数据中心水冷空调系统预制冷需求响应潜力仿真研究

张少迪, 丁瑞华

[1.上海电器科学研究所(集团)有限公司, 上海 200063;2.上海市智能电网需求响应重点实验室, 上海 200063;3.上海电力大学 自动化工程学院, 上海 730000]

0 引 言

在上海,电力系统峰均比(Peak to Average Ratio,PAR)很高,全年超过最大负荷90%的高峰负荷总时间不足100 h,相当于仅占365 d的1%。虽然高峰时段每天只有几个小时,但为了满足这1%高峰负荷时间下急剧增长的电力需求,在发电、输电和配电系统上进行大量投资,导致供电成本增加。另一方面,在突发事件期间,例如在发电机组或输电线路停运期间,电力系统在通过剩余发电机组和输电线路满足需求方面存在许多问题,并产生了大量成本,电力系统的可靠性会受到威胁。应对上述这些挑战的一个非常有效的策略就是实施需求响应。需求响应通过降低需求侧负载来维持供需侧之间的平衡,被认为是提高电网可靠性、能源效率、经济性和可持续性的有效解决方案。

建筑物的需求侧管理在实现这种平衡方面起着至关重要的作用,因为建筑物可以通过各种建筑资产提供电网服务。数据中心作为典型的高能耗负载的建筑物,被认为具有显著的运营灵活性,具有可调度的计算请求和室内热惯性。这种灵活性可用于套利可预测的时变电价或在电力市场提供监管服务。

数据中心是信息行业的核心基础设施,其能耗巨大,我国数据中心电能使用效率(Power Usage Effectiveness,PUE)远高于发达国家,文献[1]从数据中心冷却节能中的核心问题出发,从自然冷却、气流组织优化、蓄冷3个方面对近年来国内外数据中心冷却节能的研究进展进行了阐述,提出自然冷却技术应因地制宜地采用。文献[2]从数据中心节能角度、多尺度多模式方面针对降低数据中心的能耗,梳理了机房级、机架级和芯片级冷却的技术进展以及各自特点,总结了目前对数据中心已有的冷却技术发展现状,概述了数据中心目前应用的冷却技术特点和未来的研究趋向。文献[3]使用Laso回归筛选和人工参数筛选2种方式确定了数据中心能耗预测模型的输入参数,利用XGBoost算法对北京某数据中心的能耗和空调系统数据进行了数据挖掘,实现了对该数据中心PUE的准确预测,并得到了空调系统参数对 PUE 的定量化影响相关性排序。文献[4]介绍了上海地区典型数据中心的错峰蓄冷技术选择,并对蓄冷方案进行了详细地设计,讨论分析了在不同电价下数据中心不同错峰蓄冷方案的经济性,为上海地区类似数据中心项目采用错峰蓄冷技术提供参考。

为了进一步提高水冷空调系统调控的灵活性和经济性,许多学者建立了各种模型和框架对水冷空调物理层面和数据层面进行更深一步的研究。文献[5]量化了数据中心的负载调节能力,建立了数据中心的功耗模型和负荷调节点位模型,后者用于计算负荷切割能力和增加负荷能力。文献[6]研究了具有可延迟计算请求和可控空调的数据中心的最优功率调度,设计了队列模型来描述计算请求的约束,并利用线性模型来近似数据中心的空调和热动力学的运行。文献[7]为能源Plus和Modelica等常用建筑能源模拟器提出了一个通用且灵活的威胁注入框架,以支持威胁建模和评估,该框架利用功能模型单元(FMU)来开发用于威胁注入和模拟的通用建模接口。文献[8]通过使用为数据中心设计的基于方程的面向对象的Modelica平台,通过数值仿真来研究控制策略的性能,提出了一种同时使用IT和冷却系统的数据中心频率调节协同控制策略,将服务器级别的电源管理技术与冷冻水供应温度的控制相结合,以跟踪来自电气市场的调节信号。

本文基于Modelica对数据中心空调系统建立仿真模型用于分析负荷响应特性,并通过量化数据中心水冷空调的需求响应潜力,来验证水冷空调参与电力系统需求响应的灵活性。

2 数据中心空调系统需求响应特性分析

数据中心水冷空调是一个由多领域、多系统和多设备协同工作的系统,依托于政策保障和技术支撑,实现空调系统负荷的优化调控,从而解决高峰期间电力供应紧缺的问题。为了确定切合实际且可行有效的数据中心空调系统参与需求响应项目的调控方案,需要分析其潜力和需求响应特性指标,选择适用的需求响应策略。

我国对于电力需求侧管理的研究比欧美国家起步落后数余年,电力市场改革处正也于初期阶段,因此空调负荷参与到需求响应项目中相对少见,且对于需求侧负荷调控策略也缺乏充分的研究,一些欧美发达国家关于空调负荷参与需求响应的领域取得的成功先例为我们带来启发。本文整理了空调系统参与需求响应项目的调控策略,主要有以下几种方式,空调系统参与需求响应策略如表1所示。

表1 空调系统参与需求响应策略

预制冷是指在高峰负荷来临之前的非高峰时段,加大空调系统的冷量输出,即降低末端的送风温度并利用建筑围护结构的热惯性存储一部分冷量,然后在需求响应期间内提高室内温度或者关停空调系统供电来完成响应时间内的负荷削减。

综上,对于空调系统参与需求响应的方式进行了罗列与分析。由于数据中心这类建筑的功能特殊性,需要全年不间断制冷,因此中断空调系统的运行不适用于数据中心需求响应项目。提高设定温度的需求响应策略可以在办公楼宇及商业建筑中应用,因为办公楼宇与商业建筑允许牺牲适当的用户舒适度,但调高机柜进风区域温度则可能导致短时间的机柜温度超过热阈值,因此提高设定温度和关闭新风机组的策略无法适用于数据中心此类对室内温度以及空气质量要求严格的建筑。

数据中心的围护结构具有隔热保温的特点,其空调系统具有一定的热惯性。因此,可以在用电高峰期到来之前对数据中心进行提前制冷,预先将机柜进风区域温度降低,这样可减小电网负荷高峰时段的压力,提高运行效率。鉴于本文研究的数据中心空调系统类型为水冷空调系统,因此选择预制冷策略作为数据中心水冷空调系统参与需求响应的策略。

3 数据中心水冷空调系统负荷响应潜力模型基础/依据

负荷响应潜力定义为需求响应事件发生的时段内,需求侧实现的最小负荷削减量。对于数据中心,参与需求响应优化调度的主要目的是在保证机房温度在安全可靠的情况下,实现空调系统的降负荷潜力最大化。根据响应特性指标分析,设置需求响应模型。

(1) 目标函数

目标为最大化需求响应期间数据中心水冷空调系统的负荷响应潜力,同时最小化机柜进风区域温度及机柜出口温度超过规定范围的惩罚,目标函数为

maxΓ=Ppot-penalty(Tair_in)-penalty(Tair_out),

t=Testart,…,Teend

(1)

式中:Ppot——响应潜力;

penalty(Tair_in)——机柜进风区域温度超过规定范围的惩罚;

penalty(Tair_out)——机柜出口温度超过热阈值的惩罚;

Testart,Teend——需求响应的开始与结束时间。

(2) 约束条件

① 降负荷约束

(2)

式中:P(t)——t时刻数据中心水冷空调系统原始运行功率,即空调系统的负荷基线;

Phvac(t)——t时刻数据中心水冷空调系统参与需求响应时的实际能耗。

该条约束的含义是需求响应项目实施过程中,每时刻数据中心空调系统的负荷削减量要大于等于响应潜力Ppot,从而保证当需求响应事件发生时,数据中心空调系统所能实现的可调度容量至少达到响应潜力。

② 数据中心温度变化约束

IT设备发热量是影响数据中心冷负荷变化的主要因素,室外气象参数和人员进出携带热量等引起的数据中心冷负荷变化可以忽略不考虑,因此某时段内机房实际热量由两部分组成:空调系统产生的冷量和机房内IT设备产生的热量。热量平衡表达式为

Qr=QIT-Qhvac

(3)

式中:Qr——机房内获得的热量;

QIT——IT设备产生的热负荷;

Qhvac——空调系统供冷量。

数据中心空调系统连续不停机运行,机房内部不断获得冷量Qhvac,抵消IT设备负荷热量,维持机房温度在一定范围内波动,因此数据中心机房温度变化模型为

ρaVKcadT(t)=QITdt-Qhvacdt

(4)

式中:ρaVKcadT(t)——dt时段内机房获得的热量;

ρa——空气密度;

Vk——室内体积;

ca——空气比热容;

T(t)——t时段内机房温度。

③ 机柜出口温度约束

(5)

式中:Tmin(t),Tmax(t)——系统参与需求响应调控后机柜出口温度范围的上、下限;

Tp_cool——预制冷开始时间。

需求响应过程中预制冷时间为Tp=Tp_cool,…,(Testart-1),若不采用预制冷策略,则Tp_cool=Testart。

4 基于Modelica的数据中心水冷空调系统仿真模型和分析

4.1 仿真模型

在Dymola平台搭建基于Modelica语言的数据中心及水冷空调系统模型作为强化学习的交互环境。以上海市某中型数据中心水冷空调系统为例,基于美国劳伦斯伯克利国家实验室开发的开源模型库Buildings Library[9]和Modelica标准模型库Modelica Standard Library[10],基于Modelica语言建立了数据中心及水冷空调系统模型,并在支持Modelica语言的仿真平台Dymola上实现模型仿真。其中,所用部件模型主要有冷水机组模型Buildings.Fluid.Chillers.Electric EIR,冷冻水泵模型Buildings.Fluid.Movers.FlowControlled_dp,冷却水泵模型Buildings.Fluid.Movers.FlowControlled_m_flow,冷却塔模型Buildings.Fluid.HeatExchangers.Cooling Towers.YorkCalc,数据中心机房模型Buildings.Examples.ChillerPlant.BaseClasses.SimplifiedRoom等。

4.2 仿真模型验证与分析

不考虑室外气象参数和人员进出携带热量等引起的数据中心冷负荷变化的影响,定义负荷率大于70%的时段为高负荷率时段,无策略时机柜出口温度和空调负荷情况如图1所示,其中T为机柜出口温度波动情况,P为数据中心水冷空调系统负荷变化情况。

图1 无策略时机柜出口温度和空调负荷情况

不同提前制冷时间数据中心水冷空调系统负荷响应潜力如图2所示。

图2 不同提前制冷时间数据中心水冷空调系统负荷响应潜力

由图2可知,预制冷的时间越长,水冷空调系统降负荷的潜力越大。但如果预制冷时长为50 min及以上时,降负荷潜力保持在7 kW左右。由此可知,预制冷时长为50 min左右即可达到较好的效果。

5 结 语

本文的主要内容及创新在于量化了数据中心参与需求响应的潜力,分析了不同预制冷时间对数据中心水冷空调系统负荷响应潜力的影响。为数据中心参与电力系统需求响应提供理论依据。