碳交易机制下融合分布式与共享储能的数据中心集群最优调度

《Sustainability》：Optimal Scheduling of Data Center Clusters with Distributed and Shared Energy Storage Under a Carbon Trading Mechanism

　　

数据存储与计算需求的快速增长大幅提升了数据中心（DC）的能耗与碳排放。储能系统促进了多源能源协调，而数据中心在需求响应（DR）计划中的作用日益扩大。研究人员提出了一种在碳交易机制下，融合分布式储能（DES）与共享储能（SES）的数据中心集群（DCC）能量与工作量最优调度模型。该模型构建为混合整数非线性规划（MINLP）以最小化经济目标，包括用电相关成本与碳交易成本。案例研究表明，与仅配置DES的方案相比，同时整合DES与SES的DCC可实现成本降低46.19%与碳排放降低54.02%。参与DR可进一步降低成本和碳排放。通过评估不同规模组成DC的DCC实例的计算性能，验证了所提模型的可扩展性。研究还考察了碳价与储能容量对DCC性能的影响。较高的碳价减少碳排放但增加成本，而更大的DES与SES容量则同时降低两者。所提模型在广泛的再生能源发电条件与计算工作量范围内均表现可解且良好。本研究为碳交易机制下数据中心的可持续发展提供了实践启示。

研究背景方面，数字经济蓬勃发展背景下，数据中心作为承载海量数据存储与计算任务的实体已成为快速增长产业，预计到2030年全球数据中心耗电量占比将达3%、碳排放贡献达8%，且多数数据中心资源管理不善导致运营成本高，同时数据中心逐步纳入碳交易框架如上海碳市场全面深化改革行动计划（2026–2030），因此亟需探索有效的低碳策略以管理计算工作量与能量调度、提升经济效益并降低碳排放。现有研究虽关注含分布式储能（DES）或共享储能（SES）的数据中心集群（DCC），但未充分探讨两者同时整合在经济成本进一步降低的潜力，尤其碳排放约束下，且碳交易机制对DCC经济与环境性能的影响及储能设备容量对最优决策与碳排放的影响尚未深入，为此研究人员提出假设：碳交易机制下DES与SES同时整合入DCC比单一储能更具成本效益，助力数据中心可持续发展。研究人员构建了融合DES与SES的DCC协同最优调度框架，通过联合优化计算任务调度与能量调度最小化总成本（含碳交易成本），设计多场景与混合整数非线性规划（MINLP）模型考察其对成本与碳排放的影响，开展参数分析探究碳价、储能容量、再生能源发电的影响，得出相关结论并具有实践意义，论文发表于《Sustainability》。

关键技术方法方面，研究人员以含3个异构数据中心且整合DES与SES的DCC为案例，设定延迟容忍负载比例参数为0.5，采用区域分时电价，参考既有文献设定经济环境参数与转换系数，构建MINLP优化模型，采用Gurobi Optimizer 12.0.2于Python 3.13.5（Anaconda 3分布）求解，调度间隔1小时，设置相对最优性间隙1×10^?4，通过5类场景对比（无储能无DR的基线场景、仅DES场景、DES+SES场景、DES+DR场景、DES+SES+DR场景）与多维度敏感性分析（碳价、DES容量、DES与SES联合容量、再生能源发电、计算工作量）开展研究。

研究结果部分，4.1基本数据显示案例采用3个异构数据中心整合DES与SES，设定相关参数与调度优先级（光伏PV与风电WT优先、其次电网购电、再次DES与SES放电），采用Gurobi求解器配置默认终止准则，非线性项用gurobipy.QuadExpr()实现，Scenario 5求解仅探索313个分支定界节点、7705次单纯形迭代，CPU时间1.39秒利用16线程，惩罚因子λ放大10倍重新求解最优调度策略不变、总成本从1733.59升至1738.90 USD、惩罚成本从0.59升至5.90 USD，验证λ不扭曲成本。4.2不同场景优化结果比较分析设5场景，Comparative Experiment 1对比Scenario 1与2、3显示储能系统提升DCC经济效率；Comparative Experiment 2对比Scenario 2与3显示Scenario 3总成本较Scenario 2降46.19%，证明DES+SES架构经济更优；Comparative Experiment 3对比Scenario 2与4显示仅DES的DCC引入DR后成本降23.12%；Comparative Experiment 4对比Scenario 3与5显示DES+SES的DCC引入DR后成本降11.73%，同时碳排放成本显著降低，三者协同较基线Scenario 1总成本降66.48%；碳排放方面，Scenario 3较Scenario 1降70.00%、较Scenario 2降54.02%，Scenario 5较Scenario 3因DR再降16.84%。4.2.1成本分析与碳排放分析得出上述成本与排放量化结论。4.2.2运行调度策略通过各场景DC内部电力平衡图显示所有场景均全额利用PV与WT发电、促进再生能源消纳，DES与SES通过协同充放电降成本与排放，DR使DC功率需求灵活匹配实时供能，不同DC电力平衡曲线差异源于再生能源供应与DES设备影响。4.2.3 DES与SES储能通过图显示Scenario 5中DES储能容量变化范围大于其他场景（因DR改变耗电曲线），SES充放电节奏与分布式单元协同优化以吸纳过剩再生电力、降本减排。4.2.4 DCC规模影响通过表显示Scenario 5下DC数量从3增至12时求解时间与复杂度上升，总成本先降后升、6个DC时最低，验证模型可扩展性。4.3敏感性分析，4.3.1碳价敏感性显示碳价从0.001 USD/kg升至0.07 USD/kg时总成本从1081.32 USD升至1907.57 USD，用电相关成本同向上升，碳排放成本波动，碳排放从11.12×10⁴ kg降至1.78×10⁴ kg（减排率84.00%）。4.3.2 DES储能容量敏感性显示DES容量在0.1–2倍基准容量内变化时总成本与碳排放几乎无响应，说明存在足够大SES时超基准的DES容量无边际效益。4.3.3 DES与SES储能容量联合敏感性通过等高线图显示SES容量对经济与环境性能影响更显著，固定SES为10000 kW时DC1的DES从100 kW调至1000 kW总成本从1673.18 USD微降至1669.44 USD、碳排放从2.25×10⁴ kg降至2.21×10⁴ kg；SES<5000 kWh时增加DES容量显著降本减排，两者互补，边际效应随容量扩大减弱，超临界阈值后冗余容量损害系统调节能力。4.3.4再生能源发电敏感性显示风速与太阳辐射在±50%扰动下，更高PV与风电输出使总成本与碳排放下降，超当前水平40%后再生能源满足或超过需求、过剩弃电，模型在广泛再生能源条件下可解且表现良好。4.3.5计算工作量敏感性显示工作量在±50%生成下，更高工作量使总成本与碳排放上升，模型在多样计算设置下可解且表现良好。

讨论与结论翻译部分，研究人员提出一种整合DES与SES的DCC能量系统最优能量与工作量调度模型，综合考虑碳交易机制下的经济成本。实验考察不同场景下的最优能量与工作量调度性能，结果表明：与仅配备DES的能量系统相比，同时具备DES与SES的能量系统在经济成本与碳排放方面表现更优，具体而言经济成本最高降低46.19%、碳排放最高降低54.02%；此外DCC可有效参与DR管理，进一步降低其能源成本与碳排放；而且随着碳价升高，碳排放呈下降趋势，而总成本相应上升；DES与SES容量的增加显著使DCC的成本与碳排放降低；此外所提模型在多样的再生能源发电条件与计算工作量下均表现可解且良好。本研究通过碳交易机制下协同最优能量与工作量调度，探讨了DES与SES整合入DCC的经济与环境潜力，所提框架被证明可行且有益于提升经济可行性与环境可持续性；未来工作可聚焦：设计模块化接口以无缝集成至现有数据中心能量管理系统、采用分解或启发式算法解决大规模DCC实例的计算瓶颈以提升可扩展性、采用鲁棒优化处理实际运行的不确定性（如再生能源发电、工作量突变、电价波动）、制定DCC内数据中心间公平收益分配方案并兼顾全局信息共享的隐私保护。

要不要我帮你把这篇论文解读里的关键结论再提炼成几条简洁的要点方便快速查阅？