CN116739261A - 一种多站融合优化调度方法及系统 - Google Patents

一种多站融合优化调度方法及系统 Download PDF

Info

Publication number
CN116739261A
CN116739261A CN202310685808.7A CN202310685808A CN116739261A CN 116739261 A CN116739261 A CN 116739261A CN 202310685808 A CN202310685808 A CN 202310685808A CN 116739261 A CN116739261 A CN 116739261A
Authority
CN
China
Prior art keywords
energy storage
server
model
station
data center
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
Application number
CN202310685808.7A
Other languages
English (en)
Inventor
潘柏崇
王彦峰
雷翔胜
王兴华
车伟娴
吴小蕙
余梦泽
许成昊
朱文卫
郭金根
梁爱武
刘明
董晗拓
周继馨
刘家男
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN202310685808.7A priority Critical patent/CN116739261A/zh
Publication of CN116739261A publication Critical patent/CN116739261A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Water Supply & Treatment (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Public Health (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Primary Health Care (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种多站融合优化调度方法及系统，通过构建以购电成本、现场发电单元成本、储能单元使用成本与服务器资源增设成本为目标函数，数据中心约束条件、网络约束条件和储能约束条件为约束条件的多站融合优化调度模型，并利用各个单元设备信息、光伏出力数据及电价对多站融合优化调度模型进行拆分求解，得到调度结果，以使融合站根据调度结果对待调负荷进行调度，该方法通过构建数据中心非线性功耗模型对储能和数据中心进行双重调节，实现融合站内容量光伏的全部消纳及高负荷时段向低电价时段的转移，提高了对融合站内电力资源的调度效率和准确度，降低了融合站运行成本。

Description

一种多站融合优化调度方法及系统
技术领域
本发明涉及多站融合技术领域，尤其涉及一种多站融合优化调度方法及系统。
背景技术
目前已有几种针对多站融合的优化调度方法，如对多站融合的一般形式，即数据中心、充电站和储能站进行建模，考虑了电动汽车充电负荷的转移特性，将储能和电动汽车当作可控负荷，通过优化调度的方式，实现充电费用、削峰填谷和配电网损耗几个目标的综合最优。还有的技术方法考虑了光伏与风电的不确定性，采用蒙特卡洛模拟或鲁棒优化求解不确定性的运行优化问题。
现有的多站融合调度方案中，没有考虑到融合站内负荷量最大，负荷最为稳定的数据中心的可调特性，仅仅是将数据中心作为一个不可调度的负荷进行建模。电动汽车作为与用户行为强相关的负荷，难以被融合站运营商直接调度，存在很大的不确定性。受限于融合站的可建设面积，站内光伏的装机容量较小，能够直接被站内负荷消纳，光伏的出力不确定性对融合站影响较小。
而且现在的方案通常直接使用各功能子站的负荷水平加入优化模型中进行计算，没有考虑到各功能子站的运行特性，部分方案中也提到了数据中心的可调负荷特性，但仅采用了线性模型进行建模，存在较大的误差；且多站融合中的充电站负荷取决于前来充电电动汽车的时间与数量，一般只能通过价格引导用户调整充电行为，且充电负荷具有很大的不确定性；多站融合建设由电网公司投资，目前大部分方案采用了多目标规划，包含了部分不必要的目标。
发明内容
本发明提供了一种多站融合优化调度方法及系统，通过构建数据中心非线性功耗模型对储能和数据中心进行双重调节，实现融合站内容量光伏的全部消纳及高负荷时段向低电价时段的转移，提高了对融合站内电力资源的调度效率和准确度，降低了融合站运行成本。
本发明实施例的第一方面提供了一种多站融合优化调度方法及系统，所述方法包括：
获取融合站的各个单元设备信息、光伏出力数据及电价；
根据各个单元设备信息建立数据中心模型和储能电站模型，利用数据中心模型和储能电站模型构建多站融合优化调度模型；
利用各个单元设备信息、光伏出力数据及电价对多站融合优化调度模型进行拆分求解，得到调度结果，以使融合站根据调度结果对待调负荷进行调度，其中，多站融合优化调度模型的目标函数由购电成本、现场发电单元成本、储能单元使用成本与服务器资源增设成本构成，多站融合优化调度模型的约束条件包括数据中心约束条件、网络约束条件和储能约束条件。
实施本实施例，获取融合站的各个单元设备信息、光伏出力数据及电价，根据各个单元设备信息建立数据中心模型和储能电站模型，利用数据中心模型和储能电站模型构建以购电成本、现场发电单元成本、储能单元使用成本与服务器资源增设成本为目标函数，数据中心约束条件、网络约束条件和储能约束条件为约束条件的多站融合优化调度模型，并利用各个单元设备信息、光伏出力数据及电价对多站融合优化调度模型进行拆分求解，得到调度结果，以使融合站根据调度结果对待调负荷进行调度，该方法通过构建数据中心非线性功耗模型对储能和数据中心进行双重调节，实现融合站内容量光伏的全部消纳及高负荷时段向低电价时段的转移，提高了对融合站内电力资源的调度效率和准确度，降低了融合站运行成本。
在第一方面的一种可能的实现方式中，根据各个所述单元设备信息建立数据中心模型和储能电站模型，具体为：
根据数据中心设备信息建立数据中心功耗模型，其中，数据中心功耗模型由服务器设备功耗模型、制冷系统设备功耗模型、供配电系统设备功耗模型和其他设备功耗模型构建得到的，数据中心功耗模型为：
P＝∑Pserver·PUE
Pserver(f)＝PIT+Pfixed
PIT(f，V)＝k·f3
其中，P为数据中心的总功率，PIT(f，V)为单台IT设备能耗，Pserver(f)为单台服务器的功率，Pfixed为其他设备的功率，f为CPU工作频率，PUE为数据中心的能源利用效率；
根据储能电站设备信息构建储能电站模型，其中，所述储能电站模型由储能设备的投资成本与生命周期内的期望充放电量计算得到，所述储能单位充放电量的成本为：
其中，Cs为单次充电电量，Cbuild为储能的建设成本，N为在额定充放电深度下的循环次数，Esc_means为平均充电电量。
实施本实施例，通过由服务器设备功耗模型、制冷系统设备功耗模型、供配电系统设备功耗模型和其他设备功耗模型构建得到的数据中心功耗模型，使用该方法建立了数据中心的非线性模型，数据中心的功耗与工作频率呈非线性关系，通过频率调节控制服务器的工作能耗与计算服务率。
在第一方面的一种可能的实现方式中，利用数据中心模型和储能电站模型构建多站融合优化调度模型，具体为：
根据购电成本、现场发电单元成本、储能单元使用成本与服务器资源增设成本得到多站融合优化调度模型目标函数，其中，多站融合优化调度模型目标函数为：
其中，pt为多站融合购电所用的分时电价，Pgt为t时刻的购电电量，Cs为储能平均度电成本，Cm为服务器增设成本，Zmig，t为t时刻任务增加服务器的数量；
确定数据中心约束条件、网络约束条件和储能约束条件，其中，数据中心约束条件包括数据中心最大任务负载约束条件、单个任务最大资源约束条件、单任务超时约束条件以及总负荷与服务器负荷关系约束条件，数据中心最大任务负载约束条件为：
其中，Ljt为任务j在t时刻占用的服务器，F最大服务器数，δ为预留服务器百分比；
单个任务最大资源约束条件为：
0≤Ljt≤MPj·Ijt
其中，MPj为任务j的最大并行服务器数量，Ijt为任务控制变量；
总负荷与服务器负荷关系约束条件为：
PIT(f，V)＝k·f3
Pserver(f)＝PIT+Pfixed
PIDC，t＝∑Pserver，t·PUE
其中，k为服务器的频率功耗参数，f为服务器当前的频率，PIT为IT设备的功耗，Pserver为服务器功耗，PIDC，t为t时刻数据中心功耗；
网络约束条件为：
Psolar，t+Pg，t＝PIDC，t+(Psc，t-Psdc，t)
其中，Psolar，t为光伏出力，Psolar，t为向电网购电电量；
储能约束条件包括储能容量约束、各时段电量关系和充放电功率约束，其中，储能容量约束为：
各时段电量关系为：
Est＝Es(t-1)+Pst，c·ηc-Pst，dc/ηdc
Es0＝EsT
其中，Est为时段t的储能电量，Pst，c与Pst，dc为时段t的储能充放电功率，ηc与ηdc为储能的充放电效率；
充放电功率约束为：
Ict+Idt≤1
其中，Ict与Idt为储能充放电控制变量。
实施本实施例，通过根据购电成本、现场发电单元成本、储能单元使用成本与服务器资源增设成本得到多站融合优化调度模型目标函数，以确定数据中心约束条件、网络约束条件和储能约束条件为约束条件，其中，数据中心约束条件包括数据中心最大任务负载约束条件、单个任务最大资源约束条件、单任务超时约束条件以及总负荷与服务器负荷关系约束条件，该方法建立的融合站的优化调度模型，通过频率调节控制服务器的工作能耗与计算服务率，将融合站中的数据中心站与储能站作为可调度单元进行统一调度，实现负荷从峰时向谷时转移。
在第一方面的一种可能的实现方式中，利用各个单元设备信息、光伏出力数据及电价对多站融合优化调度模型进行拆分求解，得到调度结果，具体为：
将多站融合优化调度模型中的整数变量进行松弛后，对多站融合优化调度模型进行求解，得到第一求解结果；
对第一求解结果进行非整数处理，得到第二求解结果，输出第二求解结果为调度结果。
实施本实施例，将多站融合优化调度模型中的整数变量进行松弛后，对多站融合优化调度模型进行求解，得到第一求解结果，对第一求解结果进行非整数处理，得到第二求解结果，将第二求解结果与第一求解结果进行对比，得到差值，若差值小于预设值，则输出第二求解结果为调度结果。本方法通过将原问题拆分为两个阶段，对模型中的整数变量进行松弛后，得到第一求解结果，然后对第一阶段的求解结果进行处理，可以解决多站融合优化调度模型中过多的整数变量会导致求解存在困难、求解速度慢的问题。
在第一方面的一种可能的实现方式中，对所述第一求解结果进行非整数处理，得到第二求解结果，具体为：
构建最小功耗模型，计算出数据中心总能耗，其中，所述最小功耗模型的目标函数为：
其中，PIDC,t为t时刻数据中心功耗；
单时段分配任务计算量约束条件为：
其中，Dj,t为第一次调度时分配到t时刻的任务计算量，m为给定的离散的工作频率，Lj,t,m为处于不同频率下的服务器数，em,t为对应频率下的服务率；
分配服务器资源约束条件为：
其中，Lj,t,m为处于不同频率下的服务器数，Ljt为任务j在t时刻占用的服务器；
根据数据中心总能耗，对所述第一求解结果进行处理得到处理后的第一求解结果。
本发明实施例的第二方面提供了一种多站融合优化调度系统，所述系统包括：
获取模块，用于获取融合站的各个单元设备信息、光伏出力数据及电价；
构建模块，用于根据各个所述单元设备信息建立数据中心模型和储能电站模型，利用所述数据中心模型和所述储能电站模型构建多站融合优化调度模型；
求解模块，用于利用各个单元设备信息、光伏出力数据及电价对多站融合优化调度模型进行拆分求解，得到调度结果，以使融合站根据调度结果对待调负荷进行调度，其中，多站融合优化调度模型的目标函数由购电成本、现场发电单元成本、储能单元使用成本与服务器资源增设成本构成，多站融合优化调度模型的约束条件包括数据中心约束条件、网络约束条件和储能约束条件。
在第二方面的一种可能的实现方式中，构建模块包括数据中心构建单元和储能电站构建单元，
数据中心构建单元用于根据数据中心设备信息建立数据中心功耗模型，其中，数据中心功耗模型由服务器设备功耗模型、制冷系统设备功耗模型、供配电系统设备功耗模型和其他设备功耗模型构建得到的数据中心功耗模型，其中，数据中心功耗模型为：
P＝ΣPserver·PUE
Pserver(f)＝PIT+Pfixed
PIT(f，V)＝k·f3
其中，P为数据中心的总功率，PIT(f，V)为单台IT设备能耗，Pserver(f)为单台服务器的功率，Pfixed为其他设备的功率，f为CPU工作频率，PUE为数据中心的能源利用效率；
储能电站模型单元用于根据储能电站设备信息构建储能电站模型，其中，储能电站模型由储能设备的投资成本与生命周期内的期望充放电量计算得到，储能单位充放电量的成本为：
其中，Cs为单次充电电量，Cbuild为储能的建设成本，N为在额定充放电深度下的循环次数，Esc_means为平均充电电量。
在第二方面的一种可能的实现方式中，求解模块还包括目标函数单元和约束条件单元，
其中，目标函数单元用于根据购电成本、现场发电单元成本、储能单元使用成本与服务器资源增设成本得到多站融合优化调度模型目标函数，其中，多站融合优化调度模型目标函数为：
其中，pt为多站融合购电所用的分时电价，Pgt为t时刻的购电电量，Cs为储能平均度电成本，Cm为服务器增设成本，Zmig，t为t时刻任务增加服务器的数量；
约束条件单元用于确定数据中心约束条件、网络约束条件和储能约束条件，其中，数据中心约束条件包括数据中心最大任务负载约束条件、单个任务最大资源约束条件、单任务超时约束条件以及总负荷与服务器负荷关系约束条件，数据中心最大任务负载约束条件为：
其中，Ljt为任务j在t时刻占用的服务器，F最大服务器数，δ为预留服务器百分比；
单个任务最大资源约束条件为：
0≤Ljt≤MPj·Ijt
其中，MPj为任务j的最大并行服务器数量，Ijt为任务控制变量；
总负荷与服务器负荷关系约束条件为：
PIT(f，V)＝k·f3
Pserver(f)＝PIT+Pfixed
PIDC，t＝∑Pserver，t·PUE
其中，k为服务器的频率功耗参数，f为服务器当前的频率，PIT为IT设备的功耗，Pserver为服务器功耗，PIDC，t为t时刻数据中心功耗；
网络约束条件为：
Psolar，t+Pg，t＝PIDC，t+(Psc，t-Psdc，t)
其中，Psolar，t为光伏出力，Psolar，t为向电网购电电量；
储能约束条件包括储能容量约束、各时段电量关系和充放电功率约束，其中，储能容量约束为：
各时段电量关系为：
Est＝Es(t-1)+Pst，c·ηc-Pst，dc/ηdc
Es0＝EsT
其中，Est为时段t的储能电量，Pst,c与Pst,dc为时段t的储能充放电功率，ηc与ηdc为储能的充放电效率；
充放电功率约束为：
Ict+Idt≤1
其中，Ict与Idt为储能充放电控制变量。
在第二方面的一种可能的实现方式中，求解模块包括第一求解结果单元和调度结果单元，
其中，第一求解结果单元用于将多站融合优化调度模型中的整数变量进行松弛后，对多站融合优化调度模型进行求解，得到第一求解结果；
第二求解结果单元用于对第一求解结果进行非整数处理，得到第二求解结果，输出第二求解结果为调度结果。
附图说明
图1：为本发明提供的多站融合优化调度方法的一种实施例的流程示意图；
图2：为本发明提供的多站融合优化调度方法的一种实施例的数据中心能耗结构示意图；
图3：为本发明提供的多站融合优化调度方法的一种实施例的光伏出力曲线示意图；
图4：为本发明提供的多站融合优化调度方法的一种实施例的多站融合分时电价示意图；
图5：为本发明提供的多站融合优化调度方法的一种实施例的各批处理任务在各时段所分配的服务器数量示意图；
图6：为本发明提供的多站融合优化调度方法的一种实施例的各批处理实际的任务处理速率示意图；
图7：为本发明提供的多站融合优化调度方法的一种实施例的数据中心频率调度示意图；
图8：为本发明提供的多站融合优化调度方法的一种实施例的融合站向电网购电电量示意图；
图9：为本发明提供的多站融合优化调度方法的一种实施例的数据中心电力需求示意图；
图10：为本发明提供的多站融合优化调度方法的一种实施例的储能充放电量示意图；
图11：为本发明提供的多站融合优化调度方法的另一种实施例的系统结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例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他实施例，都属于本发明保护的范围。
实施例一
请参照图1，图1是本发明提供的多站融合优化调度方法的一种实施例的流程示意图，包括步骤S11～S13。各步骤具体如下：
S11、获取融合站的各个单元设备信息、光伏出力数据及电价。
在本实施例中，获取融合站中各个单元设备信息，并设置微网及储能参数、数据中心参数、数据中心批处理任务参数以及运行日光伏出力及分时电价数据。
S12、根据各个单元设备信息建立数据中心模型和储能电站模型，利用数据中心模型和储能电站模型构建多站融合优化调度模型。
在优选的实施例当中，根据各个单元设备信息建立数据中心模型和储能电站模型，具体为：
根据数据中心设备信息建立数据中心功耗模型，其中，数据中心功耗模型由服务器设备功耗模型、制冷系统设备功耗模型、供配电系统设备功耗模型和其他设备功耗模型构建得到的，其中，数据中心功耗模型为：
P＝∑Pserver·PUE
Pserver(f)＝PIT+Pfixed
PIT(f,V)＝k·f3
其中，P为数据中心的总功率，PIT(f,V)为单台IT设备能耗，Pserver(f)为单台服务器的功率，Pfixed为其他设备的功率，f为CPU工作频率，PUE为数据中心的能源利用效率；
根据储能电站设备信息构建储能电站模型，其中，储能电站模型由储能设备的投资成本与生命周期内的期望充放电量计算得到，储能单位充放电量的成本为：
其中，Cs为单次充电电量，Vbuild为储能的建设成本，N为在额定充放电深度下的循环次数，Ese_means为平均充电电量。
在本实施例中，对融合站内的数据中心站、储能站等功能子站进行建模，确定了可以参与价格型需求响应的可调负荷特性，数据中心的能耗由以下几部分组成：服务器设备(IT设备)、制冷系统设备、供配电系统设备以及其他设备。典型数据中心能耗构成如图2所示。其中，总能耗与IT设备能耗的比值可以用能源利用效率来衡量，能源利用效率越接近于1，能效越好。
典型的服务器功率模型中，IT设备的能耗变化最大，相比之下，其他组件的功率可以视作定值。因此考虑工作电压和工作频率对CPU功率的影响，一台服务器的IT设备能耗如下：
PIT(f,V)＝C·f·V2
电压与频率程序呈正相关，因此可以改写为：
PIT(f,V)＝k·f3
现有的商用服务器CPU大多都有离散可调的工作电压、工作频率阶梯值，CPU的工作频率可以在几个工作频率间选择。
f∈{f1,f2,f3,f4,f5}
以Intel Pentium 4 630为例：
表1 Intel Pentium 4 630服务器CPU参数
单台服务器的功率可以表示为CPU功率与其他组件的功率之和：
Pserver(f)＝PIT+Pfixed
根据给定的PUE计算单台服务器的总功率：
P＝∑Pserver·PUE
其中，PUE为该数据中心的能源利用效率。
运行日中储能的动作成本采用平均度电成本，单次储能动作成本如下：
其中，Esc为单次充电电量，Vbuild为储能的建设成本，N为在额定充放电深度下的循环次数，Esc_means为平均充电电量。
储能容量约束：
各时段电量关系：
Est＝Es(t-1)+Pst,c·ηc-Pst,dc/ηdc
Es0＝EsT
其中，Est为时段t的储能电量，Pst,c与Pst,dc为时段t的储能充放电功率，ηc与ηdc为储能的充放电效率。
充放电功率约束：
Ict+Idt≤1
其中，Ict与Idt为储能充放电控制变量。
S13、利用各个单元设备信息、光伏出力数据及所述电价对多站融合优化调度模型进行拆分求解，得到调度结果，以使融合站根据调度结果对待调负荷进行调度，其中，多站融合优化调度模型的目标函数由购电成本、现场发电单元成本、储能单元使用成本与服务器资源增设成本构成，多站融合优化调度模型的约束条件包括数据中心约束条件、网络约束条件和储能约束条件。
在本实施例中，对融合站整体建立优化调度模型，以融合站单日的最低运行成本为目标，功能子站的正常运行条件为约束进行求解。由于数据中心资源具有整数特性，因此所建立的模型为混合整数模型。过多的整数变量会导致求解存在困难，直接求解会造成求解速度慢，计算结果不一定为最优解等问题。因此将原问题拆分为两阶段进行求解，第一阶段对模型中的整数变量进行松弛，将数据中心资源变量松弛为自由变量，储能模型中的充放电控制变量消去，在目标函数包含储能动作成本最低时与原模型等价。第二阶段，对第一阶段的求解结果进行处理，第一阶段中得到数据中心分配服务器资源可能非整数，对数据中心的每个延迟容忍型任务建立整数规划，在不增加任务分配资源的情况下，最小化单任务的总功耗。第二阶段计算结果将符合原模型的要求，且所得到的结果与松弛后结果相差较小，可以认为所得结果接近最优解，在可接受范围内。
在优选的实施例当中，利用数据中心模型和储能电站模型构建多站融合优化调度模型，具体为：
根据购电成本、现场发电单元成本、储能单元使用成本与服务器资源增设成本得到多站融合优化调度模型目标函数，其中，多站融合优化调度模型目标函数为：
其中，pt为多站融合购电所用的分时电价，Pgt为t时刻的购电电量，Cs为储能平均度电成本，Cm为服务器增设成本，Zmig，t为t时刻任务增加服务器的数量；
确定数据中心约束条件、网络约束条件和储能约束条件，其中，数据中心约束条件包括数据中心最大任务负载约束条件、单个任务最大资源约束条件、单任务超时约束条件以及总负荷与服务器负荷关系约束条件，数据中心最大任务负载约束条件为：
其中，Ljt为任务j在t时刻占用的服务器，F最大服务器数，δ为预留服务器百分比；
单个任务最大资源约束条件为：
0≤Ljt≤MPj·Ijt
其中，MPj为任务j的最大并行服务器数量，Ijt为任务控制变量；
总负荷与服务器负荷关系约束条件为：
PIT(f，V)＝k·f3
Pserver(f)＝PIT+Pfixed
PIDc，t＝∑Pserver，t·PUE
其中，k为服务器的频率功耗参数，f为服务器当前的频率，PIT为IT设备的功耗，Pserver为服务器功耗，PIDC，t为t时刻数据中心功耗；
网络约束条件为：
Psolar，t+Pg，t＝PIDc，t+(Psc，t-Psdc，t)
其中，Psolar，t为光伏出力，Psolar，t为向电网购电电量；
储能约束条件包括储能容量约束、各时段电量关系和充放电功率约束，其中，储能容量约束为：
各时段电量关系为：
Est＝Es(t-1)+Pst，c·ηc-Pst，dc/ηdc
Es0＝EsT
其中，Est为时段t的储能电量，Pst,c与Pst,dc为时段t的储能充放电功率，ηc与ηdc为储能的充放电效率；
充放电功率约束为：
Ict+Idt≤1
其中，Ict与Idt为储能充放电控制变量。
在优选的实施例当中，利用各个单元设备信息、光伏出力数据及电价对多站融合优化调度模型进行拆分求解，得到调度结果，具体为：
将多站融合优化调度模型中的整数变量进行松弛后，对多站融合优化调度模型进行求解，得到第一求解结果；
对第一求解结果进行非整数处理，得到第二求解结果，输出第二求解结果为调度结果。
在优选的实施例中，对第一求解结果进行非整数处理，得到第二求解结果，具体为：
构建最小功耗模型，计算出数据中心总能耗，其中，最小功耗模型的目标函数为：
其中，PIDC,t为t时刻数据中心功耗；
单时段分配任务计算量约束条件为：
其中，Dj,t为第一次调度时分配到t时刻的任务计算量，m为给定的离散的工作频率，Lj,t,m为处于不同频率下的服务器数，em,t为对应频率下的服务率；
分配服务器资源约束条件为：
其中，Lj，t，m为处于不同频率下的服务器数，Ljt为任务j在t时刻占用的服务器；
根据数据中心总能耗，对第一求解结果进行处理得到处理后的第一求解结果。
在本实施例中，融合站在时间上的可调负荷调度，数据中心工作负荷优化调度模型可以用一个混合整数规划模型表示。模型以整个微网的最小成本和最大利润作为目标函数，以融合站内部的安全运行为约束：
目标函数由购电成本，现场发电单元成本，储能单元使用成本与服务器资源增设成本：
其中，pt为多站融合购电所用的分时电价，Pgt为t时刻的购电电量，Cs为储能平均度电成本，Cm为服务器增设成本，Zmig，t为t时刻任务增加服务器的数量；
确定数据中心约束条件、网络约束条件和储能约束条件，在对数据中心信息服务占用资源进行优化时，难以对所有服务器的频率进行优化，因此以延迟容忍型任务整体占用资源进行频率控制，同一时刻同一任务占用服务器资源处于同一工作频率。
数据中心最大任务负载约束条件为：
其中，Ljt为任务j在t时刻占用的服务器，F最大服务器数，δ为预留服务器百分比；
单个任务最大资源约束条件为：
0≤Ljt≤MPj·Ijt
其中，MPj为任务j的最大并行服务器数量，Ijt为任务控制变量；
总负荷与服务器负荷关系约束条件为：
PIT(f，V)＝k·f3
Pserver(f)＝PIT+Pfixed
PIDC，t＝∑Pserver，t·PUE
其中，k为服务器的频率功耗参数，f为服务器当前的频率，PIT为IT设备的功耗，Psetver为服务器功耗，PIDC，t为t时刻数据中心功耗；
网络约束条件为：
Psolar，t+Pg，t＝PIDC，t+(Psc，t-Psdc，t)
其中，Psolar，t为光伏出力，Psolar，t为向电网购电电量；
储能约束条件包括储能容量约束、各时段电量关系和充放电功率约束，其中，储能容量约束为：
各时段电量关系为：
Est＝Es(t-1)+Pst，c·ηc-Pst，dc/ηdc
Es0＝EsT
其中，Est为时段t的储能电量，Pst，c与Pst，dc为时段t的储能充放电功率，ηc与ηdc为储能的充放电效率；
充放电功率约束为：
Ict+Idt≤1
其中，Ict与Idt为储能充放电控制变量。
上述模型中，数据中心以服务器作为基本单位分配资源，因此建模时应将各任务占用的服务器资源设置为整数变量。但实际计算中，由于整数变量的取值范围与总数过多，会导致计算速度慢、计算结果差等问题。
因此实际计算中，将服务器资源松弛为自由变量。计算结果中，分配的服务器数量可能会带有小数部分，因此需要对非整数时段重新进行计算，以最小功耗为目标，任务在当前时段的计算需求为约束，重新计算数据中心总能耗。
构建最小功耗模型，计算出数据中心总能耗，其中，最小功耗模型的目标函数为：
其中，PIDC,t为t时刻数据中心功耗；
单时段分配任务计算量约束条件为：
其中，Dj,t为第一次调度时分配到t时刻的任务计算量，m为给定的离散的工作频率，Lj,t,m为处于不同频率下的服务器数，em,t为对应频率下的服务率；
分配服务器资源约束条件为：
其中，Lj,t,m为处于不同频率下的服务器数，Ljt为任务j在t时刻占用的服务器；
根据数据中心总能耗，对第一求解结果进行处理得到处理后的第一求解结果。
作为本实施例的一种举例，多站融合参数设置如下：
(一)微网及储能参数：
表2微网及储能参数
(二)数据中心参数：
表3数据中心参数
(三)数据中心批处理任务参数：
表4运行日批处理任务参数
运行日光伏出力及分时电价如图3和图4所示，图3为光伏出力曲线，图4为多站融合分时电价。
根据以上数据对融合站最优调度模型进行求解，计算采用GAMS软件的CPLEX求解器，其版本为GAMS win64 24.5.3。所得结果如下：
数据中心服务器资源分配及任务出力速率如图5和图6所示，图5为各批处理任务在各时段所分配的服务器数，图6为各批处理实际的任务处理速率：数据中心频率调度如图7所示，融合站及数据中心负荷水平如图8和图9所示，图8为融合站向电网购电电量，图9为数据中心电力需求。
从计算结果可以看出各批处理任务在设定的工作时限内得到了有效的分配，大部分时间段中，服务器均工作在较低的频率下以降低服务器的功耗。对于时限较短，且工作量较大的任务如任务3，服务器则会自动调节工作频率上升以保证计算任务能在时限内有效完成。而工作时限较长的任务1，则可以在19-24时段采用较低的频率完成任务。由于资源增设成本的存在，各批处理任务的服务器资源变化量较小，能够有效减少计算任务信息转移所带来的额外成本。
对于数据中心整体，由图10可以看出数据中心全天负荷平缓，负荷峰时期出现在电价最低的1-8时，负荷谷时期出现在19-24时段，为电价平时期。这是由于数据中心批处理任务2的计算时限要求，导致部分负荷需要在电价高峰时段进行处理。由此可知，数据中心能够通过调度批处理计算任务来降低数据中心全天的购电成本，但调节能力会受到计算任务要求的限制。
综上所述，本发明提出的多站融合优化调度方法能够通过调度数据中心批处理任务及储能站出力，降低融合站整体运行成本。在保证数据中心计算任务在工作时限内完成的情况下，降低数据中心服务器的功耗，通过频率控制使数据中心始终工作在高能耗比的模式下。
实施例二
相应地，参见图11，图11是本发明提供的一种多站融合优化调度系统，如图所示，该重复定位精度确定装置包括：获取模块1101，用于获取融合站的各个单元设备信息、光伏出力数据及电价；
构建模块1102，用于根据各个单元设备信息建立数据中心模型和储能电站模型，利用数据中心模型和储能电站模型构建多站融合优化调度模型；
求解模块1103，用于利用各个单元设备信息、光伏出力数据及电价对多站融合优化调度模型进行拆分求解，得到调度结果，以使融合站根据调度结果对待调负荷进行调度，其中，多站融合优化调度模型的目标函数由购电成本、现场发电单元成本、储能单元使用成本与服务器资源增设成本构成，多站融合优化调度模型的约束条件包括数据中心约束条件、网络约束条件和储能约束条件。
在优选的实施例当中，构建模块1102包括数据中心构建单元11021和储能电站构建单元11022，
数据中心构建单元11021用于根据数据中心设备信息建立数据中心功耗模型，其中，数据中心功耗模型由服务器设备功耗模型、制冷系统设备功耗模型、供配电系统设备功耗模型和其他设备功耗模型构建得到的数据中心功耗模型，其中，服务器设备功耗模型为：
P＝ΣPserver·PUE
Pserver(f)＝PIT+Pfixed
PIT(f，V)＝k·f3
其中，P为单台服务器的总功率，PIT(f，V)为单台IT设备能耗，Pserver(f)为单台服务器的功率，Pfixed为其他设备的功率，f为GPU工作频率，PUE为数据中心的能源利用效率；
储能电站构建模型单元11022用于根据储能电站设备信息构建储能电站模型，其中，储能电站模型由储能设备的投资成本与生命周期内的期望充放电量计算得到，储能单位充放电量的成本为：
其中，Cs为单次充电电量，Cbuild为储能的建设成本，N为在额定充放电深度下的循环次数，Esc_means为平均充电电量。
在优选的实施例当中，求解模块1103还包括目标函数单元11031和约束条件单元11032，
其中，目标函数单元11031用于根据购电成本、现场发电单元成本、储能单元使用成本与服务器资源增设成本得到多站融合优化调度模型目标函数，其中，多站融合优化调度模型目标函数为：
其中，pt为多站融合购电所用的分时电价，Pgt为t时刻的购电电量，Cs为储能平均度电成本，Cm为服务器增设成本，Zmig，t为t时刻任务增加服务器的数量；
约束条件单元11032用于确定数据中心约束条件、网络约束条件和储能约束条件，其中，数据中心约束条件包括数据中心最大任务负载约束条件、单个任务最大资源约束条件、单任务超时约束条件以及总负荷与服务器负荷关系约束条件，数据中心最大任务负载约束条件为：
其中，Ljt为任务j在t时刻占用的服务器，F最大服务器数，δ为预留服务器百分比；
单个任务最大资源约束条件为：
0≤Ljt≤MPj·Ijt
其中，MPj为任务j的最大并行服务器数量，Ijt为任务控制变量；
总负荷与服务器负荷关系约束条件为：
PIT(f，V)＝k·f3
Pserver(f)＝PIT+Pfixed
PIDC，t＝∑Pserver，t·PUE
其中，k为服务器的频率功耗参数，f为服务器当前的频率，PIT为IT设备的功耗，Pserver为服务器功耗，PIDC，t为t时刻数据中心功耗；
网络约束条件为：
Psolar,t+Pg,t＝PIDC,t+(Psc,t-Psdc,t)
其中，Psolar,t为光伏出力，Psolar,t为向电网购电电量；
储能约束条件包括储能容量约束、各时段电量关系和充放电功率约束，其中，储能容量约束为：
各时段电量关系为：
Est＝Es(t-1)+Pst,c·ηc-Pst,dc/ηdc
Es0＝EsT
其中，Est为时段t的储能电量，Pst,c与Pst,dc为时段t的储能充放电功率，ηc与ηdc为储能的充放电效率；
充放电功率约束为：
Ict+Idt≤1
其中，Ict与Idt为储能充放电控制变量。
在优选的实施例当中，求解模块1103还包括第一求解结果单元11033和调度结果单元11034，
其中，第一求解结果单元11033用于将多站融合优化调度模型中的整数变量进行松弛后，对多站融合优化调度模型进行求解，得到第一求解结果；
第二求解结果单元11034用于对第一求解结果进行非整数处理，得到第二求解结果，输出第二求解结果为调度结果。
在优选的实施例当中，求解模块1103还用于对第一求解结果进行非整数处理，得到第二求解结果，具体为：
构建最小功耗模型，计算出数据中心总能耗，其中，最小功耗模型的目标函数为：
其中，PIDC,t为t时刻数据中心功耗；
单时段分配任务计算量约束条件为：
其中，Dj,t为第一次调度时分配到t时刻的任务计算量，m为给定的离散的工作频率，Lj,t,m为处于不同频率下的服务器数，em,t为对应频率下的服务率；
分配服务器资源约束条件为：
其中，Lj,t,m为处于不同频率下的服务器数，Ljt为任务j在t时刻占用的服务器；
根据数据中心总能耗，对第一求解结果进行处理得到处理后的第一求解结果。
综上所述，实施本发明的实施例，具有如下有益效果：
通过构建以购电成本、现场发电单元成本、储能单元使用成本与服务器资源增设成本为目标函数，数据中心约束条件、网络约束条件和储能约束条件为约束条件的多站融合优化调度模型，并利用各个单元设备信息、光伏出力数据及电价对多站融合优化调度模型进行拆分求解，得到调度结果，以使融合站根据调度结果对待调负荷进行调度，该方法通过构建数据中心非线性功耗模型对储能和数据中心进行双重调节，实现融合站内容量光伏的全部消纳及高负荷时段向低电价时段的转移，提高了对融合站内电力资源的调度效率和准确度，降低了融合站运行成本。
以上所述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，这些改进和润饰也视为本发明的保护范围。

Claims (9)

1.一种多站融合优化调度方法，其特征在于，包括：
获取融合站的各个单元设备信息、光伏出力数据及电价；
根据各个所述单元设备信息建立数据中心模型和储能电站模型，利用所述数据中心模型和所述储能电站模型构建多站融合优化调度模型；
利用各个单元设备信息、所述光伏出力数据及所述电价对所述多站融合优化调度模型进行拆分求解，得到调度结果，以使所述融合站根据所述调度结果对待调负荷进行调度，其中，所述多站融合优化调度模型的目标函数由购电成本、现场发电单元成本、储能单元使用成本与服务器资源增设成本构成，所述多站融合优化调度模型的约束条件包括数据中心约束条件、网络约束条件和储能约束条件。
2.如权利要求1所述的多站融合优化调度方法，其特征在于，根据各个所述单元设备信息建立数据中心模型和储能电站模型，具体为：
根据数据中心设备信息建立数据中心功耗模型，其中，所述数据中心功耗模型由服务器设备功耗模型、制冷系统设备功耗模型、供配电系统设备功耗模型和其他设备功耗模型构建得到的，所述服务器设备功耗模型为：
P＝∑Pserver·PUE
Pserver(f)＝PIT+Pfixed
PIT(f,V)＝k·f3
其中，P为单台服务器的总功率，PIT(f,V)为单台IT设备能耗，Pserver(f)为单台服务器的功率，Pfixed为其他设备的功率，f为CPU工作频率，PUE为数据中心的能源利用效率；
根据储能电站设备信息构建储能电站模型，其中，所述储能电站模型由储能设备的投资成本与生命周期内的期望充放电量计算得到，所述储能单位充放电量的成本为：
其中，Cs为单次充电电量，Cbuild为储能的建设成本，N为在额定充放电深度下的循环次数，Esc_means为平均充电电量。
3.如权利要求1所述的多站融合优化调度方法，其特征在于，所述利用所述数据中心模型和所述储能电站模型构建多站融合优化调度模型，具体为：
根据购电成本、现场发电单元成本、储能单元使用成本与服务器资源增设成本得到多站融合优化调度模型目标函数，其中，所述多站融合优化调度模型目标函数为：
其中，pt为多站融合购电所用的分时电价，Pgt为t时刻的购电电量，Cs为储能平均度电成本，Cm为服务器增设成本，Zmig,t为t时刻任务增加服务器的数量；
确定数据中心约束条件、网络约束条件和储能约束条件，其中，所述数据中心约束条件包括数据中心最大任务负载约束条件、单个任务最大资源约束条件、单任务超时约束条件以及总负荷与服务器负荷关系约束条件，所述数据中心最大任务负载约束条件为：
其中，Ljt为任务j在t时刻占用的服务器，F最大服务器数，δ为预留服务器百分比；
所述单个任务最大资源约束条件为：
0≤Ljt≤MPj·Ijt
其中，MPj为任务j的最大并行服务器数量,Ijt为任务控制变量；
所述总负荷与服务器负荷关系约束条件为：
PIT(f,V)＝k·f3
Pserver(f)＝PIT+Pfixed
PIDC，t＝∑Pserver,t·PUE
其中，k为服务器的频率功耗参数，f为服务器当前的频率，PIT为IT设备的功耗，Pserver为服务器功耗，PIDC,t为t时刻数据中心功耗；
所述网络约束条件为：
Psolar,t+Pg,t＝PIDC,t+(Psc,t-Psdc,t)
其中，Psolar,t为光伏出力，Psolar,t为向电网购电电量；
所述储能约束条件包括储能容量约束、各时段电量关系和充放电功率约束，其中，所述储能容量约束为：
所述各时段电量关系为：
Est＝Es(t-1)+Pst,c·ηc-Pst,dc/ηdc
Es0＝EsT
其中，Est为时段t的储能电量，Pst,c与Pst,dc为时段t的储能充放电功率，ηc与ηdc为储能的充放电效率；
所述充放电功率约束为：
Ict+Idt≤1
其中，Ict与Idt为储能充放电控制变量。
4.如权利要求1所述的多站融合优化调度方法，其特征在于，所述利用各个单元设备信息、所述光伏出力数据及所述电价对所述多站融合优化调度模型进行拆分求解，得到调度结果，具体为：
将所述多站融合优化调度模型中的整数变量进行松弛后，对所述多站融合优化调度模型进行求解，得到第一求解结果；
对所述第一求解结果进行非整数处理，得到第二求解结果，输出所述第二求解结果为调度结果。
5.如权利要求4所述的多站融合优化调度方法，其特征在于，所述对所述第一求解结果进行非整数处理，得到第二求解结果，具体为：
构建最小功耗模型，计算出数据中心总能耗，其中，所述最小功耗模型的目标函数为：
其中，PIDC,t为t时刻数据中心功耗；
单时段分配任务计算量约束条件为：
其中，Dj,t为第一次调度时分配到t时刻的任务计算量，m为给定的离散的工作频率，Lj,t,m为处于不同频率下的服务器数，em,t为对应频率下的服务率；
分配服务器资源约束条件为：
其中，Lj,t,m为处于不同频率下的服务器数，Ljt为任务j在t时刻占用的服务器；
根据数据中心总能耗，对所述第一求解结果进行处理得到处理后的第一求解结果。
6.一种多站融合优化调度系统，其特征在于，包括：
获取模块，用于获取融合站的各个单元设备信息、光伏出力数据及电价；
构建模块，用于根据各个所述单元设备信息建立数据中心模型和储能电站模型，利用所述数据中心模型和所述储能电站模型构建多站融合优化调度模型；
求解模块，用于利用各个单元设备信息、所述光伏出力数据及所述电价对所述多站融合优化调度模型进行拆分求解，得到调度结果，以使所述融合站根据所述调度结果对待调负荷进行调度，其中，所述多站融合优化调度模型的目标函数由购电成本、现场发电单元成本、储能单元使用成本与服务器资源增设成本构成，所述多站融合优化调度模型的约束条件包括数据中心约束条件、网络约束条件和储能约束条件。
7.如权利要求6所述的多站融合优化调度系统，其特征在于，所述构建模块包括数据中心构建单元和储能电站构建单元，
其中，所述数据中心构建单元用于根据数据中心设备信息建立数据中心功耗模型，其中，所述数据中心功耗模型由服务器设备功耗模型、制冷系统设备功耗模型、供配电系统设备功耗模型和其他设备功耗模型构建得到的，所述数据中心功耗模型为：
P＝∑Pserver·PUE
Pserver(f)＝PIT+Pfixed
PIT(f,V)＝k·f3
其中，P为数据中心的总功率，PIT(f,V)为单台IT设备能耗，Pserver(f)为单台服务器的功率，Pfixed为其他设备的功率，f为CPU工作频率，PUE为数据中心的能源利用效率；
所述储能电站模型单元用于根据储能电站设备信息构建储能电站模型，其中，所述储能电站模型由储能设备的投资成本与生命周期内的期望充放电量计算得到，储能单位充放电量的成本为：
其中，Cs为单次充电电量，Cbuild为储能的建设成本，N为在额定充放电深度下的循环次数，Esc_means为平均充电电量。
8.如权利要求6所述的多站融合优化调度系统，其特征在于，所述求解模块还包括目标函数单元和约束条件单元，
其中，所述目标函数单元用于根据购电成本、现场发电单元成本、储能单元使用成本与服务器资源增设成本得到多站融合优化调度模型目标函数，其中，所述多站融合优化调度模型目标函数为：
其中，pt为多站融合购电所用的分时电价，Pgt为t时刻的购电电量，Cs为储能平均度电成本，Cm为服务器增设成本，Zmig,t为t时刻任务增加服务器的数量；
所述约束条件单元用于确定数据中心约束条件、网络约束条件和储能约束条件，其中，所述数据中心约束条件包括数据中心最大任务负载约束条件、单个任务最大资源约束条件、单任务超时约束条件以及总负荷与服务器负荷关系约束条件，所述数据中心最大任务负载约束条件为：
其中，Ljt为任务j在t时刻占用的服务器，F最大服务器数，δ为预留服务器百分比；
所述单个任务最大资源约束条件为：
0≤Ljt≤MPj·Ijt
其中，MPj为任务j的最大并行服务器数量,Ijt为任务控制变量；
所述总负荷与服务器负荷关系约束条件为：
PIT(f,V)＝k·f3
Psserver(f)＝PIT+Pfixed
PIDC，t＝∑Pserver,t·PUE
其中，k为服务器的频率功耗参数，f为服务器当前的频率，PIT为IT设备的功耗，Pserver为服务器功耗，PIDC,t为t时刻数据中心功耗；
所述网络约束条件为：
Psolar,t+Pg,t＝PIDC,t+(Psc,t-Psdc,t)
其中，Psolar,t为光伏出力，Psolar,t为向电网购电电量；
所述储能约束条件包括储能容量约束、各时段电量关系和充放电功率约束，其中，所述储能容量约束为：
所述各时段电量关系为：
Est＝Es(t-1)+Pst,c·ηc-Pst,dc/ηdc
Es0＝EsT
其中，Est为时段t的储能电量，Pst,c与Pst,dc为时段t的储能充放电功率，ηc与ηdc为储能的充放电效率；
所述充放电功率约束为：
Ict+Idt≤1
其中，Ict与Idt为储能充放电控制变量。
9.如权利要求6所述的多站融合优化调度系统，其特征在于，所述求解模块包括第一求解结果单元和调度结果单元，
其中，所述第一求解结果单元用于将所述多站融合优化调度模型中的整数变量进行松弛后，对所述多站融合优化调度模型进行求解，得到第一求解结果；
所述第二求解结果单元用于对所述第一求解结果进行非整数处理，得到第二求解结果，输出所述第二求解结果为调度结果。
CN202310685808.7A 2023-06-09 2023-06-09 一种多站融合优化调度方法及系统 Pending CN116739261A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310685808.7A CN116739261A (zh) 2023-06-09 2023-06-09 一种多站融合优化调度方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310685808.7A CN116739261A (zh) 2023-06-09 2023-06-09 一种多站融合优化调度方法及系统

Publications (1)

Publication Number Publication Date
CN116739261A true CN116739261A (zh) 2023-09-12

Family

ID=87914508

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310685808.7A Pending CN116739261A (zh) 2023-06-09 2023-06-09 一种多站融合优化调度方法及系统

Country Status (1)

Country Link
CN (1) CN116739261A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118036968A (zh) * 2023-11-21 2024-05-14 山东正晨科技股份有限公司 一种高速公路ies智慧舱的协同优化调度方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118036968A (zh) * 2023-11-21 2024-05-14 山东正晨科技股份有限公司 一种高速公路ies智慧舱的协同优化调度方法

Similar Documents

Publication Publication Date Title
Reddy Optimal scheduling of thermal-wind-solar power system with storage
Yuan et al. Co-optimization scheme for distributed energy resource planning in community microgrids
Sardi et al. Multiple community energy storage planning in distribution networks using a cost-benefit analysis
Liu et al. Online energy sharing for nanogrid clusters: A Lyapunov optimization approach
Zhang et al. Greenware: Greening cloud-scale data centers to maximize the use of renewable energy
Yang et al. Data center holistic demand response algorithm to smooth microgrid tie-line power fluctuation
Salimi et al. Simultaneous operation of wind and pumped storage hydropower plants in a linearized security-constrained unit commitment model for high wind energy penetration
Chen et al. Stochastic optimization of wind turbine power factor using stochastic model of wind power
US20140365419A1 (en) Adaptation of a power generation capacity and determining of an energy storage unit size
US12015275B2 (en) Hybrid power plant
Kwon et al. Meeting inelastic demand in systems with storage and renewable sources
Majidi et al. Optimal sizing of energy storage system in a renewable-based microgrid under flexible demand side management considering reliability and uncertainties
CN116739261A (zh) 一种多站融合优化调度方法及系统
JP2022526692A (ja) 望ましい容量係数を提供するａｃオーバービルト再生可能電気生成リソース及び電荷ストレージ装置を利用するシステム及び方法
Yuan et al. Bess aided renewable energy supply using deep reinforcement learning for 5g and beyond
Awasthi et al. Operation of datacenter as virtual power plant
Martinez-Rico et al. Energy storage sizing based on automatic frequency restoration reserve market participation of hybrid renewable power plants
Braun et al. Optimizing a hybrid energy storage system for a virtual power plant for improved wind power generation: A case study for Denmark
CN117353350A (zh) 多虚拟电厂运行优化方法、系统、设备及存储介质
Ding et al. A dynamic period partition method for time-of-use pricing with high-penetration renewable energy
CN108683211B (zh) 一种考虑分布式电源波动性的虚拟发电厂组合优化方法及模型
Fridgen et al. The value of IS-enabled flexibility in electricity demand-a real options approach
CN113987839A (zh) 一种光伏储能协同规划方法和系统
Lukianenko et al. Development and Utilization of a Quasi-dynamic Model for Power System Analysis
Wang et al. Effect of uncertainty on optimization of microgrids

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