下编号为d的数据中心在t时段需求响应后所分配的交互型数据负荷,/>为季节se中场景s下在t时段数据中心d'经由虚拟机迁移到数据中心d的数据负荷,/>为季节se中场景s下在t时段数据中心d经由虚拟机迁移到数据中心d'的数据负荷,/>为单条数据负荷的平均占用带宽,/>为季节se中场景s下在t时段数据负荷经由虚拟机从数据中心d迁移到数据中心d'的0/1状态变量,/>和/>分别表示数据中心d和d'的虚拟机安装数量,MVM为虚拟机的单位容量。
可选地,在根据本发明的方法中,时间可迁移数据负荷平衡约束的表达式包括以下至少一种:
式中,为季节se中场景s下编号为d的数据中心在t时段需求响应前所分配的批处理数据负荷,β为需求响应前批处理数据负荷的比例系数,/>为季节se中场景s下编号d的数据中心在t时段需求响应后所分配的批处理数据负荷,/>为季节se中场景s下编号d的数据中心由时段t'迁移到时段t的数据负荷量,/>为季节se中场景s下编号d的数据中心由时段t迁移到时段t'的数据负荷量。
可选地,在根据本发明的方法中,数据处理延时约束的表达式包括:
其中,
式中,Tdelay分别为季节se中场景s下编号d的数据中心在t时段数据负荷的平均排队时间、平均处理时间及所允许的延时时长。
可选地,在根据本发明的方法中,年运行成本包括以下至少一种:维护成本、需求响应成本、向上级电网的购电成本;年规划成本包括以下至少一种:变压器扩容成本、线路扩容成本、可再生能源投资成本、数据中心服务器配置成本、数据中心制冷设备配置成本、虚拟机配置成本。
可选地,在根据本发明的方法中,条件风险成本CCVaR和环境成本CECO的表达式分别包括:
式中,ξ为置信度为σ时的潜在最大损失值,ρs表示场景s发生的概率,ωs为场景s下实际规划运行经济成本与潜在最大损失值的差值,γ为决策者的风险偏好系数,eTHG为火电机组单位出力产生的碳排放量,ceco为单位碳排放所导致的治理成本。
根据本发明的又一方面,提供了一种计算设备,包括:一个或多个处理器;存储器;和一个或多个程序,其中所述一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行如上所述的电力系统的配置规划方法的指令。
根据本发明的又一方面,提供了一种存储一个或多个程序的可读存储介质,所述一个或多个程序包括指令,所述指令当计算设备执行时,使得所述计算设备执行如上所述的电力系统的配置规划方法。
根据本发明的技术方案,提供了一种数据中心和主动配电网集成规划框架,构建了能够有效适应直接负荷控制和可再生能源出力不确定性的二阶段随机规划模型。该模型的第一阶段以系统年规划成本最小为目标,优化确定线路选型、变压器扩容容量、可再生能源配置方案、数据中心中服务器、虚拟机(Virtual Machine,VM)、制冷设备等的配置方案,第二阶段以年运行成本、条件风险成本和环境成本的总和最小为目标,在满足用户信息需求满意度的前提下,合理优化信息负载迁移情况、服务器各时段开关机状态、制冷设备出力、风电机组出力。通过两个阶段进行联合优化求解,可得到数据中心和配电网的集成规划配置方案,计算结果的准确性高、代表性强,基于该方案实现的电力系统配置,可有效提高电力系统的运行效果。另外,本公开了还引入条件风险价值(Conditional value at risk,CVaR)来衡量不确定性给系统规划和运行所带来的风险,进一步提高计算结果的准确性。
附图说明
为了实现上述以及相关目的,本文结合下面的描述和附图来描述某些说明性方面,这些方面指示了可以实践本文所公开的原理的各种方式,并且所有方面及其等效方面旨在落入所要求保护的主题的范围内。通过结合附图阅读下面的详细描述,本公开的上述以及其它目的、特征和优势将变得更加明显。遍及本公开,相同的附图标记通常指代相同的部件或元素。
图1示出了根据本发明一个实施例的计算设备100的结构框图;
图2示出了根据本发明一个实施例的电力系统的结构示意图;
图3示出了根据本发明一个实施例的数据中心的结构示意图;
图4示出了根据本发明一个实施例的电力系统的配置规划方法400的流程图;以及
图5示出了根据本发明一个实施例的二阶段规划模型的示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
图1是示例计算设备100的框图。在基本的配置102中,计算设备100典型地包括系统存储器106和一个或者多个处理器104。存储器总线108可以用于在处理器104和系统存储器106之间的通信。
取决于期望的配置,处理器104可以是任何类型的处理,包括但不限于:微处理器(μP)、微控制器(μC)、数字信息处理器(DSP)或者它们的任何组合。处理器104可以包括诸如一级高速缓存110和二级高速缓存112之类的一个或者多个级别的高速缓存、处理器核心114和寄存器116。示例的处理器核心114可以包括运算逻辑单元(ALU)、浮点数单元(FPU)、数字信号处理核心(DSP核心)或者它们的任何组合。示例的存储器控制器118可以与处理器104一起使用,或者在一些实现中,存储器控制器118可以是处理器104的一个内部部分。
取决于期望的配置,系统存储器106可以是任意类型的存储器,包括但不限于:易失性存储器(诸如RAM)、非易失性存储器(诸如ROM、闪存等)或者它们的任何组合。系统存储器106可以包括操作系统120、一个或者多个应用122以及程序数据124。在一些实施方式中,应用122可以布置为在操作系统上利用程序数据124进行操作。程序数据124包括指令,在根据本发明的计算设备100中,程序数据124包含用于执行电力系统的配置规划方法200的指令。
计算设备100还可以包括有助于从各种接口设备(例如,输出设备142、外设接口144和通信设备146)到基本配置102经由总线/接口控制器130的通信的接口总线140。示例的输出设备142包括图形处理单元148和音频处理单元150。它们可以被配置为有助于经由一个或者多个A/V端口152与诸如显示器或者扬声器之类的各种外部设备进行通信。示例外设接口144可以包括串行接口控制器154和并行接口控制器156,它们可以被配置为有助于经由一个或者多个I/O端口158和诸如输入设备(例如,键盘、鼠标、笔、语音输入设备、触摸输入设备)或者其他外设(例如打印机、扫描仪等)之类的外部设备进行通信。示例的通信设备146可以包括网络控制器160,其可以被布置为便于经由一个或者多个通信端口164与一个或者多个其他计算设备162通过网络通信链路的通信。
网络通信链路可以是通信介质的一个示例。通信介质通常可以体现为在诸如载波或者其他传输机制之类的调制数据信号中的计算机可读指令、数据结构、程序模块,并且可以包括任何信息递送介质。“调制数据信号”可以这样的信号,它的数据集中的一个或者多个或者它的改变可以在信号中编码信息的方式进行。作为非限制性的示例,通信介质可以包括诸如有线网络或者专线网络之类的有线介质,以及诸如声音、射频(RF)、微波、红外(IR)或者其它无线介质在内的各种无线介质。这里使用的术语计算机可读介质可以包括存储介质和通信介质二者。
计算设备100可以实现为服务器,例如文件服务器、数据库服务器、应用程序服务器和WEB服务器等,也可以实现为小尺寸便携(或者移动)电子设备的一部分,这些电子设备可以是诸如蜂窝电话、个人数字助理(PDA)、个人媒体播放器设备、无线网络浏览设备、个人头戴设备、应用专用设备、或者可以包括上面任何功能的混合设备。计算设备100还可以实现为包括桌面计算机和笔记本计算机配置的个人计算机。在一些实施例中,计算设备100被配置为执行根据发明的电力系统的配置规划方法200。
图2示出了根据本发明一个实施例的电力系统的示意图。如图2所示,电力系统包括但不限于数据中心、配电网和可再生能源(RES)。数据中心、配电网和可再生能源的数量均可以为一个或多个。可再生能源例如为水电机组和/或风电机组(Wind Generation,WG,风机),当然不限于此。配电网经配电变压器与上级输电网相连,当系统内可再生能源出力不能满足系统负荷需求时进行购电。
数据中心的网络结构如图3所示,包括但不限于服务器、虚拟机和辅助设备,辅助设备包括但不限于制冷设备、照明设备、UPS设备。数据中心的用电电能主要包括服务器等IT设备,以及制冷设备、照明设备等辅助设备,用能来源主要来自RES出力和配电网,数据中心内部通过制冷设备出力满足其制冷需求,使数据中心内部维持在一个合理的热环境中,信息负载可以通过配置的虚拟机在数据中心间进行传递。
数据中心接入配电网后会对配电网带来极大影响,但目前却很少有针对数据中心对配电网规划的影响进行研究;而且在对信息负荷进行控制调节时,需要考虑系统中内生和外生多重不确定性;数据中心的建模除了要考虑IT设备的模型,还需要考虑季节因素对其热环境的影响。在实际工程实践中,数据中心的负载主要来自公共的互联网用户,具有明显的峰谷差和随机波动性,对电网运行产生显著影响。为了应对数据中心的大规模接入及常规用电负荷的高峰需求,通常需要进行线路、变压器等设备的冗余配置,造成了严重的资产浪费。
而从系统整体规划的调度进行数据中心和配电网的协同优化规划,通过对数据中心的优化配置、并网策略及运行方式进行统筹管理,充分挖掘数据中心在配电网扩展规划中的灵活运行特性与需求响应潜力,可以有效减少系统的投资运行成本,提高系统设备利用率,降低系统碳排放对环境的影响,因而具有更高的研究价值。因此,本发明通过制定合理的投资方案和运行调度策略,得到了配电网、数据中心、可再生能源的最优配置方案,在确保经济最优的同时满足用户的电能需求和信息需求。
图4示出了根据本发明一个实施例的电力系统的配置规划方法400的流程图,适于在计算设备(如在计算设备100)中执行。如图4所述,该方法包括:
步骤S401,构建电力系统的二阶段规划模型,该二阶段规划模型的第一阶段以年规划成本最小为目标,第二阶段以年运行成本、条件风险成本和环境成本的总和最小为目标。
步骤S402,获取电力系统的基本参数,并根据基本参数对二阶段规划模型进行优化求解,得到电力系统中数据中心、配电网和可再生能源的优化配置方案。
本发明将考虑条件风险价值条件的配电网和数据中心集成规划问题构建为一个二阶段随机规划模型,其规划模型架构如图5所示。二阶段随机规划模型同时考虑了规划决策和优化调度两个相互独立又互相关联的阶段。其中,第一阶段以年规划成本最小为目标,优化变量包括以下至少一种:线路选型、变压器扩容容量、数据中心选址、服务器安装数量、虚拟机配置数量、制冷设备安装数量、可再生能源的选址和安装数量、可再生能源选址对线路选型、数据中心的选址、服务器数量、虚拟机数量、制冷设备数量、风机的选址及安装容量。
基于第一阶段的规划方案,第二阶段考虑常规电负荷负荷增长、风速、信息负荷的不确定性场景,以系统年运行成本、环境成本、风险成本(即在一定置信水平下叠加系统的风险成本)总和最小为目标,优化变量包括以下至少一种:各时段信息负荷迁移量、服务器开关机状态、制冷设备出力、可再生能源出力、主网购电量优化DC中各时段信息负荷迁移量、服务器开关机状态、制冷设备出力、风机出力及主网购电量。二阶段规划模型通过不断修正规划结果,使得系统的年综合成本最小,为电力系统生成合理有效的规划方案。
一、目标函数
在一些实施例中,二阶段规划模型的目标函数包括:
min C=CINV+COPT+CCVaR+CECO (1)
其中,CINV为年规划成本,COPT为年运行成本,CCVaR为年条件风险成本,CECO为环境成本,其可以是由碳排放引起的环境成本,也可以是由硫排放引起的环境成本,当然不限于此。可以看出,本发明的配电网和数据中心联合规划问题的目标函数,除了考虑规划成本与运行成本,还计及系统的碳排放成本,并引入了条件风险价值成本对运行中的不确定性进行量化。
1、年规划成本
在一些实施例中,目标函数中第一阶段主要考虑配电网运营商针对中长期规划所做的年规划成本,年规划成本包括以下至少一种:变压器扩容成本、线路扩容成本、可再生能源投资成本、数据中心服务器配置成本、数据中心制冷设备配置成本、虚拟机配置成本。
式中,ΩF、Ωline、ΩWTG、ΩDC分别表示配电网线路集合、候选线路型号集合、候选风机安装节点集合、数据中心集合,PTF-add为变压器扩容容量,为表示线路ij选型的0/1变量,/>为风机候选节点处的风机安装数量,/>为候选数据中心d的服务器安装数量,/>为候选数据中心的虚拟机配置数量,/>为候选数据中心机房内制冷设备安装数量,cTF cWTG、cSER、cVM、cACS分别表示变压器单位容量扩容成本、型号m的线路单位投资成本、风机单位投资成本、单台服务器配置成本、单位虚拟机配置成本、单台制冷设备安装成本,为待扩容线路的长度,/>表示候选节点d建设数据中心的0/1变量,δTF、δLine、δWTG、δSER、δVM、δACS分别表示变压器、线路、风机、服务器、虚拟机、制冷设备的年值化因数。在一些实施例中,风机候选节点和数据中心候选节点相同,均可表示为节点d。
其中,Eq代指某设备,如变压器、线路、风机等,r为折现率,yEq为相应设备的寿命。
2、年运行成本
在项目执行初期,电网与数据中心托管用户签订需求响应合同,数据中心通过在时间、空间两个维度迁移网络负载,间接实现电力负荷的时空转移,以此来参与配电网的需求响应。因此年运行成本包括以下至少一种:向上级电网的购电成本、维护成本(如可再生能源的维护成本)、向数据用户支付的需求响应成本。本发明在规划阶段考虑了虚拟机的相关配置,在虚拟机运行中,空间可迁移负荷可以在数据中心间实时在线传输,不会影响用户体验,而时间可迁移负荷通过延时处理降低了用户体验,因而需要对用户进行相应补偿。需求响应补偿成本由实际迁移的数据量、迁移时长及补偿单价决定。
年运行成本的表达式如式(4)所示。
其中,表示季节se中场景s下t时段流过变压器的功率,即配电网向上级电网的购电功率,cgrid表示单位购电成本,cmWTG表示单位风电功率的年维护成本,cDR表示配电网给予数据中心托管用户的激励价格,ρs表示场景s发生的概率,θse表示季节se典型日天数。ΩDC、ΩS、ΩSE、ΩT分别表示数据中心集合、场景集合、典型季节集合、调度时段集合。例如,风电机组的每一种出力方式都可以作为一种场景,配电网的每一种出力方式也都可以作为一种场景,当然不限于此。
3、条件风险成本
本发明为了衡量数据负荷不确定性所导致的投资运营成本风险,引入条件风险价值CVaR作为目标函数的一部分。假设VaR为某一置信水平下的潜在最大损失(也即最小经济成本),CVaR可以理解为当置信水平为σ时,单个场景下成本超过VaR的所有场景的期望成本,且这一事件发生的概率为(1-σ)×100%,因此CCVaR可以通过式(5)进行计算。
式中,ξ为置信度为σ时潜在最大损失值,表示最小的经济成本;ωs为场景s下实际规划运行经济成本超出潜在最大损失的值,即实际规划运行经济成本与潜在最大损失值的差值;γ为决策者的风险偏好系数,其值越大,代表决策者规避风险的期望越大。
4、环境成本
本发明中系统的碳排放成本主要考虑由火电机组发电产生的CO2导致,可以等效为主网购电量产生的碳排放成本,如式(6)所示。
其中,eTHG为火电机组单位出力产生的碳排放量,ceco为单位碳排放所导致的治理成本。
二、约束条件
1、第一阶段
在一些实施例中,第一阶段的约束条件包括以下至少一种:变压器扩容容量约束、线路选型约束、各节点的可再生能源安装数量约束、数据中心建设状态约束、服务器安装数量约束、虚拟机配置数量约束、制冷设备安装数量约束。
在规划阶段考虑到资金限制和安装面积限制,需要对各类设备的安装做出限制,其表达式包括式(7)-式(13)中的至少一种。其中,式(7)表示变压器扩容容量限制;式(8)表示线路选型约束,确保线路在选型时至多选择一种;式(9)表示各节点的可再生能源安装数量约束(如风机安装数量约束);式(10)表示数据中心建设状态约束,即数据中心建设的0/1变量;式(11)表示服务器安装数量约束;式(12)表示虚拟机配置数量约束,即在建好的数据中心机房内配置虚拟机,且数量要少于物理机;式(13)表示制冷设备安装数量约束。
式中,表示变压器最大扩容容量,/>表示节点d安装风机台数上限,/>表示数据中心安装服务器台数上限,/>表示制冷设备安装台数上限。
2、第二阶段
在一些实施例中,第二阶段的约束条件包括以下至少一种:主网购电约束、风电出力约束、数据平衡约束、数据处理延时约束、服务器热备用约束、数据中心功率约束、制冷设备运行约束、数据中心机房热平衡约束、数据中心机房温度约束、配电网运行约束、条件风险约束。其中,图5中的DC运行约束可包括数据处理延时约束、服务器热备用约束、数据中心功率约束、制冷设备运行约束、数据中心机房热平衡约束、数据中心机房温度约束中的至少一种。
1)主网购电约束
受配电网变压器容量的限制,配电网向上级电网的购电容量受到约束,如式(14)所示。
其中,PTF-OR为升级改造前变压器容量。
2)风电出力约束
风电机组在任意时刻的出力受到其安装功率的限制,如式(15)所示。
其中,表示节点i处的风电机组在季节se场景s下t时段的有功出力,PWTG-R为单台风电机组的额定功率。/>
3)数据中心功率约束
数据中心内部机房、制冷设备及配电设备在运行时会消耗大量的功率,其消耗的功率与数据负荷量之间的关系包括如下表达式:
式中,表示季节se中场景s下编号为d的数据中心在t时段的有功功率,/>为季节se中场景s下编号为d的数据中心中服务器在t时段的有功功率,/>表示季节se中场景s下编号为d的数据中心中制冷设备在t时段的有功功率,a为常数,ΩDC、ΩS、ΩSE、ΩT分别表示数据中心集合、场景集合、典型季节集合、调度时段集合,/>表示数据中心d中服务器的静默功率,/>表示数据中心d中服务器的峰值功率,Dd,s,se,t表示季节se中场景s下编号为d的数据中心在时段t分配的数据负荷量,/>表示季节se中场景s下编号为d的数据中心在时段t需要开机的服务器数量,μd为数据中心d中服务器的服务率,Umax为数据中心服务器的CPU利用率上限,/>表示季节se中场景s下编号为d的数据中心中制冷设备在时段t的制冷功率,ηACS表示制冷设备的制冷效率。
4)服务器热备用约束
为了确保数据中心安全稳定运行,数据中心需要留有一定的备用容量,确保任意时刻都有一定数量空闲的服务器作热备用,其约束形式如式(20)。
式中,表示编号为d的数据中心安装的服务器数量,φ表示数据中心服务器的备用系数。
5)制冷设备运行约束
数据中心在运行时其IT设备、存储设备等会产生大量的热量,其运行时消耗的绝大部分电能都转化成了热量,如果不加控制会导致机房内温度不断升高。而服务器等精密仪器在运行时对温度等参数具有高度敏感性,温度过高或过低会降低其运行效率、产生故障或中断并且会加速设备的老化。因此数据中心的机房中通常会配置大量的空调等制冷设备进行散热降温处理,并且这些设备常年不间断运行。例如空调系统在运行时需要通过压缩机将电功率转化为冷功率来满足数据中心机房内的制冷功率。这些制冷设备在运行时有最大制冷量或最大功率的限制,其运行特性如式(21)-(22)。
/>
其中,为季节se中场景s下编号为d的数据中心的制冷设备在时段t所消耗的电功率,/>表示季节se中场景s下编号为d的数据中心的制冷设备在时段t的制冷功率,ηACS表示空调系统的制冷效率,/>为编号为d的数据中心中制冷设备的安装功率。
6)数据中心机房热平衡约束
在建模时,可以将数据中心看作一类楼宇建筑,基于楼宇自身的储热特性,数据中心的热平衡方程可以根据能量守恒定律描述为如式(23)所示:
考虑数据中心为无窗的封闭建筑体,其内部热功率的变化由墙体内外温差导致的热交换功率服务器运行的发热功率/>辅助设备的发热功率/>以及制冷设备的制冷功率/>构成,即如式(24)所示:
上述各变量参照下述内容分别进行计算。其中,墙体内外热交换与墙体的面积及墙体两侧的温差成正比,如式(25)所示。当服务器开机运行时,IT设备的注入功率为自身发热功率与进行数据传输所需功率之和,因此服务器运行的发热功率可由其注入的功率与发热系数共同确定,如式(26)所示。当服务器进行数据处理时,辅助设备需要稳定工作来保证服务器的高效、稳定运行,这些辅助设备在消耗电能的同时会向机房内部释放大量的热,因此在计算室内热功率变化时需要将上述辅助设备考虑在内。辅助设备的发热功率由空载损耗发热量和运行损耗发热量两部分构成,如式(27)所示。
基于楼宇自身的热量耗散与温度变化的缓慢特性,由式(23)-(27)进行合并并进行差分化处理,可以得到数据中心机房内任意时刻的热平衡约束方程,如式(28)所示。
上述各式中,表示由墙体内外温差导致的热交换功率,/>表示服务器运行的发热功率、/>表示辅助设备的发热功率,/>和/>分别表示季节se中场景s下编号为d的数据中心在时段t和时段t-1的室内温度,ρ是空气密度,C为空气比热容,Vd表示数据中心d的室内空间体积,/>表示季节se中场景s下编号为d的数据中心在时段t的室外温度,kwall为建筑外墙的热传导系数,Swall为与外界接触的墙体面积,kserver为服务器综合发热系数,/>表示数据中心d中配电系统的额定功率,kNL、krun分别为辅助设备空载和运行两种工况下的发热系数,Δt为单位调度时段步长。
7)数据中心机房温度约束
机房内服务器等设备在运行时会散发大量的热量,而服务器等精密器件在运行时对温度又有严苛的要求。为了满足数据中心机房正常运行的需要,需要将室内温度控制在一定范围内,且任意相邻时刻的温度变化量也需要满足一定的限制,则任意时刻机房内的温度需要满足如式(29)—式(30)的约束。
式中,Tin-DC-max、Tin-DC-min分别为DC机房要求的温度上下限,ΔTin-DC为机房内部相邻时刻温度变化率限制。
8)数据平衡约束
本发明将数据中心所要处理的数据按照对时间的容忍要求分为空间可迁移信息负荷(Spatially Transferable Information Load,STIL)、时间可转移信息负荷(TimeTransferable Information Load,TTIL)及刚性负荷(Rigid Information Load,RIL)三类,且三者相互独立。空间可迁移信息负荷对时间有一定的敏感性,要求用户请求到达时进行处理,例如视频服务、网页浏览等,这类请求可以通过调用虚拟机在数据中心间进行迁移,而时间可转移信息负荷可以延时处理,如大数据计算、数据分析、网络存储等服务,即可以从时间维度对负荷进行转移。通常配电网运营商与数据负荷集成商通过签订激励型需求响应合同达成合作意向,配电网运营商在满足用户满意度的各种约束下对数据中心的数据负荷进行直接控制,达到在空间或时间上迁移负荷的目的。考虑到时间可转移信息负荷对用户的满意度有所影响,配电网运营商按照实际TTIL参与需求响应的任务量和响应时长对用户进行补贴。基于此,数据平衡约束(即信息负荷迁移约束)包括空间可迁移数据负荷平衡约束和/或时间可迁移数据负荷平衡约束。
A、空间可迁移数据负荷平衡约束
对于空间可迁移数据负荷,数据中心在对其进行调度时,需要满足可调度的虚拟机容量约束,且实际迁移量应不大于可迁移的信息负荷量,同时,在任意两个DC间进行信息负荷的实时传输时使用半双工通信方式,即在同一时刻只能单向传递。
在一些实施例中,空间可迁移数据负荷平衡约束包括以下至少一种:交互型数据负荷数量约束、数据流平衡约束、数据中心间的通信光纤带宽约束、信息流状态变量约束、允许迁移条件约束、数据中心可迁移数据总量约束。其中,式(31)表示交互型数据负荷数量约束,式(32)表示数据流平衡约束,式(33)和式(34)表示表示数据中心间的通信光纤带宽约束,式(35)表示信息流状态变量约束,式(36)表示允许迁移条件(有无配置虚拟机)约束,式(37)表示数据中心可迁移数据总量约束。
/>
式中,表示季节se中场景s下编号为d的数据中心在t时段需求响应前所分配的数据负荷,/>为季节se中场景s下编号为d的数据中心在t时段需求响应前所分配的交互型数据负荷,α为需求响应前交互型数据负荷的比例系数,/>表示季节se中场景s下编号为d的数据中心在t时段需求响应后所分配的交互型数据负荷,/>为季节se中场景s下在t时段数据中心d'经由虚拟机迁移到数据中心d的数据负荷,/>为季节se中场景s下在t时段数据中心d经由虚拟机迁移到数据中心d'的数据负荷,/>为单条数据负荷的平均占用带宽,/>为季节se中场景s下在t时段数据负荷经由虚拟机从数据中心d迁移到数据中心d'的0/1状态变量,/>和/>分别表示数据中心d和d'的虚拟机安装数量,MVM为虚拟机的单位容量。
B、时间可迁移数据负荷平衡约束
对于批处理负荷,根据其负荷性质可知,负荷在所属调度时段内可向后、不可向前任意迁移,即t时刻的批处理负载可以迁移到[t+1,T]时段内任意时刻进行处理。
在一些实施例中,时间可迁移数据负荷平衡约束包括以下至少一种:批处理数据负荷数量约束、响应前后数据平衡约束、两时段间负荷迁移约束、数据负荷迁移总量约束。其中,批处理数据负荷数量约束、响应前后数据平衡约束、两时段间负荷迁移约束、数据负荷迁移总量约束的表达式分别如式(38)-(41)所示。
式中,为季节se中场景s下编号为d的数据中心在t时段需求响应前所分配的批处理数据负荷,β为需求响应前批处理数据负荷的比例系数,/>为季节se中场景s下编号d的数据中心在t时段需求响应后所分配的批处理数据负荷,/>为季节se中场景s下编号d的数据中心由时段t'迁移到时段t的数据负荷量,/>为季节se中场景s下编号d的数据中心由时段t迁移到时段t'的数据负荷量。
C、刚性数据负荷
在常见的数据负荷中,除了交互型和批处理两类可迁移的负荷,对延时极其敏感的一类成为刚性数据负荷,该类型负荷无法参与信息负荷调度,可由式(42)计算获得。
式中,为季节se中场景s下编号d的数据中心在t时段的刚性数据负荷。
综上所述,在需求响应后,数据中心需要处理的数据负荷可由交互型数据负荷、批处理数据负荷及刚性负荷三部分相加得到,如式(43)所示。
9)数据处理延时约束
为了降低模型的复杂度,本发明考虑一个数据中心内仅配置一种型号的服务器,数据中心在运行时将任务平均下发给各台活跃服务器,同时确保任务尽量占用少的服务器数量,根据M/M/1排队理论,数据处理延时约束可描述为如下形式:
其中,
式中,Tdelay分别为季节se中场景s下编号d的数据中心在t时段数据负荷的平均排队时间、平均处理时间及所允许的延时时长。
10)配电网运行约束
配电网在运行时要充分满足节点功率平衡约束、节点电压约束、线路潮流约束、线路容量约束中的至少一种,具体模型如下:
A、节点功率平衡约束
根据能量守恒,节点流出功率与流入功率应该相等,数学形式如式(47)-(48)。
/>
其中,Ωno表示配电网节点集合,Pji,s,se,t、Qji,s,se,t分别表示线路ji由节点j流向节点i的有功功率和无功功率,Pik,s,se,t、Qik,s,se,t分别表示线路ik由节点i流向节点k的有功功率和无功功率,分别表示节点i的风电机组在季节se场景s下t时段的有功出力和无功出力,/>表示节点i相连的数据中心在季节se场景s下t时段的无功功率,分别表示季节se场景s下节点i的常规负荷在t时段的有功功率和无功功率。
B、节点电压约束
配电网的安全运行要确保节点电压在允许的范围内波动,如式(49)所示。
其中,Vi,s,se,t为节点i在t时段的电压,Vi max/Vi min分别为电网安全运行所允许的电压上下限。
C、线路潮流约束
配电网中任意一条线路其两端电压与所流过的功率满足一定的约束,如式(50)所示。
其中,分别为线路改造前的电阻和电抗,Rij,m、Xij,m分别为线路ij选用m型型号传输线的电阻/电抗。
D、线路容量约束
对线路通过的有功功率和无功功率做出容量限制,不能超过线路的容量上限,有功/无功容量传输限制分别如式(51)-(52)所示。
其中,分别为线路ij在改造前的有功传输容量上限和无功传输容量上限,/>分别为线路ij在用m型传输线升级改造后的有功传输容量上限和无功传输容量上限。
11)条件风险约束
在条件风险值的模型中,ωs应保证是个不小于0的值,如式(53)-(54)所示。
其中,第一个不等式右侧表示每个场景下的总经济成本超出风险价值的量,第二个不等式保证了ωs为不小于0的数,表示场景s下运行成本和环境成本之和,可由式(55)进行计算。
三、不确定性模型、场景生成/削减方法
1、不确定性建模
风电作为低碳配电网的重要组成部分,其出力具有间歇性和波动性,负荷在中长期规划的预测通常具有随机性。考虑到上述因素影响,本发明在规划和运行阶段考虑了来自风电机组、常规电负荷及数据负荷等三类不确定性。下面分别针对三类不确定性因素的概率分布进行介绍。
1)风电输出功率不确定性模型
风电出力主要受其安装地点的风速影响,在长期规划中通常考虑使用双参数的Weibull对风速的随机性进行描述,如公式(56)所示。
其中,f(vi,s,se,t|k,c)是分数概率分布,k、c分别是风速概率分布的形状参数和尺度参数,通常由风速的期望值和标准差计算可得,vi,s,se,t是电网节点i处在季节se场景s下t时段的风速,ΩWTG是候选风机安装节点集合。在已知风机安装节点处风速的前提下,可以按照公式(57)对风电出力进行计算。
其中,表示电网节点i处的风机在季节se场景s下时段t的有功出力,Pi WTG-INS表示节点i处风机的安装功率,vin、vout、vrate分别表示风机的切入风速、切出风速和额定风速。此外,为了便于模型求解,本发明可假设在同一配电系统的所有风机都在相同风速条件下运行,且保持固定的功率因数。
2)常规电负荷不确定性
由于用户行为习惯的改变和预测误差的影响,常规用电负荷也具有波动性和随机性。在一些实施例中,本发明采用截断高斯分布来模拟用户用电行为的波动性,如式(58)所示。
其中,Pt PL为时段t的常规电负荷,分别为t时段常规电负荷的预测值和标准差,Pt L-max、Pt L-min分别为电负荷随机波动的上下界。
3)数据负荷不确定性
由上文中所提的数据中心热环境及功耗模型可知,数据请求或者数据中心的负荷量会直接影响数据中心的用电量进而影响电网中的潮流分布,因此其负荷特性对未来配电网规划方案的制定影响较大。由于数据中心的负荷量取决于用户侧的需求,这与用户的意愿直接相关,因而具有很强的随机性,导致在任意时刻其负荷量的多少具有不确定性。根据历史数据观测可知,数据中心的负荷在任意时刻都服从高斯分布。因此,本发明运用截断高斯分布来模拟用户数据行为的波动性,如式(59)所示。
其中,为数据负荷的概率分布,/>为t时段的数据负荷,/>分别为t时段数据负荷的预测值和标准差,/>分别为数据负荷随机波动的上下界。/>
2、场景生成削减方法
根据已建立的多种不确定性概率分布模型,本发明采用蒙特卡洛模拟的方法生成典型概率初始场景,所得场景如式(60)所示。
式中,SCs表示第s个场景集合,nb为节点数,SS为生成的原始场景个数。
在原始场景中,由于存在三种不同数量级的不确定性参数,为了便于进行场景削减,对每个场景进行归一化处理,即每个场景下的元素除以所有原始场景中该元素的最大值。本发明进一步采用k-means聚类的方法,在尽量保持原始场景特征的基础上对场景进行削减,从而降低模型的规模。
需要说明的是,上述所提到的多种函数表达式、约束条件表达式等均只是本发明的一个实施例,本领域技术人员可以根据需要选用其他表达式,或者对上述表达式进行改进,本发明对此不作限制。
在一些实施例中,在步骤S402中,本发明获取的基本参数包括数据中心参数、配电网参数、风机等可再生能源参数,这些参数包括各个表达式中所需要的基础物理量。例如,基本参数包括如图5中所示的各设备(如备选线路、变压器、服务器、制冷设备、虚拟机、风电机组)的经济参数和技术参数,风速不确定性、电负荷不确定性、信息负荷不确定,网架参数、待选安装节点、电负荷基准值、信息负荷机制值等。通过将这些基本参数的值代入到各表达式中,并对二阶段规划模型的第一阶段和第二阶段进行联合优化求解,可得到数据中心、配电网和可再生能源的整体优化配置方案。
另外,由于规划变量的存在,本发明所建模型含有大量0-1变量和连续性变量相乘的项,这些非线性项的存在使得所建模型为典型的混合整数非线性规划问题(Mixedinteger non-linear programming,MINLP)。因此,本发明采用线性化方法,对涉及的非线性项进行线性化。具体而言,对于0-1变量x1∈{0,1}和连续变量x2∈[0,u]的乘积项x1*x2,可用表示为y=x1*x2,对y有如下约束:
经过线性化处理后,所得模型为典型的混合整数线性规划问题(Mixed integerlinear programming,MILP),实际操作中可在计算程序调用CPLEX求解器进行求解。
综上所述,本发明提出了一种计及碳排放的数据中心和主动配电网集成规划框架,构建能够有效适应直接负荷控制和可再生能源出力不确定性的二阶段随机规划的模型,同时引入条件风险价值衡量不确定性给系统投资运行所带来的风险。本发明计算出了对配电网网架、数据中心和风机的协同优化配置方案,该配置方案能够充分挖掘数据中心的需求响应潜力,从而实现延缓设备投资、提高可再生能源利用率及降低碳排放的效果,计算结果的准确性高、代表性强。而且,本发明通过加入了条件风险成本的计算,使得最终计算出的配置方案还能有效避免投资决策中多重不确定性所带来的风险。
A9、如A8所述的方法,其中,所述空间可迁移数据负荷平衡约束的表达式包括以下至少一种:
式中,表示季节se中场景s下编号为d的数据中心在t时段需求响应前所分配的数据负荷,/>为季节se中场景s下编号为d的数据中心在t时段需求响应前所分配的交互型数据负荷,α为需求响应前交互型数据负荷的比例系数,/>表示季节se中场景s下编号为d的数据中心在t时段需求响应后所分配的交互型数据负荷,/>为季节se中场景s下在t时段数据中心d'经由虚拟机迁移到数据中心d的数据负荷,/>为季节se中场景s下在t时段数据中心d经由虚拟机迁移到数据中心d'的数据负荷,/>为单条数据负荷的平均占用带宽,/>为季节se中场景s下在t时段数据负荷经由虚拟机从数据中心d迁移到数据中心d'的0/1状态变量,/>和/>分别表示数据中心d和d'的虚拟机安装数量,MVM为虚拟机的单位容量。
A10、如A8所述的方法,其中,所述时间可迁移数据负荷平衡约束的表达式包括以下至少一种:
式中,为季节se中场景s下编号为d的数据中心在t时段需求响应前所分配的批处理数据负荷,β为需求响应前批处理数据负荷的比例系数,/>为季节se中场景s下编号d的数据中心在t时段需求响应后所分配的批处理数据负荷,/>为季节se中场景s下编号d的数据中心由时段t'迁移到时段t的数据负荷量,/>为季节se中场景s下编号d的数据中心由时段t迁移到时段t'的数据负荷量。
A11、如A4或A5所述的方法,其中,所述数据处理延时约束的表达式包括:
其中,
式中,Tdelay分别为季节se中场景s下编号d的数据中心在t时段数据负荷的平均排队时间、平均处理时间及所允许的延时时长。
A12、如A1所述的方法,其中,所述年运行成本包括以下至少一种:维护成本、需求响应成本、向上级电网的购电成本;所述年规划成本包括以下至少一种:变压器扩容成本、线路扩容成本、可再生能源投资成本、数据中心服务器配置成本、数据中心制冷设备配置成本、虚拟机配置成本。
A13、如A1所述的方法,其中,所述条件风险成本CCVaR和环境成本CECO的表达式分别包括:
式中,ξ为置信度为σ时的潜在最大损失值,ρs表示场景s发生的概率,ωs为场景s下实际规划运行经济成本与潜在最大损失值的差值,γ为决策者的风险偏好系数,eTHG为火电机组单位出力产生的碳排放量,ceco为单位碳排放所导致的治理成本。
这里描述的各种技术可结合硬件或软件,或者它们的组合一起实现。从而,本发明的方法和设备,或者本发明的方法和设备的某些方面或部分可采取嵌入有形媒介,例如软盘、CD-ROM、硬盘驱动器或者其它任意机器可读的存储介质中的程序代码(即指令)的形式,其中当程序被载入诸如计算机之类的机器,并被所述机器执行时,所述机器变成实践本发明的设备在程序代码在可编程计算机上执行的情况下,计算设备一般包括处理器、处理器可读的存储介质(包括易失性和非易失性存储器和/或存储元件),至少一个输入装置,和至少一个输出装置。其中,存储器被配置用于存储程序代码;处理器被配置用于根据该存储器中存储的所述程序代码中的指令,执行本发明的方法。
以示例而非限制的方式,计算机可读介质包括计算机存储介质和通信介质。计算机可读介质包括计算机存储介质和通信介质。计算机存储介质存储诸如计算机可读指令、数据结构、程序模块或其它数据等信息。通信介质一般以诸如载波或其它传输机制等已调制数据信号来体现计算机可读指令、数据结构、程序模块或其它数据,并且包括任何信息传递介质。以上的任一种的组合也包括在计算机可读介质的范围之内。
在此处所提供的说明书中,算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与本发明的示例一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
Claims (11)
1.一种电力系统的配置规划方法,适于在计算设备中执行,所述电力系统包括数据中心、配电网和可再生能源,所述方法包括:
构建所述电力系统的二阶段规划模型,所述二阶段规划模型的第一阶段以年规划成本最小为目标,第二阶段以年运行成本、条件风险成本和环境成本的总和最小为目标;
获取所述电力系统的基本参数,并根据所述基本参数对所述二阶段规划模型进行优化求解,得到所述电力系统中数据中心、配电网和可再生能源的优化配置方案;
其中,所述数据中心包括服务器、虚拟机和辅助设备中的至少一种,所述辅助设备包括制冷设备,所述第一阶段的优化变量包括以下至少一种:线路选型、变压器扩容容量、数据中心选址、服务器安装数量、虚拟机配置数量、制冷设备安装数量、可再生能源的选址和安装数量;
其中,所述第二阶段的约束条件包括:
主网购电约束、风电出力约束、数据平衡约束、数据处理延时约束、服务器热备用约束、数据中心功率约束、制冷设备运行约束、数据中心机房热平衡约束、数据中心机房温度约束、配电网运行约束;其中,所述配电网运行约束包括节点功率平衡约束、节点电压约束、线路潮流约束、线路容量约束中的至少一种;
其中,所述年规划成本的表达式包括:
式中,CINV为年规划成本,ΩF、Ωline、ΩWTG、ΩDC分别表示配电网线路集合、候选线路型号集合、候选风机安装节点集合、数据中心集合,PTF-add为变压器扩容容量,为表示线路ij选型的0/1变量,/>为风机候选节点处的风机安装数量,/>为候选数据中心d的服务器安装数量,/>为候选数据中心的虚拟机配置数量,/>为候选数据中心机房内制冷设备安装数量,cTF、/>cWTG、cSER、cVM、cACS分别表示变压器单位容量扩容成本、型号m的线路单位投资成本、风机单位投资成本、单台服务器配置成本、单位虚拟机配置成本、单台制冷设备安装成本,/>为待扩容线路的长度,/>表示候选节点d建设数据中心的0/1变量,δTF、δLine、δWTG、δSER、δVM、δACS分别表示变压器、线路、风机、服务器、虚拟机、制冷设备的年值化因数;其中,所述年运行成本的表达式包括:
式中,COPT为年运行成本,表示季节se中场景s下t时段流过变压器的功率,即配电网向上级电网的购电功率,cgrid表示单位购电成本,cmWTG表示单位风电功率的年维护成本,cDR表示配电网给予数据中心托管用户的激励价格,ρs表示场景s发生的概率,θse表示季节se典型日天数,ΩS、ΩSE、ΩT分别表示场景集合、典型季节集合、调度时段集合,/>为季节se中场景下编号d的数据中心由时段t迁移到时段t′的数据负荷量,Δt为单位调度时段步长;
其中,条件风险成本的表达式包括:
式中,CCVaR为条件风险成本,ξ为置信度为σ时潜在最大损失值,表示最小的经济成本;ωs为场景s下实际规划运行经济成本超出潜在最大损失的值,即实际规划运行经济成本与潜在最大损失值的差值;γ为决策者的风险偏好系数,其值越大,代表决策者规避风险的期望越大;
其中,环境成本的表达式包括:
式中,CECO为环境成本,eTHG为火电机组单位出力产生的碳排放量,ceco为单位碳排放所导致的治理成本;
其中,所述数据中心功率约束的表达式包括:
式中,表示季节se中场景s下编号为d的数据中心在t时段的有功功率,/>为季节se中场景s下编号为d的数据中心中服务器在t时段的有功功率,/>表示季节se中场景s下编号为d的数据中心中制冷设备在t时段的有功功率,a为常数,/>表示数据中心d中服务器的静默功率,/>表示数据中心d中服务器的峰值功率,Dd,s,se,t表示季节se中场景s下编号为d的数据中心在时段t分配的数据负荷量,/>表示季节se中场景s下编号为d的数据中心在时段t需要开机的服务器数量,μd为数据中心d中服务器的服务率,Umax为数据中心服务器的CPU利用率上限,/>表示季节se中场景s下编号为d的数据中心中制冷设备在时段t的制冷功率,ηACS表示制冷设备的制冷效率;
其中,所述数据中心机房热平衡约束的表达式包括:
其中,
式中,表示由墙体内外温差导致的热交换功率,/>表示服务器运行的发热功率、/>表示辅助设备的发热功率,/>和/>分别表示季节se中场景s下编号为d的数据中心在时段t和时段t-1的室内温度,ρ是空气密度,C为空气比热容,Vd表示数据中心d的室内空间体积,/>表示季节se中场景s下编号为d的数据中心在时段t的室外温度,kwall为建筑外墙的热传导系数,Swall为与外界接触的墙体面积,kserver为服务器综合发热系数,/>表示数据中心d中配电系统的额定功率,kNL、krun分别为辅助设备空载和运行两种工况下的发热系数。
2.如权利要求1所述的方法,其中,
所述第二阶段的优化变量包括以下至少一种:各时段信息负荷迁移量、服务器开关机状态、制冷设备出力、可再生能源出力、主网购电量。
3.如权利要求1所述的方法,其中,所述第一阶段的约束条件包括以下至少一种:
变压器扩容容量约束、线路选型约束、各节点的可再生能源安装数量约束、数据中心建设状态约束、服务器安装数量约束、虚拟机配置数量约束、制冷设备安装数量约束。
4.如权利要求1所述的方法,其中,所述数据中心机房温度约束的表达式包括:
式中,Tin-DC-max、Tin-DC-min分别为DC机房要求的温度上下限,ΔTin-DC为机房内部相邻时刻温度变化率限制。
5.如权利要求4所述的方法,其中,所述数据平衡约束包括空间可迁移数据负荷平衡约束和/或时间可迁移数据负荷平衡约束;
所述空间可迁移数据负荷平衡约束包括以下至少一种:交互型数据负荷数量约束、数据流平衡约束、数据中心间的通信光纤带宽约束、信息流状态变量约束、允许迁移条件约束、数据中心可迁移数据总量约束;
所述时间可迁移数据负荷平衡约束包括以下至少一种:批处理数据负荷数量约束、响应前后数据平衡约束、两时段间负荷迁移约束、数据负荷迁移总量约束。
6.如权利要求5所述的方法,其中,所述空间可迁移数据负荷平衡约束的表达式包括以下至少一种:
式中,表示季节se中场景s下编号为d的数据中心在t时段需求响应前所分配的数据负荷,/>为季节se中场景s下编号为d的数据中心在t时段需求响应前所分配的交互型数据负荷,α为需求响应前交互型数据负荷的比例系数,/>表示季节se中场景s下编号为d的数据中心在t时段需求响应后所分配的交互型数据负荷,/>为季节se中场景s下在t时段数据中心d′经由虚拟机迁移到数据中心d的数据负荷,/>为季节se中场景s下在t时段数据中心d经由虚拟机迁移到数据中心d′的数据负荷,/>为单条数据负荷的平均占用带宽,/>为季节se中场景s下在t时段数据负荷经由虚拟机从数据中心d迁移到数据中心d′的0/1状态变量,/>和/>分别表示数据中心d和d′的虚拟机安装数量,MVM为虚拟机的单位容量。
7.如权利要求5所述的方法,其中,所述时间可迁移数据负荷平衡约束的表达式包括以下至少一种:
式中,为季节se中场景s下编号为d的数据中心在t时段需求响应前所分配的批处理数据负荷,β为需求响应前批处理数据负荷的比例系数,/>为季节se中场景s下编号d的数据中心在t时段需求响应后所分配的批处理数据负荷,/>为季节se中场景s下编号d的数据中心由时段t′迁移到时段t的数据负荷量。
8.如权利要求1所述的方法,其中,所述数据处理延时约束的表达式包括:
其中,
式中,Tdelay分别为季节se中场景s下编号d的数据中心在t时段数据负荷的平均排队时间、平均处理时间及所允许的延时时长。
9.如权利要求1所述的方法,其中,
所述年运行成本包括以下至少一种:维护成本、需求响应成本、向上级电网的购电成本;
所述年规划成本包括以下至少一种:变压器扩容成本、线路扩容成本、可再生能源投资成本、数据中心服务器配置成本、数据中心制冷设备配置成本、虚拟机配置成本。
10.一种计算设备,包括:
至少一个处理器;以及
包括计算机程序指令的至少一个存储器;
所述至少一个存储器和所述计算机程序指令被配置为与所述至少一个处理器一起使得所述计算设备执行如权利要求1-9中任一项所述的方法。
11.一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当由服务器执行时,使得所述服务器执行根据权利要求1-9中所述的方法中的任一方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110891204.9A CN113609676B (zh) | 2021-08-04 | 2021-08-04 | 一种电力系统的配置规划方法、计算设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110891204.9A CN113609676B (zh) | 2021-08-04 | 2021-08-04 | 一种电力系统的配置规划方法、计算设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113609676A CN113609676A (zh) | 2021-11-05 |
CN113609676B true CN113609676B (zh) | 2024-03-05 |
Family
ID=78306803
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110891204.9A Active CN113609676B (zh) | 2021-08-04 | 2021-08-04 | 一种电力系统的配置规划方法、计算设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113609676B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114936240B (zh) * | 2022-07-22 | 2022-11-01 | 东南大学溧阳研究院 | 一种数据中心时空转移潜力挖掘与评估方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107230004A (zh) * | 2017-06-28 | 2017-10-03 | 国网江苏省电力公司经济技术研究院 | 一种可再生能源项目投资组合优化方法、装置及计算设备 |
CN111681130A (zh) * | 2020-06-15 | 2020-09-18 | 西安交通大学 | 一种考虑条件风险价值的综合能源系统优化调度方法 |
CN112217202A (zh) * | 2020-09-29 | 2021-01-12 | 东南大学 | 考虑灵活性投资的分布式新能源、储能与配电网规划方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3457513A1 (en) * | 2017-09-13 | 2019-03-20 | Johnson Controls Technology Company | Building energy system with load balancing |
-
2021
- 2021-08-04 CN CN202110891204.9A patent/CN113609676B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107230004A (zh) * | 2017-06-28 | 2017-10-03 | 国网江苏省电力公司经济技术研究院 | 一种可再生能源项目投资组合优化方法、装置及计算设备 |
CN111681130A (zh) * | 2020-06-15 | 2020-09-18 | 西安交通大学 | 一种考虑条件风险价值的综合能源系统优化调度方法 |
CN112217202A (zh) * | 2020-09-29 | 2021-01-12 | 东南大学 | 考虑灵活性投资的分布式新能源、储能与配电网规划方法 |
Non-Patent Citations (4)
Title |
---|
Chaoqiang Jin 等.A review of power consumption models of servers in data centers.Applied Energy.2020,第258卷1-20. * |
Integrated planning of internet data centers and battery energy storage systems in smart grids;Caishan Guoa 等;Applied Energy;第281卷;1-9 * |
不确定环境下含云计算数据中心的电网韧性增强调度;赵天阳;电力自动化;第45卷(第3期);49-57 * |
考虑互联互动的区域综合能源系统规划研究综述;吕佳炜 等;中国电力工程学报;第41卷(第12期);4001-4021 * |
Also Published As
Publication number | Publication date |
---|---|
CN113609676A (zh) | 2021-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Multi-objective optimal scheduling for CCHP microgrids considering peak-load reduction by augmented ε-constraint method | |
Ding et al. | Emission-aware stochastic resource planning scheme for data center microgrid considering batch workload scheduling and risk management | |
Zhou et al. | Distributionally robust co-optimization of energy and reserve for combined distribution networks of power and district heating | |
Qiu et al. | A linear programming approach to expansion co-planning in gas and electricity markets | |
Moser et al. | A MILP-based modular energy management system for urban multi-energy systems: Performance and sensitivity analysis | |
Tian et al. | The improvement of a simulation model for a distributed CCHP system and its influence on optimal operation cost and strategy | |
Iturriaga et al. | Optimal renovation of buildings towards the nearly Zero Energy Building standard | |
Zheng et al. | Energy-aware load dispatching in geographically located internet data centers | |
Wang et al. | Robust multi-objective optimization for energy production scheduling in microgrids | |
Iturriaga et al. | A general model for the optimization of energy supply systems of buildings | |
Behboodi et al. | Interconnection-wide hour-ahead scheduling in the presence of intermittent renewables and demand response: A surplus maximizing approach | |
Su et al. | Energy management for active distribution network incorporating office buildings based on chance-constrained programming | |
Li et al. | Distributionally robust chance-constrained planning for regional integrated electricity–heat systems with data centers considering wind power uncertainty | |
Ikeda et al. | A new optimization strategy for the operating schedule of energy systems under uncertainty of renewable energy sources and demand changes | |
Oro et al. | Energy model optimization for thermal energy storage system integration in data centres | |
CN113609676B (zh) | 一种电力系统的配置规划方法、计算设备和存储介质 | |
Wang et al. | Coordinated optimal scheduling of integrated energy system for data center based on computing load shifting | |
Otashu et al. | Cooperative optimal power flow with flexible chemical process loads | |
Yong et al. | Day-ahead dispatch of multi-energy system considering operating conditions of multi-energy coupling equipment | |
Qiu et al. | Optimal configuration and sizing of regional energy service company's energy hub with integrated demand response | |
Song et al. | Distributed scheduling of HVACs based on transactive energy and ADMM | |
Yang et al. | Optimal planning of energy storage system under the business model of cloud energy storage considering system inertia support and the electricity-heat coordination | |
Wu et al. | Low-carbon economic dispatch optimization of a virtual power plant based on deep reinforcement learning in China's carbon market environment | |
US20140365023A1 (en) | Systems and Methods for Computer Implemented Energy Management | |
CN115713151A (zh) | 一种数据中心源荷协同优化调度方法、系统、设备及介质 |
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 |