基于负荷聚合的数据中心虚拟电厂协调优化系统及方法与流程

本发明涉及电力资源调度领域，尤其是涉及一种基于负荷聚合的数据中心虚拟电厂协调优化系统及方法。

背景技术：

1、随着数据中心能源消耗的快速增长，电力系统运营商面临电网高峰压力加剧和碳排放持续增加的双重问题。虚拟电厂（vpp）通过将分布式能源资源整合为可调度实体，提供了巧妙的解决思路。由于数据中心具备it负载灵活调度及储能等固有灵活性，其成为vpp整合的理想载体，由此形成了数据中心虚拟电厂（dc-vpp）的概念。

2、然而，协调dc-vpp面临一系列明确且困难的技术挑战。数据中心负载具有高度异构性和不确定性，运营效率与碳减排目标之间存在矛盾，并且系统迫切需要快速、自适应的实时决策。传统优化方法，如混合整数线性规划（milp）和模型预测控制（mpc），存在计算延迟大、高度依赖精确预测等不足，容易受到预测误差的影响。现有技术中涉及的强化学习（rl）应用大多仅面向单一优化目标或离散动作空间，难以有效应对上述复杂需求。

3、现有相关研究可归纳为三大领域。在数据中心能源管理方面，技术已从内部效率优化发展到需求响应阶段，但主流的milp和mpc方法对预测误差敏感。在vpp研究方面，虽然探索了多种资源整合方案，但普遍对数据中心的灵活性做了过于简化的处理，未能充分反映其细粒度调节能力。在人工智能应用方面，深度强化学习（drl）在能源系统序贯决策中表现出良好的应用潜力，然而针对dc-vpp的现有研究多以单一经济目标为出发点，忽略了明确的碳排放协调，无法实现经济性与碳减排的联合优化。

4、因此，亟需提供一种能够集成多种ai技术、实现数据中心vpp端到端协调的解决方案，以克服现有技术的前述局限性。

技术实现思路

1、本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于负荷聚合的数据中心虚拟电厂协调优化系统及方法，以解决或部分解决现有数据中心虚拟电厂优化方法难以在实时性要求下，同时实现异构负载的细粒度可调容量评估、连续动作空间的实时协同决策以及经济收益与碳排放的多目标协调优化的问题。

2、本发明的目的可以通过以下技术方案来实现：

3、本发明的第一个方面，提供了一种基于负荷聚合的数据中心虚拟电厂协调优化系统，包括：

4、负荷聚合评估模块，用于利用历史运行数据，通过无监督学习和监督回归，量化数据中心异构负载及储能设备的时变可调容量，以得到数据中心虚拟电厂的总可调容量；

5、实时协同决策模块，用于将实时协调问题建模为马尔可夫决策过程，以深度强化学习智能体的形式与模拟环境交互，学习动态电网条件下的最优实时控制策略，输出连续控制指令；

6、规划优化模块，用于建立多目标优化模型，并采用进化算法求解帕累托最优规划策略，获得兼顾运营成本与碳排放的调度计划。

7、作为优选的技术方案，所述负荷聚合评估模块用于：

8、将数据中心负载分割为刚性负载、弹性负载以及储能设备；

9、采用k均值聚类算法对历史弹性负载数据进行聚类分析，得到多个典型负荷模式；

10、针对每一聚类，分别采用xgboost回归模型，根据包括时间、作业队列、环境指标和市场信号的特征参数进行训练，预测该聚类对应的最大可调度功率；

11、将所有聚类的可调功率预测值进行汇总，得到所述数据中心虚拟电厂的总可调容量。

12、作为优选的技术方案，所述实时协同决策模块所构建的马尔可夫决策过程中：状态空间包括电网信号及数据中心内部状态，所述电网信号包括实时电价、电网碳强度和区域负荷，所述数据中心内部状态包括作业队列长度和时间信息；

13、动作空间为连续控制向量，包括电网购售电功率以及柔性负载的调节指令；

14、构建奖励函数，所述奖励函数综合收益、能源成本、碳排放和约束违背惩罚，且采用深度确定性策略梯度算法训练智能体以最大化累积奖励。

15、作为优选的技术方案，所述奖励函数为：

16、

17、其中，为奖励函数，为售电收益，为运营成本，为碳排放成本，为违反服务质量或设备约束的惩罚项，至为各分量的权重系数。

18、作为优选的技术方案，所述规划优化模块用于：

19、建立以总运营收益最大化和总碳排放最小化为双目标的优化模型，优化周期为24小时，约束条件包括工作负载截止时间、储能系统荷电状态动态、冷却系统功率限制以及功率平衡；

20、采用带精英策略的非支配排序遗传算法nsga-iii求解双目标优化模型，得到反映运营收益与碳排放权衡关系的帕累托最优解集。

21、本发明的另一个方面，一种基于负荷聚合的数据中心虚拟电厂协调优化方法，其特征在于，应用于如前述的数据中心虚拟电厂协调优化系统，方法包括如下步骤：

22、s1，采集数据中心历史及实时运行数据、电网市场信号和碳强度信号；

23、s2，利用所述负荷聚合评估模块量化数据中心虚拟电厂的实时可调节潜力；

24、s3，利用所述实时协同决策模块得到实时最优控制指令；

25、s4，利用所述规划优化模块得到未来周期的帕累托最优调度计划；

26、s5，执行所述控制指令并监视系统性能指标。

27、作为优选的技术方案，所述s2包括：

28、采用k均值聚类算法对历史弹性负载数据进行聚类，得到典型负荷模式；

29、针对每一聚类，利用xgboost回归模型，以时间、作业队列、环境指标和市场信号作为特征，预测最大可调节功率；

30、汇总各聚类容量，得到数据中心虚拟电厂的总可调容量。

31、作为优选的技术方案，所述s3包括：

32、构建马尔可夫决策过程，状态包括实时电价、电网碳强度、区域负荷、数据中心作业队列长度和时间，动作包括电网购售电功率和柔性负载调节指令；

33、构建奖励函数，并采用深度确定性策略梯度算法训练智能体，计算实时最优控制指令。

34、作为优选的技术方案，所述s4包括：

35、构建24小时周期的双目标优化模型，目标为总运营收益最大化和总碳排放最小化，约束包括工作负载截止时间、储能系统荷电状态动态变化、冷却系统功率限制和功率平衡；

36、采用nsga-iii算法求解所述双目标优化模型，得到帕累托最优调度计划。

37、作为优选的技术方案，所述s5中，所述性能指标包括：日均碳排放量、运营总成本、批处理作业平均延迟与第95百分位延迟、调度指令计算时间以及目标跟踪误差。

38、与现有技术相比，本发明至少具有以下有益效果之一：

39、（1）实现时变可调容量的准确量化：现有技术对异构负载可调容量量化粗糙、时变特性刻画不足，本发明采用基于k均值聚类与xgboost回归相结合的负荷聚合评估模块，将数据中心资源细分为刚性负载、弹性负载和储能设备，通过对历史数据进行聚类识别典型负荷模式，并利用多特征回归预测各模式的可调度功率，细粒度、高精度地量化时变可调容量，为后续优化提供了可靠的数据基础，克服了现有vpp研究对数据中心灵活性做简化处理的缺陷。

40、（2）降低计算延迟：实时决策需求下传统优化方法计算延迟大、依赖精确预测且易受误差影响，本发明将实时协调问题建模为马尔可夫决策过程，并采用基于深度确定性策略梯度算法的深度强化学习智能体进行求解，状态空间涵盖电网信号与内部状态，动作空间为连续控制向量，无需依赖精确预测即可快速输出自适应实时控制指令的效果，降低了计算延迟，提升了系统对动态电网条件和不确定性的响应能力。

41、（3）协同优化运营成本与碳排放：现有dc-vpp优化多以单一经济目标为主、忽略碳排放协调，本发明在实时协同决策模块中设计了综合售电收益、运营成本、碳排放成本和约束惩罚的多项加权奖励函数，并在规划优化模块中建立以总运营收益最大化和总碳排放最小化为双目标的优化模型，采用nsga-iii算法求解帕累托最优解集，在实时控制与日前规划两个层面协同优化收益与碳减排，为运营商提供了效率与减排权衡策略。

42、（4）形成端到端的人工智能集成优化框架：本发明突破了单一ai技术的局限，将无监督学习、监督回归、深度强化学习和多目标进化优化有机整合在统一框架内。从负荷聚合模块的可调容量量化、到实时协同决策模块的实时自适应控制、再到规划优化模块的长期战略规划，形成了全链条、端到端的决策流程，显著提升了数据中心虚拟电厂的智能化水平和整体运营效率。

43、（5）有效平衡服务质量（qos）与电网调节需求：本发明通过奖励函数中的惩罚项及规划模型中的工作负载截止时间约束，将对作业延迟、设备寿命等服务质量指标的考量内嵌于优化目标中。实验结果表明，相比于单纯追求经济性的单目标drl，本发明的方案在实现良好经济性和低碳排放的同时，有效控制了批处理作业的平均延迟和尾延迟，避免了因过度追求调节能力而影响数据中心的正常工作性能。