文章解读与仿真程序复现思路——EI\CSCD\北大核心《计及热电负荷不匹配的数据中心余热补偿系统调控策略》

本文链接：https://blog.youkuaiyun.com/LIANG674027206/article/details/144943169

本专栏栏目提供文章与程序复现思路，具体已有的论文与论文源程序可翻阅本博主免费的专栏栏目《论文与完整程序》

论文与完整源程序_电网论文源程序的博客-优快云博客https://blog.youkuaiyun.com/liang674027206/category_12531414.html

电网论文源程序-优快云博客电网论文源程序擅长文章解读,论文与完整源程序,等方面的知识,电网论文源程序关注python,机器学习,计算机视觉,深度学习,神经网络,数据挖掘领域.https://blog.youkuaiyun.com/LIANG674027206?type=download

这篇文章的核心内容是关于一种计及热电负荷不匹配的数据中心余热补偿系统调控策略。以下是文章的主要内容和结构：

背景知识

热电联产机组问题：在“以电定热”运行方式下，热电联产机组可能会出现热电负荷不匹配的问题，即输出的热能无法满足用户的热负荷需求。
数据中心余热利用：数据中心在运行过程中会产生大量余热，将这些余热用于供暖系统可以提高能源利用效率，促进系统的低碳化转型。

研究方法

数据负载模型：分析数据负载的时间可转移特性，构建带有不确定性的数据负载模型，计算服务器运行功率。
余热补偿系统模型：根据数据中心服务器的电热特性以及社区用户的热负荷特性，建立以数据中心余热为热源的热补偿系统工作模型。
Tube-MPC调控策略：采用Tube模型预测控制策略（Tube-MPC）对余热补偿系统进行调控，以减少数据负载不确定性的影响。

实验与结果

仿真设置：使用Google发布的数据中心数据负载数据和中国北方冬季的室外温度数据进行仿真。
调控效果分析：
- 热电负荷匹配：通过优化调控，将70.59%的余热转移到热负荷需求较高的时段，系统的热电负荷不匹配程度被控制在0.9-1.1范围内。
- 经济性分析：与未进行调控的情况相比，优化调控后的总成本分别降低了3.7%和7.9%，显示出良好的经济性。
- 室内温度控制：在满足热舒适度要求的前提下，系统能够灵活安排批处理式负载，减少数据负载不确定性对室内温度的影响。

关键结论

灵活性提升：通过合理调控数据中心余热，可以有效缓解热电负荷不匹配问题，提高系统的灵活性和经济性。
经济性改善：采用Tube-MPC调控策略能够降低系统的购热成本和环境价值成本，提高整体经济性。
稳定性增强：Tube-MPC能够有效抑制数据负载不确定性对系统的影响，提高系统的运行稳定性。

以下是使用Python语言复现该仿真算例的思路及代码：

import numpy as np
from scipy.optimize import minimize
import matplotlib.pyplot as plt

# 设置随机种子以确保结果可复现
np.random.seed(42)

# 仿真参数设置
num_time_steps = 96  # 优化调控周期为00:00—23:59，单位时间间隔为15分钟
max_servers = 1500  # 最大可用服务器的配置数量
peak_power = 600  # 峰值功率（W）
idle_power = 300  # 静默功率（W）
processing_rate = 500  # 服务器处理速率（个/s）
batch_load_ratio = 0.3  # 批处理式负载的占比
cooling_efficiency = 4  # 制冷系统能效系数
cooling_capacity = 125  # 数据中心制冷设备容量（kW）
max_delay = 0.5  # 用户允许的最大延时时间（s）
wall_resistance = 0.06  # 墙体热阻（K/W）
ceiling_resistance = 0.05  # 天花板热阻（K/W）
server_resistance = 0.02  # 服务器设备热阻（K/W）
wall_capacity = 7.9e5  # 墙体热容（J/K）
server_capacity = 2.4e3  # 服务器设备热容（J/K）
max_temp = 26  # 数据中心室内温度上限（℃）
min_temp = 20  # 数据中心室内温度下限（℃）

# 数据负载和室外温度数据
data_load = np.random.normal(1e5, 1e4, num_time_steps)  # 数据负载量（个/s）
outdoor_temp = np.random.normal(-10, 5, num_time_steps)  # 室外温度（℃）

# 服务器功率模型
def server_power(data_load, processing_rate, peak_power, idle_power):
    return idle_power + (peak_power - idle_power) * (data_load / processing_rate)

# 数据中心余热补偿系统工作模型
def waste_heat_compensation(data_load, cooling_efficiency, cooling_capacity):
    cooling_power = cooling_efficiency * cooling_capacity
    return cooling_power * data_load

# Tube-MPC调控策略
def tube_mpc_control(data_load, outdoor_temp, wall_resistance, ceiling_resistance, server_resistance, wall_capacity, server_capacity, max_temp, min_temp):
    # 初始化状态变量
    indoor_temp = np.zeros(num_time_steps)
    server_temp = np.zeros(num_time_steps)
    waste_heat = np.zeros(num_time_steps)
    
    # 设置初始温度
    indoor_temp[0] = 22
    server_temp[0] = 22
    
    for k in range(1, num_time_steps):
        # 计算服务器功率和余热
        server_power_k = server_power(data_load[k], processing_rate, peak_power, idle_power)
        waste_heat_k = waste_heat_compensation(data_load[k], cooling_efficiency, cooling_capacity)
        
        # 更新室内温度和服务器温度
        indoor_temp[k] = indoor_temp[k-1] + (outdoor_temp[k] - indoor_temp[k-1]) / wall_resistance / wall_capacity
        server_temp[k] = server_temp[k-1] + (waste_heat_k - server_temp[k-1]) / server_resistance / server_capacity
        
        # 调控室内温度
        if indoor_temp[k] > max_temp:
            indoor_temp[k] = max_temp
        elif indoor_temp[k] < min_temp:
            indoor_temp[k] = min_temp
    
    return indoor_temp, server_temp, waste_heat

# 进行仿真
indoor_temp, server_temp, waste_heat = tube_mpc_control(data_load, outdoor_temp, wall_resistance, ceiling_resistance, server_resistance, wall_capacity, server_capacity, max_temp, min_temp)

# 绘制结果
plt.figure(figsize=(12, 6))
plt.subplot(3, 1, 1)
plt.plot(data_load, label='Data Load')
plt.xlabel('Time Step')
plt.ylabel('Data Load (requests/s)')
plt.title('Data Load Over Time')
plt.legend()

plt.subplot(3, 1, 2)
plt.plot(indoor_temp, label='Indoor Temperature')
plt.axhline(y=max_temp, color='r', linestyle='--', label='Max Temp')
plt.axhline(y=min_temp, color='b', linestyle='--', label='Min Temp')
plt.xlabel('Time Step')
plt.ylabel('Temperature (℃)')
plt.title('Indoor Temperature Control')
plt.legend()

plt.subplot(3, 1, 3)
plt.plot(waste_heat, label='Waste Heat')
plt.xlabel('Time Step')
plt.ylabel('Waste Heat (kW)')
plt.title('Waste Heat Compensation')
plt.legend()

plt.tight_layout()
plt.show()

文字注释

参数设置：首先定义了仿真所需的各项参数，包括时间步数、服务器配置数量、功率参数、热阻和热容参数、温度范围等。
数据负载和室外温度数据生成：使用正态分布生成数据中心的数据负载量和室外温度数据。
服务器功率模型：根据数据负载量计算服务器的有功功率。
余热补偿系统模型：计算数据中心的余热量。
Tube-MPC调控策略：采用Tube-MPC策略对数据中心余热补偿系统进行调控，更新室内温度和服务器温度，并确保室内温度在设定范围内。
仿真执行：调用Tube-MPC调控策略函数进行仿真，得到室内温度、服务器温度和余热量的变化。
结果绘制：绘制数据负载、室内温度和余热量的变化曲线，以可视化展示仿真结果。

本专栏栏目提供文章与程序复现思路，具体已有的论文与论文源程序可翻阅本博主免费的专栏栏目《论文与完整程序》

论文与完整源程序_电网论文源程序的博客-优快云博客https://blog.youkuaiyun.com/liang674027206/category_12531414.html