计及算力与储冷灵活性的数据中心多能微网运行优化

杜宇昊; 严儒井; 李孟兰

doi:10.3969/j.issn.2097-0706.2026.08.010

欢迎来到能源电力期刊网！

English Version 期刊登录

您当前的位置：

首页 >

文章列表页 >

计及算力与储冷灵活性的数据中心多能微网运行优化

系统调度与低碳运行 | 更新时间：2026-10-08

- 计及算力与储冷灵活性的数据中心多能微网运行优化
- Operational optimization of multi-energy microgrids for data centers considering flexibility of computing loads and cold energy storage
- 综合智慧能源 2026年48卷第8期页码：117-129
- 作者机构：
  
  1.贵州大学电气工程学院，贵阳 550025
  2.贵州江源电力建设有限公司，贵阳 550002
- 作者简介：
  
  杜宇昊（2003），男，硕士生，从事数据中心微能网方面的研究，gs.yhdu25@gzu.edu.cn；
  严儒井*（1990），男，特岗教授，博士，从事同站风光储、数据中心绿电供应、多能互补、源网荷储一体化运行控制等方面的研究，rjyan@gzu.edu.cn；
  李孟兰（1991），女，高级工程师，从事电力系统优化方面的研究，905592813@qq.com。
- 基金信息：
  
  贵州省科技支撑计划项目（黔科合支撑〔2025〕一般021）;国家自然科学基金项目(52406227)
- DOI：10.3969/j.issn.2097-0706.2026.08.010
  中图分类号：
- 收稿：2026-08-06，
  
  修回：2026-08-14，
  
  网络首发：2026-08-25，
  
  纸质出版：2026-08-25
- 稿件说明：
移动端阅览
杜宇昊,严儒井,李孟兰.计及算力与储冷灵活性的数据中心多能微网运行优化[J].综合智慧能源,2026,48(08):117-129.

DU Yuhao,YAN Rujing,LI Menglan.Operational optimization of multi-energy microgrids for data centers considering flexibility of computing loads and cold energy storage[J].BLASTING,2026,48(08):117-129.
杜宇昊,严儒井,李孟兰.计及算力与储冷灵活性的数据中心多能微网运行优化[J].综合智慧能源,2026,48(08):117-129. DOI： 10.3969/j.issn.2097-0706.2026.08.010.

DU Yuhao,YAN Rujing,LI Menglan.Operational optimization of multi-energy microgrids for data centers considering flexibility of computing loads and cold energy storage[J].BLASTING,2026,48(08):117-129. DOI： 10.3969/j.issn.2097-0706.2026.08.010.

摘要

针对园区风光出力与数据中心连续算力-制冷需求之间的逐时时序错位，聚焦月最大需量约束下可延迟算力负荷与显热水储冷系统的互补调节机理，构建了包含园区风电、光伏、电网、数据中心IT负荷、冷却系统和显热水储冷系统的数据中心多能微网模型。算力侧将聚合计算需求拆分为不可转移部分与可转移部分到达量，并在服务时窗、逐批任务守恒、月末队列清零和中央处理器利用率上下限约束下选择执行时刻；制冷侧根据IT热负荷建立冷却液分配单元、设施水泵、计算机房空气处理机组和冷水机功率模型，以储冷量状态方程、充放冷互斥、容量及期末闭合约束描述储冷系统；电网侧显式考虑逐时购售电互斥、上网容量、蒙西分时电价和月最大需量电费。采用三级词典序目标依次最小化弃电量、净电费和无效调节量。算例以呼和浩特典型5月气象序列驱动风光出力与干球温度自由冷却模型，利用露点温度、湿球温度校核凝露边界；以Google 2019生产集群轨迹和Dell PowerEdge R740 SPECpower实测曲线构造1 MW等值IT负荷。主场景取20%柔性算力任务份额、4 h最大延迟及2 h额定储冷时长的储冷系统（额定充放冷功率651.77 kW、容量1 303.53 kW·h），并设置基线、仅算力负荷时移/储冷、规则控制、完美预测联合优化和滚动优化对比场景。结果表明：相对基线场景，仅算力负荷时移使月最大需量和净电费分别降低15.33%和11.38%，仅储冷分别降低9.55%和8.95%，联合优化分别下降17.83%和16.13%，本地风光自消纳率提高1.66百分点。Shapley分解表明，算力负荷时移与储冷在联合削峰量中分别贡献66.2%和33.8%，在净电费节省中分别贡献57.6%和42.4%。交互效应分析表明，上网容量与售电价格共同变化时，其交互影响明显强于柔性算力任务比例与额定储冷时长或最大延迟共同变化所产生的影响。算力负荷时移主要承担跨小时能量重排，储冷主要提供峰值附近的短时冷量补偿，二者在统一的任务、热量、电功率和月需量约束下协同，能够同时改善本地风光消纳、削减月最大需量并降低净电费。

Abstract

To address the hourly temporal mismatch between wind and photovoltaic （PV） power output in industrial parks and the continuous computing and cooling demand of a data center， the complementary regulation mechanism of deferrable computing loads and a sensible-heat water-based cold energy storage system under monthly maximum demand constraints was investigated. A data center multi-energy microgrid model incorporating park-level wind and PV generation， the power grid， data center IT loads， a cooling system， and a sensible-heat water-based cold energy storage system was developed. On the computing side， the aggregate computing demand was divided into a nonshiftable component and arrivals of a shiftable component， and execution times were selected subject to service-window constraints， batch-wise task-conservation constraints， end-of-month queue-clearance constraints， and lower and upper limits on central processing unit utilization. On the cooling side， power models for the coolant distribution unit， facility water pump， computer-room air-handling unit， and chiller were established based on the IT heating load. Cold energy storage system was described using a state equation for cold energy storage， mutually exclusive charging and discharging constraints， capacity constraints， and end-of-period closure constraints. On the grid side， hourly mutual exclusivity between electricity purchase and sale， grid-export capacity， the time-of-use tariff for western Inner Mongolia， and the monthly peak-demand charge were explicitly considered. A three-level lexicographic objective was used to sequentially minimize electricity curtailment， net electricity cost， and ineffective adjustment. The case study used a meteorological series in typical May for Hohhot to model wind and PV output and dry-bulb-temperature-based free cooling. Dew-point and wet-bulb temperatures were used to verify the condensation boundary. The Google 2019 production-cluster trace and the measured Dell PowerEdge R740 SPECpower curve were used to construct a 1 MW equivalent IT load. The main scenario assumed a 20% share of flexible computing tasks， a maximum delay of 4 h， and a cold energy storage system with a rated duration of 2 h （rated charging and discharging cooling power of 651.77 kW and capacity of 1 303.53 kW·h）. Baseline， computing-load-shifting-only， cold-energy-storage-only， rule-based-control， perfect-prediction joint optimization， and rolling-optimization scenarios were also established for comparison. The results showed that compared with the baseline scenario， computing-load shifting alone reduced monthly peak demand and net electricity cost by 15.33% and 11.38%， respectively， and cold energy storage alone reduced these values by 9.55% and 8.95%， respectively. Joint optimization reduced them by 17.83% and 16.13%， respectively， while increasing the local self-consumption rate of wind and PV power by 1.66 percentage points. Shapley decomposition showed that computing-load shifting and cold energy storage contributed 66.2% and 33.8%， respectively， to joint peak reduction， and 57.6% and 42.4%， respectively， to net electricity cost savings. Interaction effect analysis showed that the joint variations in grid-export capacity and electricity selling price had a significantly stronger interactive effect than the combined variations in the flexible computing task share and either the rated cold energy storage duration or the maximum delay. Computing-load shifting mainly performs inter-hour energy allocation， whereas cold energy storage mainly provides short-term cooling compensation around peak periods. Under the unified constraints of computing tasks， thermal energy， electric power， and monthly demand， the two systems can operate synergistically to simultaneously improve local consumption of wind and PV power， reduce monthly maximum demand， and lower net electricity cost.

关键词

Keywords

references

张志洪，胡旭光，吴恩凯，等 . 基于自适应多任务扩散模型的风光荷场景生成方法［J］. 综合智慧能源， 2025 ， 47 （ 11 ）： 14 - 23 .

ZHANG Zhihong ， HU Xuguang ， WU Enkai ， et al . Wind-solar-load scenario generation method based on adaptive multi-task diffusion model ［J］. Integrated Intelligent Energy ， 2025 ， 47 （ 11 ）： 14 - 23 .

MYTTON D ， ASHTINE M . Sources of data center energy estimates： A comprehensive review ［J］. Joule ， 2022 ， 6 （ 9 ）： 2032 - 2056 .

RADOVANOVIC A ， KONINGSTEIN R ， SCHNEIDER I ， et al . Carbon-aware computing for datacenters ［J］. IEEE Transactions on Power Systems ， 2023 ， 38 （ 2 ）： 1270 - 1280 .

ZHANG Y J ， TSILIGKARIDIS A ， PASCHALIDIS I C ， et al . Data center and load aggregator coordination towards electricity demand response ［J］. Sustainable Computing： Informatics and Systems ， 2024 ， 42 ： 100957 .

LIU W Y ， YAN Y J ， SUN Y M ， et al . Online job scheduling scheme for low-carbon data center operation： An information and energy nexus perspective ［J］. Applied Energy ， 2023 ， 338 ： 120918 .

赵建立，向佳霓，王隗东，等 . 考虑风电不确定性的数据中心平抑风电功率波动的调度方法［J］. 综合智慧能源， 2022 ， 44 （ 11 ）： 70 - 78 .

ZHAO Jianli ， XIANG Jiani ， WANG Weidong ， et al . A scheduling method for suppressing wind power fluctuation of data centers considering wind power uncertainty ［J］. Integrated Intelligent Energy ， 2022 ， 44 （ 11 ）： 70 - 78 .

余文昶，陈永刚，曹俊波，等 . 考虑负载响应特性的数据中心综合能源系统优化调度研究［J］. 综合智慧能源， 2023 ， 45 （ 10 ）： 25 - 34 .

YU Wenchang ， CHEN Yonggang ， CAO Junbo ， et al . Optimal scheduling of the data center integrated energy system considering load response characteristics ［J］. Integrated Intelligent Energy ， 2023 ， 45 （ 10 ）： 25 - 34 .

BASMADJIAN R . Flexibility-based energy and demand management in data centers： A case study for cloud computing ［J］. Energies ， 2019 ， 12 （ 17 ）： 3301 .

鲁浩，李文博，蔡继增，等 . 计及风光不确定性与算力灵活性的数据中心两阶段随机优化［J］. 电力建设， 2026 ， 47 （ 7 ）： 14 - 24 .

LU Hao ， LI Wenbo ， CAI Jizeng ， et al . Two-stage stochastic optimization for data centers considering wind and PV power uncertainty and computational flexibility ［J］. Electric Power Construction ， 2026 ， 47 （ 7 ）： 14 - 24 .

SEYYEDI A Z G ， AKBARI E ， RASHID S M ， et al . Application of robust optimized spatiotemporal load management of data centers for renewable curtailment mitigation ［J］. Renewable and Sustainable Energy Reviews ， 2024 ， 204 ： 114793 .

REN X X ， WANG J S ， HU X Y ， et al . A novel demand response-based distributed multi-energy system optimal operation framework for data centers ［J］. Energy and Buildings ， 2024 ， 305 ： 113886 .

HE W ， XU Q ， LIU S C ， et al . Analysis on data center power supply system based on multiple renewable power configurations and multi-objective optimization ［J］. Renewable Energy ， 2024 ， 222 ： 1201 - 1213 .

杨东俊明，范俊秋，李庆生，等 . 计及源荷协同的数据中心多能互补系统配置及运行优化［J/OL］. 综合智慧能源， 2026 ： 1 - 16 （ 2026-07-30 ）［ 2026-07-31 ］. https：//link.cnki.net/urlid/41.1461.TK.20260730.1421.002 https://link.cnki.net/urlid/41.1461.TK.20260730.1421.002 .

YANG Dongjunming ， FAN Junqiu ， LI Qingsheng ， et al . Considering source-load coordination： Intelligent operation scheduling and configuration optimization of multi-energy complementary data centers ［J/OL］. Integrated Intelligent Energy ， 2026 ： 1 - 16 （ 2026-07-30 ）［ 2026-07-31 ］. https：//link.cnki.net/urlid/41.1461.TK.20260730.1421.002 https://link.cnki.net/urlid/41.1461.TK.20260730.1421.002 .

HE W ， ZHANG J F ， LI H L ， et al . Effects of different water-cooled heat sinks on the cooling system performance in a data center ［J］. Energy and Buildings ， 2023 ， 292 ： 113162 .

ZHANG J F ， HE W ， GUO R ， et al . Optimal thermal management on server cooling system to achieve minimal energy consumption based on air-cooled chiller ［J］. Energy Reports ， 2022 ， 8 （ S16 ）： 154 - 161 .

WANG S Q ， TU R ， CHEN X Z ， et al . Thermal performance analyses and optimization of data center centralized-cooling system ［J］. Applied Thermal Engineering ， 2023 ， 222 ： 119817 .

XU S J ， ZHANG H ， WANG Z L . Thermal management and energy consumption in air， liquid， and free cooling systems for data centers： A review ［J］. Energies ， 2023 ， 16 （ 3 ）： 16031279 .

KONG R ， ZHANG H N ， TANG M S ， et al . Enhancing data center cooling efficiency and ability： A comprehensive review of direct liquid cooling technologies ［J］. Energy ， 2024 ， 308 ： 132846 .

赵田田，王鲁元，张兴宇，等 . 数据中心浸没式相变冷却研究进展［J］. 华电技术， 2021 ， 43 （ 10 ）： 68 - 72 .

ZHAO Tiantian ， WANG Luyuan ， ZHANG Xingyu ， et al . Research progress of immersion phase-change cooling for data centers ［J］. Huadian Technology ， 2021 ， 43 （ 10 ）： 68 - 72 .

MA X W ， ZHANG Q ， ZOU S K . An experimental and numerical study on the thermal performance of a loop thermosyphon integrated with latent thermal energy storage for emergency cooling in a data center ［J］. Energy ， 2022 ： 123946 .

ZHU Y Q ， ZHANG Q ， HUANG G S ， et al . The influence of uncertainty parameters on the double-layer model predictive control strategy for the collaborative operation of chiller and cold storage tank in data center ［J］. Energy ， 2024 ， 313 ： 133866 .

ZHANG Y B ， TANG H ， LI H X ， et al . Unlocking the flexibilities of data centers for smart grid services： Optimal dispatch and design of energy storage systems under progressive loading ［J］. Energy ， 2025 ， 316 ： 134511 .

LIU C L ， HAO N ， ZHANG T B ， et al . Optimization of data-center immersion cooling using liquid air energy storage ［J］. Journal of Energy Storage ， 2024 ， 90 ： 111831 .

HOU J ， LI H R ， NORD N ， et al . Model predictive control for a university heat prosumer with data centre waste heat and thermal energy storage ［J］. Energy ， 2023 ， 267 ： 126579 .

LJUNGDAHL V ， JRADI M ， VEJE C . A decision support model for waste heat recovery systems design in data center and high-performance computing clusters utilizing liquid cooling and phase change materials ［J］. Applied Thermal Engineering ， 2021 ， 201 ： 117671 .

ORO E ， CODINA M ， SALOM J . Energy model optimization for thermal energy storage system integration in data centres ［J］. Journal of Energy Storage ， 2016 ， 8 ： 129 - 141 .

LIU L J ， ZHANG Q ， ZHAI Z J ， et al . State-of-the-art on thermal energy storage technologies in data center ［J］. Energy and Buildings ， 2020 ， 226 ： 110345 .

内蒙古自治区发展和改革委员会 . 关于完善蒙西电网工商业分时电价政策的通知（试行）（内发改价费字〔2023〕1630号）［EB/OL］. （ 2023-12-28 ）［ 2026-07-31 ］. https：//fgw.xlgl.gov.cn/fgw/ywgz/zdxm/tzgg/2024010409440178739/index.html https://fgw.xlgl.gov.cn/fgw/ywgz/zdxm/tzgg/2024010409440178739/index.html .

国家发展和改革委员会 . 关于第三监管周期省级电网输配电价及有关事项的通知（发改价格〔2023〕526号）［EB/OL］. （ 2023-05-15 ）［ 2026-07-31 ］. https：//www.ndrc.gov.cn/xwdt/tzgg/202305/P020230515609095630098.pdf https://www.ndrc.gov.cn/xwdt/tzgg/202305/P020230515609095630098.pdf .

Energyplus . Hohhot 534630 CSWD weather data ［EB/OL］. （ 2010-05-31 ）［ 2026-07-31 ］. https：//energyplus.net/weather-region/asia_wmo_region_2/CHN https://energyplus.net/weather-region/asia_wmo_region_2/CHN .

TIRMAZI M ， BARKER A ， DENG N ， et al . Borg： The next generation ［C］// Proceedings of the Fifteenth European Conference on Computer Systems . EuroSys ， 2020 ： 1 - 16 .

Google . Google cluster workload traces 2019： ClusterData2019 and PowerData2019 ［EB/OL］. （ 2019-08-25 ）［ 2026-07-31 ］. https：//github.com/google/cluster-data https://github.com/google/cluster-data .

Standard Performance Evaluation Corporation . SPECpower_ssj2008 result： Dell PowerEdge R740 ［EB/OL］. （ 2019-04-25 ）［ 2026-07-31 ］. https：//www.spec.org/power_ssj2008/results/res2019q2/power_ssj2008-20190409-00952.html https://www.spec.org/power_ssj2008/results/res2019q2/power_ssj2008-20190409-00952.html .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

计及差异化需求响应的算电协同优化运行

考虑数据中心柔性任务的综合能源系统能-算协同深度强化学习方法

面向绿电消纳的交通-算力负荷灵活性可调潜力量化综述

考虑算力负载时空迁移特性的多数据中心低碳经济调度

核能直供数据中心技术路径及适配性研究