一种数据中心集群共享储能方法、系统、装置及介质与流程

1.本公开涉及数据中心电能存储调度，尤其涉及一种考虑可再生能源不确定的数据中心集群共享储能方法、系统、装置及介质。


背景技术：

2.为了满足日益增长的在线计算需求，提供信息技术服务的数据中心(data center，简称dc)近年来发展越来越快。现代dc通常占用率很高，导致dc的成本极其巨大。dc作为一种新型的需求响应(demand response，简称dr)资源，具有强大的dr能力。
3.现代dc通常占用率很高，耗电量巨大，导致dc的成本极其巨大。为了降低能源成本，越来越多的dc安装了可再生能源发电装置。但是dc是一种新型的需求响应资源，具有强大的需求响应能力，参与dr后，会导致不同dc的不同能源需求。对于能量需求小、风力发电量大的dc，其有多余的能量。相反，对于能源需求大、风力发电量小的dc，其存在能源短缺。
4.因此，数据中心集群(data center cluster，简称dcc)内部的可再生能源存在未充分利用的问题。又由于可再生能源的不确定性，dcc需要进行储能，但受储能装置高昂，dcc存在无法进行能量存储和取用的问题。


技术实现要素：

5.针对上述现有技术，本发明所解决的技术问题是提供一种数据中心集群共享储能方法，不仅能使数据中心集群内部可再生能源消纳，而且通过与综合共享储能系统协作，在保证数据中心集群安全运行的基础上，实现最优预留放电和充电功率规划，从而降低储能成本。
6.为了解决上述技术问题：
7.第一方面，本发明的数据中心集群共享储能方法，包括下述步骤：
8.建立服务器模型、混合冷却系统模型、可再生能源模型、背压式涡轮机模型、燃气锅炉模型，从而获得各时段各数据中心的能源需求量；
9.建立需求响应模型，根据各数据中心在各时段的可再生能源发电量装置的预测值、各数据中心的能源需求量，进行数据中心集群内部能源调度；
10.根据调度结果，基于数据中心集群的共享储能模型，进行能源储取规划；
11.所述共享储能模型为使数据中心集群每日能源成本最小为目标的模型；所述每日成本包括购能成本、减少可再生能源成本、储能服务成本、出售能源效益；所述购能成本包括购电成本、购热成本、购气成本。
12.在上述技术方案中，通过获取数据中心集群中各数据中心的能源需求，利用不同数据中心的能耗互补，进行内部能源平衡，促进可再生能源消纳；通过每日能源成本最小的共享储能模型，在提高可再生能源的利用率的同时，通过出售能源效益获益，降低每日在能源上成本，从而提高总体能源利用率。
13.作为上述技术方案的进一步改进，所述每日成本进一步包括备用成本；所述备用
成本包括备用放电成本和备用充电成本，从而使共享储能模型能够处理可再生能源装置的产电量预测误差，提高数据中心集群运行的安全性和可靠性。
14.作为上述技术方案的进一步改进，所述每日成本进一步包括风险成本；所述风险成本包括满足置信度水平要求失负荷成本、放弃可再生能源成本；所述失负荷成本等于单位失负荷成本与实际备用充电功率和恰好满足置信水平要求的备用充电功率之间的缺额的乘积；所述放弃可再生能源成本等于单位放弃可再生能源成本与实际备用放电功率和恰好满足置信水平要求的备用放电功率之间缺额的乘积，进而可以使共享储能模型基于恰好满足置信水平要求的备用放电和充电功率进行灵活调整，成为一种基于机会约束目标规划的调度模型，允许备用存储功率在一定程度上偏离恰好满足机会约束的备用放电和充电功率值。
15.作为上述技术方案的进一步改进，所述能源调度通过计算任务重分配实现；所述计算任务重分配的影响因素包括：计算任务的延迟特性和可中断特性、可再生能源装置发电是否处于高峰时段、综合共享储能系统是否处于低价格能源价格和/或能源服务价格。数据中心是一个数据和能量高度耦合的系统，通过计算任务重分配，更多计算任务将分配在可再生能源发电量较大的时段，从而减少可再生能源装置发电量的丢弃量，提高可再生能源装置发电量的利用率。当在低价格能源价格和/或能源服务价格的时段进行计算任务，有利于减少能源成本。
16.作为上述技术方案的进一步改进，所述可再生能源发电量装置包括风电机组，安装于数据中心，利用自然风力进行发电，清洁卫生。
17.作为上述技术方案的进一步改进，所述风电机组在不参与能源调度时，满足下述模型：
[0018][0019][0020][0021][0022]
式中：
[0023]
表示数据中心i在t时段的风电预测误差；n(0，σ2)表示均值为0，方差为σ2的正态分布；表示第i个数据中心在第t个调度时段的预测风电出力功率值；表示第i个数据中心在第t个调度时段的实际利用风电功率；表示第i个数据中心在第t个调度时段的弃风功率；i表示数据中心集合；t表示调度时段集合；
[0024]
在内部能源调度时，风电机组出力模型满足：
[0025][0026]
作为本发明的进一步改进，所述储能规划包括：根据价格、能源使用情况以及可再生能源装置的产能情况，确定是否获取直接使用能源、是否从综合共享储能系统储能、是否向综合共享储能系统释放能源，从而促进可再生能源消纳，使数据中心集群通过放热放电获得经济效益进而降低购存能源成本，满足数据中心集群对能量存储和取用的需求，并进一步保障数据中心集群的安全运行。
[0027]
第二方面，本发明提出了一种数据中心集群共享储能系统，所述系统包括数据中心集群，综合共享储能系统，所述数据中心集群包括数据中心，所述数据中有可再生能源装置。建立服务器模型、混合冷却系统模型、可再生能源模型、背压式涡轮机模型、燃气锅炉模型，从而获得各时段各数据中心的能源需求量；建立需求响应模型，根据各数据中心在各时段的可再生能源发电量装置的预测值、各数据中心的能源需求量，进行数据中心集群内部能源调度；根据调度结果，基于数据中心集群的共享储能模型，进行能源储取规划；所述共享储能模型为使数据中心集群每日能源成本最小为目标的模型；所述每日成本包括购能成本、减少可再生能源成本、储能服务成本、出售能源效益；所述购能成本包括购电成本、购热成本、购气成本；所述储能规划包括根据价格、能源使用情况以及可再生能源装置的产能情况，确定是否购直接使用能源、是否从综合共享储能系统储能、是否向综合共享储能系统释放能源。
[0028]
在上述技术方案中，所述系统用于充分利用数据中心集群内部可再生能源，并通过与综合共享储能系统配合，使数据中心集群通过放热放电获得经济效益，进而降低购存能源成本，满足数据中心集群对能量存储和取用的需求，并进一步保障数据中心集群的安全运行。
[0029]
第三方面，本发明提供了一种数据中心集群共享储能装置，包括存储器和处理器，所述存储器上存储有能够被处理器加载并执行上述任一种方法的计算机程序。
[0030]
第四方面，本发明提供了一种计算机可读存储介质，存储有能够被处理器加载并执行上述任一种方法的任一种方法的计算机程序。
附图说明
[0031]
为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0032]
图1、本发明一个实施例中数据中心集群和综合共享储能系统采用共享储能方法的应用模式示意图；
[0033]
图2、本发明一个实施例中综合能源系统的能源价格示意图；
[0034]
图3、本发明一个实施例中综合能源系统的能源服务价格示意图；
[0035]
图4、本发明一个实施例中风电机组的风电输出预测曲线示意图；
[0036]
图5、本发明一个实施例中24小时数据中心集群中的电力供应和电力需求情况示意图；
[0037]
图6、本发明一个实施例中数据中心集群不进行内部能量平衡示意图；
[0038]
图7、本发明一个实施例中数据中心集群进行内部能量平衡示意图。
具体实施方式
[0039]
下面将结合本技术实施例中的附图，对本技术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技术一部分实施例，而不是全部的实施例。
[0040]
在实施例1中，数据中心集群与综合共享储能系统采用共享储能方法的应用模式，
如图1所示。在图1中，可再生能源发电装置为风电机组，安装在数据中心。可再生能源在其它实施例中还可能是水能、太阳能、光能等。由于数据中心的耗电量巨大，在数据中心安装可再生能源发电装置有利于降低能源成本。在实施例1中，假设各数据中心安装一台风电机组以提供可再生能源。
[0041]
模型1：风电机组出力模型表示为：
[0042][0043][0044][0045][0046]
式中：
[0047]
表示数据中心i在t时段的风电预测误差；n(0，σ2)表示均值为0，方差为σ2的正态分布；表示第i个数据中心在第t个调度时段的预测风电出力功率值；表示第i个数据中心在第t个调度时段的实际利用风电功率；表示第i个数据中心在第t个调度时段的弃风功率；i表示数据中心集合；t表示调度时段集合。
[0048]
模型1中风电机组产生的电能供其所在的数据中心使用。
[0049]
数据中心有四种能量流，包括电流、热流、天然气流和冷却流。数据中心的耗电元件包括服务器和电制冷机。热量消耗元件为双效吸收式制冷机和背压式汽轮机。天然气消耗元件为燃气锅炉。双效吸收式制冷机和电制冷机为服务器散热提供冷却能量。
[0050]
模型2：服务器模型如下：
[0051][0052][0053][0054][0055]
式中：
[0056]cpro
表示处理器集合，c
mem
表示存储器集合，c
oth
表示服务器中的其它电子部件集合，c1是三个集合中的元件索引；s
ser
表示服务器集合；a是计算任务集合；p
i，s，t
表示第i个数据中心中的第s个服务器在第t个调度时段的功率值；p
i，c1，t
表示第i个数据中心中的第c1个元件在第t个调度时段的功率值；表示第i个数据中心中的在第t个调度时段的功率值；u
i，s，t
表示第i个数据中心中的第s个服务器在第t个调度时段的利用率；表示第i个数据中心中的第c1个服务器组件的最大功率；表示计算任务a在第t个调度时段是否在第i个数据中心的第s个服务器中执行的状态变量；表示第i个数据中心中的第c1个服务器组件的空闲状态下的功率；fa为处理计算任务a所占用的cpu频率。
[0057]
风冷和水冷是现代混合冷却系统中两种典型的冷却方式。电制冷机采用电力驱动的空气冷却，而双效吸收式制冷机采用热力驱动的液体冷却。在现代数据中心中，就服务器散热而言，水冷通常用于处理器和存储器的散热，而空气冷却通常用于其他电子元件的散
热。
[0058]
模型3：混合冷却系统模型表达如下：
[0059][0060][0061][0062][0063][0064][0065][0066][0067][0068][0069][0070]
式中：
[0071]
表示第t个调度时段第i个数据中心中处理器产热功率；表示第i个数据中心中处理器电转热能量转换系数；表示第t个调度时段第i个数据中心中第s个服务器处理器电功率；表示第t个调度时段第i个数据中心中存储器产热功率；表示第i个数据中心中存储器电转热能量转换系数；表示第t个调度时段第i个数据中心中第s个服务器存储器电功率；表示第t个调度时段第i个数据中心中服务器中的其它电子部件产热功率；表示第i个数据中心中存储器服务器中的其它电子部件电转热能量转换系数；表示第t个调度时段第i个数据中心中第s个服务器中的其它电子部件的电功率；c
ec
表示电制冷机集合，c2是c
ec
中的元素；表示第t个调度时段第i个数据中心中第c2个元件输出的冷功率；表示第i个数据中心中第c2个元件输入的性能系数；表示第t个调度时段第i个数据中心中第c2个元件输入的电功率；表示第t个调度时段第i个数据中心中第c2个元件需要的散热功率；表示第i个数据中心中第c2个元件输入的最大电功率；c
dac
表示双效吸收式制冷机集合，c3是其中的元素；表示第t个调度时段第i个数据中心中第c3个元件输出的冷功率；表示第i个数据中心中第c3个元件输入的性能系数；表示第t个调度时段第i个数据中心中第c3个元件输入的热功率；表示第i个数据中心中第c3个元件输出的性能系数；表示第t个调度时
段第i个数据中心中第c3个元件需要的散热功率；表示第t个调度时段第i个数据中心冷却系统所需电功率；表示第t个调度时段第i个数据中心冷却系统所需热功率；表示第i个数据中心中第c3个元件输入的最大热功率。
[0072]
模型4：背压式涡轮机模型如下：
[0073][0074][0075][0076]
式中：
[0077]cbpst
表示背压式汽轮机集合，c4为c
bpst
中的元素；表示第t个调度时段第i个数据中心中第c4个元件输出的热功率；表示第i个数据中心中第c4个元件输入热转热的性能系数；表示第i个数据中心中第c4个元件输入热转电的性能系数；表示第t个调度时段第i个数据中心中第c4个元件输入的热功率；表示第t个调度时段第i个数据中心中第c4个元件输出的电功率；表示第t个调度时段第i个数据中心中第c4个元件输入的最大热功率。
[0078]
模型5：燃气锅炉模型表达如下：
[0079][0080][0081][0082]
式中：
[0083]cgb
表示燃气锅炉集合，c5是c
gb
中的元素；ε是天然气热值；表示第t个调度时段第i个数据中心中第c5个元件输出的热功率；表示第i个数据中心中第c5个元件输入的性能系数；表示第t个调度时段第i个数据中心中第c5个元件输入的燃气功率；示第t个调度时段第i个数据中心中第c4个元件输入的热功率；表示第i个数据中心中第c5个元件输入的最大燃气功率；x
c5
表示第c5个元件的能量损失率。
[0084]
数据中心的计算任务按实时性要求可分为可延迟任务和不可延迟任务，按连续性要求可分为连续性任务和可中断任务。由于数据中心的计算任务和能量高度耦合，通过充分利用计算任务的延迟特性和可中断特性，可以在时间和空间上灵活地转移数据中心的负载，从而灵活地调整数据中心集群内不同数据中心的能耗。为了充分利用数据中心负载的时空转移特性，建立如下数据中心的需求响应模型。
[0085]
模型6：需求响应模型表达如下：
[0086][0087][0088]
若a∈a
del
，
[0089]
若a∈a
non
，
[0090]
若a∈a
int
，
[0091]
若a∈a
con
，
[0092]
a∈a，
[0093][0094][0095][0096][0097]
式中：
[0098]
u为数据中心集群集合，u为u中的元素；表示第t个调度时段第u个数据中心集群第i个数据中心转出计算任务数；i-i
表示除了第i个数据中心的数据中心集合，i
′
是i-i
中的元素；表示第t个调度时段第u个数据中心集群第i
′
个数据中心转入计算任务数；a是计算任务集合，a是其中的元素；表示任务a的完成时间；任务a的到达时间；表示任务a的可延迟时间；表示任务a的处理时长；表示任务a的最大可延迟时间；a
del
表示可延迟任务集合，a
non
表示不可延迟任务集合，a
int
表示可中断任务集合，a
con
表示连续性任务集合；表示任务a计算所需时间；表示第t个调度时段任务a的启动指示量；表示第t个调度时段任务a的完成计算指示量；表示第t个调度时段任务a执行的状态变量；表示第t-1个调度时段任务a执行的状态变量。
[0099]
通过需求响应后，数据中心集群的计算任务进行重新分配，此时会导致不同数据中心的不同能源需求：对于能量需求小、风力发电量大的数据中心，其有多余的能量。相反，对于能源需求大、风力发电量小的数据中心，其存在能源短缺。通过在同一数据中心集群内的数据中心首先相互交换能量，进行内部能量平衡，能够充分利用不同数据中心的互补能耗。因此，风电机组的发电量首先用于内部能量调度平衡，故模型1中的风电机组出力模型改进为下述模型。
[0100]
模型7：在内部能源调度时，风电机组出力模型：
[0101][0102][0103][0104][0105]
具体地，如图1所示，数据中心集群中的数据中心通过内部数据通信链路进行数据传递。传递数据包括各时段数据中心的电负荷功率与风电预测值。数据中心集群运营商收集各数据中心数据进行集中优化，并将调度优化结果返还给各数据中心。根据数据中心集群运营商的调度结果，余电数据中心将富余风电传输到缺电数据中心，实现余电数据中心与缺电数据中心的供电互济。通过内部能量平衡机制，数据中心集群内的风电机组发电量可以被数据中心集群内部的任何数据中心所利用。
[0106]
进一步地，将数据中心集群中的过剩能源通过综合共享储能系统进行存储，促进数据中心集群内部的能源消纳，存储的能源能够被共享储能系统的其它用户使用，因而过剩能源能够为数据中心集群增加经济效益。综合共享储能系统中有储电系统和储热系统，提供由租赁容量和租赁电力收取的储能服务。
[0107]
模型8：基于租赁容量的收费方法表达如下：
[0108][0109][0110][0111][0112][0113]
式中：
[0114]
ccau表示第u个数据中心集群的租用储能容量成本；se
cap
表示单位容量的电能服务价格；sh
cap
表示单位容量的热能服务价格；表示第u个数据中心集群的租赁储电系统的最大租赁电量；表示第u个数据中心集群租赁储电系统的最小租赁电量；表示第u个数据中心集群租赁储热系统的最大租赁热量；表示第u个数据中心集群租赁储热系统的最小租赁热量；e
u，1
表示第1个调度时段的第u个数据中心集群的租赁电量；e
u，t
表示第t个调度时段的第u个数据中心集群的租赁电量；e
u，t+1
表示第t+1个调度时段的第u个数据中心集群的租赁电量；表示第1个调度时段的第u个数据中心集群的充电功率；表示第1个调度时段的第u个数据中心集群的放电功率；表示第t个调度时段的第u个数据中心集群的充电功率；表示第t个调度时段的第u个数据中心集群的放电功率；tsum表示调度时段总数，t为调度时段变量；表示第1个调度时段的第u个数据中心集群的吸热功率；表示第t个调度时段的第u个数据中心集群的吸热功率；表示第1个调度时段的第u个数据中心集群的放热功率；表示第t个调度时段的第u个数据中心集群的放热功率；δt表示两个相邻调度时段的时间间隔；qu，1表示第1个调度时段的第u个数据中心集群租赁热量，q
u，t
表示第t个调度时段的第u个数据中心集群租赁热量，q
u，t+1
表示第t+1个调度时段的第u个数据中心集群储热系统租赁热量。
[0115]
模型9：基于租赁功率的收费方法表达如下：
[0116][0117][0118]
[0119]
式中：
[0120]
cpou表示第u个数据中心集群的租用储能功率成本；se
pow
表示单位功率的电能服务价格；表示第t个调度时段的第u个数据中心集群充电功率；表示第t个调度时段的第u个数据中心集群放电功率；sh
pow
表示单位功率的热能服务价格；表示第u个数据中心集群的最大充电功率；表示第u个数据中心集群的最大放电功率；表示第t个调度时段的第u个数据中心集群的充电状态变量；表示第t个调度时段的第u个数据中心集群的放电状态变量；表示第t个调度时段的第u个数据中心集群吸热功率；表示第t个调度时段的第u个数据中心集群放热功率；表示第u个数据中心集群的最大吸热功率；表示第式数据中心集群的最大放热功率；表示第t个调度时段的第u个数据中心集群的吸热状态变量；表示第t个调度时段的第u个数据中心集群的放热状态变量。
[0121]
根据模型8和模型9，数据中心集群从综合共享储能系统中获得的经济效益通过下面经济效益模型进行计算：
[0122]
模型10：
[0123][0124]
式中：
[0125]
bssu表示第u个数据中心集群的经济效益；ce
dis
表示数据中心集群与综合共享储能系统签订的放电收购合同价格；ch
rel
表示数据中心集群与综合共享储能系统签订的放热收购合同价格。
[0126]
进一步地，数据中心集群以最小化日成本为目标，进行计算任务重分配，安排能耗计划、购能计划和储能服务购买计划。数据中心集群的成本来自于从综合能源系统能源购买成本、弃风成本和储能服务成本。数据中心集群从放电和放热中获得经济效益。
[0127]
模型11：在满足数据中心集群运行约束下，基于数据中心集群的共享储能模型表达如下：min dcu＝cpiu+cwcu+ces
u-bssu[0128]
在满足模型2-10及其约束的情况下，增加下述约束：
[0129]
s.t.cpiu＝cpeiu+cphiu+cpgiu[0130][0131][0132][0133][0134]
cesu＝ccau+cpou[0135][0136]
[0137][0138][0139][0140]
式中：
[0141]
dcu表示第u个数据中心集群每日成本；cpiu表示第u个数据中心集群的购能成本；cwcu表示第u个数据中心集群的弃风成本；cesu表示第u个数据中心集群的储能服务成本；cpeiu表示第u个数据中心集群的购电成本；cphiu表示第u个数据中心集群的购热成本；cpgiu表示第u个数据中心集群的购气成本；表示第t个调度时段的第u个数据中心集群购电功率；epi
t
表示第t个调度时段购电价格；表示第t个调度时段的第u个数据中心集群购热功率；hpi
t
表示第t个调度时段购热价格；表示第t个调度时段的第u个数据中心集群购气功率；gpi
t
第t个调度时段购气价格；l
wc
表示弃风的单位成本；表示第t个调度时段第i个数据中心的负荷电功率；表示第t个调度时段第i个数据中心的供能系统电功率；表示第t个调度时段第i个数据中心的照明系统电功率；表示第t个调度时段第i个数据中心的负荷热功率。
[0142]
在实施例2中，对实施例1中基于数据中心集群的共享储能模型进行了改进，为数据中心集群的安全运行预留放电和充电功率，以处理不确定性变量风电预测误差，建立了基于机会约束规划的数据中心集群优化模型。
[0143]
模型12：基于机会约束规划的数据中心集群优化模型如下：
[0144][0145]
在模型11的约束中，将约束：
[0146][0147]
改进为：
[0148][0149][0150]
在需满足模型11中剩余约束条件下，增加约束：
[0151]
[0152][0153][0154]
式中：
[0155]
表示第u个数据中心集群基于机会约束规划的日成本；crsu表示第u个数据中心集群备用成本；表示第t个调度时段第u个数据中心集群备用充电功率；表示第t个调度时段第u个数据中心集群备用放电功率；β为置信水平；表示第u个数据中心集群的最大充电备用电功率；表示第u个数据中心集群的最大放电备用电功率。
[0156]
在实施例3中，通过实施例2中的模型增加风险成本考虑，进一步提高数据中心集群运行的安全性和可靠性。即，在数据中心集群的日成本中，进一步考虑基于恰好满足置信水平要求的备用放电和充电功率，以便进行灵活调整能源使用需求响应，建立基于机会约束目标规划的调度模型，允许备用存储功率在一定程度上偏离恰好满足机会约束的备用放电和充电功率值。风险成本来自对置信水平要求的不满足。
[0157]
模型13：基于机会约束目标规划的调度模型如下：
[0158][0159]
模型13将模型12的两个概率约束改进为如下概率约束：
[0160][0161][0162]
在满足模型12剩余的约束条件基础上，增加下述约束条件：
[0163][0164][0165]
式中：
[0166]
l
load
和l
wind
分别为单位失负荷成本和单位弃风成本；和分别为实际备用充/放电功率和恰好满足置信水平要求的备用充/放电功率之间的缺额。cru表示第u个数据中心集群的风险成本。
[0167]
进一步地，根据下述推论：
[0168]
对于pr{gn(x，k)≤bn}≥βn中所表达的机会约束gn(x，k)，当且仅当其可以表示为gn(x，k)＝h(x)-k时，它可以转换为确定性形式h(x)-bn≤v
β
，，其
中：x是决策变量；κ是随机变量；bn是目标n的值，为常数；βn为约束n的置信水平；是随机变量的逆累积分布函数。
[0169]
可将上述两个概率形式的机会约束转换为两个确定性形式，以降低模型11的求解难度，转换后的结果如下：
[0170][0171][0172]
式中：为通过逆累积分布函数得到的对应置信水平为(1-β)的电功率。
[0173]
在实施例1-3中涉及的相同参数含义相同。
[0174]
在实施例4中，包含一个数据中心集群dcc和一个综合共享储能系统siess。dcc包含三个dc，后以dc1、dc2和dc3表示。一天分为24个时间段。综合能源系统的能源价格和综合共享储能系统的能源服务价格如图2和图3所示。三个dc中风电机组的风电输出预测曲线如图4所示。每个dc包含10个批处理服务器，每个批处理服务器聚合10000个子服务器，cpu频率为3.4ghz。子服务器的详细信息见表1-表3。服务器利用率上限设置为90％。有三种类型的计算任务分配给dc，其详细信息如表4所示。dc中的能耗元件参数见表5。置信水平β设置为0.95。表6显示了五种案例下dcc运营商的日成本。
[0175]
表1 dc1处服务器信息
[0176][0177]
表2 dc2处服务器信息
[0178][0179]
表3 dc3处服务器信息
[0180][0181]
表4数据中心计算作业信息
[0182][0183]
表5数据中心各能量元件信息
[0184][0185][0186]
表6五种案例下dcc运营商的日成本
[0187][0188]
案例1：不参与需求响应，不购买共享储能服务，不进行内部能量平衡，将其调度结果作为基准值。当dcc不参与需求响应时，其日成本最高。案例2：参与需求响应，不购买共享储能服务，不进行内部能量平衡。调度结果表明，通过参与需求响应，计算任务得到重新分配。更多计算任务将分配在风力发电量较大的时段，从而减少弃风量。数据中心集群的购能成本和弃风成本分别降低了6.2％和32.5％。案例3：参与需求响应，不购买共享储能服务，进行内部能量平衡。案例4：参与需求响应，购买共享储能服务，不进行内部能量平衡。在案
例3和案例4中，弃风成本进一步降至零，这表明内部能量平衡机制和购买共享储能服务均有助于提高风电利用率。尤其是在案例4中，数据中心集群运营商开始与综合共享储能系统运营商进行能源交易。从而降低了能源购买成本，增加了储能服务成本。此外，通过购买共享储能服务，数据中心集群运营商能够在风力发电高峰时段向综合共享储能系统放电获得收益。案例5：参与需求响应，购买共享储能服务，进行内部能量平衡。数据中心集群运营日成本最低，意味着本发明提出的共享储能方法能有效提高数据中心集群的经济效益。
[0189]
图5描绘了24小时数据中心集群中的电力供应和电力需求情况。基于机会约束目标规划的应用，电力供应和电力需求的不平衡量对应于失负荷风险。在数据中心集群不参与需求响应时，三个dc的初始计算任务分配相同。由于dc3中的服务器能耗最大，因此在dcc不参与需求响应的情况下，dc3中的服务器耗电量在所有时段均为最大。相比之下，在参与dr后，由于dc2中的服务器消耗的电力最少，大多数计算任务都会分配给dc2。此外，更多的计算任务会分配到在电价较低的时段，即上午0:00至上午7;00。由于综合能源系统和综合共享储能系统在案例5均为电力供应商，为了最大化降低日成本，dcc总是选择价格较低的电力供应商。因此，dcc在早上7:00、晚上7:00-9:00均选择从综合共享储能系统充电。其余时段，dcc从综合能源系统购买电能。
[0190]
图6比较了dcc在是否进行内部能量平衡情况下的租赁功率。在不进行内部能量平衡时，每个dc独立与综合共享储能系统运营商进行能源交易。在同一时段，一些dc有富余的风电，而其他dc则风电供应不足。为了保持dc内部功率平衡，有富余风电的dc向综合共享储能系统放电，而其他dc从综合能源系统购买电力或从综合共享储能系统充电。在图6中，在上午7：00，dc1放电而dc2和dc3充电。因此，在不进行内部能量平衡的情况下，dcc的总租赁功率非常大。当dcc进行内部能量平衡时，富余风电被风电供应不足的dc处。dcc运营商在进行内部能量互补后从综合共享储能系统租赁充放电功率。与图6相比，图7中dcc的充电租赁功率显著下降。算例结果表明，所提出的内部能量平衡机制可以有效地降低dcc的租赁功率，促进可再生能源的就地消纳。
[0191]
通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本公开方法、系统、装置的全部和/或部分可借助软件加必需的通用硬件的方式来实现，当然也可以通过专用硬件包括专用集成电路、专用cpu、专用存储器、专用元器件等来实现。一般情况下，凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现，而且，用来实现同一功能的具体硬件结构也可以是多种多样的，例如模拟电路、数字电路或专用电路等。但是，对本公开而言更多情况下，软件程序实现是更佳的实施方式。
[0192]
尽管以上结合附图对本发明的实施方案进行了描述，但本发明并不局限于上述的具体实施方案和应用领域，上述的具体实施方案仅仅是示意性的、指导性的，而不是限制性的。本领域的普通技术人员在本说明书的启示下和在不脱离本发明权利要求所保护的范围的情况下，还可以做出很多种的形式，这些均属于本发明保护之列。