面向电力-数据服务的互联网数据中心双层规划方法

1.本发明涉及数据处理技术领域，尤其涉及一种面向电力-数据服务的互联网数据中心双层规划方法。


背景技术：

2.随着云计算、大数据技术等信息产业的普及深入，终端用户对各类数字化服务的需求不断攀升。作为承载用户服务请求的数据枢纽和算力引擎，idc的建设数量与规模均呈现爆发性增长态势，不可避免地便是其能源消耗和能源成本的持续飙升。据估计，一个大型idc的年能源成本可达千万美元。然而调查发现，数据中心的计算设备服务器在大部分时段都是不饱和的，只是为了保证需求高峰期间的资源可用性，这造成了大量的资源浪费。因此，降本增效、科学规划已成为数据中心运营商的迫切需求。


技术实现要素：

3.本发明的实施例提供了一种面向电力-数据服务的互联网数据中心双层规划方法，用于解决现有中存在的技术问题。
4.为了实现上述目的，本发明采取了如下技术方案。
5.面向电力-数据服务的互联网数据中心双层规划方法，包括：
6.s1通过基于温度感知的pue指标，建立idc能耗模型；
7.s2通过分别对交互式数据负载、批处理数据负载和可削减数据负载的约束条件进行建模，构建idc数据负载特性模型；
8.s3基于系统年投资运行净收益最大化的目标，建立idc多域资源协同规划模型；基于发电总成本最小的目标，结合所述idc能耗模型，建立iso经济调度模型；基于数据用户的ds-dr参与意愿由预期收益和参与代价之间的关系特性，结合所述idc数据负载特性模型，建立数据用户效益模型；
9.s4将所述idc多域资源协同规划模型作为上层模型，将所述iso经济调度模型和数据用户效益模型作为下层模型，构建idc综合规划模型；通过kkt条件和r&d算法，求解所述idc综合规划模型。
10.优选地，步骤s1包括：
11.设置i∈i表示待建的idc，t∈t表示典型日中各时间段，s∈s表示构建的场景，n∈n表示电力网络中的节点，b∈b表示火电机组的发电区段，并通过式
[0012][0013][0014]
[0015][0016][0017][0018]
建立idc能耗模型；式中，λ
i,s,t
为t时段位于i节点的idc数据负载到达率，μi为服务器处理速率，u
i,s,t
、u
max
分别为cput时段利用率和最大利用率，分别为服务器t时段开机数量和服务器配置数量，为服务器备用系数，分别为单台服务器处理工作负载时的峰值功率和空闲时的静默功率，t
i,s,t
为idc的室外温度，ai/bi/ci分别为i节点的idc的室外温度系数，分别为服务器能耗和idc总有功功耗。
[0019]
优选地，步骤s2包括：
[0020]
s21通过idl任务迁移平衡约束、idc间通信光纤带宽约束和idl可迁移总量约束的式
[0021][0022][0023][0024]
建立交互式数据负载模型；式中，分别为交互式数据负载调度前后的任务量，为两个idc之间迁移的数据量，w
l
为单个数据任务容量，为通信线路ii’的传输时延，为通信线路ii’的带宽限制；
[0025]
s22通过转移前后数据负载需求平衡、时间转移特性约束和负载需求转移总量约束的式
[0026][0027][0028][0029]
建立批处理数据负载模型；式中，分别为批处理数据负载调度前后的任务量，为由时刻t转移到t’的数据任务量；
[0030]
s23通过基于idc i处理的第k类可削减数据负载可接受的削减比例通过式
[0031][0032]
建立可削减数据负载模型；式中，为可削减数据负载用户的初始需求量；
[0033]
s24基于式(7)至(13)，通过式
[0034][0035]
建立idc数据负载特性模型；式中，为其调度后的任务量。
[0036]
优选地，步骤s3包括：
[0037]
s31通过式
[0038]
max f
idc
＝λ
ope-c
inv
ꢀꢀ
(15)
[0039][0040][0041][0042][0043][0044][0045]
s.t.
[0046][0047][0048][0049][0050][0051][0052][0053][0054][0055][0056][0057][0058][0059]
[0060][0061][0062][0063][0064][0065]
建立idc多域资源协同规划模型；式中，f
idc
为idc年净收益；λ
ope
为idc年运行效益；γ
ser
/γ
cool
/γ
pv
/γ
ess
分别为服务器/制冷设备/光伏机组/储能设备安装成本的年值化系数；c
si
/c
ci
/c
pvi
/c
ei
分别为服务器/制冷设备/光伏机组/储能设备的单位安装成本；为制冷设备/光伏机组/储能配置容量；ρs为运行场景s出现的概率；θ为一年中典型日天数；π
n,s,t
为节点n时刻t的lmp；为i节点的idc在电力市场交易的电量，当表示向市场出售电量，当表示向市场购入电量；δ
data
为基础数据服务单价；c
som
/c
com
/c
pvom
/c
eom
分别为服务器/制冷设备/光伏机组/储能设备的单位运维成本；为待选址节点iidc安装的状态变量；分别为服务器/制冷设备/光伏机组/储能设备的最大安装容量；分别为idci激励数据用户参与bdl-dr和rdl-dr的补贴价格及其价格上限；分别为光伏实际出力和预测出力；为储能荷电量；ε
ess
为自放电功率，为充/放电功率，ηc/ηd为充放电效率，soc
max
/soc
min
为荷电状态上/下限,为充/放电状态变量，为充/放电功率上限；为idc变压器额定容量；分别为数据任务排队时间和处理时间，t
max
为服务质量约束的数据任务最大可延迟时间；
[0066]
s32通过式
[0067][0068]
s.t.
[0069][0070][0071][0072]
[0073][0074]
建立iso经济调度模型；式中，cg为系统总发电成本；为单位发电成本；π
n,s,t
为式(34)的对偶变量，其物理含义为节点n时刻t的lmp，为发电机组的单位有功出力成本；为节点n的idc与市场的交互功率，为节点n处除idc外的负荷功率；p
l,s,t
为线路l在t时刻流过的有功功率，为线路l有功功率容量上限；b
l
为线路l的导纳，α
n,s,t
为节点n的电压相角，为电压相角的最大/小值；为发电机最小出力；
[0075]
s33通过式
[0076][0077][0078][0079][0080][0081]
s.t.
[0082][0083][0084][0085][0086]
建立数据用户效益模型；式中，f
edu
为数据用户的净收益；为提交bdl的数据用户的利益削减；为提交rdl的数据用户的利益削减；(非负数)分别表示第j类bdl和第k类rdl的损失因子；为第k类可削减数据负载可接受的削减比例；d
i,j
为第j类批处理负载可接受的延迟阈值；d
max
为idc设置的最大延迟阈值。
[0087]
优选地，步骤s4中，所述kkt条件包括：
[0088]
一致性约束式
[0089][0090]
[0091][0092]
互补松弛约束
[0093][0094][0095][0096][0097][0098][0099]
将式(51)转化为线性约束式
[0100][0101]
式(57)中，是一个常数，是一个辅助的二进制变量；
[0102]
通过式
[0103][0104]
将式(18)中包含的双线性项线性化；式中，为节点n处的idc与市场交互的功率；
[0105]
所述r&d算法的过程包括：
[0106]
将所述idc综合规划模型转换为矩阵形式
[0107][0108]
式中，x为上层0/1变量矩阵，y为上层连续变量矩阵，w为下层连续变量矩阵，z为下层整数变量矩阵，r表示实数，z表示整数；f,g,h,m,n,r,u,v,a,b,c,d,e,f,g,h,p,q分别为对应的系数矩阵；
[0109]
将式(59)重构分解为一个主问题mp
[0110][0111]
第一子问题sp1
[0112][0113]
第二子问题sp2
[0114][0115]
通过所述r&d算法求解所述idc综合规划模型的过程包括：
[0116]
s41设置上界lb＝﹣∞，下界ub＝﹢∞，迭代次数l＝0；
[0117]
s42求解主问题mp，得到最优x*、y*并更新ub＝ψ；
[0118]
s43基于给定的y*求解sp1，得到
[0119]
s44基于给定的y*和求解sp2，得到最优z*并更新lb＝max{lb,fy
*
+ψ0(y
*
)}；
[0120]
s45如果|ub-lb|/ub《0.01，则停止计算；
[0121]
s46设置z
l+1
＝z
*
，并添加下述约束到mp；
[0122]-y
t
gw
0-y
t
hz0+u
t
w0+v
t
z0≥-y
t
gw
r+1-y
t
hz
r+1
+u
twr+1
+v
tzr+1
[0123]
pw
r+1
≤r-qz
r+1
,p
t
σ
r+1
≥g
t
y+u
[0124]wr+1
⊥
(p
t
σ
r+1-g
t
y-u),σ
r+1
⊥
(r-qz
r+1-pw
r+1
)
[0125]wr+1
,σ
r+1
∈r
+
[0126]
s47设置l＝l+1，并返回执行子步骤s42。
[0127]
由上述本发明的实施例提供的技术方案可以看出，本发明提供一种面向电力-数据服务的互联网数据中心双层规划方法，针对随着云计算的普及，服务于广大终端数据用户(end data user，edu)的互联网数据中心(internet data center，idc)大规模建设方兴未艾，但其目前巨大的能源消耗成本和低利用率冗余配置现状是其经济性规划亟需攻克的难题，以及能源领域电力市场环境下时空变化的电价和数据中心特有的信息领域下数据负载时空可转移可削减特性为idc优化建设带来了契机。然而，idc不同于传统专有型数据中
心，不具备直接控制所有数据负载的权限的问题。本发明从能量-信息耦合视角出发，提出了一种电力市场环境下考虑数据用户信息需求响应(demand response，dr)资源的idc双层规划框架。首先，通过深入分析数据用户请求的不同数据负载特性，挖掘数据用户信息资源需求响应的潜在参与能力，建立了考虑数据服务市场(ds)-dr的数据负载调度模型。接着，基于idc与电力市场和数据服务市场的交互关系，建立了idc双层规划模型。上层是以经济性为目标的idc多域资源协同规划模型，分别向下层独立系统运营商(independent system operator，iso)传递实时功率并为数据用户设计ds-dr激励价格。下层分别是iso的经济调度模型以及数据用户综合效用决策模型。针对有下层两个问题的双层混合整数非线性规划模型，采用kkt条件和r&d算法进行精确高效求解。
[0128]
本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
[0129]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0130]
图1为本发明提供的一种面向电力-数据服务的互联网数据中心双层规划方法的处理流程图；
[0131]
图2为本发明提供的一种面向电力-数据服务的互联网数据中心双层规划方法的idc系统架构示意图；
[0132]
图3为本发明提供的一种面向电力-数据服务的互联网数据中心双层规划方法的idc双层混合整数规划关系图；
[0133]
图4为本发明提供的一种面向电力-数据服务的互联网数据中心双层规划方法的通过r&d算法求解idc综合规划模型的流程示意图。
具体实施方式
[0134]
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
[0135]
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
[0136]
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该
理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
[0137]
为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。
[0138]
本发明提供一种面向电力-数据服务的互联网数据中心双层规划方法，用于解决现有技术中存在的如下技术问题：
[0139]
目前研究最为广泛的是利用idc在信息域上的时间和空间维度的可迁移特性实现电力负荷的时空转移，即将数据负载转移到电价更便宜的时间或地点。文献[1]基于地理分散的idc所处的市场电价，系统研究了数据中心间批量数据传输的路径和调度问题，以最大限度地降低数据中心的能源成本；文献[2]提出了一种时空负载均衡方法，最小化idc在放松管制的电力市场中的能源成本。关于信息域灵活特性，还有研究表明：策略降低服务质量(quality of service，qos)即对数据负载进行削减也可以降低能源消耗和相关成本[3]。除此之外，在能量供应方面，不少idc着眼于利用区域自然资源优势，整合可再生能源和储能减少外购能源成本，促进系统绿色可持续发展。文献[4]研究了具有可再生资源和储能的地理分散的数据中心的能源管理问题，通过利用系统状态的时空多样性，最大限度地降低了电力和碳排放成本。文献[5]考虑了可再生能源和数据负载不确定性，提出了一种基于鲁棒能耗优化算法的idc智能能量管理系统，有效降低了idc运营成本。
[0140]
在上述背景下，市场环境中考虑信息和供能特性的地理分散的idc综合资源规划方向也逐渐兴起，但目前仅有少量研究，根据我们检索，只发现三篇文献。文献[6]提出了一种考虑idc和储能的综合规划方法，在分时电价下通过合理利用idc灵活性，协调规划idc和储能的位置和规模，显著提升了系统的服务质量、可靠性和经济性。文献[7]提出了一种固定选址的idc微电网的优化规划模型，在时变的电价下通过idc时空迁移特性使系统规划成本最小化，并确定了idc计算和能源设备的容量。文献[8]提出了数据和电力网络中数据中心和数据路线的分层扩展规划框架，idc向iso传递规划结果，iso发布最新的节点边际电价(locational marginal price，lmp)。上述研究无疑都做了很多工作，但仍存在些许不足。前两篇研究都考虑到了利用idc信息域灵活特性对硬件设备和供能系统进行了协同规划，并实现经济可靠运行，但未能在系统规划期间充分挖掘到地理分散地idc选址位于不同地区的电价优势，这样可以使得其空间转移变得更加有意义。此外，也同很多idc能量优化管理的文献一样[1]-[2]，仅仅将市场能源价格信号作为系统固定输入参数，默认idc仅作为价格接受者，不会对市场价格产生影响。但事实上，当idc能耗体量较大时，尤其是当多个idc在同一市场环境下，其具有的市场力可能会引起电价波动[9]，那么进而会使idc规划方案发生改变。文献[10]还指出idc数据负载的转移对lmp也可能造成影响，而第三篇研究恰恰就是忽略了这一点。那么在规划期间即考虑idc对市场的影响，可以进一步降低选址定容的不准确性，保证运营成本经济有效性。
[0141]
然而事实上，关于数据负载转移问题很多文献都没有重视到一个问题：不同于企业等独立实体专有的传统型idc，拥有对所有数据负载的自由调度权利，对于刚崭露头角且未来发展迅猛的公共型idc而言，它服务的是广大数据用户，无法轻易更改用户请求，必须严格满足与用户签订的服务水平协议(service level agreement，sla)，而一般sla范围内的可用调度弹性非常匮乏。所以，如果不面向数据用户开展数据服务需求响应(ds-dr)，那
么信息域的调节空间将会十分局限，也无法在经济规划运行层面取得突破。为了还能利用能源市场时空变化的价格优势，打破这种“激励分割”障碍，idc亟需在信息域设计激励方案来促使终端用户参与ds-dr，从而获得灵活性。针对idc与用户之间的激励机制设计目前也只有少量研究。文献[11]提出了一种数据服务定价模型，根据动态能耗成本和资本支出计算实施数据服务的最优价格。文献[12]针对可延迟数据负载，提出了一种基于使用量定价的激励补贴机制，有效降低idc峰值能耗和用能成本。文献[3]基于纳什议价理论推导出激励用户削减负载参与紧急需求响应的经济盈余在数据中心运营商(data center operator，dco)和用户之间分配的机制。可以发现，现有工作设计方式较为复杂，涉及信息披露较多，在实践中可能不易实现。同时，用户大多被考虑得较为被动，没有涉及其理性行为选择。此外，大多种类单一，没有综合挖掘idc灵活性需求。
[0142]
参见图1，本发明提供一种面向电力-数据服务的互联网数据中心双层规划方法，包括如下步骤：
[0143]
s1通过基于温度感知的pue指标，建立idc能耗模型；
[0144]
s2通过分别对交互式数据负载、批处理数据负载和可削减数据负载进行建模，构建idc数据负载特性模型；
[0145]
s3基于系统年投资运行净收益最大化的目标，建立idc多域资源协同规划模型；基于发电总成本最小的目标，结合idc能耗模型，建立iso经济调度模型；基于数据用户的ds-dr参与意愿由预期收益和参与代价之间的关系特性，结合idc数据负载特性模型，建立数据用户效益模型；
[0146]
s4将idc多域资源协同规划模型作为上层模型，将iso经济调度模型和数据用户效益模型作为下层模型，构建idc综合规划模型；通过kkt条件和r&d算法，求解idc综合规划模型。
[0147]
本发明提出了电力-数据服务市场下的idc多域全要素双层规划框架。目的是在电力市场领域提供的时空变化电价的驱动下，idc通过设计激励机制促进数据用户参与数据服务需求响应，以挖掘信息域灵活性资源从而满足能量域的优化需求，idc进而在经济性目标下制定出能量-信息域协同最优的规划方案。
[0148]
本发明的重点改进有以下三点：
[0149]
1)提出了idc双层规划框架，同时捕获了idc与下层1-电力市场的能量-能源价格交互以及与下层2-数据用户的信息-dr价格交互；
[0150]
2)根据数据负载特性考虑了dco鼓励用户参与ds-dr的全面方案，并针对不同特性用户的理性行为选择为其提供了ds-dr参与意愿的决策指导，实现dco与数据用户的利益共赢；
[0151]
3)针对本文提出的双层混合整数非线性规划模型(其中，包含两个下层问题)，提出利用kkt与r&d重构分解法相结合的方法进行有效求解。
[0152]
下面具体描述本发明提供的方法的具体执行过程。
[0153]
问题描述
[0154]
系统架构
[0155]
图3给出了典型idc系统基本架构图，重点展示了内部设备构成、idcs之间的通信网络及其与外部电力市场和数据用户的交互关系。可以发现，idc系统内部主要包括机房内
部的服务器、制冷系统以及机房外部的光伏、储能等供能系统。idcs由云端管理平台进行总体数据调度控制，分别下发任务给每个idc，多个idc之间可以通过互联光缆网络进行数据传输。
[0156]
依托自身可再生能源发电设备和储能系统灵活充放电，idc作为电能产消者，既可以在可再生能源资源短缺或电价便宜时从外部电力市场购电，也可以在可再生能源充足或电价较高时向外部售电，以在保证系统内部功率平衡的基础上实现经济运行。与此同时，外部电力市场侧iso也在根据idc与市场的交互功率进行经济调度，及时调整电力网络潮流分布，为idc用电策略和数据负载分配提供节点边际电价lmp信息。
[0157]
此外，idc最主要的业务是根据sla满足来自不同数据用户的海量数据负载需求。为使自身可以拥有更多的灵活调节能力，使降本增效最大程度上可能实现，idc向数据用户发布数据服务需求响应激励机制。针对数据用户类型不同，dco制定相应合理的激励措施，调动数据用户参与需求响应的积极性。与此同时，数据用户综合考虑期望收益与参与代价之间的关系后进行有效决策，向idc提供数据服务dr的参与意愿。为简化且有效地描述数据用户dr参与意愿，便于dco与数据用户双向决策，先向用户收取基本数据服务费，再根据参与程度进行补贴。
[0158]
idc规划框架
[0159]
基于上述分析，从dco角度出发，它与iso和数据用户之间的互动可以看作是一个主从博弈问题，即dco是领导者，iso和数据用户分别是能量-信息维度的不同追随者。那么，可以将idc的综合规划问题构造成一个包含两个下层问题的双层规划模型，如图3所示。上层为idc多域资源协同规划问题，具体而言,dco以idc年投资运行净收益最大化为目标，确定idc在电力网络内的建设位置、各个idc供能设备(光伏/储能)和物理设备(服务器/制冷系统)的安装容量，优化各时段idc(包括数据负载迁移和削减量、服务器启停状态、制冷设备/光伏出力、储能充放电量、外购电量)的运行控制策略以及ds-dr的激励补贴单价设定。下层1是iso考虑idc的电力系统经济调度模型，确定系统中lmp的信息向dco传递。下层2是数据用户参与ds-dr的综合效用模型，根据dco设置的dr激励补贴价格，确定提供给idc待处理的数据负载质量需求情况即ds-dr参与意愿。
[0160]
此外，在系统运行阶段还存在一些不容忽视的不确定因素。本文使用基于场景的随机优化方法来捕获与系统中各个主体运行相关的不确定性，包括光伏出力、室外温度、用电负荷需求、数据用户请求率等。假设数据/用电负荷需求和环境温度符合截断高斯分布，光照强度服从beta分布，通过monte-carlo模拟法进行场景生成。在此基础上，进一步采用k-means法对生成场景聚类，减少模型中的信息冗余，提高问题的计算效率。
[0161]
在建模过程中，设置如下参量：i∈i表示待建的idc，t∈t表示典型日中各时间段，s∈s表示构建的场景，n∈n表示电力网络中的节点，b∈b表示火电机组的发电区段。
[0162]
idc模型
[0163]
设备能耗模型
[0164]
idc能耗主要由处理数据负载的服务器、用于维持室内环境温度的制冷系统以及供配电系统三部分组成。其中，服务器和制冷系统约占idc总能耗的90％。服务器耗能主要由当前时段的服务器开机数目和信息任务负载决定。在大量服务器集群工作状态下，可假设任意时段的数据负载平均分配给所有开机服务器，即多台服务器运行时，cpu整体利用率
如式(1)所示，服务器集群总功耗可由式(2)表示。式(3)和(4)分别为idc服务器开机数量约束以及服务器cpu利用率约束。在现有国内外研究中，常基于pue(power usage effectiveness)指标的经验估算法根据it设备能耗确定idc总能耗。实际上，由于idc室外温度的变化可能会实时影响制冷系统(如机房空调等)的能效进而影响pue值的大小，所以依据经验确定的pue估计值准确性较低。因此，本发明的实施例采用考虑温度感知的pue来计算idc总功耗。pue与温度相关性如式(5)所示，idc总功耗由式(6)表示。
[0165][0166][0167][0168][0169][0170][0171]
式中，λ
i,s,t
为t时段位于i节点的idc数据负载到达率，μi为服务器处理速率，u
i,s,t
、u
max
分别为cput时段利用率和最大利用率，分别为服务器t时段开机数量和服务器配置数量，为服务器备用系数，分别为单台服务器处理工作负载时的峰值功率和空闲时的静默功率，t
i,s,t
为idc的室外温度，ai/bi/ci分别为i节点的idc的室外温度系数，分别为服务器能耗和idc总有功功耗。
[0172]
数据负载特性模型
[0173]
按照数据用户的请求特性，idc中的数据负载大致可分为3类：交互式数据负载(inter data load，idl)、批处理数据负载(batch data load，bdl)、可削减数据负载(reduciable data load，rdl)。下面就各类负载特性分别进行建模。
[0174]
交互式数据负载
[0175]
idl是指不具有处理延迟性但可根据需要在不同地理位置idc之间进行灵活迁移的数据负载。实际工程中，典型的idl包括市场交易、网络服务、在线交流等实时性要求较高的用户请求。由于idc对idl进行自由调度不会对数据用户造成服务质量上的影响，即不存在ds-dr的潜力，这里不考虑将该类数据负载作为ds-dr的对象。针对idl调度控制，相关约束如式(7)-(9)所示，分别为idl任务迁移平衡约束、idc间通信光纤带宽约束以及idl可迁移总量约束。
[0176][0177][0178]
[0179]
式中，分别为交互式数据负载调度前后的任务量，为两个idc之间迁移的数据量，w
l
为单个数据任务容量，为通信线路ii’的传输时延，为通信线路ii’的带宽限制。
[0180]
批处理数据负载
[0181]
bdl是指在用户可接受的处理延迟时间范围内任务量固定但处理时间灵活可变的数据负载。对于idc，常见的bdl包括数据挖掘测试，任务备份等。若用户的bdl请求提供的可接受延时阈值越大，idc能够灵活调度的时间范围就越大，这里将bdl作为idc开展ds-dr的主要对象之一。由于不同数据用户的批处理请求对延迟处理的敏感性(损失程度)不同，提供的延迟阈值也不同，dco将bdl按照数据用户的敏感特性再分为j类。那么，基于idc i处理的第j类批处理数据负载的最大处理延迟时长d
i,j
，idc i对于t时刻产生的第j类批处理数据负载需求可以推迟到[t,t+d
i,j
]任意时段内处理。上述过程可表示为式(10)-(12)，分别为转移前后数据负载需求平衡、时间转移特性约束以及负载需求转移总量约束。
[0182][0183][0184][0185]
式中，分别为批处理数据负载调度前后的任务量，为由时刻t转移到t’的数据任务量。
[0186]
可削减数据负载
[0187]
rdl是指在规定时间范围内可以适当降低服务质量、灵活削减的数据负载，主要包括计算仿真、视频播放等。若用户的rdl请求可接受的服务质量越低(即可削减比例越高)，idc削峰填谷的能力就越强，这里将rdl作为idc开展ds-dr的另一重要对象。与bdl类似，由于不同数据用户的可削减请求对降低服务质量的敏感性不同，提供的最大可接受削减程度也不同，dco将rdl按照数据用户的敏感特性再分为k类。那么，基于idci处理的第k类可削减数据负载可接受的削减比例rdl负载特性表述如式(13)所示。
[0188][0189]
根据式(7)-(13)，数据负载灵活调节后，各时段idc需要处理的总信息负载表示如下：
[0190][0191]
式中，为可削减数据负载用户的初始需求量，为其调度后的任务量。
[0192]
问题建模
[0193]
上层模型：idc多域资源协同规划模型
[0194]
上层idc多域资源协同规划模型以系统年投资运行净收益最大化为目标，具体数学公式如(15)-(32)所示。式(16)为年值化的系统投资成本，包括服务器、制冷设备、光伏机
组、储能等设备安装。式(17)为系统运行效益，包括参与电力批发市场和数据服务市场的收益以及各设备运维成本和激励用户参与dr的补偿成本，具体分别如式(18)-(22)所示。其中，dr补偿成本详见4.3节。
[0195]
max f
idc
＝λ
ope-c
inv
ꢀꢀ
(15)
[0196][0197][0198][0199][0200][0201][0202]
s.t.
[0203][0204][0205][0206][0207][0208][0209][0210][0211][0212][0213][0214][0215][0216][0217][0218]
[0219][0220][0221][0222]
式中，f
idc
为idc年净收益；λ
ope
为idc年运行效益；γ
ser
/γ
cool
/γ
pv
/γ
ess
分别为服务器/制冷设备/光伏机组/储能设备安装成本的年值化系数；c
si
/c
ci
/c
pvi
/c
ei
分别为服务器/制冷设备/光伏机组/储能设备的单位安装成本；为制冷设备/光伏机组/储能配置容量；ρs为运行场景s出现的概率；θ为一年中典型日天数；π
n,s,t
为节点n时刻t的lmp；为i节点的idc在电力市场交易的电量，当表示向市场出售电量，当表示向市场购入电量；δ
data
为基础数据服务单价；c
som
/c
com
/c
pvom
/c
eom
分别为服务器/制冷设备/光伏机组/储能设备的单位运维成本；为待选址节点iidc安装的状态变量；为待选址节点iidc安装的状态变量；分别为服务器/制冷设备/光伏机组/储能设备的最大安装容量；分别为服务器/制冷设备/光伏机组/储能设备的最大安装容量；/δ
bdl-max
/δ
rdl-max
分别为idci激励数据用户参与bdl-dr和rdl-dr的补贴价格及其价格上限；分别为光伏实际出力和预测出力；为储能荷电量；ε
ess
为自放电功率，为充/放电功率，ηc/ηd为充放电效率，soc
max
/soc
min
为荷电状态上/下限,为充/放电状态变量，为充/放电功率上限；为idc变压器额定容量；分别为数据任务排队时间和处理时间，t
max
为服务质量约束的数据任务最大可延迟时间。
[0223]
上述约束中，式(22)-(24)为系统规划阶段约束条件，式(25)-(32)为系统运行阶段约束。其中，约束(22a)-(22d)分别为服务器、制冷设备、光伏机组、储能的最大安装容量/数量限制。约束(23)表示制冷设备的配置容量需要满足服务器满载运行时的功率关系约束。约束(24)规定激励数据用户参与dr的补贴价格不能超过一定上限。约束(25)为光伏机组出力约束。储能设备运行约束如式(26)-(29)所示，分别为功率平衡约束、充放电状态约束、保持始末容量一致的可连续性约束、充放电功率约束。idc的功率平衡约束由式(30)所示。约束(31)保证idc与电网的交互功率在变压器容量范围内。本文假设所有dc服务器型号相同，且在运行时将数据任务平均下发给活跃服务器，基于m/m/1排队论，可得idc数据负载处理的服务质量约束(32)。
[0224]
下层1：iso经济调度模型
[0225]
通常，iso的经济调度问题是使发电总成本最小，如式(33)所示。约束条件主要考虑电力系统的有功功率平衡约束(34)，电网潮流约束(35)，电压相角约束(36)，线路传输有功功率约束(37)，发电机组有功出力约束(38)。其中，π
n,s,t
为式(34)的对偶变量，其物理含义为节点n时刻t的lmp。
[0226][0227]
s.t.
[0228][0229][0230][0231][0232][0233]
式中，cg为系统总发电成本；为单位发电成本；为发电机组的单位有功出力成本；为节点n的idc与市场的交互功率，为节点n处除idc外的负荷功率；p
l,s,t
为线路l在t时刻流过的有功功率，为线路l有功功率容量上限；b
l
为线路l的导纳，α
n,s,t
为节点n的电压相角，为电压相角的最大/小值；为发电机最小出力。式(34)-(38)后标注的变量分别为其对应的对偶变量。
[0234]
下层2：数据用户效益模型
[0235]
数据用户的ds-dr参与意愿由预期收益和参与代价之间的关系决定，其综合效益主要包括ds-dr的激励补贴、基础ds付费削减效益，ds效益折损三项构成，如式(39)所示。式(40)-(43)分别表示提供bdl和rdl的数据用户ds-dr激励补贴函数及效益折损函数。其中，(非负数)分别表示第j类bdl和第k类rdl的损失因子，即数据用户敏感程度越高，数值越大。为防止数据用户dr市场套利行为，idc设置延迟阈值不得超过d
max
，如式(44)所示。用户提供的可削减比例要在0-1之间，如式(45)所示。为确保每一时刻每类数据用户参与dr都有所获利，约束如式(46)和(47)所示。
[0236][0237][0238][0239][0240][0241]
s.t.
[0242][0243]
[0244][0245][0246]
式中，f
edu
为数据用户的净收益；为提交bdl的数据用户的利益削减；为提交rdl的数据用户的利益削减；为第k类可削减数据负载可接受的削减比例；d
i,j
为第j类批处理负载可接受的延迟阈值；d
max
为idc设置的最大延迟阈值。
[0247]
求解方法
[0248]
求解流程
[0249]
本文所提模型本质上是一个在上下层问题中均含有连续和离散变量的bi-minlp模型，不能直接使用现有的商业优化求解器来解决。传统方法是通过遗传算法和混合整数非线性规划求解器或求解算法相结合，采用交替迭代的方式求解。然而，这类方法无法求得双层模型的最优解，且算法的收敛性也无法保证。本文采用kkt条件和r&d算法对该模型进行精确求解，同时保证了收敛性，求解流程示意图如图3所示，具体kkt求解过程和r&d算法过程分别详见下文。
[0250]
kkt条件
[0251]
首先，下层问题1-电力系统经济调度模型是一个线性规划问题，通过使用其的kkt条件(包括一致性约束和互补松弛条件)替换下层优化模型1，上层优化模型和下层优化模型1可以先被转化成单层优化模型。
[0252]
一致性约束
[0253]
一致性约束要求拉格朗日函数对所有变量的导数为0，表示如下：
[0254][0255][0256][0257]
该一致性约束涉及的变量均为式(34)-(38)对应的对偶变量。
[0258]
互补松弛约束
[0259]
互补松弛约束要求原约束与对偶变量乘积为0，表示如下：
[0260][0261][0262][0263][0264][0265][0266]
上述互补松弛约束是非线性的，可以用大m法进行线性化处理，式(51)可以转化为线性约束(57)，式(52)-(56)类似。
[0267][0268]
其中，是一个足够大的常数，是一个辅助的二进制变量。
[0269]
双线性项处理
[0270]
目前，式(18)中，即上层目标函数中还包含这一个与下层问题有关的双线性项使用强对偶定理可以很容易地线性化。其中，表示节点n处的idc与市场交互的功率。
[0271][0272]
r&d算法
[0273]
将上层优化模型和下层优化模型1转化为单层优化模型后，为便于后续问题的求解，先将目前的双层混合整数规划模型写成如下紧凑的矩阵形式：
[0274][0275]
式中，x为上层0/1变量矩阵，y为上层连续变量矩阵。w为下层连续变量矩阵，z为下层整数变量矩阵，r表示实数，z表示整数。此外，f,g,h,m,n,r,u,v,a,b,c,d,e,f,g,h,p,q分别为对应的系数矩阵。
[0276]
基于r&d算法，先将(59)重构分解为一个主问题(mp)和两个子问题(sp1，sp2)，即可使用c&cg思想实现上述模型的求解。mp、sp1、sp2分别如式(60)-(62)所示。
[0277]
[0278][0279][0280]
r&d算法步骤如下：
[0281]
步骤1：设置下界lb＝﹣∞，上界ub＝﹢∞，迭代次数l＝0；
[0282]
步骤2：求解mp，得到最优x*、y*并更新ub＝ψ；
[0283]
步骤3：基于给定的y*求解sp1，得到
[0284]
步骤4：基于给定的y*和求解sp2，得到最优z*并更新lb＝max{lb,fy
*
+ψ0(y
*
)}；
[0285]
步骤5：如果|ub-lb|/ub《0.01，则停止计算；
[0286]
步骤6：设置z
l+1
＝z
*
，并添加下述约束到mp；
[0287]-y
t
gw
0-y
t
hz0+u
t
w0+v
t
z0≥-y
t
gw
r+1-y
t
hz
r+1
+u
twr+1
+v
tzr+1
[0288]
pw
r+1
≤r-qz
r+1
,p
t
σ
r+1
≥g
t
y+u
[0289]wr+1
⊥
(p
t
σ
r+1-g
t
y-u),σ
r+1
⊥
(r-qz
r+1-pw
r+1
)
[0290]wr+1
,σ
r+1
∈r
+
[0291]
步骤7：设置l＝l+1，并回到步骤2。
[0292]
综上所述，本发明针对idc在未来多域融合发展下的经济性规划问题，本发明从能量-信息耦合视角探究了，在规划阶段考虑时空变化的能源价格和数据用户的信息资源需求响应潜力对提高系统经济性的潜在作用，并提出了一种多域不确定性下综合考虑电力市场和数据服务市场的idc多资源协同规划方法。根据仿真结果，得出以下主要结论：
[0293]
1)相比于仅在固定市场电价和不考虑数据用户ds-dr环境下的传统规划，本发明所提出的idc多资源协同规划可以充分挖掘信息资源需求响应的灵活性价值从而提升能源域的优化空间，最终确定能量-信息耦合下的数据负载dr资源开发程度，并获得显著的经济效益；
[0294]
2)鉴于idc能耗体量和数据负载时空迁移和削减会对电力网络潮流进而对市场电价产生的影响，为实现idc的准确选址和定容，不能简单地将lmp作为规划参数，需要在规划阶段即考虑idc与电力市场的能量-价格交互，从而确保最终规划方案的有效性；
[0295]
3)相比于单一种类ds-dr，开展多种类ds-dr能够以较低的补贴价格合理激发不同特性用户的参与程度，更大程度上优化数据负载曲线，实现经济性最优；
[0296]
4)激励价格的设定会影响不同特性用户的ds-dr参与意愿，进而影响idc及数据用户的效益。因此，考虑不同特性数据用户的理性行为选择优化设计出的激励价格和用户参与度更能捕捉idc与数据用户的信息-数据价格交互，达到二者共赢的局面。
[0297]
附：前述引用的现有技术文献名称及作者
[0298]
[1]lu x,kong f,liu x,et al.bulk savings for bulk transfers:minimizing the energy-cost for geo-distributed data centers[j].ieee transactions on cloud computing,2017,8(1):73-85.
[0299]
[2]luo j,rao l,liu x.spatio-temporal load balancing for energy cost optimization in distributed internet data centers[j].ieee transactions on cloud computing,2015,3(3):387-397.
[0300]
[3]guo y,li h,pan m.colocation data center demand response using nash bargaining theory[j].ieee transactions on smart grid,2017,9(5):4017-4026.
[0301]
[4]zhang g,zhang s,zhang w,et al.distributed energy management for multiple data centers with renewable resources and energy storages[j].ieee transactions on cloud computing,2020,10(4):2469-2480.
[0302]
[5]jawad m,qureshi m b,khan m u s,et al.a robust optimization technique for energy cost minimization of cloud data centers[j].ieee transactions on cloud computing,2018,9(2):447-460.
[0303]
[6]guo c,luo f,cai z,et al.integrated planning of internet data centers and battery energy storage systems in smart grids[j].applied energy,2021,281:116093.
[0304]
[7]qi w,li j,liu y,et al.planning of distributed internet data center microgrids[j].ieee transactions on smart grid,2017,10(1):762-771.
[0305]
[8]vafamehr a,khodayar m e,manshadi s d,et al.a framework for expansion planning of data centers in electricity and data networks under uncertainty[j].ieee transactions on smart grid,2017,10(1):305-316.
[0306]
[9]li j,bao z,li z.modeling demand response capability by internet data centers processing batch computing jobs[j].ieee transactions on smart grid,2014,6(2):737-747.
[0307]
[10]sun j,chen m,liu h,et al.workload transfer strategy of urban neighboring data centers with market power in local electricity market[j].ieee transactions on smart grid,2020,11(4):3083-3094.
[0308]
[11]cong p,li l,zhou j,et al.developing user perceived value based pricing models for cloud markets[j].ieee transactions on parallel and distributed systems,2018,29(12):2742-2756.
[0309]
[12]zhan y,ghamkhari m,xu d,et al.extending demand response to tenants in cloud data centers via non-intrusive workload flexibility pricing[j].ieee transactions on smart grid,2016,9(4):3235-3246.
[0310]
本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
[0311]
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品
可以存储在存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
[0312]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0313]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

技术特征：
1.面向电力-数据服务的互联网数据中心双层规划方法，其特征在于，包括：s1通过基于温度感知的pue指标，建立idc能耗模型；s2通过分别对交互式数据负载、批处理数据负载和可削减数据负载的约束条件进行建模，构建idc数据负载特性模型；s3基于系统年投资运行净收益最大化的目标，建立idc多域资源协同规划模型；基于发电总成本最小的目标，结合所述idc能耗模型，建立iso经济调度模型；基于数据用户的ds-dr参与意愿由预期收益和参与代价之间的关系特性，结合所述idc数据负载特性模型，建立数据用户效益模型；s4将所述idc多域资源协同规划模型作为上层模型，将所述iso经济调度模型和数据用户效益模型作为下层模型，构建idc综合规划模型；通过kkt条件和r&d算法，求解所述idc综合规划模型。2.根据权利要求1所述的方法，其特征在于，步骤s1包括：设置i∈i表示待建的idc，t∈t表示典型日中各时间段，s∈s表示构建的场景，n∈n表示电力网络中的节点，b∈b表示火电机组的发电区段，并通过式示电力网络中的节点，b∈b表示火电机组的发电区段，并通过式示电力网络中的节点，b∈b表示火电机组的发电区段，并通过式示电力网络中的节点，b∈b表示火电机组的发电区段，并通过式示电力网络中的节点，b∈b表示火电机组的发电区段，并通过式示电力网络中的节点，b∈b表示火电机组的发电区段，并通过式建立idc能耗模型；式中，λ
i,s,t
为t时段位于i节点的idc数据负载到达率，μ
i
为服务器处理速率，u
i,s,t
、u
max
分别为cput时段利用率和最大利用率，分别为服务器t时段开机数量和服务器配置数量，为服务器备用系数，p
ipeak
、p
iidle
分别为单台服务器处理工作负载时的峰值功率和空闲时的静默功率，t
i,s,t
为idc的室外温度，a
i
/b
i
/c
i
分别为i节点的idc的室外温度系数，分别为服务器能耗和idc总有功功耗。3.根据权利要求2所述的方法，其特征在于，步骤s2包括：s21通过idl任务迁移平衡约束、idc间通信光纤带宽约束和idl可迁移总量约束的式s21通过idl任务迁移平衡约束、idc间通信光纤带宽约束和idl可迁移总量约束的式s21通过idl任务迁移平衡约束、idc间通信光纤带宽约束和idl可迁移总量约束的式建立交互式数据负载模型；式中，分别为交互式数据负载调度前后的任务
量，为两个idc之间迁移的数据量，w
l
为单个数据任务容量，为通信线路ii’的传输时延，为通信线路ii’的带宽限制；s22通过转移前后数据负载需求平衡、时间转移特性约束和负载需求转移总量约束的式式式建立批处理数据负载模型；式中，分别为批处理数据负载调度前后的任务量，为由时刻t转移到t’的数据任务量；s23通过基于idc i处理的第k类可削减数据负载可接受的削减比例θ
i,k
，通过式建立可削减数据负载模型；式中，为可削减数据负载用户的初始需求量；s24基于式(7)至(13)，通过式建立idc数据负载特性模型；式中，为其调度后的任务量。4.根据权利要求3所述的方法，其特征在于，步骤s3包括：s31通过式max f
idc
＝λ
ope-c
inv
ꢀꢀ
(15)(15)(15)(15)(15)(15)s.t.s.t.
dr和rdl-dr的补贴价格及其价格上限；分别为光伏实际出力和预测出力；为储能荷电量；ε
ess
为自放电功率，为充/放电功率，η
c
/η
d
为充放电效率，soc
max
/soc
min
为荷电状态上/下限,为充/放电状态变量，p
icr
/p
idr
为充/放电功率上限；为idc变压器额定容量；分别为数据任务排队时间和处理时间，t
max
为服务质量约束的数据任务最大可延迟时间；s32通过式s.t.s.t.s.t.s.t.s.t.建立iso经济调度模型；式中，c
g
为系统总发电成本；为单位发电成本；π
n,s,t
为式(34)的对偶变量，其物理含义为节点n时刻t的lmp，为发电机组的单位有功出力成本；为节点n的idc与市场的交互功率，为节点n处除idc外的负荷功率；p
l,s,t
为线路l在t时刻流过的有功功率，为线路l有功功率容量上限；b
l
为线路l的导纳，α
n,s,t
为节点n的电压相角，为电压相角的最大/小值；为发电机最小出力；s33通过式s33通过式s33通过式s33通过式s33通过式s.t.
建立数据用户效益模型；式中，f
edu
为数据用户的净收益；为提交bdl的数据用户的利益削减；为提交rdl的数据用户的利益削减；(非负数)分别表示第j类bdl和第k类rdl的损失因子；θ
i,k
为第k类可削减数据负载可接受的削减比例；d
i,j
为第j类批处理负载可接受的延迟阈值；d
max
为idc设置的最大延迟阈值。5.根据权利要求3所述的方法，其特征在于，步骤s4中，所述kkt条件包括：一致性约束式一致性约束式一致性约束式互补松弛约束互补松弛约束互补松弛约束互补松弛约束互补松弛约束互补松弛约束将式(51)转化为线性约束式式(57)中，是一个常数，是一个辅助的二进制变量；通过式
将式(18)中包含的双线性项线性化；式中，为节点n处的idc与市场交互的功率；所述r&d算法的过程包括：将所述idc综合规划模型转换为矩阵形式式中，x为上层0/1变量矩阵，y为上层连续变量矩阵，w为下层连续变量矩阵，z为下层整数变量矩阵，r表示实数，z表示整数；f,g,h,m,n,r,u,v,a,b,c,d,e,f,g,h,p,q分别为对应的系数矩阵；将式(59)重构分解为一个主问题mp第一子问题sp1第二子问题sp2通过所述r&d算法求解所述idc综合规划模型的过程包括：s41设置上界lb＝﹣∞，下界ub＝﹢∞，迭代次数l＝0；
s42求解主问题mp，得到最优x*、y*并更新ub＝ψ；s43基于给定的y*求解sp1，得到s44基于给定的y*和求解sp2，得到最优z*并更新lb＝max{lb,fy
*
+ψ0(y
*
)}；s45如果|ub-lb|/ub<0.01，则停止计算；s46设置z
l+1
＝z
*
，并添加下述约束到mp；-y
t
gw
0-y
t
hz0+u
t
w0+v
t
z0≥-y
t
gw
r+1-y
t
hz
r+1
+u
t
w
r+1
+v
t
z
r+1
pw
r+1
≤r-qz
r+1
,p
t
σ
r+1
≥g
t
y+uw
r+1
⊥
(ptσ
r+1-g
t
y-u),σ
r+1
⊥
(r-qz
r+1-pw
r+1
)w
r+1
,σ
r+1
∈r
+
s47设置l＝l+1，并返回执行子步骤s42。

技术总结
本发明提供一种面向电力-数据服务的互联网数据中心双层规划方法，提出了一种电力市场环境下考虑数据用户信息需求响应资源的IDC双层规划框架。首先，通过深入分析数据用户请求的不同数据负载特性，挖掘数据用户信息资源需求响应的潜在参与能力，建立了考虑数据服务市场(DS)-DR的数据负载调度模型。接着，基于IDC与电力市场和数据服务市场的交互关系，建立了IDC双层规划模型。上层是以经济性为目标的IDC多域资源协同规划模型，分别向下层独立系统运营商传递实时功率并为数据用户设计DS-DR激励价格。下层分别是ISO的经济调度模型以及数据用户综合效用决策模型。针对有下层两个问题的双层混合整数非线性规划模型，采用KKT条件和R&D算法进行精确高效求解。R&D算法进行精确高效求解。R&D算法进行精确高效求解。


技术研发人员：曾博 周吟雨 张卫翔 徐心竹
受保护的技术使用者：华北电力大学
技术研发日：2023.07.17
技术公布日：2023/10/6