考虑清洁能源与储能的分布式数据中心低碳调度策略

朱灿元，杨超，李舒涛，陈勇跃，徐鑫瀚

（1.广东工业大学自动化学院，广东广州 510006；2.中国能源建设集团广东省电力设计研究院有限公司，广东广州 510663；3.华南理工大学自动化学院，广东广州 510641）

0 引言

当前，5G、云计算、人工智能等新一代信息技术快速发展，信息技术与传统产业加速融合。数据中心作为各个行业信息系统运行的物理载体，已成为经济社会运行关键基础设施[1]。随着我国提出“碳中和、碳达峰”的发展目标，能源行业正逐步向清洁低碳结构转型[2]。可再生能源出力的波动性和不可调节的特性导致含有高比例可再生能源电网的供给侧灵活性大大降低，需要充分利用储能、可调节负荷等需求侧可调节资源以提升电网灵活性。数据中心作为高能耗负荷之一，能量来源主要是以化石能源为主[3]，随着数据中心建设逐渐增多，庞大的耗电量所带来的巨额电能成本和碳排放量已成为当前亟需解决的问题。

目前，对于数据中心的高能耗问题，国内外研究一般通过3 种方式来处理：（1）引入清洁能源如光伏、风力等进行合理的配额规划；（2）通过储能系统动态调整充放电策略以及在负荷较高时参与调峰工作；（3）在负荷侧通过作业任务调度、负载均衡、能耗优化等方法来达到节能减排的目的。文献[4]提出一种基于经济性的互联网数据中心光伏和储能电池协同优化配置模型。通过该模型获得光伏和储能电池的最优配置方案，以降低数据中心的运行成本。文献[5]提出一种名为Redux 的可再生能源管理器，通过分布式不间断电源系统和可再生能源联合管理服务器能耗的智能方法。文献[6]提出一种基于决策树的能量优化策略（Classification And Regression Tree based on SDN，CARTS），采用软件定义网络（Software Defined Network，SDN）作为数据中心的网络架构并通过仿真验证所提出的优化策略CARTS 比传统的典型策略更节能，节能率高达11%。文献[7]单纯考虑利用不间断电源（Uninterruptible Power Supply，UPS），提出RE-UPS控制策略以实现新能源利用率最大化。文献[8]提出将储能系统和电力交易与商业电网相结合的云数据中心成本和碳减排问题的解决方案。文献[9]提出2 种新的算法，即功率和可用性感知最佳拟合递减分配策略和电源可用性网络动态电压频率调整（Dynamic Voltage Frequency Scaling，DVFS）感知迁移策略，实现在节能的同时得到接近100%的资源可用性。文献[10]对数据中心服务器的能耗和节能技术进行了系统深入地研究，并对如何利用现有技术提高服务器的能效提供了一些信息和指导。

在引入可再生能源的过程中，如何在保证系统可靠性的前提下对可再生能源进行合理的组合配额和规划从而达到整个数据中心的最低成本和最少碳排放量也是目前研究的关键问题。文献[11]构建了一类包含绿色能源与化石燃料的数据中心模型，在尽量减少化石燃料消耗的同时，利用更多的绿色能源。在文献[12]中，新能源通过并网设备就地并入电网，根据新能源的产量和服务器的数量，量化不同并网设备放置方案对于新能源利用率的影响。文献[13]提出了一种能耗管理规划方案，采用了DVFS 和服务器的整合技术来控制能耗需求，同时采用了储能技术来平滑新能源的不稳定供应。文献[14]利用数据中心负载可调节的特点与新能源提供量的变化进行统一调谐，达到数据中心能耗控制与新能源有效利用的综合优化效果。

然而，现有工作较少考虑地理分布式数据中心可再生能源与负载的合理高效利用。数据中心可以部署在不同的位置，并根据位置特性引入可再生能源（例如：光伏），然后通过储能系统完成可再生能源并离网。基于此，在碳交易市场条件下，本文提出了一种考虑清洁能源和储能的多个数据中心之间的任务调度策略和能源管理模型，在数据中心供能侧引入光伏系统，在原有的UPS 系统基础上建设额外的储能系统，并分析了加入储能系统的可行性。本文通过优化控制能源供给决策和任务的调度策略，在保证系统可靠性的前提下有效地降低数据中心的供电成本和碳排放量，并通过引入储能系统和参与碳交易市场获得一定的储能效益和碳排放权销售收益。利用算例证明了所提方法的有效性。

1 能源管理与任务调度框架

1.1 能源管理系统

数据中心能源管理系统结构图如图1 所示，主要由光伏系统、UPS 储能系统、逆变系统、电网组成。在有光伏输入时逆变器将可再生能源产生的直流电转换为交流电供给数据中心负载，不足的部分由电网和电池提供，且低电价区域电网优先于电池供电，多出的部分将对比上网电价和电池循环成本判断是并入电网还是给电池充电，在电池已充满或光伏充电功率超出电池最大允许充电倍率时，多出的部分也将并入电网。在没有光伏输入且电价较高时，优先使用电池通过原互联网数据中心（Internet Data Center，IDC）储能变流装置（Power Conversion System，PCS）供给数据中心，当电池电量放至设定值停止放电，切换成电网供电，如果没有光伏输入且电价较低则直接使用电网供电。

图1 数据中心能源管理系统结构图Fig.1 Data center energy management system structure diagram

1.2 任务调度系统

分布式数据中心分布在电网的不同地理节点，可以依托电网供电，同时也可以依托附近可再生能源供电[15]。设定有m个地理分布式的前端节点，表示为{n1...nj...nm}，每个前端节点对应1 个数据中心，用户提交的任务汇聚到调度器，按照任务量大小降序等待处理，调度器会综合考虑任务的到达信息、当前的各节点工作状态信息、光伏发电量信息、电价信息、电池状态信息等，在预定的时间间隔内将这些任务依次分配到恰当的前端节点。到达前端节点后，任务会在该节点的本地队列排队，并运用装箱近似算法中的降序最佳适应算法（Best Fit Decreasing，BFD）的思想开启一定数量的服务器直至所有任务配置完毕。任务调度系统的架构如图2所示。

图2 任务调度系统架构Fig.2 Task scheduling system architecture

2 能源管理系统模型

2.1 能源供给与需求模型

在含有可再生能源的数据中心能源网中配置储能装置可以平滑光伏发电设备的输出功率，还可以实现负荷迁移，降低运行成本[16]。设数据中心的能源供给与需求模型为＜S，G，D，B＞具体表示如下:

2.2 储能电池模型

2.2.1 采购成本

目前锂电池在数据中心的应用越来越广，磷酸铁锂电池凭借寿命长、安全性高、放电电压平稳的特性被越来越多的数据中心所采用，如今磷酸铁锂电池整包的循环寿命通常在2 000 次以上甚至更多。本文数据中心UPS 系统选择磷酸铁锂电池并额外增加容量配置。以华为的ESM-48100B1 通信磷酸铁锂电池为例[17]，额定储能量为4.8 kWh。在35 ℃环境下，以0.5C 放电、0.2C 充电，85%的放电深度循环寿命可达3 500 次。其中C 为电池充放电能力倍率，1C 为电池1 h 完全放电时电流强度。2022年华为通信电池ESM-48100B1 每组系统报价大概为4 500 元。

2.2.2 循环成本

UPS 电池系统在使用过程中有1 个最低放电容量标准，可以设置为在面对突发情况时能满足让服务器继续工作一定的时间的储能量，以应对电力突发情况。参考国家A 级数据中心UPS 蓄电池后备时间15～30 min[18]，充电倍率0.2C、放电倍率0.5C，本文考虑UPS 蓄电池系统为服务器设备供电，后备时间以15 min 为例。

设定储能设备可参与系统整个循环周期并维持系统可靠性的最低储能量为640 kWh，并额外配置储能量为1 560 kWh 的磷酸铁锂电池，考虑到每1 次循环电池容量会有衰减，近似认为电池储能量y与循环次数x满足：y(x)=y(0)-σx，y（0）表示电池初始储能量，σ表示衰减系数。经过计算可以得出σ=0.628 6 kWh。因此，在经过3 500 次循环后放出的总电量可以描述为等差数列递减求和函数，即：

式中:Ax为电池在经过x次循环衰减过后的剩余储能量；Sx为电池循环x次所放出的总能量。当x=3 500 次时，整个电池循环寿命周期总共可以放出3 850 925.05 kWh 电量。考虑到维持系统可靠性的UPS 系统电池最低储能量是每个数据中心原本采购时必备的，因此在计算循环成本时当去掉这一部分成本，已知传统阀控式铅酸蓄电池市场采购价一般为500 元/kWh，因此总成本为1 742 500 元，折合每度电成本约为0.452 元/kWh，因此，电池循环成本为0.452 元/kWh。

2.2.3 电池模型

和分别表示在时隙k开始时，节点nj所在的数据中心电池的荷电状态和储能量，Ec为电池的额定储能量。电池荷电状态的更新可以表示为：

式中：θ为电池自放电损失率，由文献[6]可知通常为每天0.1%～0.3%；为节点nj的储能系统在时隙k的充放电量；为在时隙k节点nj所在数据中心电池系统是进行充电、放电或是截止操作的指示函数，10/9 为放电，9/10 为充电，0 为截止。

在本文电池充放电效率均取0.9。为了提高电池系统可用性，在时隙k最好对电池执行一个操作，即选择充电、选择放电或选择电池达到设定值停止充放电。

在时隙k，对荷电状态未达到设定值的节点nj所在数据中心电池系统充放电操作按以下3 种情况进行：（1）光伏发电量大于负载需求进行充电操作；（2）电网电价低于电池循环成本进行充电操作；（3）光伏发电量小于负载需求且电网电价高于电池循环成本进行放电操作。

3 碳交易模型

碳交易又称碳排放权交易，指政府为了控制碳排放分配一定的排放额度给各企业，并鼓励企业参与碳排放额度市场交易的手段[19]。

3.1 碳排放初始配额

碳排放权分配是指政策制定者通过初始分配给企业的配额。碳排放权分配方式分为无偿和有偿2 种，前者代表市场调节配额，一般表示企业自主参与碳排放权市场的交易配额；后者指政府对储备配额进行竞价拍卖。本文对各个数据中心的电负荷碳排放采用无偿配额方式[20]，则节点nj所在的数据中心初始配额为：

式中：εe为单位电量排放系数[21]；为节点nj在时隙k的电量需求。

3.2 碳交易成本

对数据中心的能量供应侧而言，虽然在运营阶段的光伏和储能设备并不会带来碳排放，但来自电网的电力却会产生一定的碳排放。所以，若衡量数据中心在使用电网能量时所产生的碳排放量，可以用电网基准线碳排放因子（Carbon Emission Factor，CEF）表示（数值记为CEF）[22]，因此，节点nj所在的数据中心碳排放量Eco2,j可表示为：

式中：为节点nj传统电网在时隙k的供电量。总碳交易成本Cco2应为：

式中：Pco2为单位碳排放交易价格。

4 任务模型和配置策略

4.1 任务流

在每个时隙，为了模拟任务请求的无规律性和独立性，任务的大小和数量N都是在一定的范围内随机产生的，任务请求在到达调度器后会进行由大到小的排序。任务全局队列矩阵定义为，表示在时隙k任务n的大小为，单位为1×109亿条指令（Billion Instructions，BI）。令矩阵表示在第k个时隙分配给前端节点nj的任务总量大小。数据中心的整个调度周期定义为向量其中，tk表示第k个时隙，每个时隙的长度为Δt=tk-tk-1(2 ≤k≤|T|)，以0.25 h 为1 个时隙。

4.2 负载功耗

根据2.1 数据中心的能源供给与需求模型，本文将机房电源使用效率（Power Usage Effectiveness，PUE）设为1.2，即数据中心输入电能的5/6 用于IT设备消耗。通常情况下，数据中心的能耗主要由动态能耗Edyn和静态能耗Esta组成，前者是由系统设备和电路活动引起的，而后者是由系统设备和电路活动的电流泄露引起的，通常可忽略不计[23]。因此，数据中心在整个调度周期的总能耗可近似为动态能耗，即数据中心的电能需求D与IT 设备能耗E满足：。节点nj在第k个时隙的总能耗为：

式中：为节点nj所在的数据中心在第k个时隙开启的服务器台数；pcact为处理器的活跃功率；pcidl为处理器的空闲功率；分别为节点nj在第k个时隙的活跃时间和空闲时间。

式中：v为服务器的任务处理速度，为一常数，用每秒1×106条指令（Million Instructions Per Second，MIPS）表示。

节点nj在第k个时隙消耗的总能量为：

令wk表示在时隙k所有数据中心消耗的总能量，则有：

4.3 成本最小化模型

在调度模型中，需要计算能源购买成本和售电收入，表示节点nj所在的数据中心在第k个时隙电网状态指示函数，其值为0 表示向电网售电，为1表示向电网购电。数据中心的最终目标是最小化总支出EC。矩阵表示第k个时隙前端节点nj所在地区的电价，在时隙k，节点nj所在数据中心的购电支出由式（15）给出：

式中：csell为光伏上网电价。

4.3.1 目标函数

考虑到数据中心的经济性和低碳性，因此，以电费成本和碳交易成本之和最小为目标，即：

4.3.2 约束条件

1）电池出力约束。为了提高电池的循环寿命并维持数据中心的可靠性，有：

在时隙k，节点nj所在的数据中心可以再次充放电的能量也有上下界，表示为：

2）任务处理时间约束。任务的总处理时间应当小于等于时隙长度：

3）能量供需平衡约束。在数据中心，电池既是出力设备也是耗能设备，指储能系统放电供给节点nj所在的数据中心电量；指光伏系统和电网给予储能系统的充电量；为正数表示购电，负数表示售电[24]。

4）服务器激活数量约束。节点nj在时隙k所能激活的最大服务器数量应小于等于该节点总的服务器台数：

式中：Nt为总的服务器数量；分别为光伏、低价电网、电池、高价电网开启的服务器数量。

4.4 任务配置流程

为了降低系统复杂度，本文假设任务是一维的。任务在到达全局队列后会将其归一化的结果按照递减的顺序进行排序。在时隙k，数据中心按以下方式依次排成4 种队列：（1）光伏发电降序排列；（2）低价电网升序排列；（3）荷电状态大于0.3 的电池系统所在数据中心电价降序排列；（4）高价电网升序排列。依次对4 个队列中的各个数据中心进行任务配置，全局调度器会将任务陆续分配给队列1 中序号为1 的数据中心直至该数据中心达到允许开启的最大服务器数量才会将剩余任务分配给该队列中下一个序号的数据中心，在队列1 所有数据中心全部配置完毕后才会配置队列2 中各个数据中心。节点nj所在的数据中心在时隙k由光伏、低价电网、电池和高价电网供电允许开启的最大服务器数量分别为：

数据中心任务装箱流程：第1 个任务到达时，数据中心会开启1 台服务器，每台服务器最大允许配置的任务量l=vΔt，在第2 个任务到达时，如果能分配给第1 台服务器就分配给第1 台服务器，否则就开启1 台新的服务器来配置第2 个任务；依序处理各个任务，在处理第n个任务时，假定已开启的服务器有t台，将任务分配给所有能够容纳任务n的服务器中且分配后服务器已装载任务量最大服务器自身序号最小的，当且仅当所有已开启的服务器都不能容纳任务n时，才开启1 台新的服务器，并将任务分配给这台服务器[25]。

5 算例分析

本文以中国各省市100 个地理分布式的数据中心各时隙电价作为数据集进行测试，国内多地区光伏单日发电数据较少公布，本文选择澳大利亚各地区光伏电站在某1 d 的光伏发电数据[26]，且为了更好对比，将澳大利亚各地区光伏电站的光伏装机量都设为1 个固定值，其各个时隙的光伏发电量按照原始装机量与固定值之间的比值进行换算。光伏上网电价以2021 年山东省发改委公布的光伏上网电价0.394 9 元/kWh 为标准[27]，其余各参数设置见表1。

表1 系统参数设置Table 1 System parameter settings

为了检验整个系统模型的最终性能，本文利用Python 进行仿真分析，对不同时隙实时负载的能耗、主网、光伏和蓄电池的出力情况做对比，分析可知在不同的时隙均满足供需平衡且在光伏发电量较高的时隙会进行并网售电，UPS 电池系统会在不同的时隙选择合适的充放电操作，负载与各能源供给设备的实时出力情况如图3 所示。

图3 负载能耗与设备出力情况Fig.3 Load energy consumption and equipment output

在1 个调度周期结束，各节点处的任务处理时间和电池最终的荷电状态如图4 所示，从图4 可知，各节点处的电池荷电状态均在设定范围以内。

各个时隙的电费变化情况如图5 所示。在光伏发电量较高的时隙，电费为负[28]，这表明光伏并网发电，此时不仅没有电费支出反而可以获得一定的电费收益。

图5 各时隙电费变化情况Fig.5 Changes in electricity bills for each time slot

在凌晨一般电价都较低，在任务量不大的时候电池就会进行充电操作，在一定程度上会增加对电网的电力使用量导致较高的碳排放，但是从经济效益上来说可以在一定程度上降低在电价较高时隙时对电网电力的依赖性，从而减少了在高电价时隙的碳排放量。各时隙碳排放量变化如图6 所示，在光伏发电量较高的时隙，碳排放量为负值，表示不仅不需要从电网购电反而可以反向向电网输送电力从而减少的碳排放量[29]。

图6 各时隙碳排放量变化情况Fig.6 Changes in carbon emissions in each time slot

针对本文所提出的模型，分别设置了4 种不同模式对最终的费用支出进行比较分析，其结果如图7 所示。

图7 费用对比Fig.7 Cost comparison among four modes

由图7 费用对比图可知，对于不引入光伏系统和没有储能系统参与调度的100 个数据中心每日的最初电费之和达到了231 490.8 元，在引入光伏系统和储能参与并通过碳交易市场进行碳排放权交易时，最终的实际支出只有113 804.1 元，此时不仅不需要购买碳排放权，反而可以通过碳交易市场获得一定的碳交易收入，虽然引入额外的储能系统会在数据中心建设初期增加一定的建设成本，但由于我们考虑到了电池的每1 次循环成本，在整个调度周期实际的支出就已经包含了电池的循环成本在内，因此在每个周期结束由于储能的参与也会获得一定的储能效益。

6 结论

本文在传统数据中心运行模式下，对按能源供给和任务调度分别建立相应的系统模型。在能源供给侧，引入光伏系统和加入额外的储能电池，计算了加入磷酸铁锂作为储能电池的可行性。在负载侧，任务请求会先进入调度器进行排序，然后根据各节点能源供给情况、工作信息、电价和电池荷电状态等分别配置到各个数据中心前端节点的本地队列中进行排列，最后利用降序最佳适应算法的思想，开启最少数量的服务器以完成所有任务由本地队列到服务器的配置，得到以下结论：

1）通过计算证明了在数据中心加入磷酸铁锂电池作为额外储能电池可以获得更好的经济性，在碳交易市场环境下也更能体现加入储能系统所潜在的价值。

2）通过算例对比分析表明，在数据中心引入可再生能源和加入额外的储能系统过后，通过能源供给与任务调度协同优化可以提高能源利用率、降低成本和减少碳排放量，甚至能通过并网售电和碳排放权交易获得额外的收入。

在国家提出“双碳”的发展目标下，碳交易市场和能源市场也在进一步开放，本文提出的能源管理模型和任务调度策略对于零碳数据中心的建设具有借鉴意义，在后续的研究中将考虑对任务类型的划分和可再生能源出力的不确定性对系统的影响。