CN114662319A - 计及数据中心的主动配电网规划模型的构建方法 - Google Patents
计及数据中心的主动配电网规划模型的构建方法 Download PDFInfo
- Publication number
- CN114662319A CN114662319A CN202210307772.4A CN202210307772A CN114662319A CN 114662319 A CN114662319 A CN 114662319A CN 202210307772 A CN202210307772 A CN 202210307772A CN 114662319 A CN114662319 A CN 114662319A
- Authority
- CN
- China
- Prior art keywords
- data center
- power
- representing
- distribution network
- constraint
- 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.)
- Pending
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 163
- 238000013439 planning Methods 0.000 title claims abstract description 53
- 238000010276 construction Methods 0.000 title claims description 16
- 238000000034 method Methods 0.000 claims abstract description 59
- 238000004146 energy storage Methods 0.000 claims abstract description 48
- 238000009434 installation Methods 0.000 claims abstract description 48
- 230000005611 electricity Effects 0.000 claims abstract description 28
- 238000007599 discharging Methods 0.000 claims abstract description 27
- 229910052799 carbon Inorganic materials 0.000 claims abstract description 24
- 238000005457 optimization Methods 0.000 claims abstract description 23
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 230000005012 migration Effects 0.000 claims abstract description 14
- 238000013508 migration Methods 0.000 claims abstract description 14
- 230000004048 modification Effects 0.000 claims abstract description 14
- 238000012986 modification Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims description 65
- 230000005540 biological transmission Effects 0.000 claims description 39
- 230000004044 response Effects 0.000 claims description 36
- 150000001875 compounds Chemical class 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 16
- 230000003993 interaction Effects 0.000 claims description 15
- 238000012423 maintenance Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 13
- 230000002452 interceptive effect Effects 0.000 claims description 9
- 238000009472 formulation Methods 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 101150067055 minC gene Proteins 0.000 claims description 5
- 230000003068 static effect Effects 0.000 claims description 5
- DTTPWCNKTMQMTE-TYNNPWLESA-N [(1R,2S,3S,4S,5R,6S,8R,12S,13S,16R,19S,20R,21S)-14-ethyl-2-hydroxy-4,6,19-trimethoxy-16-methyl-9,11-dioxa-14-azaheptacyclo[10.7.2.12,5.01,13.03,8.08,12.016,20]docosan-21-yl] acetate Chemical compound CCN1C[C@]2(C)CC[C@H](OC)[C@]34[C@@H]2[C@H](OC(C)=O)[C@@]2(OCO[C@@]22C[C@H](OC)[C@H]5C[C@]3(O)[C@@H]2[C@H]5OC)[C@@H]14 DTTPWCNKTMQMTE-TYNNPWLESA-N 0.000 claims description 3
- 238000005057 refrigeration Methods 0.000 claims description 3
- 230000002829 reductive effect Effects 0.000 description 22
- 238000004891 communication Methods 0.000 description 21
- 238000010586 diagram Methods 0.000 description 19
- 238000010248 power generation Methods 0.000 description 12
- 238000005265 energy consumption Methods 0.000 description 9
- 238000012546 transfer Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000010845 search algorithm Methods 0.000 description 4
- 230000003111 delayed effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- 230000005059 dormancy Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000012614 Monte-Carlo sampling Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Primary Health Care (AREA)
- Computer Networks & Wireless Communication (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Quality & Reliability (AREA)
Abstract
本发明公开了计及数据中心的主动配电网规划模型构建方法，包括：获取基础参数；利用二阶段随机优化方法建立计及数据中心的主动配电网规划模型；将基础参数代入模型中，以主动配电网投资运营成本最小的同时提高可再生能源利用率以及较少碳排放量为目标，采用改进的群搜索优化算法对所述模型进行求解，输出改造线路所选型号、智能电表的安装位置、风电机组的安装位置、数据中心各时段服务器开机数量、数据中心内部时间维度任务迁移量、配网的购电量、风电机组实际出力、储能充电功率以及储能放电功率的方案。本发明考虑数据中心时间维度可转移负荷和配备的储能设备灵活充放电性，可有效降低主动配电网规划成本，促进分布式能源消纳，减少碳排放。
Description
技术领域
本发明涉及电力系统领域，尤其涉及一种计及数据中心的主动配电网规划模型的构建方法、装置和计算设备。
背景技术
近年来工业互联网和数字革命驱动着新一代电力系统的构建，大数据、云计算等需求呈现爆炸式增长。过去五年，中国数据中心(Data Center，DC)建设的增长率一直保持在20％左右，年用电量占全国发电量的2％以上，贡献了全球约0.3％的碳排放量。随着通信技术的发展，数据中心进行数据处理任务的数量不断增加，使得数据中心在功耗方面消耗量呈快速上升趋势。
主动配电网(Active Distribution Network，ADN)，作为可有效调节和使用分布式可再生能源(Distributed Energy Resources，DER)的可行技术解决方案。
已有技术中，为了降低数据中心在功耗方面消耗量，在数据中心能耗管理与优化运行方面已有很多成果研究。例如，对数据中心、储能和电动汽车的协同调度，通过制定相应的优化策略，有效降低了数据中心的运营成本。再如，综合考虑数据负荷、服务器休眠、多种储能协调运行、与主动配电网交互等因素的数据中心的实时能量管理方法。但是目前的数据中心与主动配电网共同规划方法中，能源规划效果并不理想，导致能耗多。
发明内容
为此，本发明提供一种、装置和计算设备，以力图解决或者至少缓解上面存在的问题。
根据本发明的一个方面，提供了一种计及数据中心的主动配电网规划模型构建方法，适于在计算设备中执行，方法包括步骤：获取基础参数；利用二阶段随机优化方法建立计及数据中心的主动配电网规划模型，模型包括目标函数和约束条件；将基础参数代入至模型中，并以主动配电网投资运营成本最小的同时提高可再生能源利用率以及较少碳排放量为目标，采用改进的群搜索优化算法对所述模型进行求解，输出改造线路所选型号、智能电表的安装位置、风电机组的安装位置、数据中心各时段服务器开机数量、数据中心内部时间维度任务迁移量、配网的购电量、风电机组实际出力、储能充电功率以及储能放电功率的制定方案；其中，所述目标函数为：
minC＝CINV+COPT
CINV＝Cline+CSM+CWG
COPT＝Cgrid+CDER+CDC-DR
式中，CINV表示规划阶段投资成本，COPT表示运行阶段投资成本，Cline表示数据中心的输电线路扩容成本，CSM表示数据中心智能电表的安装成本，CWG表示数据中心风电机组的安装成本，Cgrid表示主动配电网向上级电网购电成本，CDER表示储能设备的维护成本，CDC-DR表示主动配电网向数据中心支付的需求响应激励成本。
可选地，目标函数包括：
式中，δLine、δSM、δWG分别表示数据中心的输电线路、智能电表、投资风电机组的年化因子，ΩLine、ΩM、ΩDC、ΩWG分别表示待改造线路集合、线路型号集合、含数据中心的主动配电网节点集合、安装风电机组的节点集合，
表示型号m的线路单位长度改造成本，
表示馈线长度，
表示状态变量，cSM表示单台智能电表安装成本，χi表示第i个数据中心安装智能电表状态，Pi WG表示第i个数据中心的风电机组安装容量，cWG-inv表示系统内风电机组安装成本，
表示安装风电机组的0-1决策变量，α表示一年中典型日的天数，ρs表示场景s的期望概率，ΩT、ΩS分别表示时段集合、场景集合，cbuy表示数据中心向主动配电网的购电单价，
表示配网在场景s下t时段从主网的购电量，Δt表示单位调度时段，cWG-opt表示风机机组单位功率维护成本，
表示风电机组的实际出力，cDR表示单位数据容量的需求响应单价，
表示场景s下编号为k的数据中心中由时段t迁移到时段t′的批处理负荷量，所述负荷量为待处理数据任务的数量，σch、σdis分别表示数据中心内电源设备充、放电对应的损耗成本，
分别表示数据中心不间断电源的充、放电功率。
可选地，约束条件包括：功率约束、数据中心负荷响应约束、数据中心负荷延时处理约束、数据中心输电线路改造和设备安装约束、数据中心电压约束、相邻输电线路潮流约束以及数据中心电源设备约束中的一种或多种。
可选地，功率约束包括服务器功率约束，服务器功率约束包括：
数据中心运行的总功率约束：
数据中心的服务器功耗约束：
服务器实时开启数量约束：
服务器工作时中央处理器利用率约束：
式中，
表示数据中心运行的总功率，
表示服务器功耗，
表示制冷设备功耗，
表示其他负荷设备功耗，
表示处理负荷需要的实际服务器数量，所述负荷表示数据中心待执行的数据处理任务，
表示服务器空闲状态下的静态功耗，
表示服务器满载时的功耗，fs,t,k表示处理负荷的总数量，μk表示单个服务器可以处理的数据量，
表示服务器数量，σmax表示服务器的中央处理器利用率最大值。
可选地，功率约束还包括数据中心功率平衡约束、数据中心与主动配电网交互功率约束、数据中心与主动配电网交功率平衡约束以及主动配电网由上级电网送入的功率约束：
数据中心功率平衡约束：
数据中心与主动配电网交互功率约束：
数据中心与主动配电网交功率平衡约束：
主动配电网由上级电网送入的功率约束：
式中，
表示主配电网购电功率，ΩN表示主动配电网节点集合，Pji,s,t表示场景s下在时段t从节点j流向节点i的有功功率，
表示风电机组的实际出力，Pik,s,t表示场景s下在时段t从节点i流向节点k的有功功率，
表示数据中心运行的总功率，
表示t时刻与节点i相连的除数据中心外其他负荷的有功功率，Qji,s,t表示场景s下在时段t从节点j流向节点i的无功功率，
表示风电机组的无功出力，Qik,s,t表示场景s下在时段t从节点i流向节点k的无功功率，
表示t时刻与节点i相连的除数据中心外其他负荷的无功功率，
表示数据中心与主动配电网的传输功率，
表示最大传输功率，
表示场景s下在时段t节点k处数据中心运行的总功率，
表示数据中心电源设备充电功率，
表示场景s下在时段t节点k处数据中心与配电网的传输功率，
表示数据中心储能设备放电功率，
分别表示主动配电网与上级电网之间交互功率的最小值和最大值。
可选地，功率约束还包括风电机组运行时功率约束和线路传输功率约束：
风电机组运行时功率约束：
线路传输功率约束：
式中，
表示风电机组实际出力，
表示风电机组出力的预测值，
表示功率因数角度，
表示风电机组的无功出力，
分别表示第l条线路的最大容量限值，Pl,s,t表示线路l传输的有功功率，Ql,s,t表示线路l传输的无功功率。
可选地，数据中心负荷响应约束包括：
数据中心可延迟处理负荷的比例约束：
数据中心在任意时段t需要处理的延迟负荷量约束：
数据中心负荷调度约束：
负荷迁移量约束：
任意时刻数据中心的负荷总量约束：
式中，
表示场景s下第k个数据中心在初始时刻批处理负荷量，ζ表示所有负荷中批处理负荷所占比例的常量，fs,t,k,0表示初始时刻需要处理的负荷量，
表示场景s下第k个数据中心在时段t需处理的总数据量，
表示场景s下编号为k的数据中心中由时段t′迁移到时段t的批处理负荷量，
表示场景s下编号为k的数据中心中由时段t迁移到时段t'的批处理负荷量，χk表示第k个数据中心安装智能电表状态，fs,t,k表示场景s下编号为k的数据中心中由时段t迁移到时段t’的批处理负荷量。
可选地，数据中心输电线路改造和设备安装约束包括：
线路改造选择型号约束：
安装智能电表数量约束：
0≤χk≤1
安装风电机组的节点数量约束：
式中，
表示需改造线路所选型号，ΩM表示待选线路的线路型号集合，χk表示第k个数据中心安装智能电表状态，ΩWG表示安装风电机组的节点集合，
表示风电机组的安装位置，NWG表示系统所允许安装电源设备的最大节点数。
可选地，数据中心电压约束、相邻输电线路潮流约束以及数据中心电源设备约束分别为：
数据中心电压约束：
相邻输电线路潮流约束：
数据中心电源设备约束：
式中，
分别表示数据中心i允许的电压最小值、电压最大值，Us,t,i表示表示场景s下在时段t节点i电压值，Us,t,j表示场景s下在时段t节点j电压值，Pl,s,t、Ql,s,t分别表示线路l上传输的有功功率、无功功率，ΩM表示待选线路线路型号集合，
表示需改造线路所选型号，
分别表示线路l改造前的电阻和电抗，Rl,m、Xl,m分别表示线路l改造后的电阻和电抗，
分别表示数据中心电源设备在时段t充、放电状态变量，Es,t,k表示第k个数据中心内电源设备在时段t的存储电量，Es,t-1,k表示第k个数据中心内电源设备在时段t-1的存储电量，ηC、ηD分别表示电源设备的充电功率、放电效率，△t表示单位调度时段，
表示电源设备放电功率，
表示电源设备充电功率，PEmax表示电源设备的最大充放电功率，
表示数据中心电源设备的荷电状态，
表示数据中心电源设备容量，
分别表示电源设备荷电状态的最大值和最小值。
可选地，基础参数包括：主动配电网拓扑框架、主动配电网每条线路的长度、单位线路长度的阻抗值、各个节点典型日内的用电负荷值、通信系统典型日内的数据需求量、主网购电电价、单个风电机组额定装机容量、风电机组单位造价、风电机组维护价格、风力发电的日出力预测曲线、数据中心的单个服务器能处理的数据量、单台智能电表安装成本、服务器静默功耗值、服务器满载功耗值、单个数据中心服务器数量、服务器CPU利用率最大值、需求响应补贴价格、数据中心安装的储能设备额定容量、储能设备最大充电功率、储能设备最大放电功率、储能设备最大充放电效率、储能设备最大及最小荷电状态、可选线路的电阻、可选线路的电抗、可选线路的载流量以及可选线路的单位长度价格中的一种或多种。
根据本发明的一个方面，提供了一种计及可再生能源与需求响应的能量枢纽模型的构建装置，适于在计算设备中执行，装置包括：获取参数模块，适于获取基础参数；模型构建单元，利用二阶段随机优化方法建立计及数据中心的主动配电网规划模型，模型包括目标函数和约束条件；模型求解单元，适于将基础参数代入至所述模型中，并以主动配电网投资运营成本最小的同时提高可再生能源利用率以及较少碳排放量为目标，采用改进的群搜索优化算法对所述模型进行求解，输出改造线路所选型号、智能电表的安装位置、风电机组的安装位置、数据中心各时段服务器开机数量、数据中心内部时间维度任务迁移量、配网的购电量、风电机组实际出力、储能充电功率以及储能放电功率的制定方案，其中，目标函数为：
minC＝CINV+COPT
CINV＝Cline+CSM+CWG
COPT＝Cgrid+CDER+CDC-DR
式中，CINV表示规划阶段投资成本，COPT表示运行阶段投资成本，Cline表示数据中心的输电线路扩容成本，CSM表示数据中心智能电表的安装成本，CWG表示数据中心风电机组的安装成本，Cgrid表示主动配电网向上级电网购电成本，CDER表示储能设备的维护成本，CDC-DR表示主动配电网向数据中心支付的需求响应激励成本。
根据本发明的一个方面，提供一种计算设备，包括：至少一个处理器；和存储有程序指令的存储器，其中，所述程序指令被配置为适于由所述至少一个处理器执行，所述程序指令包括用于执行如上所述方法的指令。
根据本发明的一个方面，提供一种存储有程序指令的可读存储介质，当所述程序指令被计算设备读取并执行时，使得所述计算设备执行如上所述方法。
根据本发明的技术方案，以主动配电网投资运营成本最小的同时提高可再生能源利用率以及较少碳排放量为目标，将数据中心的时间维度可转移负荷和配备的储能设备灵活充放电性与主动配电网相结合，建立了两阶段随机规划模型，在第一阶段以最小化系统规划投资成本为目标，优化并确定线路升级、分布式电源安装位置和配置智能电表(SM)的计划，第二阶段以购电成本、需求响应成本和DER维护成本之和最小为目标。在满足用户信息需求的前提下，考虑数据中心时间维度可转移负荷和配备的储能设备灵活充放电性，可有效降低主动配电网规划成本，促进分布式能源消纳，减少碳排放。
附图说明
图1示出了根据本发明一个实施例的主动配电网系统100的示意图；
图2示出了根据本发明一个实施例的计算设备200的结构框图；
图3示出了根据本发明一个实施例的计及数据中心的主动配电网规划模型的构建方法300的流程图；
图4示出了通过反对学习算法和差分进化算法的混合群搜索算法对模型求解的流程图；
图5示出了示意图根据本发明一个实施例的计及数据中心的主动配电网规划模型的构建装置500的结构图；
图6示出了含信息域的IEEE-33节点配电网的示意图；
图7示出了数据中心各时段数据流量的示意图；
图8示出了各时段用电负荷曲线的示意图；
图9示出了情形1弃风功率平衡的示意图；
图10示出了情形4弃风功率平衡的示意图；
图11示出了情形4各数据中心运行优化结果的示意图；
图12示出了数据中心灵活互动时收发器调度结果的示意图；
图13示出了不同延时要求下任一数据中心服务器时序开机数量的示意图。
具体实施方式
作为碳排放大国，电力行业更是肩负着重要的历史使命，而新型电力系统规划则是引领电力系统低碳发展及转型的重要前提，可以预见电力系统的结构形态将从高碳电力系统向深度低碳或零碳电力系统转变。
近年来工业互联网和数字革命驱动着新一代电力系统的构建，大数据、云计算等需求呈现爆炸式增长。过去五年，数据中心建设的增长率一直保持在20％左右，年用电量占全国发电量的2％以上，贡献了全球约0.3％的碳排放量。随着通信技术的发展，数据中心进行数据处理任务的数量不断增加，使得数据中心在功耗方面消耗量呈快速上升趋势。
主动配电网(Active Distribution Network，ADN)被认为是有效调节和使用具有随机性和间歇性的分布式可再生能源(Distributed Energy Resources，DER)的可行技术解决方案，然而，在配电系统中引入高比例的DER会给电网功率平衡带来巨大挑战。
当前，针对促进DER消纳的AND规划问题研究已有大量成果。例如，间歇性分布式电源(Distributed Generation，DG)规划布局、输出功率及负荷的不确定性，建立了面向促进间歇性分布式电源高效利用的ADN双层场景规划模型；再如，考虑配电公司、DG运营商和用户利益的主动配电网(ADN)三层规划模型，并分析了各层间的相互关系，用于协调"源"、"网"、"荷"三方的利益以及促进资源的优化利用；还如，对DG和负荷建立了一定保守度的不确定性时序集合，并设计了场景筛选规则，其次构建了主动配电网分层鲁棒规划模型，并以弃风、弃光和失负荷最少为优化目标，然后对规划模型投资层和运行层进行有效关联。但是，在上述研究中，没有将数据中心考虑其中。
作为支撑数字经济的重要设施，为了降低数据中心在功耗方面消耗量，国内外许多专家学者在数据中心能耗管理与优化运行方面已有很多成果研究。例如，对数据中心、储能和电动汽车的协同调度，通过制定相应的优化策略，有效降低了数据中心的运营成本。再如，综合考虑数据负荷、服务器休眠、多种储能协调运行、与主动配电网交互等因素的数据中心的实时能量管理方法。但是目前的数据中心与主动配电网共同规划方法中，没有考虑数据中心的灵活性需求响应资源的作用，能源规划效果并不理想，导致能耗多。
图1示出了根据本发明一个实施例的数据中心与主动配电网构成的主动配电网系统100的示意图。主动配电网系统100中包括主动配电网110、风电机组120和数据中心130，主动配电网110分别与风电机组120和数据中心130通信连接。主动配电网110可以为多个(分别为1101、1102、……、110n)，每个主动配电网作为系统100的一个节点，风电机组120可以为多个(分别为1201、1202、……、120n)，数据中心130可以为多个(分别为1301、1302、……、130n)，每个主动配电网可安装风电机组，也可以不安装，图1示出的系统100为每一主动配电网节点安装了风电机组的情形，即，此时风电机组与主动配电网的数量相对应。
其中，每个数据中心130中包括一个或多个服务器、电源设备和智能电表。服务器适于处理数据处理任务，电源设备适于为服务器供电和存储每个主动配电网中多余电能，智能电表适于对数据中心电量的监测。上述的服务器、电源设备和智能电表可以根据实际情况进行选择，本发明对此不进行限制，例如电源设备可以为不间断电源(Uninterruptible Power Supply，UPS)。
为了解决已有技术存在的能源规划效果并不理想的问题，本发明基于主动配电网系统100，提供了计及数据中心的主动配电网规划模型的构建方法。在构建模型的过程中，充分考虑了数据中心的灵活性，合理优化整数据中心负荷(负荷为数据中心待处理的数据任务)迁移，以及合理优化主动配电网与数据中心的电源设备相结合进行充放电状态，以使得主动配电网系统投资运营成本最小的同时，提高可再生能源的消纳和促进碳减排。
本发明中所述的数据中心的灵活性，是指数据中心与主动配电网互动的灵活性，主要体现在两方面。
一方面，数据中心运营商可通过评估数据用户负荷的任务处理需求紧急程度，充分挖掘数据负荷的时间转移潜力，对非即时处理负荷进行转移，改变数据负荷处理时间，从而引起能量流的时间转移。
另一方面，数据中心还可调动自身配有的电源设备与主动配电网灵活互动，通过灵活充放电参与电力系统的运行优化，具体地：在主动配电网系统中，主动配电网负荷处于低谷时期或可再生能源出力较高时，数据中心运营商可调配电源设备进行充电，从而促进可再生能源的消纳，促进双碳目标的实现。而在主动配电网系统负荷为典型日内高峰时，通过电源设备对主动配电网放电，减轻配网供电压力，保证电能质量。
本发明提供的计及数据中心的主动配电网规划模型的构建方法，适于在计算设备中执行。图2示出了根据本发明一个实施例的计算设备200的结构图。计算设备200的框图如图2所示，在基本配置202中，计算设备200典型地包括系统存储器206和一个或者多个处理器204。存储器总线208可以用于在处理器204和系统存储器206之间的通信。
取决于期望的配置，处理器204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204可以包括诸如一级高速缓存210和二级高速缓存212之类的一个或者多个级别的高速缓存、处理器核心214和寄存器216。示例的处理器核心214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218可以与处理器204一起使用，或者在一些实现中，存储器控制器218可以是处理器204的一个内部部分。
取决于期望的配置，系统存储器206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206可以包括操作系统220、一个或者多个应用222以及程序数据224。在一些实施方式中，应用222可以布置为在操作系统上利用程序数据224进行操作。
计算设备200还包括储存设备232，储存设备232包括可移除储存器236和不可移除储存器238，可移除储存器236和不可移除储存器238均与储存接口总线234连接。本发明中，程序执行过程中发生的各事件的相关数据和指示各事件发生的时间信息，可存储于储存设备232中，操作系统220适于管理储存设备232。其中，储存设备232可为磁盘。
计算设备200还可以包括有助于从各种接口设备(例如，输出设备242、外设接口244和通信设备246)到基本配置202经由总线/接口控制器230的通信的接口总线240。示例的输出设备242包括图像处理单元248和音频处理单元250。它们可以被配置为有助于经由一个或者多个A/V端口252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244可以包括串行接口控制器254和并行接口控制器256，它们可以被配置为有助于经由一个或者多个I/O端口258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246可以包括网络控制器260，其可以被布置为便于经由一个或者多个通信端口264与一个或者多个其他计算设备262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200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200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200被配置为执行根据本发明的方法300。
图3示出了根据本发明一个实施例的一种计及数据中心的主动配电网规划模型构建方法300的示意图，该方法适于驻留在图2所示的计算设备200中执行。模型包括目标函数和约束条件。方法300包括步骤S310至步骤S330。
在步骤S310中，获取基础参数。基础数据是作为模型的输入数据。基础参数包括：主动配电网拓扑框架、主动配电网每条线路的长度、单位线路长度的阻抗值、各个节点典型日内的用电负荷值、通信系统典型日内的数据需求量、主网购电电价、单个风电机组额定装机容量、风电机组单位造价、风电机组维护价格、风力发电的日出力预测曲线、数据中心的单个服务器能处理的数据量、单台智能电表安装成本、服务器静默功耗值、服务器满载功耗值、单个数据中心服务器数量、服务器CPU利用率最大值、需求响应补贴价格、数据中心安装的储能设备额定容量、储能设备最大充电功率、储能设备最大放电功率、储能设备最大充放电效率、储能设备最大及最小荷电状态、可选线路的电阻、可选线路的电抗、可选线路的载流量以及可选线路的单位长度价格中的一种或多种。
上述的典型日可以为一年中的春分、夏至、秋分和冬至。通信系统典型日是一年中的一天，例如6月1日。主动配电网拓扑框架，例如IEEE-33节点配电网拓扑结构，如图6所示。各个节点典型日内的用电负荷值：如表1所示。
表1各个节点典型日内的用电负荷值
随后，在步骤S320中，利用二阶段随机优化方法建立计及数据中心的主动配电网规划模型，已知模型的输入为模型包括目标函数和约束条件。
目标函数为：
minC＝CINV+COPT
CINV＝Cline+CSM+CWG
COPT＝Cgrid+CDER+CDC-DR
式中，CINV表示规划阶段投资成本，COPT表示运行阶段投资成本，Cline表示数据中心的输电线路扩容成本，CSM表示数据中心智能电表的安装成本，CWG表示数据中心风电机组的安装成本，Cgrid表示主动配电网向上级电网购电成本，CDER表示储能设备的维护成本，CDC-DR表示主动配电网向数据中心支付的需求响应激励成本。
其中，Cline、CSM、CWG、Cgrid、CDER和CDC-DR分别为：
式中，δLine、δSM、δWG分别表示输电线路、智能电表、投资风电机组的年化因子，ΩLine、ΩM、ΩDC、ΩWG分别表示待改造线路集合、线路型号集合、含数据中心的主动配电网节点集合、安装风电机组的节点集合，
表示型号m的线路单位长度改造成本，
表示馈线长度，
表示状态变量，cSM表示单台智能电表安装成本，χi表示第i个数据中心安装智能电表状态，Pi WG表示第i个数据中心的风电机组安装容量，cWG-inv表示系统内风电机组安装成本，
表示安装风电机组的0-1决策变量，α表示一年中典型日的天数，ρs表示场景s的期望概率，ΩT、ΩS分别表示时段集合、场景集合，cbuy表示数据中心向主动配电网的购电单价，
表示配网在场景s下t时段从主网的购电量，Δt表示单位调度时段，cWG-opt表示风机机组单位功率维护成本，
表示风电机组的实际出力，cDR表示单位数据容量的需求响应单价，
表示场景s下编号为k的数据中心中由时段t迁移到时段t′的批处理负荷量，负荷量为待处理数据任务的数量，σch、σdis分别表示数据中心内储能设备充、放电对应的损耗成本，
分别表示数据中心不间断电源的充、放电功率。
根据本发明的一个实施例，约束条件包括：功率约束、数据中心负荷响应约束、数据中心负荷延时处理约束、数据中心输电线路改造和设备安装约束、数据中心电压约束、相邻输电线路潮流约束以及数据中心电源设备约束中的一种或多种。
1、功率约束，实质是对数据中心功率相关内容的约束。包括服务器功率约束、数据中心功率平衡约束、数据中心与主动配电网交互功率约束、数据中心与主动配电网交功率平衡约束、主动配电网由上级电网送入的功率约束、风电机组运行时功率约束和线路传输功率约束。
1)服务器功率约束包括数据中心运行的总功率约束、数据中心的服务器功耗约束、服务器实时开启数量约束、服务器工作时中央处理器利用率约束，分别为：
数据中心运行的总功率约束为：
数据中心内服务器的功耗与服务器的开启数量和服务器数据处理状态有关，在服务器处理数据任务时，服务器功耗随着处理的数据任务的增加而增大，在没有数据任务等待处理时，服务器只需消耗运行必备的静态功率。因此，数据中心的服务器功耗约束为：
在数据中心进行数据处理运算时，服务器的实时开启数量需要满足一定的约束，服务器实时开启数量约束为：
考虑到服务器在实际运算时，其CPU利用率应不大于某一具体限值，因此服务器工作时中央处理器利用率约束为：
式中，
表示数据中心运行的总功率，
表示服务器功耗，
表示制冷设备功耗，
表示其他负荷设备功耗，
表示处理负荷需要的实际服务器数量，负荷表示数据中心待执行的数据处理任务，
表示服务器空闲状态下的静态功耗，
表示服务器满载时的功耗，fs,t,k表示处理负荷的总数量，μk表示单个服务器可以处理的数据量，
表示服务器数量，σmax表示服务器的中央处理器利用率最大值。
2)数据中心功率平衡约束、数据中心与主动配电网交互功率约束、数据中心与主动配电网交功率平衡约束以及主动配电网由上级电网送入的功率约束分别为：
由能量守恒定律，系统100中各个节点应满足功率平衡，因此数据中心功率平衡约束为：
对于系统100中的数据中心而言，作为单独能量体与主动配电网进行互动过程中，需要满足与主动配电网交互功率的约束以及内部功率的实时平衡，因此数据中心与主动配电网交互功率约束为：
数据中心与主动配电网交功率平衡约束为：
主动配电网由上级电网送入的功率约束为：
式中，
表示主配电网购电功率，ΩN表示主动配电网节点集合，Pji,s,t表示场景s下在时段t从节点j流向节点i的有功功率，
表示风电机组的实际出力，Pik,s,t表示场景s下在时段t从节点i流向节点k的有功功率，
表示数据中心运行的总功率，
表示t时刻与节点i相连的除数据中心外其他负荷的有功功率，Qji,s,t表示场景s下在时段t从节点j流向节点i的无功功率，
表示风电机组的无功出力，Qik,s,t表示场景s下在时段t从节点i流向节点k的无功功率，
表示t时刻与节点i相连的除数据中心外其他负荷的无功功率，
表示数据中心与主动配电网的传输功率，
表示最大传输功率，
表示场景s下在时段t节点k处数据中心运行的总功率，
表示数据中心储能设备充电功率，
表示场景s下在时段t节点k处数据中心与配电网的传输功率，
表示数据中心储能设备放电功率，
分别表示主动配电网与上级电网之间交互功率的最小值和最大值。
3)安装的风电机组在实际运行时，其有功出力应不超过预测出力值，且假设风电机组运行时功率因数恒定，那么风电机组运行时功率约束和线路传输功率约束分别为：
风电机组运行时功率约束为：
线路传输功率约束为：
式中，
表示风电机组实际出力，
表示风电机组出力的预测值，
表示功率因数角度，
表示风电机组的无功出力，
分别表示第l条线路的最大容量限值，Pl,s,t表示线路l传输的有功功率，Ql,s,t表示线路l传输的无功功率。
2、数据中心负荷响应约束包括数据中心可延迟处理负荷的比例约束、数据中心在任意时段t需要处理的延迟负荷量约束、数据中心负荷调度约束、负荷迁移量约束和任意时刻数据中心的负荷总量约束，分别为：
在数据中心中，请求处理的数据类型包含即时处理型和可延迟型，对于大数据计算、数据分析等可延迟型批处理负荷，数据中心可延迟处理负荷的比例约束为：
假设在调度周期内负荷可以向此刻之后的时段迁移，即t时刻的批处理负荷可以迁移到[t+1,T]期间进行处理，那么数据中心在任意时段t需要处理的延迟负荷量约束为：
在处理数据过程中，每个数据中心实时可转移负荷通过配置的智能电表进行调控，满足的数据中心负荷调度约束为：
同时，整体数据中心的数据负荷所能迁移总量应满足不超过可迁移数据的总量，那么负荷迁移量约束为：
某一时刻到达编号为k的DC的数据总量是交互式负荷和批处理负荷的总和，那么任意时刻数据中心的负荷总量约束为：
式中，
表示场景s下第k个数据中心在初始时刻批处理负荷量，ζ表示所有负荷中批处理负荷所占比例的常量，fs,t,k,0表示初始时刻需要处理的负荷量，
表示场景s下第k个数据中心在时段t需处理的总数据量，
表示场景s下编号为k的数据中心中由时段t′迁移到时段t的批处理负荷量，
表示场景s下编号为k的数据中心中由时段t迁移到时段t'的批处理负荷量，χk表示第k个数据中心安装智能电表状态，fs,t,k表示场景s下编号为k的数据中心中由时段t迁移到时段t’的批处理负荷量，即数据中心中由时段t迁移到时段t’的批量处理数据处理任务的数量。
3、数据中心输电线路改造和设备安装约束包括线路改造选择型号约束、安装智能电表数量约束和安装风电机组的节点数量约束(即安装风电机组的主动配电网数量约束)：
在线路改造升级过程中，最多可以选择一种型号线路改造，选择型号约束为：
每个DC最多可以安装一个智能表计安装智能电表数量约束为：
0≤χk≤1
系统100中安装风电机组的节点数应小于所允许的节点数，那么安装风电机组的节点数量约束为：
式中，
表示需改造线路所选型号，ΩM表示待选线路的线路型号集合，χk表示第k个数据中心安装智能电表状态，ΩWG表示安装风电机组的节点集合，
表示风电机组的安装位置，NWG表示系统所允许安装电源设备的最大节点数。
4、数据中心电压约束、相邻输电线路潮流约束以及数据中心电源设备约束分别为：
为确保含数据中心的主动配电网安全运行，各个节点电压应维持在一定的范围内，那么数据中心电压约束为：
相邻输电线路潮流约束为：
数据中心中配置的电源设备，在满足供电可靠性前提下，可作为储能装置参与主动配电网互动，其需要满足充放电转态单一性约束、电池电量变换约束、电池最大充放电约束、电池荷电状态约束等，数据中心电源设备约束为：
式中，
分别表示数据中心i允许的电压最小值、电压最大值，Us,t,i表示表示场景s下在时段t节点i电压值，Us,t,j表示场景s下在时段t节点j电压值，Pl,s,t、Ql,s,t分别表示线路l上传输的有功功率、无功功率，ΩM表示待选线路线路型号集合，
表示需改造线路所选型号，
分别表示线路l改造前的电阻和电抗，Rl,m、Xl,m分别表示线路l改造后的电阻和电抗，
分别表示数据中心电源设备在时段t充、放电状态变量，Es,t,k表示第k个数据中心内电源设备在时段t的存储电量，Es,t-1,k表示第k个数据中心内电源设备在时段t-1的存储电量，ηC、ηD分别表示电源设备的充电功率、放电效率，△t表示单位调度时段，
表示电源设备放电功率，
表示电源设备充电功率，PEmax表示电源设备的最大充放电功率，
表示数据中心电源设备的荷电状态，
表示数据中心电源设备容量，
分别表示电源设备荷电状态的最大值和最小值。
在建立计及数据中心的主动配电网规划模型之后，继续执行步骤S330，将基础参数代入至模型中，即，将基础参数作为模型的输入数据，并以主动配电网投资运营成本最小的同时提高可再生能源利用率以及较少碳排放量为目标，采用改进的群搜索优化算法对所述模型进行求解，输出改造线路所选型号、智能电表的安装位置、风电机组的安装位置、数据中心各时段服务器开机数量、数据中心内部时间维度任务迁移量、配网的购电量、风电机组实际出力、储能充电功率以及储能放电功率的制定方案。
由上述内容可知，模型的输入为基础参数，如上所述，此处不再赘述，模型的输出为改造线路所选型号、智能电表的安装位置、风电机组的安装位置、数据中心各时段服务器开机数量、数据中心内部时间维度任务迁移量、配网的购电量、风电机组实际出力、储能充电功率以及储能放电功率的制定方案。
由上述内容还可知，模型的目标是以主动配电网投资运营成本最小的同时提高可再生能源的消纳和促进碳减排为目标。上述的模型目标仅是概括性的，下面对模型的目标进行详细说明：
模型的目标可以包括主动配电网系统100投资阶段目标和运行阶段目标两个目标，相当于采用二阶段规划方法构建模型。在主动配电网系统100规划阶段，以最小化系统投资成本为目标，优化并确定线路升级、风电机组安装位置和配置智能电表。在主动配电网系统100运行阶段，以购电成本、需求响应成本和DER维护成本之和最小为目标，在满足用户数据需求的前提下，合理优化信息负荷迁移、电源设备充放电状态。
应当理解的是，存在多种模型的求解方法，本发明不受限于具体的实现方式，所有能够对上述模型进行求解的方法均在本发明的保护范围之内。根据一个实施例，本发明中利用一种基于反对学习和差分进化的混合群搜索算法对上述模型进行求解。本发明中的基于反对学习和差分进化的混合群搜索算法，是将差分进化算法(Differential evolutionalgorithm DE)和反对学习算法(opposition-based learning，OBL)结合到群搜索优化算法(Group Search Optimizer,GSO)中。
通过反对学习算法和差分进化算法的混合群搜索算法对上述模型进行求解的过程如图4所示，包括以下步骤：
1)首先，随机初始化种群P，设置种群大小为N、最大迭代次数Tmax和迭代计数器t。
2)计算每个个体的适应度。
3)从种群P中随机选择0.3N个个体构建子种群SP1，从剩余的0.7种群P中随机选择0.4N个个体构建子种群SP2。
4)将余下的0.3N个个体执行群搜索优化算法，生成种群SP3。
5)将OBL应用于种群SP1，生成基于对立的种群OBP，将SP1和OBP相结合，并将SP1和OBP相结合后的种群中的个体按照适应度值的大小降序排序，按照适应度值由高至低的顺序选择一半的个体，构建种群P1。
6)将DE应用于SP2，生成大小为0.4N的差分进化种群P2。
7)将余下的0.3N个个体执行群搜索优化算法，生成总体种群P3，P3＝0.3N。
8)将种群P1、P2、P3组合形成下一个群体，并将迭代计数器加1，得到更新后的迭代计数器。
9)判定更新后迭代计数器是否大于最大迭代次数Tmax，若不大于，则返回步骤2)，若大于，则结束求解过程。即，若更新后迭代计数器小于最大迭代次数Tmax则继续执行步骤2)至9)，若大于，说明达到了最大迭代次数，那么结束求解过程。
图5示出了根据本发明一个实施例的计及数据中心的主动配电网规划模型的构建装置500的结构框图，该装置500可以驻留在计算设备100中。如图5所示，装置500包括：获取参数单元510、模型构建单元520和模型求解单元530。
获取参数单元510，适于获取基础参数；
模型构建单元520，利用二阶段随机优化方法建立计及数据中心的主动配电网规划模型，模型包括目标函数和约束条件；
模型求解单元530，适于将基础参数代入至模型中，并以主动配电网投资运营成本最小的同时提高可再生能源利用率以及较少碳排放量为目标，采用改进的群搜索优化算法对所述模型进行求解，输出改造线路所选型号、智能电表的安装位置、风电机组的安装位置、数据中心各时段服务器开机数量、数据中心内部时间维度任务迁移量、配网的购电量、风电机组实际出力、储能充电功率以及储能放电功率的制定方案。其中，目标函数为：如上所述此处步骤赘述。
需要说明的是，计及数据中心的主动配电网规划模型的构建装置500的工作原理与上述计及数据中心的主动配电网规划模型的构建方法300相似，相关之处可参考对上述计及数据中心的主动配电网规划模型的构建方法300的说明，此处不再赘述。
以下将采用具体案例来验证本发明所构建的计及数据中心的主动配电网规划模型进行数值算例仿真。本发明利用图1所示的主动配电网系统100进行仿真分析。如图6所示，本发明选取含信息域的IEEE-33节点主动配电网进行算例分析，电压等级为10kV，该主动配电网包括32个负荷节点，节点1为变压器节点，与主网相连。数据需求负荷分时变化曲线如图7所示，主动配电网的用电负荷曲线如图8所示。
本发明假设主网购电电价为0.38元/(kWh)，各节点负荷的功率因数相同，均为0.90。单个风电机组装机容量为800kW，风机单位造价7000元/kW，风电机组维护成本为0.029元/(kWh)，风力发电的日出力预测曲线(根据预测风速代入风电出力公式得出的)。单个服务器能处理的数据量为500条/s，单台智能电表安装成本cSM为10000元，服务器空闲状态下的静态功耗
服务器满载时的功耗
分别为150W、300W，数据中心服务器的总数为1000个，服务器CPU利用率的最大值为0.9。需求响应补贴价格cDR为0.1元/Gbps，单个数据中心储能电池的额定容量为1000kW·h，最大充、放电功率为200kW，充放电效率设为0.85，最大/最小荷电状态SOC分别为90％和10％。可用馈线的相关参数如表2所示。
表2可选线路的相关参数
选取1000个典型日数据负荷预测场景，采用蒙特卡洛采样方法和K-means聚类方法，将数据负荷场景减少到10个。另外，满足用户数据加载响应要求的时间设置为100ms。
基于上述的参数设置，对考虑数据中心需求响应的主动配电网规划问题进行优化。为验证不同数据中心参与需求响应与配电网互动模式对规划结果的影响，改变时间可转移负荷占比值和数据中心的电源设备是否参与互动两项指标，数据中心参与需求响应的模式设置如表3所示。
表3数据中心不同工况设置
| 情形 | 时间可转移负荷占比 | 储能是否参与互动 |
| 1 | 0 | 否 |
| 2 | 10％ | 否 |
| 3 | 0 | 是 |
| 4 | 10％ | 是 |
得出的不同工况模式下的计算结果如表4所示。对比情形2与情形1可知，当考虑时间可转移数据负荷时，系统总成本和投资成本分别下降了7.8万元、8.6万元，运行成本有所升高。这是因为通过合理调节时间维度上可转移数据负荷，在用电高峰时段，通过智能电表采集的数据，将时间可转移数据负荷延迟处理，通过延缓信息流的数据处理来降低电力流用电的紧缺状态，从而降低了对线路可承载载流量的要求，使得线路投资成本下降。同时，可以将需延迟处理的数据负荷在风电高发时段进行处理，从而促进DER的高效利用，减少主网购电量，可有效减少碳排放。
对比情形3和情形1可知，通过灵活调用数据中心配备的储能装置，参与主动配电网的运行，可降低系统总成本和规划成本，虽然运行成本上升了5.3万元，但是DER消纳量相较情形1提升了13.45％。这是因为DER具有反调峰特性，通过灵活调用数据中心储能装置，在DER高发时段，对储能装置进行充电控制，在用电负荷高峰时期，将储存的电能传输给主动配电网，从而提高DER的消纳量。
表4不同工况的优化结果
其中，CINV-Line表示线路投资成本，CINV-SM表示安装智能表计成本，CINV-RES表示投资可再生能源成本，Cgrid表示主动配电网向上级电网购电成本，CDER表示分布式电源维护费用，CDC-DR表示主动配电网向数据中心支付的需求响应激励成本，CINV表示年值化处理后的规划总成本，COPT表示运行总成本。
情形4是对时间维度数据负荷转移和电源设备参与电网互动的综合调用。通过对比可知，系统总成本相较于情形1降低了6.7万元，与情形2总成本比较相差不大，这是因为情形4对数据负荷延迟处理和调用电源设备的需求响应费用相较情形2有所增加，同时情形4对DER的消纳量提高，减少了主网购电。分析可知，情形4两类数据中心需求响应资源的调用，可降低主动配电网线路规划成本，提高DER利用率，可获得较好的低碳效益。
为分析数据中心参与互动响应对主动配电网效益的影响，选取情形1与情形4进行对比，分析其调度运行方案，两种情形下系统功率平衡图如图9和图10所示。由图9和图10可知，相比未参与需求响应情形1，数据中心参与互动能有效改善系统负荷曲线，起到削峰填谷的作用，改善负荷高峰和低谷时段的电能供需矛盾情况。同时，数据中心的灵活互动使得弃风功率显著降低，在风电高发时段的风电并网量大幅提高。
图11给出了情形4数据中心参与需求响应的运行结果。由图11可知，数据中心参与互动后，在用电负荷高峰时段(10-13、15-18时)，将处于这些时段的时间可转移数据负荷进行转移处理，延迟至DER高发时期处理，从而改变数据中心能耗，平衡负荷曲线，促进DER消纳。另外，电源设备在风力发电高发时段充电，增加系统对DER的消纳。在风力发电的低发时段，通过储能设备向数据中心或者电网送电，可以降低主动配电网从外部市场的购电量，进而减少发电侧碳排放。
为进一步分析数据负荷在时间维度的转移情况，选取节点13和节点30数据中心节点进行分析，转移情况如图12所示。可知，在电力负荷高峰时段，数据中心在满足刚性数据负荷的前提下，延迟至数据处理需求较低时段(0-7时)处理时间维度可转移负荷，由前后对比可推测，当可转移负荷比例占比越高，则数据中心参与电网需求响应效果越好。
之后，进行灵敏度的分析。本发明在5ms-100ms之间设置不同的延迟时间，并在如表1的情形4中其他参数设置不变的情况下优化解决方案。为反映系统的季节特点，取春、夏、秋、冬4个典型日进行求解，得到系统在不同时延下各时段服务器启动数量的变化曲线，如图13所示。
由图13可知，当延时要求从10ms增加至100ms，服务器的开机数量随着延时增加先减少后不变，且服务器开机数量的减少幅度也随之下降，受服务器最大利用率的限制，当数据负荷延时要求为22ms时，服务器开机数量降至最少，再增加延时，服务器开机数量不再发生变化。这一推导结果也进一步验证了仿真结果的有效性。
通过上述分析可知，数据用户的延时要求可以影响数据中心的功率调节效果与需求响应能力。因此，主动配电网可以在用户允许的范围内合理调节数据负荷的延时要求，进而达到降低数据中心功耗的目的，为更充分挖掘数据中心的需求响应潜力提供了新的思路。
本发明分析了数据中心作为灵活性资源在主动配电网中的运用，深度挖掘了数据中心在通信域的运行特性，计及数据中心能耗特性和时间维度负荷转移过程，提出了计及数据中心的主动配电网规划模型的构建方法，通过在信息域对数据负荷时间维度迁移和调用储能设备充放电，从而实现能量域电力流的改善，提高可再生能源利用率，促进碳减排。通过算例分析，所得结论如下：
1)新型负荷数据中心可作为灵活性资源参与主动配电网需求响应，通过调用时间维度可转移数据负荷和数据中心电源设备，可实现主动配电网源-网-荷协同规划，达到经济性最优，同时，促进DER消纳，减少碳排放。
2)数据中心能耗特性与服务器的开启数量和需处理数据负荷有关，通过对数据中心安装智能电表获取处理负荷信息，灵活调度各时段数据信息量，在满足数据时延请求情况下，改变信息流时域分布，进而调节数据中心能耗，参与主动配电网需求响应。
3)考虑了规划和运行阶段的作用关系，所得的决策方案具有很好的实用价值。
Claims (10)
1.一种计及数据中心的主动配电网规划模型构建方法，适于在计算设备中执行，所述方法包括步骤：
获取基础参数；
利用二阶段随机优化方法建立计及数据中心的主动配电网规划模型，所述模型包括目标函数和约束条件；
将所述基础参数代入至所述模型中，并以主动配电网投资运营成本最小的同时提高可再生能源利用率以及较少碳排放量为目标，采用改进的群搜索优化算法对所述模型进行求解，输出改造线路所选型号、智能电表的安装位置、风电机组的安装位置、数据中心各时段服务器开机数量、数据中心内部时间维度任务迁移量、配网的购电量、风电机组实际出力、储能充电功率以及储能放电功率的制定方案；
其中，所述目标函数为：
minC＝CINV+COPT
CINV＝Cline+CSM+CWG
COPT＝Cgrid+CDER+CDC-DR
式中，CINV表示规划阶段投资成本，COPT表示运行阶段投资成本，Cline表示数据中心的输电线路扩容成本，CSM表示数据中心智能电表的安装成本，CWG表示数据中心风电机组的安装成本，Cgrid表示主动配电网向上级电网购电成本，CDER表示储能设备的维护成本，CDC-DR表示主动配电网向数据中心支付的需求响应激励成本。
2.如权利要求1所述的方法，其中，所述目标函数包括：
式中，δLine、δSM、δWG分别表示数据中心的输电线路、智能电表、投资风电机组的年化因子，ΩLine、ΩM、ΩDC、ΩWG分别表示待改造线路集合、线路型号集合、含数据中心的主动配电网节点集合、安装风电机组的节点集合，
表示型号m的线路单位长度改造成本，
表示馈线长度，
表示状态变量，cSM表示单台智能电表安装成本，χi表示第i个数据中心安装智能电表状态，Pi WG表示第i个数据中心的风电机组安装容量，cWG-inv表示系统内风电机组安装成本，
表示安装风电机组的0-1决策变量，α表示一年中典型日的天数，ρs表示场景s的期望概率，ΩT、ΩS分别表示时段集合、场景集合，cbuy表示数据中心向主动配电网的购电单价，
表示配网在场景s下t时段从主网的购电量，Δt表示单位调度时段，cWG-opt表示风机机组单位功率维护成本，
表示风电机组的实际出力，cDR表示单位数据容量的需求响应单价，
表示场景s下编号为k的数据中心中由时段t迁移到时段t′的批处理负荷量，所述负荷量为待处理数据任务的数量，σch、σdis分别表示数据中心内电源设备充、放电对应的损耗成本，
分别表示数据中心不间断电源的充、放电功率。
3.如权利要求1或2所述的方法，其中，所述约束条件包括：功率约束、数据中心负荷响应约束、数据中心负荷延时处理约束、数据中心输电线路改造和设备安装约束、数据中心电压约束、相邻输电线路潮流约束以及数据中心电源设备约束中的一种或多种。
4.如权利要求3所述的方法，其中，所述功率约束包括服务器功率约束，所述服务器功率约束包括：
数据中心运行的总功率约束：
数据中心的服务器功耗约束：
服务器实时开启数量约束：
服务器工作时中央处理器利用率约束：
式中，
表示数据中心运行的总功率，
表示服务器功耗，
表示制冷设备功耗，
表示其他负荷设备功耗，
表示处理负荷需要的实际服务器数量，所述负荷表示数据中心待执行的数据处理任务，
表示服务器空闲状态下的静态功耗，
表示服务器满载时的功耗，fs,t,k表示处理负荷的总数量，μk表示单个服务器可以处理的数据量，
表示服务器数量，σmax表示服务器的中央处理器利用率最大值。
5.如权利要求3或4所述的方法，其中，所述功率约束还包括数据中心功率平衡约束、数据中心与主动配电网交互功率约束、数据中心与主动配电网交功率平衡约束以及主动配电网由上级电网送入的功率约束：
数据中心功率平衡约束：
数据中心与主动配电网交互功率约束：
数据中心与主动配电网交功率平衡约束：
主动配电网由上级电网送入的功率约束：
式中，
表示主配电网购电功率，ΩN表示主动配电网节点集合，Pji,s,t表示场景s下在时段t从节点j流向节点i的有功功率，
表示风电机组的实际出力，Pik,s,t表示场景s下在时段t从节点i流向节点k的有功功率，
表示数据中心运行的总功率，
表示t时刻与节点i相连的除数据中心外其他负荷的有功功率，Qji,s,t表示场景s下在时段t从节点j流向节点i的无功功率，
表示风电机组的无功出力，Qik,s,t表示场景s下在时段t从节点i流向节点k的无功功率，
表示t时刻与节点i相连的除数据中心外其他负荷的无功功率，
表示数据中心与主动配电网的传输功率，
表示最大传输功率，
表示场景s下在时段t节点k处数据中心运行的总功率，
表示数据中心电源设备充电功率，
表示场景s下在时段t节点k处数据中心与配电网的传输功率，
表示数据中心储能设备放电功率，Pt Gmin、Pt Gmax分别表示主动配电网与上级电网之间交互功率的最小值和最大值。
6.如权利要求3至5中任一项所述的方法，其中，所述功率约束还包括风电机组运行时功率约束和线路传输功率约束：
风电机组运行时功率约束：
线路传输功率约束：
式中，
表示风电机组实际出力，
表示风电机组出力的预测值，
表示功率因数角度，
表示风电机组的无功出力，
分别表示第l条线路的最大容量限值，Pl,s,t表示线路l传输的有功功率，Ql,s,t表示线路l传输的无功功率。
7.如权利要求3至6中任一项所述的方法，其中，所述数据中心负荷响应约束包括：
数据中心可延迟处理负荷的比例约束：
数据中心在任意时段t需要处理的延迟负荷量约束：
数据中心负荷调度约束：
负荷迁移量约束：
任意时刻数据中心的负荷总量约束：
式中，
表示场景s下第k个数据中心在初始时刻批处理负荷量，ζ表示所有负荷中批处理负荷所占比例的常量，fs,t,k,0表示初始时刻需要处理的负荷量，
表示场景s下第k个数据中心在时段t需处理的总数据量，
表示场景s下编号为k的数据中心中由时段t′迁移到时段t的批处理负荷量，
表示场景s下编号为k的数据中心中由时段t迁移到时段t'的批处理负荷量，χk表示第k个数据中心安装智能电表状态，fs,t,k表示场景s下编号为k的数据中心中由时段t迁移到时段t’的批处理负荷量。
8.一种计及可再生能源与需求响应的能量枢纽模型的构建装置，适于在计算设备中执行，所述装置包括：
获取参数模块，适于获取基础参数；
模型构建单元，利用二阶段随机优化方法建立计及数据中心的主动配电网规划模型，所述模型包括目标函数和约束条件；
模型求解单元，适于将所述基础参数代入至所述模型中，并以主动配电网投资运营成本最小的同时提高可再生能源利用率以及较少碳排放量为目标，采用改进的群搜索优化算法对所述模型进行求解，输出改造线路所选型号、智能电表的安装位置、风电机组的安装位置、数据中心各时段服务器开机数量、数据中心内部时间维度任务迁移量、配网的购电量、风电机组实际出力、储能充电功率以及储能放电功率的制定方案，其中，所述目标函数为：
minC＝CINV+COPT
CINV＝Cline+CSM+CWG
COPT＝Cgrid+CDER+CDC-DR
式中，CINV表示规划阶段投资成本，COPT表示运行阶段投资成本，Cline表示数据中心的输电线路扩容成本，CSM表示数据中心智能电表的安装成本，CWG表示数据中心风电机组的安装成本，Cgrid表示主动配电网向上级电网购电成本，CDER表示储能设备的维护成本，CDC-DR表示主动配电网向数据中心支付的需求响应激励成本。
9.一种计算设备，包括：
至少一个处理器；和
存储有程序指令的存储器，其中，所述程序指令被配置为适于由所述至少一个处理器执行，所述程序指令包括用于执行如权利要求1-7中任一项所述方法的指令。
10.一种存储有程序指令的可读存储介质，当所述程序指令被计算设备读取并执行时，使得所述计算设备执行如权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210307772.4A CN114662319A (zh) | 2022-03-25 | 2022-03-25 | 计及数据中心的主动配电网规划模型的构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210307772.4A CN114662319A (zh) | 2022-03-25 | 2022-03-25 | 计及数据中心的主动配电网规划模型的构建方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114662319A true CN114662319A (zh) | 2022-06-24 |
Family
ID=82033014
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210307772.4A Pending CN114662319A (zh) | 2022-03-25 | 2022-03-25 | 计及数据中心的主动配电网规划模型的构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114662319A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114936810A (zh) * | 2022-07-25 | 2022-08-23 | 东南大学溧阳研究院 | 一种基于数据中心时空转移特性的日前调度方法 |
| CN115081758A (zh) * | 2022-08-22 | 2022-09-20 | 广东电网有限责任公司肇庆供电局 | 一种面向协调数据中心与电网的计算转移需求响应系统 |
| CN116565925A (zh) * | 2023-05-25 | 2023-08-08 | 中科聚(北京)能源科技有限公司 | 基于用电特性的储能配置方法、系统及存储介质 |
| CN116894538A (zh) * | 2023-09-11 | 2023-10-17 | 北京国电通网络技术有限公司 | 节点碳排放信息生成方法、装置、电子设备和介质 |
| CN117993740A (zh) * | 2024-04-03 | 2024-05-07 | 国网山西省电力公司营销服务中心 | 一种计及n-1故障失负荷成本的多元配电网配置方法 |
-
2022
- 2022-03-25 CN CN202210307772.4A patent/CN114662319A/zh active Pending
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114936810A (zh) * | 2022-07-25 | 2022-08-23 | 东南大学溧阳研究院 | 一种基于数据中心时空转移特性的日前调度方法 |
| CN114936810B (zh) * | 2022-07-25 | 2022-10-18 | 东南大学溧阳研究院 | 一种基于数据中心时空转移特性的日前调度方法 |
| CN115081758A (zh) * | 2022-08-22 | 2022-09-20 | 广东电网有限责任公司肇庆供电局 | 一种面向协调数据中心与电网的计算转移需求响应系统 |
| CN115081758B (zh) * | 2022-08-22 | 2023-01-03 | 广东电网有限责任公司肇庆供电局 | 一种面向协调数据中心与电网的计算转移需求响应系统 |
| CN116565925A (zh) * | 2023-05-25 | 2023-08-08 | 中科聚(北京)能源科技有限公司 | 基于用电特性的储能配置方法、系统及存储介质 |
| CN116565925B (zh) * | 2023-05-25 | 2023-11-14 | 中科聚(北京)能源科技有限公司 | 基于用电特性的储能配置方法、系统及存储介质 |
| CN116894538A (zh) * | 2023-09-11 | 2023-10-17 | 北京国电通网络技术有限公司 | 节点碳排放信息生成方法、装置、电子设备和介质 |
| CN116894538B (zh) * | 2023-09-11 | 2024-01-16 | 北京国电通网络技术有限公司 | 节点碳排放信息生成方法、装置、电子设备和介质 |
| CN117993740A (zh) * | 2024-04-03 | 2024-05-07 | 国网山西省电力公司营销服务中心 | 一种计及n-1故障失负荷成本的多元配电网配置方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114662319A (zh) | 计及数据中心的主动配电网规划模型的构建方法 | |
| CN110147907B (zh) | 一种考虑网络约束的虚拟电厂双层优化模型的构建方法 | |
| Kim et al. | Coarse-grained distributed optimal power flow | |
| Zhang et al. | Unit commitment model in smart grid environment considering carbon emissions trading | |
| Chen et al. | Blockchain-based electric vehicle incentive system for renewable energy consumption | |
| CN108470231B (zh) | 考虑储能系统量化特征的配电网分布式储能选址定容方法 | |
| CN107979111A (zh) | 一种基于两阶段鲁棒优化的微电网能量管理方法 | |
| CN107392395A (zh) | 一种基于价格激励机制的配电网和微电网协调优化方法 | |
| Kwon et al. | Meeting inelastic demand in systems with storage and renewable sources | |
| CN109102125B (zh) | 一种考虑天然气网络和电动汽车协调的区域综合能源系统规划方法 | |
| CN103217900A (zh) | 基于实时电价的中压微网混沌pso最优潮流实现方法 | |
| CN109272353B (zh) | 计及综合需求响应不确定性的系统动态概率能流分析方法 | |
| CN109636056A (zh) | 一种基于多智能体技术的多能源微网去中心化优化调度方法 | |
| CN112395748A (zh) | 考虑供需双侧灵活性资源的电力系统旋转备用容量优化方法 | |
| CN111047470A (zh) | 分布式储能电站参与电力辅助服务市场的运营方法 | |
| Peng et al. | Optimized economic operation strategy for distributed energy storage with multi-profit mode | |
| CN111934315A (zh) | 考虑需求侧的源网荷储协同优化运行方法及终端设备 | |
| CN115882523A (zh) | 含分布式储能的电力系统优化运行方法、系统及设备 | |
| CN117353290A (zh) | 一种数据中心与共享储能电站的联合调度方法及计算设备 | |
| Yang et al. | Inverse Proportion Technique Based Scheduling Strategy for Energy Storage System Considering Load Demand Differences | |
| Wang et al. | Research on short‐term and mid‐long term optimal dispatch of multi‐energy complementary power generation system | |
| CN116050804A (zh) | 基于合作博弈和成本因果关系的共享储能成本分摊方法 | |
| Ye et al. | Coordinated optimization scheduling of data center and electricity retailer based on cooperative game theory | |
| CN108629448A (zh) | 一种基于Lyapunov优化的数据中心电能开销优化控制方法及系统 | |
| CN110544044B (zh) | 一种分布式电源对分时电价发电响应的边缘协同计算方法 |
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 |