一种极端高温下多类数据中心配电网差异化调度方法

摘要: 本发明涉及配电网优化调度,尤其涉及一种极端高温下多类数据中心配电网差异化调度方法。背景技术:1、随着极端高温天气对电力系统运行影响不断增强,配电网在高温条件下面...
一种极端高温下多类数据中心配电网差异化调度方法

本发明涉及配电网优化调度,尤其涉及一种极端高温下多类数据中心配电网差异化调度方法。

背景技术:

1、随着极端高温天气对电力系统运行影响不断增强,配电网在高温条件下面临负荷快速增长与分布式光伏出力下降共同作用造成的源荷失衡问题,易引发线路潮流越限、供电能力不足等运行风险。数据中心作为具有较强调节能力的新型高载能负荷,可通过it侧任务调度和冷却系统调节参与需求响应,对提升配电网运行韧性具有重要作用。其中,ai-dc与传统dc在工作负载类型、调节方式、制冷方式及安全约束等方面存在明显差异,需要针对不同类型数据中心建立相应的调度机制。

2、现有技术中,配电网优化调度方法对极端高温条件下源侧和荷侧耦合变化考虑不足,难以准确反映光伏出力下降与负荷需求增长共同作用下的供需变化;同时,多数需求响应方法将不同类型数据中心统一建模为同质化柔性负荷,缺乏对ai-dc与传统dc响应能力、运行约束及调节方式差异的刻画,也缺少多类型数据中心协同调度机制,难以充分发挥不同类型数据中心的互补调节优势,导致调度结果难以兼顾配电网运行安全与数据中心实际运行需求。

技术实现思路

1、本发明提供了一种极端高温下多类数据中心配电网差异化调度方法,综合考虑极端高温条件下光伏出力下降和负荷需求增长的影响,结合ai-dc与传统dc在工作负载调节、制冷方式及安全约束方面的差异,建立多类型数据中心差异化响应模型及配电网优化调度模型,实现多类型数据中心协同参与配电网调度,降低极端高温条件下配电网失负荷风险,提高配电网供电保障能力和运行韧性。

2、一种极端高温下多类数据中心配电网差异化调度方法,包括以下步骤:

3、s1,获取配电网拓扑、线路参数、节点负荷、电源出力、多类型数据中心接入节点及气象数据,所述气象数据包括环境温度、光照强度和风速;

4、s2,基于所述环境温度、光照强度及风速建立极端高温下光伏出力模型,对分布式光伏最大出力进行修正,并基于温度变化建立节点负荷需求模型,对配电网节点负荷需求进行修正,得到极端高温条件下的源荷特性;

5、s3,将接入配电网的数据中心划分为ai-dc与传统dc,分别统计ai-dc的it设备功率和冷却系统功率以及传统dc的it设备功率和冷却系统功率,建立多类型数据中心总响应功率表达;

6、s4,在ai-dc的训练、微调及推理工作阶段,建立ai-dc的it设备能耗模型和冷却系统能耗模型,并结合gpu分配数量、功率封顶值、任务暂停决策、批量推理延迟约束以及冷却系统热平衡约束,建立ai-dc约束条件;

7、s5,建立传统dc的it设备能耗模型、交互式工作负载空间灵活性响应模型、批处理工作负载时间灵活性响应模型、冷却系统能耗模型及机房热动态响应模型,形成传统dc约束条件,并建立配电网潮流约束、节点功率平衡约束、电源出力约束、失负荷约束及节点电压相角约束,形成配电网约束条件;

8、s6,以多类型数据中心响应成本和配电网失负荷惩罚成本最小为目标,结合极端高温下的光伏出力、节点负荷需求、多类型数据中心总响应功率表达、ai-dc约束条件、传统dc约束条件以及配电网约束条件,建立优化调度模型,并对优化调度模型进行求解,得到外部电源出力、光伏出力、各节点负荷削减量、ai-dc响应功率、传统dc响应功率、线路潮流和节点相角,生成面向多类型数据中心的差异化响应调度指令。

9、可选的,所述s2包括:

10、s21,基于极端高温条件下环境温度、光照强度及风速,分析温度升高对光伏转换效率的影响,对分布式光伏最大出力进行修正,建立考虑温度效率系数、光伏板温度及环境因素影响的光伏出力模型,得到极端高温条件下的分布式电源出力;

11、s22,基于极端高温条件下温度变化对配电网负荷需求的影响,引入随机乘子作用于基础负荷曲线,根据环境温度与参考温度之间的变化关系对节点负荷需求进行修正,建立温度相关的负荷需求模型,得到极端高温条件下配电网节点负荷需求。

12、可选的,所述s3包括:

13、s31,根据数据中心的运行特性和响应方式,将接入配电网的数据中心划分为ai-dc和传统dc,其中,ai-dc包括it设备功率和冷却系统功率,传统dc包括it设备功率和冷却系统功率;

14、s32,基于ai-dc和传统dc的功率组成关系,分别获取各时段各ai-dc的it设备功率、冷却系统功率以及各传统dc的it设备功率、冷却系统功率,将不同类型数据中心的it侧功率和冷却侧功率进行汇总,建立多类型数据中心总响应功率表达,用于描述多类型数据中心参与配电网调度时的总体响应能力。

15、可选的,所述s4包括:

16、s41,根据ai-dc训练、微调和推理工作阶段,建立由gpu负载功率和基础功率组成的it设备耗能模型,并引入gpu分配数量、功率封顶值及任务暂停决策变量,对ai-dc不同工作阶段下的it设备功率进行约束;

17、s42,根据ai-dc采用冷板式液冷系统进行散热的特点,建立冷却系统功率模型,考虑冷水机组能效比受到部分负荷率和冷凝温度影响的情况,引入制冷效率修正关系,并结合it设备发热功率与冷却系统制冷量建立热平衡约束。

18、可选的,所述s41包括:

19、s411,基于ai-dc工作阶段集合,将ai-dc中it设备能耗划分为gpu功率和基础功率两部分,其中,gpu功率用于表征处理工作负载产生的功耗,基础功率用于表征网络和存储相关功耗,建立ai-dc it设备功率表达;

20、s412,针对ai-dc不同工作阶段的响应行为,引入gpu分配数量、功率封顶值和任务暂停决策变量,对阶段内it设备功率进行调节,并设置gpu分配数量范围约束和gpu功率封顶范围约束;

21、s413,针对训练和微调任务,设置基于检查点的任务暂停约束,使任务暂停发生于可执行暂停操作的检查点处,针对推理任务,将实时推理作为刚性负载处理,并对批量推理任务设置最大允许延迟约束。

22、可选的,所述s42包括:

23、s421,基于ai-dc冷却系统中的冷水机组功率,建立冷却系统功率表达,并根据冷水机组性能系数、负载修正系数和温度修正系数描述制冷功率与冷却负荷之间的关系;

24、s422,根据极端高温条件下室外环境温度升高导致冷凝压力增大、压缩机做功增加的影响,建立环境温度修正系数模型,反映高温对ai-dc冷却效率的制约作用;

25、s423,根据ai-dc中it设备功率转化为热量的特点,建立冷却系统提供的制冷量与it设备总发热功率之间的动态平衡关系,并设置ai-dc冷却约束条件,保证冷却系统运行满足热安全要求。

26、可选的,所述s5包括:

27、s51,根据传统dc在工作负载组成、响应方式和制冷方式方面与ai-dc存在差异的特点,建立传统dc能耗模型、工作负载空间灵活性响应模型、工作负载时间灵活性响应模型、冷耗模型以及机房级热动态响应模型,形成传统dc运行过程中的约束条件;

28、s52,根据数据中心接入高压配电网的运行特点,建立配电网潮流约束,并结合节点功率平衡约束、电源出力约束、失负荷约束以及节点电压相角约束,对配电网运行状态进行约束。

29、可选的,所述s51包括:

30、s511,根据传统dc承载的交互式工作负载和批处理工作负载,建立传统dc it设备总功率消耗模型,其中,静态功率系数用于描述服务器基础功耗,动态功率系数用于描述工作负载引起的功耗变化,得到传统dc it设备功率表达;

31、s512,针对交互式工作负载和批处理工作负载的不同响应特性,分别建立空间灵活性响应模型和时间灵活性响应模型,其中,交互式工作负载通过互联网数据中心之间迁移实现空间响应,批处理工作负载通过在预设截止日期内调度至其他时段实现时间响应,并设置对应的传输容量、任务队列及服务质量约束;

32、s513,根据传统dc采用水冷冷水空调进行散热的特点,建立包括冷水机组、水泵、冷却塔和精密空调的冷却系统功率模型,并基于能量守恒关系建立机房温度与服务器发热功率、冷却功率及外界环境影响之间的热动态响应模型,设置机房温度约束。

33、可选的,所述s52包括:

34、s521,根据高压配电网线路电抗远大于电阻的特点,采用直流潮流方程描述系统潮流关系,基于节点电压相角和线路电抗计算线路有功潮流,建立配电网线路潮流约束;

35、s522,根据配电网各节点功率传输关系,建立节点功率平衡约束,对外部电网或火电机组注入功率、光伏实际出力、节点负荷功率、数据中心响应功率以及负荷削减功率之间的关系进行约束,并设置电源出力范围约束;

36、s523,根据配电网安全运行要求,设置失负荷比例约束以及节点电压相角上下限约束,对节点负荷削减量和节点电压相角范围进行限制,保证配电网运行满足安全约束。

37、可选的,所述s6包括:

38、s61,针对极端高温引发的电力供应紧缺场景,以多类型数据中心响应成本和配电网失负荷惩罚成本最小为目标,建立优化调度模型的目标函数,其中,多类型数据中心响应成本包括ai-dc响应成本和传统dc响应成本,失负荷惩罚成本根据各负荷节点失负荷量计算;

39、s62,结合极端高温下多类型数据中心差异化响应模型,在满足配电网安全稳定运行和算力服务质量要求的条件下,建立优化调度模型,并对优化调度模型进行求解,得到外部电源出力、光伏出力、各节点负荷削减量、ai-dc响应功率、传统dc响应功率、线路潮流和节点相角;

40、s63,根据ai-dc和传统dc的响应方式,分别计算ai-dc的it侧响应成本、冷却系统响应成本以及传统dc的it侧响应成本、冷却系统响应成本,并结合各负荷节点的失负荷惩罚成本,得到优化调度模型的目标函数值。

41、本发明的有益效果:

42、本发明,通过建立极端高温下光伏出力模型、节点负荷需求模型、多类型数据中心总响应功率表达以及配电网优化调度模型,综合考虑极端高温对分布式光伏出力下降和配电网负荷需求增长的双重影响,并将ai-dc与传统dc共同纳入配电网调度体系,能够更加准确地反映极端高温条件下的源荷变化特性,提高配电网供需平衡分析和优化调度的准确性,为极端高温场景下配电网安全稳定运行提供可靠支撑。

43、本发明,通过分别建立ai-dc约束条件和传统dc约束条件,针对ai-dc的gpu功率封顶、任务暂停及冷却系统协同响应,以及传统dc的工作负载空间迁移、时间调度、冷却系统和机房热动态响应进行差异化建模,充分体现不同类型数据中心在响应方式、运行约束及调节能力方面的差异,实现多类型数据中心柔性资源的协同调度,提高数据中心需求响应资源的利用效率,在满足算力服务质量和热安全约束的前提下提升配电网调节能力。

44、本发明,通过构建以多类型数据中心响应成本和配电网失负荷惩罚成本最小为目标的优化调度模型,并结合配电网潮流约束、节点功率平衡约束、电源出力约束、失负荷约束及节点电压相角约束进行求解,生成面向多类型数据中心的差异化响应调度指令,能够在保障配电网安全运行和数据中心正常运行的基础上,合理协调外部电源、分布式光伏及多类型数据中心响应资源,降低配电网失负荷水平和综合调度成本,提高极端高温条件下配电网的供电保障能力和运行经济性。