面向数据中心微电网的容量配置与两阶段鲁棒优化方法：一种考虑电?算耦合与批处理延迟约束的框架

《Global Energy Interconnection》：Capacity optimization of data center microgrid coupling computing-power and electricity consumption

　　

研究人员提出一种面向数据中心微电网的容量配置与两阶段鲁棒优化方法，建立电?算耦合模型(electric?computing coupled model, ECCM)以刻画交互式负载I(t)与批处理负载∑τ=124eτt共同构成的数据中心功率PDC(t)，并引入批处理延迟α(τ,t)与收益折减因子cα及指示函数χα(τ,t)以量化延迟约束下的计算收益R。冷却侧由内部水冷与锂溴吸收式制冷机（由燃气轮机余热驱动）共同供给，净冷却需求表示为Pcw(t)=κcwPDC(t)?Pcl(t)。运行成本ODC(t)=ODC1(t)+ODC2(t)由服务器购电与维护成本cgPDC(t)+caPDC(t)及冷却成本cgKePcw(t)组成。光伏输出Ppv(t)=Pswpv(La(t)/Ls)[1+f(Ta(t)?Ts)]，板温Ta(t)=Tsa(t)+κLa(t)；储能功率Ps(t)=PBTC(t)+PBTD(t)，SOC递推为SOCBT,t=SOCBT,t?1+[ηbt,cPBTC?PBTD/ηbt,d]Δt；燃气轮机输出PGTt=ηGT·Pet·VCH4，耗气成本OG(t)=aPG2(t)+bPG(t)+c，余热制冷PCL(t)=ηWHPG(t)。规划目标min[f1(x)+f2(x)]，f1为年化投资成本（燃气轮机CG=cGSG、储能CESS=cESSSESS、光伏CPV=cPVSPV），f2=?R+∑t=124[OG(t)+OS(t)+ODC(t)+Ogrid(t)]为运行成本。不确定集Ubox覆盖光伏upv,ref(t)、常规负荷uL,ref(t)与数据中心负载uDC,ref(t)波动，整体建模为min?max?min三层鲁棒问题，采用列与约束生成(column?and?constraint generation, C&C?G)算法求解。算例基于无锡超算中心青海大学分中心历史数据，设延迟容忍2 h、β=0.3、PDCmax=1500 kW、c=0.6、折现20年5%，对比Case1（无批处理）、Case2（有批处理无ECCM）、Case3（有批处理且含ECCM?DDC），结果表明Case3储能容量降至1359.5 kW、燃气轮机729.2 kW、光伏611 kW，日投资成本2111.26 CNY、运行成本12821.33 CNY，较Case1与Case2均下降；功率波动系数PFC=σP/μP在Case3较Case2降17%、较Case1降38%；灵敏度分析显示批处理比例μ由0.1增至0.5时投资成本由2294.32降至1970.41 CNY，损失因子c增大则成本上升；不同电价、延迟容忍(1 h/3 h)与不确定性集合（多面体Upoly、椭球Uell）下Case3均优于Case2，保守参数Γ=6→12时规划成本上升但Case3仍更低；算法在μ=0.4、0.5时需3次迭代收敛，其余2次，验证稳定性。研究证实引入电?算耦合与延迟约束可有效降低储能依赖与峰谷差，提升经济性并抑制不确定影响，为数据中心微电网规划提供通用框架。

研究背景方面，数据中心高能耗与微电网源荷不确定性导致传统容量配置易过于保守或经济性差，现有方法多未充分考虑批处理负载的时间可平移特性与计算收益随延迟衰减关系，也难以协同电?算耦合与冷却余热利用。研究人员以此开展面向数据中心微电网的两阶段鲁棒容量配置与运行优化研究，建立电?算耦合功率模型(electric?computing coupled model, ECCM)与批处理延迟约束收益模型，引入燃气轮机?锂溴吸收式制冷余热制冷(absorption chiller)、光伏、储能与电网交互，构建min?max?min鲁棒规划框架并用列与约束生成(column?and?constraint generation, C&C?G)算法求解，得出考虑批处理负载与延迟约束可显著降低储能配置规模与运行成本、平滑功率波动、提升系统对经济与不确定性的适应性的结论，研究发表于《Global Energy Interconnection》，对数据中心与微电网协同规划具有重要工程意义。

作者采用的关键技术方法包括：电?算耦合模型(ECCM)刻画交互与批处理负载及冷却耦合；两阶段鲁棒优化处理光伏、负荷与算力不确定，构造盒式(box)、多面体(polyhedral)、椭球(ellipsoidal)不确定集U；燃气轮机微增率与二次耗气成本模型、锂溴吸收式制冷机余热转换η_WH；储能SOC_BT,t动态与充放互斥约束；时间?用电(Time?of?Use, TOU)电价与批处理延迟容忍T=2 h、损失因子c=0.6、比例β=0.3；C&C?G算法将主问题（容量配置）与子问题（最坏场景运行）迭代求解；算例数据来源于National Supercomputing Center Wuxi Qinghai University Branch的历史光伏、负荷与算力曲线，设备参数见表1，设置Case1–3对比。

研究结果如下：

1.2. Modeling of photovoltaic, energy storage, and gas turbine systems：研究人员建立光伏P_pv(t)温?辐模型、储能SOC_BT,t递推与充放功率P_BTC(t)、P_BTD(t)及效率η_bt,c、η_bt,d，燃气轮机P_GTt=η_GT·P_et·V_CH4与二次成本O_G(t)，余热制冷P_CL(t)=η_WHP_G(t)，并给出相应上下限与爬坡ΔP^main≤P_GTt+1?P_GTt≤ΔP^max约束。

1. 2.
   A two-stage robust optimization methodology for data center microgrids：研究人员将规划描述为min_x[f₁(x)+max_u∈Ur(x,u)]，其中f₁为年化投资、f₂=?R+∑[O_G+O_S+O_DC+O_grid]，约束含装机S_G、S_ESS、S_PV范围、交换功率?P_Line^max≤P_grid(t)≤P_Line^min与功率平衡P_grid+P_G+P_pv=P_S+P_DC+P_L，不确定集U_box界定u_pv,ref(t)、u_L,ref(t)、u_DC,ref(t)波动，可行域Ω(x,u)用D y≥d、I_uy=u、F x+G y≥h、K y=0表示，C&C?G分解为主?子问题迭代至收敛。
2. 3.
   Case study：基于Wuxi Qinghai University Branch数据，参数见表1，延迟2 h、β=0.3、P_DC^max=1500 kW、c=0.6、20年5%。3.1 Parameter settings设Case1–3；3.2 Simulation results表明Case3储能1359.5 kW、燃气729.2 kW、光伏611 kW、日投资2111.26 CNY、运行12821.33 CNY，较Case1–2下降，功率波动较Case2降17%、Case1降38%，储能折旧降35.79%，GT高峰对齐高价电，批处理移谷填峰；3.3 Parametric sensitivity analysis显示不同TOU电价下Case3投资降29.8%–36.9%、运行降2.9%–11.3%；延迟1 h/3 h下Case3成本低于Case2；Γ=6→12成本上升但Case3仍优；U_poly、U_ell较U_box更经济；μ由0.1→0.5投资2294.32→1970.41 CNY；c增大成本上升；μ=0.4/0.5时C&C?G需3次迭代收敛，其余2次，验证稳定。

讨论部分总结：研究人员指出未来可从分布式协同控制（通信延迟、丢包）与数字孪生平台两方面拓展，将静态规划与动态优化结合。结论部分翻译为：为解决融合数据中心的微电网容量配置问题，本研究开发一种专门面向数据中心容量配置的优化方法，采用两阶段鲁棒优化并利用含数据延迟约束的计算?能源耦合模型。该优化框架的主问题旨在最小化系统容量配置成本，子问题处理运行问题并识别最大化运行成本的最坏场景，子问题解反馈至主问题进一步迭代，最终产出最优容量配置方案，得到落在数据中心微电网运营商可接受范围内的延迟容忍与损失因子最优参数设置。优化方法的计算结果表明：以无锡超算中心青海大学分中心微电网为案例进行对比分析，本研究提出的方法降低了运行成本、设备日投资成本与储能系统配置容量，验证了优化有效性；借助考虑数据延迟约束的电?算耦合模型建立多目标优化框架以应对源荷不确定性，从而降低系统功率波动；分析不同业务场景下数据中心微电网规划结果，验证了所提优化方法的通用性，并揭示了各系数对规划结果的影响。