利用动态碳强度实现互联网数据中心的能源与数据协同优化

《Renewable Energy》：Harnessing Dynamic Carbon Intensity for Energy-Data Co-Optimization in Internet Data Centers

两阶段时空耦合能源数据协同优化方法有效降低数据中心碳排放与运营成本，动态碳强度反馈机制提升可再生能源利用率至98.9%，跨区域互补性指标提高2.3%。

　　随着全球范围内大规模人工智能模型的迅速发展，数据中心（DCs）的电力消耗正在显著上升。特别是在互联网数据中心（IDCs）领域，其对电力的需求量巨大，从数百千瓦到数百兆瓦不等，且需全年无休地运行。这种持续性的高功率需求给电力供应带来了巨大压力，同时也加剧了碳排放问题。根据相关研究，2021年中国数据中心消耗了2166亿千瓦时的电力，占全国总用电量的约2.6%；至2022年，这一数字已增长至2700亿千瓦时，伴随670万台机架的部署。全球范围内，预计到2030年数据中心的电力需求将达到3000太瓦时，占全球总电力消耗的23%。这一趋势表明，数据中心的能源使用行为已成为全球碳排放的重要驱动因素。

在传统模式下，数据中心的低碳发展主要依赖于提升能源效率，如采用自由冷却技术或废热回收系统。自由冷却系统通过利用室外环境空气实现显著的节能效果，尤其适用于寒冷地区，可降低系统冷却能耗2.5%-6.4%。而废热回收则通过将数据中心产生的废热用于区域供暖网络，从而减少供暖成本、降低排放并提高整体能源利用率。然而，这些方法主要着眼于降低单位能耗，忽视了可再生能源利用与碳排放之间的关键联系。即使在能源效率得到提升的情况下，如果缺乏低碳电力供应，数据中心的碳排放仍然不可避免。

为了进一步提高可再生能源的利用率并减少碳排放，数据中心可以通过安装电气储能（EES）和冰蓄冷空调（ISAC）等灵活资源，实现从电力消费者向电力生产者和消费者的转变。一些研究指出，通过整合光伏（PV）与共享储能，可以有效降低数据中心的日均运营成本，同时提升可再生能源的使用比例。然而，由于数据中心内部空间有限，其可安装的光伏容量存在较大限制。在多数地区，尤其是发展中国家，电网仍然高度依赖化石燃料发电，导致数据中心主要消耗的是高碳电力。因此，数据中心不仅是电力的消费者，也是间接但主要的碳排放源。

相比仅减少单位能耗，通过协调数据中心与电网的运行，最大化可再生能源的利用，是实现碳减排更为有效的途径。数据中心在处理数据负载时展现出一定的灵活性，特别是互联网数据中心（IDCs），其数据负载的转移并不受电网的限制。例如，位于高负载地区的数据中心可以将部分任务转移至低负载地区，从而降低整体电力需求。此外，非紧急数据负载可以延迟并安排在可再生能源发电高峰期进行处理，这不仅提高了资源利用效率，还缓解了电网压力。一些研究提出了基于数据负载转移的联合优化框架，通过分类任务的时间、执行时长和截止时间，实现动态且高效的调度。另一些研究则开发了包含数据中心参与的梯级水-火-风联合电力系统优化模型，利用数据负载的时空转移性，提升电网灵活性并实现与水电站的协调调度。

近年来，机器学习在提升数据中心运营灵活性和故障韧性方面发挥了重要作用。一些研究展示了机器学习模型在短期负载预测任务中的高准确性，这些模型通过学习CPU和内存使用、磁盘I/O以及任务调度行为的时序模式，主动估计资源需求，从而实现动态资源分配和负载平衡。准确的负载预测有助于提前进行任务重排和需求转移，增强分布式数据中心对实时电价和碳强度的响应能力，从而提升IT和冷却负载在数据中心网络中的可控性和灵活性。

随着可再生能源在电网中的占比不断提升，电网正经历从化石燃料向可再生能源的转型。通过灵活负载的整合，可以进一步提高可再生能源的利用率。许多研究已探索数据中心作为需求响应资源的潜力，使其能够主动参与电网运行。通过需求侧的灵活性，数据中心可以减少运营成本并提高可再生能源的使用率。一些研究提出了针对数据中心的激励兼容型需求响应策略，使其能够通过任务迁移与电力市场互动，从而降低能源支出、提升社会福利并缓解电网拥堵。在主动需求响应机制下，数据中心可以充分利用其数据负载的时空转移能力，与间歇性可再生能源发电相协调，理论上可实现100%的可再生能源供应。这不仅有助于降低整个系统的运营成本，还能显著减少可再生能源的弃风弃光现象。

然而，现有的基于价格的需求响应或由时间电价驱动的源-荷协调方法，往往未能充分反映碳信息。为了解决这一问题，需要将碳交易模型纳入数据中心的运营中。研究表明，碳交易是一种有效的减排工具，但大多数现有的碳交易模型仅基于电网的年度平均碳排放因子进行估算，无法反映可再生能源带来的波动性。一些研究提出了基于未来碳强度的预测模型，但缺乏足够的空间分辨率。为了提高准确性，部分研究引入了每小时的碳排放因子，如通过历史运行数据提取每小时的碳强度值，以更精确地捕捉电网的碳排放特征。然而，这些方法仍然未能全面反映高可再生能源占比电网中碳强度的时空异质性。随着分布式能源资源的普及，碳排放因子越来越受到本地可再生能源产出和区域调度的影响。由于数据中心具有地理分布的特性，其碳排放呈现出时空动态变化的特征，这给碳评估带来了不确定性。

为了解决上述问题，本文提出了一种基于节点级碳追踪的动态碳强度反馈机制。通过整合碳排放流（CEF）理论，可以实现对不同节点上数据中心碳排放因子的准确评估，并支持实时、节点级别的碳追踪。CEF理论将碳排放建模为一种虚拟流，与实际电力流并行，已被广泛应用于电力系统分析。一些研究基于CEF理论提出了碳感知的最优潮流（OPF）模型，用于实现电网中的碳管理，将CEF、碳约束和碳目标纳入传统的OPF框架。另一些研究则通过递归追踪电力系统中各发电机的物理可达集，量化各节点的平均和边际碳排放强度。这些方法利用节点级碳强度作为指导信号，鼓励用户将电力消费转移到碳排放较低的时段或地区。此外，CEF理论还支持电网中碳排放责任的分配，使得靠近可再生能源站点的节点具有较低的碳强度，而高可再生能源产出时段则进一步激励用户将负载转移到低碳时段。

数据中心的运行过程中，近90%的电力最终转化为热能，其中冷却系统占据了约40%的总电力消耗。对于高可靠性的A类数据中心，部署电气储能是支持可再生能源稳定集成的关键。考虑到电力、供暖和冷却系统之间复杂的多时间尺度互动，以及可再生能源的固有波动性，灵活资源如电气储能和冰蓄冷空调在缓解波动和确保可靠运行方面至关重要。通过协调数据中心内部的多种能源载体，并利用多能源与多数据的互补时空特性，可以维持供需平衡并增强整体运营灵活性。这种整合方法不仅显著提升了数据中心的平均能源利用率，还优化了其能源结构，降低了运营成本。

本文的研究重点在于解决现有研究中对数据中心多能源与多数据流协同优化的系统性不足。尽管已有大量文献探讨了数据中心在可再生能源利用方面的潜力，但缺乏对多能源和多数据流在节点级碳追踪下的协调优化。这种研究空白导致了可再生能源的浪费和电网对化石燃料的过度依赖。为此，本文的主要贡献如下：

首先，开发了一种时空耦合的能源-数据协同优化模型。该模型结合了电气储能和冰蓄冷空调的互补能力，以及交互式和批量数据处理的时空灵活性。通过将能源调度与数据传输对齐，实现了在空间和时间维度上的协同运营成本最小化和碳排放减少。此外，该模型还通过量化和提升跨区域可再生能源互补性，增强了电网与数据中心之间的协同效应。

其次，设计了一种碳感知的两阶段优化模型。该模型引入了一种基于多节点动态碳强度的新型碳感知调度框架。通过第一阶段的最优潮流（OPF）和碳排放流（CEF）结果，第二阶段能够自适应调整数据中心的运营，包括数据调度、电气储能的调度和冰蓄冷空调的冷却策略。一种迭代优化方案确保了碳排放与运营成本之间的平衡，使数据中心能够在满足电力需求的同时，主动消耗可再生能源并减少对化石燃料的依赖。

最后，验证了两阶段能源-数据协同优化方法的有效性。通过将数据中心集成到IEEE 14节点系统中，研究展示了该方法在降低运营成本、减少可再生能源弃风弃光现象、提升跨区域可再生能源互补性以及整体碳排放减少方面的显著优势。这些结果不仅验证了该方法在环境和运营方面的双重效益，还为未来数据中心的低碳发展提供了新的思路。

本文的其余部分组织如下：第二部分介绍了所提出的协同优化框架的设计理念；第三部分详细阐述了该方法的实现；第四部分通过案例研究展示了其在IEEE 14节点系统中的应用；第五部分总结了研究的主要结论。通过这一系统性的研究，本文旨在为数据中心的低碳发展提供理论支持和实践指导，推动其成为实现电网碳中和目标的重要力量。