大数据园区综合能源系统控制策略优化研究

Research on Control Strategy Optimization for Integrated Energy System in Big Data Park

摘要

为了实现大数据园区低碳、高效运行，构建了耦合光伏发电系统、自然冷却系统、余热回收系统和多种储能方式的综合能源系统.建立了综合能源系统能耗模型，针对模型非线性、多变量、多约束条件的特性，提出了基于遗传算法的滚动优化控制方法，以应对能源供需动态变化的问题. 该方法以系统运行成本最低为目标，综合考虑峰谷电价、可再生能源出力特性、设备部分负载性能特性等因素，确定系统的最佳运行策略. 将模拟结果与规则控制的结果对比可知，滚动优化可使系统运行费用降低10.68%~12.63%. 此外，选择了不同太阳辐射强度的场景进行研究，结果表明：光伏利用率的提升受蓄电池运行模式影响较大，通过调整系统运行参数能进一步提高系统光伏利用率.

Abstract

To achieve low-carbon and high-efficiency operation of the big data park， an integrated energy system （IES） coupling photovoltaic （PV） generation， free cooling， waste heat recovery， and multiple energy storage methods is constructed. An energy consumption model of the integrated energy system is established. Due to the characteristics of nonlinear， multivariable and multi-constraint conditions of the model， a rolling optimization control method based on a genetic algorithm is proposed to deal with the dynamic change of energy supply and demand. This method aims to minimize the system’s operational costs by considering factors such as peak-valley electricity pricing， renewable energy output characteristics， and partial load performance characteristics of equipment， thereby determining the optimal operational strategy for the system. By comparing the simulation results with the results of the rule-based control method， it is found that the rolling optimization can reduce system operating costs by 10.68%~12.63%. In addition， scenarios with different solar radiation intensities are selected for this research. The results show that the improvement in PV utilization rate is greatly affected by the battery operation mode. By adjusting the system operating parameters， the PV utilization rate can be further improved.

Graphical abstract

关键词

综合能源系统 / 数据中心 / 优化调度 / 储能

Key words

integrated energy system / data center / optimizing schedule / energy storage

近年来，我国数字经济迅速发展，对算力、存储等资源的需求不断增长，数据中心作为数字基础设施，其规模也在迅速扩大. 据统计，我国2021年数据中心能耗总量为2 166亿 kW·h，约占全国总用电量的2.6%^［1］. 数据中心在消耗大量能源的同时也带来了巨大的碳排放，2020年我国数据中心产生的碳排放为9 485万吨^［2］. 如何降低数据中心的能耗以及碳排放量，引起了广大学者的关注.

数据中心能耗主要由IT设备能耗、冷却系统能耗、配电系统能耗组成. 其中冷却系统能耗约占38%，是除IT设备能耗外占比最大的部分^［3］. 降低冷却系统能耗对减少数据中心能耗非常重要. 自然冷却技术和余热回收技术是降低数据中心冷却系统能耗的两种主流方法^［4］. 肖新文等^［5］的研究表明自然冷却技术可以很好地降低数据中心能耗，在部分地区可以实现80%以上的节能率. 陈姝伊等^［6］研究了湖水源数据中心余热回收系统的性能，通过余热回收，冷却系统能耗减少了13.1%. 利用太阳能等可再生能源发电可以减少对市电的需求，有助于降低数据中心碳排放^［7］. 因此，结合可再生能源利用及自然冷却的综合能源系统可以降低数据中心园区能耗，减少碳排放. 但是，由于可再生能源的不确定性^［8］以及数据中心园区负荷的动态变化特性，易出现源荷不匹配的问题，导致可再生能源利用率低、系统运行成本高. 储能系统的利用可以促进可再生能源的消纳，提高系统的灵活性^［9］. 因此，需要构建可再生能源、自然冷源、余热回收系统和多种储能方式耦合的综合能源系统，以降低数据中心的能耗以及碳排放量.

综合能源系统是一个多输入多输出的能源系统，此类复杂系统由众多设备组成，考虑到能源供应及需求的不确定性，平衡供需是一项具有挑战性的任务，如果缺少合适的运行策略，可能无法从综合能源系统中获益^［10］. 目前，国内外很多学者针对综合能源系统与数据中心展开了研究. Lü等^［11］提出，数据中心集成多能源系统的可以降低系统的投资与运行成本. Wang等^［12］构建了一个包含电网、太阳能光伏、冷热电联产、电池储能的数据中心综合能源网络，所提出的能源管理策略实现了系统运行成本降低22.01%. Keskin和Soykan^［13］将冷热电联产系统、数据中心余热回收、区域供热和供冷网络集成，研究结果显示，系统年能源成本可降低40.3%. 该研究考虑了热泵、冷机等设备性能系数的变化，但缺乏对设备运行数量等因素的关注. 目前，数据中心场景下综合能源系统的研究多聚焦于热电联产及冷热电联产方面，针对高比例自然冷源利用和高可再生能源渗透场景研究较少；同时很少有考虑热泵不同配置组合、运行数量和运行参数的研究；并且大多研究重点关注系统内能量转换设备，缺乏对水泵等能量输送设备的关注. 因此，需要针对此类系统的优化问题进行研究，以更好地实现数据中心场景下综合能源的高效及可靠利用.

求解综合能源系统优化问题常用的方法主要包括数学规划和元启发式算法等. 数学规划主要研究在给定条件下寻找可以最大或最小化目标函数的最优解；元启发式算法则研究在给定条件下得到目标问题的近优解. 很多学者采用了混合整数线性规划^［14］、混合整数非线性规划^［15］、粒子群算法^［16］、遗传算法^［17］等方法进行综合能源系统的优化. 本研究中综合能源系统由多个子系统组成，含有大量的变量和约束条件，同时热泵、水泵等设备的运行存在非线性特性，这将导致数学规划变得非常复杂. 元启发式算法更适合处理此类大规模和复杂的问题^［18］. 因此可采用基于遗传算法的滚动优化方法. 滚动优化方法适合用于需要及时决策，同时数据随着时间更新的动态问题^［19］.

本研究针对数据中心低碳节能园区进行综合能源系统架构设计，建立了相应的数学模型，采用滚动优化方法，以系统运行费用最低为目标，确定系统的最佳运行策略. 主要研究内容如下：1）构建包含光伏发电系统、自然冷却系统、余热回收系统和多种储能方式的大数据园区综合能源系统，根据负荷情况进行设备选型，建立系统能耗模型. 2）提出滚动优化控制方法，采用遗传算法进行模型求解，针对系统各储能装置蓄放功率、各热泵的启停状态和运行功率进行优化，确定系统最佳运行策略.

1 系统描述

大数据园区综合能源系统如图1所示，系统包含冷、热、电三个子系统，以满足大数据园区的多种能源需求. 冷却系统包括板式换热器、水源热泵以及蓄冷水箱等设备，供热系统包括水源热泵以及蓄热水箱等设备，通过调整热泵、水泵的运行功率以及储能装置的蓄放情况，满足园区的冷、热需求. 供电系统包括光伏阵列、市政电网以及蓄电池，通过调整从电网购入的电量以及电池的蓄放电功率，满足园区和综合能源系统其他设备的电需求. 三个子系统协调运行提高可再生能源利用率和系统灵活性，降低系统运行成本.

综合能源系统供冷及供热部分管路如图2所示. 左侧为供冷管路图，冷却系统包括湖水换热器、水源热泵和蓄冷水箱；右侧为供热管路图，供热系统主要包括水源热泵和蓄热水箱. 通过控制阀门开度及各水泵的频率以调节冷却系统和供热系统各设备的运行状态. 蓄热和蓄冷水箱都包含蓄能、放能以及不蓄不放三种运行模式，不同运行模式下水泵及阀门的调控制策略如表1所示. 其中，放能过程使用储能设备对应的放能水泵，蓄能过程使用系统中的冷水和热水泵，无独立设置的蓄能水泵，运行模式根据优化结果确定.

根据政府相关文件，湖南省峰谷电价及时段划分情况如表2所示.东江湖大数据园区位于湖南省郴州市，目前安装机架约1 200个，单个机架满载功率为 4 kW. 东江湖数据中心以湖水作为自然冷源，东江湖全年水温在11~15 ℃范围内. 大数据园区包含数据中心、办公楼、人才公寓等建筑，根据实际建筑数据，本研究利用EnergyPlus软件进行了负荷的模拟，并根据园区负荷特征及当地环境特征等参数进行综合能源系统参数的设定及设备的选型工作. 本文将冷水供水温度设定为16 ℃，热水供水温度设定为45 ℃. 系统各设备参数如表3所示. 本研究中气象数据采用典型气象年逐时气象数据，在实际工程应用过程中可采用互联网的天气预报作为气象参数预测数据.

2 优化方法

2.1 控制逻辑

2.1.1 滚动优化方法

本文提出的滚动优化方法主要通过对蓄电池、蓄冷水箱、蓄热水箱的蓄放功率和各热泵的运行功率进行优化，以实现系统运行费用的降低. 如图3所示，该优化方法主要可分为两个步骤：1）获取各气象参数，通过模拟得到大数据园区负荷特征. 确定设备参数，建立综合能源系统能耗模型. 2）将数据输入滚动优化模型，确定满足各约束条件的最佳控制变量. 优化时间步长为1 h，每天进行24次优化计算. 在第t次计算时，计算区间为t时至24时，其中24时为自然时间24时. 首先获取计算区间所对应的气象与负荷数据，以总运行费用最低为目标，计算得到t时至24时的系统逐时控制参数，并输出其中t时的控制参数， 将其作为t时的系统运行策略实施. 通过优化所得运行策略计算系统各个设备的运行状态.

2.1.2 规则控制方法

本文采用规则控制作为对照策略，该策略优化时间步长为1 h，其主要控制逻辑为：蓄电池参与应急电量的储存以及光伏发电量的蓄放，在光伏发电量高于系统所需电量时蓄电，无法满足系统需求时放电至仅保留应急电量；由于冷却系统利用低温湖水自然冷却服务器等核心系统设备，因此，蓄冷水箱仅参与应急冷量的储存工作，根据系统冷负荷情况调节各水泵的运行功率；供热系统根据热负荷的大小，按照从小到大的顺序开启热泵，启动的热泵均以相同负载率运行.

2.2 设备模型

2.2.1 光伏发电模型

Guo等^［21］采用了如下的计算公式，并验证了模型与实际测量值在稳定和可变运行条件下的误差分别为6.1%与7.9%.

P_{\mathrm{p}\mathrm{v}}(t)=P_{\mathrm{0}}(t)\times f_{\mathrm{T}}(t)\times f_{\mathrm{s}}（1）

P_{\mathrm{0}}(t)=I(t)\times V(t)（2）

I(t)=I_{\mathrm{s}\mathrm{c}}\times \left(\frac{R_{\mathrm{a}\mathrm{d}}(t)}{R_{\mathrm{a}\mathrm{d}\mathrm{0}}}-\mathrm{1}\right)+I_{\mathrm{p}\mathrm{m}}（3）

V(t)=V_{\mathrm{p}\mathrm{m}}\times \left(\mathrm{1}+\mathrm{0.059}\mathrm{3}\times \mathrm{l}\mathrm{g}\frac{R_{\mathrm{a}\mathrm{d}}(t)}{R_{\mathrm{a}\mathrm{d}\mathrm{0}}}\right)（4）

f_{\mathrm{T}}(t)=\mathrm{1}-(T_{\mathrm{p}\mathrm{v}}(t)-\mathrm{25})\times \mathrm{0.005}（5）

T_{\mathrm{p}\mathrm{v}}(t)=T_{\mathrm{e}\mathrm{n}\mathrm{v}}(t)+\mathrm{30}\times \frac{R_{\mathrm{a}\mathrm{d}}(t)}{\mathrm{800}}（6）

式中：P_{\mathrm{p}\mathrm{v}}(t)、P₀（t）分别为光伏系统的实际发电功率和理论发电功率，kW；f_T（t）为温度修正系数；f_s为灰尘修正系数，0.98；I（t）为光伏板工作电流，A；V（t）为光伏板工作电压，V；R_ad（t）为太阳辐射强度，W/m²；R_ad0为标准状况下的太阳辐射强度，W/m²；I_sc为光伏系统短路电流，7.91 A；I_pm为光伏系统峰值电流，7.45 A；V_pm为光伏系统峰值电压，36.1 V；T_pv（t）为光伏板工作温度，℃；T_env（t）为环境温度，℃.

2.2.2 板式换热器模型

ε-NTU法常被用于换热器的模型建立，ε为换热效率，NTU为传热单元数. 换热器的换热量计算公式如下.

Q_{\mathrm{h}\mathrm{e}}=\epsilon \cdot Q_{\mathrm{m}\mathrm{a}\mathrm{x}}（7）

Q_{\mathrm{m}\mathrm{a}\mathrm{x}}={(Mc)}_{\mathrm{m}\mathrm{i}\mathrm{n}}\cdot (t_{\mathrm{c}\mathrm{h}\mathrm{i}\mathrm{l}\mathrm{l}\mathrm{e}\mathrm{d}\_\mathrm{w}\mathrm{a}\mathrm{t}\mathrm{e}\mathrm{r}\_\mathrm{o}\mathrm{u}\mathrm{t}}^{}-t_{\mathrm{l}\mathrm{a}\mathrm{k}\mathrm{e}\_\mathrm{w}\mathrm{a}\mathrm{t}\mathrm{e}\mathrm{r}\_\mathrm{i}\mathrm{n}}^{})（8）

式中：Q_{\mathrm{h}\mathrm{e}}、Q_max分别为实际换热量和理论最大换热量，kW；（Mc）_min为换热器两侧流体流量与比热容乘积中的最小值，kW/K；t_{chilled_water_out}为进入换热器的冷水回水温度，K；t_{lake_water_in}为进入换热器的湖水温度，K. 通常ε会随着传热单元数等因素的改变而发生变化，但是由于冷却系统中的ε较高且变化幅度较小，很多研究将ε视为一个定值^［23-24］. 考虑到优化程序计算时间等问题，本研究中换热效率为定值.

2.2.3 水源热泵模型

水源热泵在不同的负载率下性能不同^［25］. 采用以下公式计算热泵在不同负载率下的性能系数.

C_OP=P_LE×C_OP0（9）

P_LE=a₁+a₂×P_LR+a₃×P_{\mathrm{L}\mathrm{R}}^{\mathrm{2}}+a₄×P_{\mathrm{L}\mathrm{R}}^{\mathrm{3}}（10）

式中：C_OP（coefficient of performance）为热泵在某一负载率下的性能系数；C_OP0为热泵满载率情况下的性能系数；P_LE（partial load efficiency）为部分负载下的效率；P_LR（partial load rate）为部分负载率；a₁、a₂、a₃、a₄均为通过拟合得到的系数.

2.2.4 蓄电池

Guo等^［21］将模型模拟数据与实验数据进行对比，结果显示误差小于5%，验证了模型的有效性.

\begin{array}{l}{E}_{\mathrm{b}\mathrm{a}\mathrm{t}\mathrm{t}\mathrm{e}\mathrm{r}\mathrm{y}}(t)=E_{\mathrm{b}\mathrm{a}\mathrm{t}\mathrm{t}\mathrm{e}\mathrm{r}\mathrm{y}}(t-\mathrm{1})+\\ \frac{P_{\mathrm{b}\mathrm{a}\mathrm{t}\mathrm{t}\mathrm{e}\mathrm{r}\mathrm{y}\_\mathrm{i}\mathrm{n}}(t)\times \mathrm{\Delta }t\times f_{\mathrm{b}\mathrm{a}\mathrm{t}\mathrm{t}\mathrm{e}\mathrm{r}\mathrm{y}\_\mathrm{i}\mathrm{n}}}{\mathrm{3}\mathrm{600}}-\frac{P_{\mathrm{b}\mathrm{a}\mathrm{t}\mathrm{t}\mathrm{e}\mathrm{r}\mathrm{y}\_\mathrm{o}\mathrm{u}\mathrm{t}}(t)\times \mathrm{\Delta }t}{\mathrm{3}\mathrm{600}\times f_{\mathrm{b}\mathrm{a}\mathrm{t}\mathrm{t}\mathrm{e}\mathrm{r}\mathrm{y}\_\mathrm{o}\mathrm{u}\mathrm{t}}}\end{array}（11）

式中：E_battery（t）为t时刻电池中储存的电量，kW·h； E_battery（t-1）为（t-1）时刻电池中储存的电量，kW·h； P_{battery_in}（t）为t时刻的蓄电功率，kW；f_{battery_in}为蓄电效率；P_{battery_out}（t）为t时刻的放电功率，kW；f_{battery_out} 为放电效率；\mathrm{\Delta }t为两个时刻的时间间隔，s.

2.2.5 蓄冷/热水箱模型

蓄冷、蓄热水箱采用如下模型，水箱的性能参数来自Guo等^［21］的研究，该模型被验证与实验测试值误差小于9%.

\begin{array}{l}{Q}_{\mathrm{e}\mathrm{n}\mathrm{e}\mathrm{r}\mathrm{g}\mathrm{y}}(t)=Q_{\mathrm{e}\mathrm{n}\mathrm{e}\mathrm{r}\mathrm{g}\mathrm{y}}(t-\mathrm{1})\times (\mathrm{1}-{\beta }_{\mathrm{e}\mathrm{n}\mathrm{e}\mathrm{r}\mathrm{g}\mathrm{y}})+\\ \frac{P_{\mathrm{e}\mathrm{n}\mathrm{e}\mathrm{r}\mathrm{g}\mathrm{y}\_\mathrm{i}\mathrm{n}}(t)\times \mathrm{\Delta }t\times f_{\mathrm{e}\mathrm{n}\mathrm{e}\mathrm{r}\mathrm{g}\mathrm{y}\_\mathrm{i}\mathrm{n}}}{\mathrm{3}\mathrm{600}}-\frac{P_{\mathrm{e}\mathrm{n}\mathrm{e}\mathrm{r}\mathrm{g}\mathrm{y}\_\mathrm{o}\mathrm{u}\mathrm{t}}(t)\times \mathrm{\Delta }t}{\mathrm{3}\mathrm{600}\times f_{\mathrm{e}\mathrm{n}\mathrm{e}\mathrm{r}\mathrm{g}\mathrm{y}\_\mathrm{o}\mathrm{u}\mathrm{t}}}\end{array}（12）

式中：Q_energy（t）为t时刻水中储存的冷/热量，kW·h； Q_energy（t-1）为（t-1）时刻水箱中储存的冷/热量，kW·h；β_energy为水箱中储存冷/热量的损失率；P_{energy_in}（t）为 t时刻的蓄冷/热功率，kW；f_{energy_in}为蓄冷/热效率； P_{energy_out}（t）为t时刻的放冷/热功率，kW；f_{energy_out}为放冷/热效率.

2.2.6 水泵模型

水泵运行能耗由以下公式计算.

P_{\mathrm{p}\mathrm{u}\mathrm{m}\mathrm{p}}=b_{\mathrm{1}}+b_{\mathrm{2}}\times Q+b_{\mathrm{3}}\times Q^{\mathrm{2}}+b_{\mathrm{4}}\times Q^{\mathrm{3}}（13）

式中：P_pump为水泵运行功率，kW；Q为水流量，m³/h；b₁、b₂、b₃、b₄为相关系数，由水泵生产厂家提供.

2.3 寻优条件

2.3.1 目标函数与评价指标

系统运行成本：

C=C_{\mathrm{o}\mathrm{p}\mathrm{e}\mathrm{r}\mathrm{a}\mathrm{t}\mathrm{i}\mathrm{o}\mathrm{n}}+C_{\mathrm{p}\mathrm{u}\mathrm{n}\mathrm{i}\mathrm{s}\mathrm{h}}+C_{\mathrm{g}\mathrm{r}\mathrm{i}\mathrm{d}\_\mathrm{b}\mathrm{u}\mathrm{y}}（14）

式中：C为系统运行成本；C_operation为系统运行维护成本；C_punish为惩罚成本，用于系统不平衡时的惩罚；C_{grid_buy}为从电网购入的电量成本.

光伏利用率：

P_vu=\frac{{\displaystyle \sum _{t=\mathrm{1}}^n}{E}_{\mathrm{p}\mathrm{v}}(t)-{\displaystyle \sum _{t=\mathrm{1}}^n}{E}_{\mathrm{p}\mathrm{v}\_\mathrm{l}\mathrm{o}\mathrm{s}\mathrm{t}}(t)}{{\displaystyle \sum _{t=\mathrm{1}}^n}{E}_{\mathrm{p}\mathrm{v}}(t)}\times \mathrm{100}\mathrm{\%}（15）

式中：P_vu（photovoltaic utilization）为光伏利用率； E_pv（t）为t时刻光伏发电量，kW·h；E_{pv_lost}（t）为t时刻光伏弃电电量，kW·h.

2.3.2 能量平衡约束

系统的能量平衡包含冷、热及电的平衡，需要保证能量供应量与需求量一致.

电量平衡：

E_{\mathrm{d}\mathrm{e}\mathrm{m}\mathrm{a}\mathrm{n}\mathrm{d}}(t)+E_{\mathrm{a}\mathrm{b}\mathrm{a}\mathrm{n}\mathrm{d}\mathrm{o}\mathrm{n}}(t)+P_{\mathrm{b}\mathrm{a}\mathrm{t}\mathrm{t}\mathrm{e}\mathrm{r}\mathrm{y}\_\mathrm{i}\mathrm{n}}(t)+E_{\mathrm{p}\mathrm{u}\mathrm{m}\mathrm{p}}(t)+

E_{\mathrm{h}\mathrm{p}}(t)=E_{\mathrm{p}\mathrm{v}}(t)+E_{\mathrm{g}\mathrm{r}\mathrm{i}\mathrm{d}\_\mathrm{b}\mathrm{u}\mathrm{y}}(t)+P_{\mathrm{b}\mathrm{a}\mathrm{t}\mathrm{t}\mathrm{e}\mathrm{r}\mathrm{y}\_\mathrm{o}\mathrm{u}\mathrm{t}}(t)（16）

式中：E_demand（t）为t时刻园区电负荷；E_abandon（t）为t时刻的弃电；P_{battery_in}（t）为t时刻蓄电池蓄电量； E_hp（t）为t时刻热泵耗电量；E_pump（t）为t时刻水泵耗电量；E_{grid_buy}（t）为t时刻从电网购入的电量；P_{battery_out}（t）为t时刻蓄电池放电量.

冷量平衡：

Q_{\mathrm{d}\mathrm{e}\mathrm{m}\mathrm{a}\mathrm{n}\mathrm{d}\_\mathrm{c}\mathrm{o}\mathrm{l}\mathrm{d}}(t)+P_{\mathrm{e}\mathrm{n}\mathrm{e}\mathrm{r}\mathrm{g}\mathrm{y}\_\mathrm{c}\mathrm{o}\mathrm{l}\mathrm{d}\_\mathrm{i}\mathrm{n}}(t)=Q_{\mathrm{h}\mathrm{e}}(t)+

Q_{\mathrm{h}\mathrm{p}\_\mathrm{c}\mathrm{o}\mathrm{l}\mathrm{d}}(t)+P_{\mathrm{e}\mathrm{n}\mathrm{e}\mathrm{r}\mathrm{g}\mathrm{y}\_\mathrm{c}\mathrm{o}\mathrm{l}\mathrm{d}\_\mathrm{o}\mathrm{u}\mathrm{t}}(t)（17）

式中：Q_{demand_cold}（t）为t时刻园区冷负荷；P_{energy_cold_in}（t）为t时刻蓄冷水箱蓄冷量；Q_hp（t）为t时刻板换换热量；Q_{hp_cold}（t）为t时刻热泵制冷量；P_{energy_cold_out}（t）为t时刻蓄冷水箱放冷量.

热量平衡：

Q_{\mathrm{d}\mathrm{e}\mathrm{m}\mathrm{a}\mathrm{n}\mathrm{d}\_\mathrm{h}\mathrm{e}\mathrm{a}\mathrm{t}}(t)+P_{\mathrm{e}\mathrm{n}\mathrm{e}\mathrm{r}\mathrm{g}\mathrm{y}\_\mathrm{h}\mathrm{e}\mathrm{a}\mathrm{t}\_\mathrm{i}\mathrm{n}}(t)=

Q_{\mathrm{h}\mathrm{p}\_\mathrm{h}\mathrm{e}\mathrm{a}\mathrm{t}}(t)+P_{\mathrm{e}\mathrm{n}\mathrm{e}\mathrm{r}\mathrm{g}\mathrm{y}\_\mathrm{h}\mathrm{e}\mathrm{a}\mathrm{t}\_\mathrm{o}\mathrm{u}\mathrm{t}}(t)（18）

式中：Q_{demand_heat}（t）为t时刻园区热负荷；P_{energy_heat_in}（t）为t时刻蓄热水箱蓄热量；Q_{hp_heat}（t）为t时刻热泵制热量；P_{energy_heat_out}（t）为t时刻蓄热水箱放热量.

2.3.3 设备运行约束

为了保证优化过程中综合能源系统的正常运行，本研究针对系统中的水源热泵、水泵及储能设备的运行增设了约束条件. 其中，水源热泵及水泵应满足运行负载率不小于30%的限制条件，以避免因低负载率运行造成设备运行效率降低和损害. 对于蓄热水箱及蓄冷水箱，蓄放热/冷的速率受到水泵运行范围的限制，需要保证对应的水泵运行在正常的工作范围内. 蓄电池的最大充放电速率设定为0.5C，即可以在2 h内充满或放出全部电量.

3 结果与讨论

3.1 算法参数优化

本研究采用遗传算法进行模型求解，算法参数将对优化结果产生影响，因此，需要选择合适的算法参数以获得较好的优化结果. 本文以六月的某一周时间为例，研究迭代次数以及种群个数对优化结果的影响. 迭代次数对优化结果的影响如图4所示，将遗传算法的种群个数设定为100，当迭代次数分别为50、100、150以及200时，运行成本分别降低了11.01%、12.14%、12.63%以及12.74%. 种群个数对优化结果的影响如图5所示，将遗传算法的迭代次数设定为150，当种群个数分别为30、50、100以及150时，运行成本分别降低了11.89%、12.36%、12.63%以及12.56%. 综合考虑优化效果以及计算时间，将种群个数设定为100，迭代次数设定为150.

3.2 综合能源系统运行情况分析

大数据园区电负荷及冷负荷波动较小，而光伏发电量的波动较大，会对系统运行情况产生较大影响，需要针对不同太阳辐射强度场景进行研究. 本研究选取光伏发电量不同的几天进行模拟研究，并以典型年6月1日为例进行综合能源系统运行情况分析，该天的光伏发电量约为全年最大单日光伏发电量的75%. 分析包括电、冷、热三个部分，图6~图8展示了电、冷和热系统的运行情况.

图6（a）为规则控制方法下的系统运行情况，由图可知系统基本按照电负荷的情况进行各部分参数的控制，在光伏发电的高峰时段，无法消纳的光伏电量被储存进电池；而在光伏发电量低于系统电需求时，蓄电池放电. 图6（b）为滚动优化控制方法下的系统运行情况，系统的运行受到了多个因素影响，包括峰谷电价、光伏发电情况等. 蓄电池主要在低谷电价时段及光伏发电量高峰时段进行蓄电，在夜间的高峰电价时段进行放电. 由于本文不考虑向电网售电，因此未经利用的光伏发电量将被弃置. 在高可再生能源渗透场景下，光伏发电高峰时段较易出现源荷不匹配的情况. 通过调节储能设备的运行模式，以及提高其他设备在高峰时段的运行功率，可以提高系统光伏利用率.

图7（a）为规则控制下的系统运行情况，设备运行主要受冷负荷与热泵运行情况的影响. 图7（b）为滚动优化控制下的系统运行情况，系统的运行情况受峰谷电价、光伏发电情况等因素的影响较小. 本研究中的冷却系统以湖水冷却为主，冷却系统能耗主要为水泵能耗，在蓄冷过程中需要开启湖水泵和冷水水泵，放冷过程需要开启释冷泵，而直接供冷仅需要开启湖水泵和冷水水泵，且蓄冷水箱在蓄放冷过程及储存冷量过程存在损耗，水泵、蓄冷水箱在运行过程中也存在一定的维护成本，较难通过蓄冷水箱的蓄放调节降低系统的运行成本. 因此，蓄冷水箱主要进行应急冷量的储存工作. 综合考虑不同太阳辐射强度下的模拟结果可以看出，在高比例自然冷源利用的系统中，较难通过增设蓄冷水箱获益.

在规则控制方法下，设备运行主要受热负荷的影响，每个小时热泵的制热量等于系统热负荷. 图8显示了滚动优化控制下供热系统运行情况，热泵和蓄热水箱的运行受到了多个因素的影响. 蓄热水箱主要在电价低时蓄热，电价高时放热，当光伏发电量较大时，主要利用光伏发电量进行蓄热，也会出现高电价时段蓄热的情况.

图9展示了热泵的运行情况. 由于六月份热负荷较小，在规则控制下运行一大一小两台热泵即可满足热需求，在滚动优化控制下，系统中的三台热泵均开启运行. 图10为两种控制策略下热泵的C_OP分布情况，可以看出，滚动优化控制下热泵在更高效的区域运行. 多台热泵配合运行带来了更大的调节空间，通过调整其运行功率和蓄热水箱蓄放速率，使热泵的运行与峰谷电价和光伏发电情况匹配，可提高运行效率、降低系统运行成本.

为了分析优化方法对系统光伏利用率的影响，本研究针对第133、152和171天进行了模拟分析. 其中，第133天为全年光伏发电量最大的一天，第152天光伏发电量约为全年最大单日发电量的75%，第171天为最大发电量的50%. 表4介绍了四种不同的控制策略，控制策略1与3基于规则控制方法，控制策略2与4基于滚动优化方法. 其中，控制策略1与2蓄电池仅参与应急电量的蓄放工作，不参与其他的电量蓄放.图11为不同控制策略下系统的光伏利用情况. 由图可知，在不同控制策略下系统光伏利用率不同. 光伏利用率主要受蓄电池影响，蓄电池参与蓄放电可以较大地提高综合能源系统的光伏利用率. 在滚动优化控制下，通过调整其他设备的运行状态，可以进一步提升系统光伏利用率. 对比第133、152和171天的优化结果可知，光伏发电量同样对系统光伏利用率有所影响. 光伏发电量较小时，光伏发电量较易被完全利用；随着光伏发电量的增大，系统控制策略对光伏利用率的影响增大；随着光伏发电量持续增大，受蓄电池容量等因素影响，各种优化的影响相对减小. 因此，在评估控制方法对光伏利用率的影响时需要综合考虑不同光伏发电量.

3.3 综合能源系统运行成本分析

图12显示了典型年6月1日综合能源系统在规则控制及滚动优化控制下系统购电费用的情况，由图可知系统运行成本受光伏影响较大，两种控制方法都通过对光伏发电的蓄放来降低系统运行费用. 在滚动优化控制下，系统还充分获取了分时电价效益，根据峰谷电价的变化调整电池的蓄放情况和各设备的运行情况，降低系统运行费用.

规则控制及滚动优化控制情况下，综合能源系统的运行费用情况如图13所示，本研究从3、6、9和12四个月份中各选取了一周时间进行模拟，并比较了系统运行成本. 相较于规则控制，滚动优化控制下，四周的系统节费率分别为10.68%、12.63%、12.04%和12.14%，节费效果显著.

3.4 储能设备容量分析

储能设备的容量会对优化的结果产生影响. 由前文中的结果可以看出，蓄冷水箱对系统运行成本影响较小. 因此，本文仅研究蓄电池与蓄热水箱容量大小的影响. 本文选择了六月的某一周时间进行研究. 图14（a）显示了蓄热水箱容量从2 000 kW·h增加到10 000 kW·h时系统运行成本变化情况，由图可知当蓄热水箱容量较小时，增加蓄热水箱容量可以提高系统的节费率.而蓄热水箱容量超过一定范围后，系统节费率保持稳定.这是由于系统热负荷相对较小，同时蓄热水箱的蓄放过程及储存过程存在损耗，继续增加蓄热水箱容量没有意义. 图14（b）显示了蓄电池容量从6 000 kW·h增加到14 000 kW·h时系统运行成本变化情况，可以看出在该范围内，系统节费率随着蓄电池容量的增加而不断增大. 这是因为与规则控制相比，滚动优化方法可以更好地通过蓄电池充分获取分时电价效益.

4 结 论

本研究构建了光伏发电系统、自然冷却系统、余热回收系统和多种储能方式耦合的大数据园区综合能源系统，针对该系统建立了一种基于遗传算法的滚动优化控制方法，以系统总运行费用最低为优化目标，进行综合能源系统各设备的控制策略优化. 通过储能装置的调节作用，充分利用峰谷电价和可再生能源，同时控制设备在高效区运行，降低系统运行成本. 研究主要结论如下：

1）综合考虑计算时间以及优化效果，将迭代次数以及种群个数分别设置为150和100，并以不同月份的四个星期为例进行模拟分析，分析结果显示：与规则控制方法相比，综合能源系统运行费用降低了10.68%、12.63%、12.04%和12.14%.

2）在高比例自然冷源利用的冷却系统中，考虑到水泵能耗、运行维护成本、蓄冷水箱能量损失等因素，蓄冷水箱对系统运行成本影响较小，主要用于应急冷量的储存. 供热系统主要依靠水源热泵进行余热回收，所提出的方法通过调整热泵运行功率和蓄热水箱蓄放速率，可以实现热泵的高效运行，降低系统运行成本.

3）系统光伏利用率主要受蓄电池的影响，蓄电池参与蓄放电可以有效提升系统光伏利用率. 同时在滚动优化方法下，系统光伏利用率可以得到进一步的提升. 此外，系统光伏利用率的提升效果也受到光伏发电量大小的影响，需要综合考虑不同光伏发电量，评估控制方法对光伏利用率的影响.

4）滚动优化方法的节费效果受储能设备容量的影响. 在一定容量范围内，系统节费率随容量的增加而增大.

参考文献

[1] 中国电子信息产业发展研究院 ．新型数据基础设施发展研究报告［N］．中国计算机报， 2022-09-05［2024-11-11］．

[2] China Center for Information Industry Development. Research report on the development of new data infrastructure［N］. China Information World，2022-09-05［2024-11-11］．（in Chinese）

[3] LI G Z， SUN Z X， WANG Q Q，et al ．China’s green data center development：Policies and carbon reduction technology path［J］．Environmental Research，2023，231：116248．

[4] AHMED K M U， ALVAREZ M， BOLLEN M H J ．Reliability analysis of internal power supply architecture of data centers in terms of power losses［J］．Electric Power Systems Research，2021，193：107025．

[5] DING J， ZHANG H N， LENG D M，et al ．Experimental investigation and application analysis on an integrated system of free cooling and heat recovery for data centers［J］．International Journal of Refrigeration，2022，136：142-151．

[6] 肖新文， 陈远， 俞江峰 ．双冷水式机房空调自然冷却应用的节能分析［J］．暖通空调，2024，54（7）： 173-181．

[7] XIAO X W， CHEN Y， YU J F ．Energy saving analysis of natural cooling application in dual chilled water computer room air conditioners［J］．Heating Ventilating & Air Conditioning，2024，54（7）： 173-181．（in Chinese）

[8] 陈姝伊， 张泉， 邹思凯， 等 ．湖水源数据中心余热回收系统性能模拟研究：以东江湖大数据产业园为例［J］．科学技术与工程，2023，23（22）： 9502-9508．

[9] CHEN S Y， ZHANG Q， ZOU S K，et al ．Simulation on performance of waste heat recovery system with lake water in data centers：a case study of Dongjiang Lake data center park［J］．Science Technology and Engineering， 2023，23（22）： 9502-9508．（in Chinese）

[10] RUIZ DUARTE J L， FAN N ．Operations of data centers with onsite renewables considering greenhouse gas emissions［J］．Sustainable Computing：Informatics and Systems，2023，40：100903．

[11] THIRUNAVUKKARASU M， SAWLE Y， LALA H. A comprehensive review on optimization of hybrid renewable energy systems using various optimization techniques［J］．Renewable and Sustainable Energy Reviews，2023，176：113192．

[12] 刘畅， 卓建坤， 赵东明，等 ．利用储能系统实现可再生能源微电网灵活安全运行的研究综述［J］．中国电机工程学报， 2020，40（1）： 1-18．

[13] LIU C， ZHUO J K， ZHAO D M，et al ．A review on the utilization of energy storage system for the flexible and safe operation of renewable energy microgrids［J］．Proceedings of the CSEE，2020，40（1）：1-18．（in Chinese）

[14] ZHOU Z， ZHANG J Y， LIU P，et al ．A two-stage stochastic programming model for the optimal design of distributed energy systems［J］．Applied Energy，2013，103：135-144．

[15] LÜ J W， ZHANG S X， CHENG H Z，et al ．Optimal sizing of energy station in the multienergy system integrated with data center［J］．IEEE Transactions on Industry Applications，2021，57（2）：1222-1234．

[16] WANG D X， XIE C H， WU R J，et al ．Optimal energy scheduling for data center with energy nets including CCHP and demand response［J］．IEEE Access，2021，9：6137-6151．

[17] KESKIN I， SOYKAN G ．Optimal cost management of the CCHP based data center with district heating and district cooling integration in the presence of different energy tariffs［J］．Energy Conversion and Management，2022， 254： 115211．

[18] ALABI T M， LU L， YANG Z Y，et al ．A novel optimal configuration model for a zero-carbon multi-energy system （ZC-MES） integrated with financial constraints［J］. Sustainable Energy，Grids and Networks， 2020， 23： 100381．

[19] 刘成运，孟超，景锐，等 ．A级数据中心综合能源系统多目标优化设计和调度［J］．电力系统自动化，2019，43（14）：136-142．

[20] LIU C Y， MENG C， JING R，et al ．Multi-objective optimization design and scheduling of integrated energy system in A-level data center［J］．Automation of Electric Power Systems，2019，43（14）：136-142．（in Chinese）

[21] DAI Y R， ZENG Y P ．Optimization of CCHP integrated with multiple load，replenished energy，and hybrid storage in different operation modes［J］．Energy，2022，260：125129．

[22] SOBHANI H， SHAHMORADI F， SAJADI B ．Optimization of the renewable energy system for nearly zero energy buildings：a future-oriented approach［J］．Energy Conversion and Management，2020，224：113370．

[23] REN X X， HAN Z J， MA J P，et al ．Life-cycle-based multi-objective optimal design and analysis of distributed multi-energy systems for data centers［J］．Energy，2024，288：129679．

[24] CUISINIER É， LEMAIRE P， PENZ B，et al ．New rolling horizon optimization approaches to balance short-term and long-term decisions：an application to energy planning［J］．Energy，2022，245：122773．

[25] GUO J C， ZHANG P W， WU D，et al ．A new collaborative optimization method for a distributed energy system combining hybrid energy storage［J］．Sustainable Cities and Society，2021，75：103330．

[26] GUO J C， LIU Z J， WU X，et al ．Two-layer co-optimization method for a distributed energy system combining multiple energy storages［J］．Applied Energy，2022，322：119486．

[27] 陈拥军，池泉，涂斌 ．全生命周期成本分析在水泵系统中的应用［J］．水泵技术，2017（1）：18-22．

[28] Chen Y J， Chi Q， Tu B. Application of life-cycle cost analysis in water pump systems［J］. Pump Technology， 2017（1）： 18-22.（in Chinese）

[29] LI J J， LI Z W. Model-based optimization of free cooling switchover temperature and cooling tower approach temperature for data center cooling system with water-side economizer［J］．Energy and Buildings， 2020， 227：110407．

[30] DURAND-ESTEBE B， LE BOT C， MANCOS J N，et al ．Simulation of a temperature adaptive control strategy for an IWSE economizer in a data center［J］. Applied Energy，2014，134：45-56．

[31] BAIK Y J， KIM M， CHANG K C，et al ．Potential to enhance performance of seawater-source heat pump by series operation［J］．Renewable Energy，2014，65：236-244．

基金资助

国家自然科学基金资助项目(52178073)

National Natural ScienceFoundation of China(52178073)

“十四五”国家重点研发计划政府间国际科技创新合作重点专项项目(2023YFE0120400)

International Science and Technology Innovation Cooperation Key Special Projects between Governments under the National Key Research and Development Plan of the 14th Five-Year Plan(2023YFE0120400)

郴州国家可持续发展议程创新示范区建设专项资助项目(2022SFQ28)

The National Sustainable Development Agenda Innovation Demonstration Zone Construction Program in Chenzhou(2022SFQ28)

5G基站模块化复合冷却系统关键技术研究及产业化,Key Technology Research and Industrialization of 5G Base Station Modular Hybrid Cooling System