随着移动互联网的高速发展，当今世界已全面进入数字化信息互联的时代，泛在电力物联网的概念应运而生。泛在电力物联网是互联互通的电力网与通信网深度融合的产物，其本质在于“能源数据”的收集、交换、融合及高效扩展应用^[1-2]。“泛在电力物联网”不仅对电能替代、能源综合高效利用提出了要求，更是对“源–网–荷–储”信息交互、设备互联、数据整合利用方面提出了更高的要求^[3]。第五代移动通信网络（5G）具备高效的网络连接和通信能力，是信息通信网络转型的关键技术，其发展和应用将为泛在电力物联网的建设带来有力的支撑^[4]。随着“万物互联”的不断推进，数据规模愈发庞大，仅依靠移动终端资源与云计算平台逐渐无法满足该发展场景下的业务需求。为解决这一矛盾，可将计算任务分配到底层的各个边缘节点上，就近提供网络、计算、存储等资源，如此即可更好地满足业务的实时性要求，有效降低时延。这种分布式的计算模式即为边缘计算（mobile edge computing，MEC）。

在万物互联时代，数据中心作为数据计算的中心，需要处理海量设备收集上来的数据，已成为体量相当可观的电力负荷，而随着边缘计算的兴起，未来数据中心将愈发重要。面对巨额的电力成本与海量数据处理任务，数据中心的节能降耗以及数据迁移策略研究都获得了广泛关注。“多站融合”提倡利用电力企业变电站资源，建设数据中心站、储能站、充（换）电站、5G通信基站等功能站，全面承载电网业务数据，满足日益增长的数据存储、融通和增值运营需求，实现“能源流、业务流、数据流”的三流合一^[5]。这一运营模式的提出不仅为泛在电力物联网的建设提供了有效助力，也给数据中心的选址规划与节能运行提出了新的方向。数据中心的能耗主要包括数据负荷的处理能耗以及设备的日常运行能耗，现有研究也多从这两方面对数据中心进行运行优化分析。

在数据处理负荷优化方面，现有文献主要针对数据任务的迁移策略展开研究。Cuervo等^[6]提出MAUI任务迁移平台，通过对应用程序代码进行标志以支持任务迁移；Chae等^[7]提出着重成本开销的任务迁移平台CMcloud，将尽可能多的移动应用程序迁移到单个服务器上，最小化服务器成本；Lagerspetz等^[8]提出以能耗为最基本的迁移评判标准，但并未顾及到时间要求；Zhang等^[9]考虑将能耗和时间两个因素作为任务迁移的评判标准；Jia等^[10]将任务分解成多个链式子任务，将最小化能耗问题构建成最短路径问题，并且利用基于花销的拉格朗日松弛算法获取近似最优解；Li等^[11]综合能量消耗、时间延迟和服务器执行成本3个因素，提出了用于移动边缘计算环境下的任务迁移优化方案；Wang等^[12]提出了一种基于李雅普诺夫优化理论的低复杂度任务迁移算法，同时降低了智能移动终端的能耗和任务执行时间。但遗憾的是，上述文献提出的数据迁移策略均为面向确定的单一目的地，并未提出面向多迁移目的地可选情况下的任务迁移策略。

在日常运行节能方面，Srikantaiah等^[13]通过服务器整合方法提高了数据中心服务器的资源利用率，并通过减少服务器运行数量来降低数据中心能耗；Le等^[14]针对云计算环境下的基于能耗优化的应用整合进行了研究；吴俊魁^[15]运用多目标决策方法对待整合服务器进行选择，运用全局动态装箱算法选择目的服务器，最终得出面向最小能耗的服务器整合方案；陈敏等^[16]建立了数据中心能耗模型，将数据中心作为重要需求响应资源纳入电力系统运行，提出了含数据中心的电力系统双层经济调度模型，并对数据中心的负荷调节潜力展开了灵敏度分析。这些研究主要针对数据中心节能与服务器整合方法，均以单一数据中心为研究对象，未涉及多功能站一体化协同运行，并不适用于“多站融合”运营模式下数据中心与变电站、储能站等功能站的协同交叉与运行优化。

由上述文献可知，目前考虑多个边缘数据中心间任务迁移策略的研究较少，而针对将数据中心站、储能电站等功能站协同的“多站融合”一体化运行方面的研究也有待进一步拓展。因此，有必要针对“多站融合”背景下数据迁移策略与融合站运行优化问题进行深入研究。

本文构建数据中心负荷模型、储能电站充放电模型，建立以最小化年总成本为目标的融合站协同优化与数据迁移调度模型；对模型进行分析求解，确定面向多目的地的最佳数据迁移调度策略与融合站最优运行方案。

1 “多站融合”架构设计

“多站融合”模式提倡利用变电站闲置电力配置、通信网络及土地供应资源，汇聚数据中心站、储能电站、充（换）电站、5G基站等功能站，以优化城市资源配置，提升数据感知、分析运算效率，进行负荷就地消纳，实现一体化运营^[17]。本文主要研究变电站、数据中心站、储能电站的耦合运行与协同优化。考虑各变电站供电负荷差异、典型用电时段差异、电价政策差异以及土地资源限制等因素，在保证变电站供电安全性的前提下，以成本最小化为目标，在不同配置的变电站建设不同规模的边缘数据中心。数据处理任务遵循一定策略以在多个数据中心间进行分配迁移，实现互补调度。传统数据中心一般配备储能系统作为后备电源，在市电中断时为数据中心供电；本文考虑对数据中心储能系统的容量进行优化配置，在预留数据中心备电量前提下，将储能纳入电力调度，利用分时电价政策，对电力负荷进行削峰填谷，降低运行电费。融合站协同优化运行架构如图1所示。

由图1可知：变电站为周边区域、数据中心和储能电站供电；储能电站作为灵活负载，在需要时可向外输出能量；数据负荷来源于边缘数据中心周边，本文设置一前端门户对数据负荷进行整合，并遵循一定迁移策略进行再分配。

2 数学模型

为研究边缘数据中心的数据迁移方法以及“多站融合”模式下各功能站的协同优化问题，首先建立数据中心负荷模型与储能电站模型，并对模型涉及的约束条件与目标函数进行分析设计。

2.1 数据中心负荷模型

数据中心用电负荷主要来自于IT设备、空调系统与配电系统，三者能耗比约为5∶4∶1^[18]。因此数据中心能耗模型可近似描述为：

${P_{{\rm{DC}}}} = {P_{{\rm{IT}}}} + {P_{\rm{c}}} + {P_{\rm{d}}}$

(1)

式中， $ P_{\rm DC} $ 为数据中心能耗， ${P_{{\rm{IT}}}} $ 、 ${P_{{\rm{c}}}} $ 、 ${P_{{\rm{d}}}} $ 分别为IT设备能耗、制冷设备能耗、输配电能耗。

IT设备能耗主要包括服务器能耗、通信设备能耗与存储设备能耗，其中约80%的能耗在服务器进行数据处理时生成^[18]，通过建立服务器能耗模型可对IT设备能耗进行估算。数据中心总能耗可根据IT设备能耗按比例进行估算。

1）服务器能耗模型

服务器状态可分为工作状态与休眠状态，由于服务器关机后要想恢复到工作状态所需要的启动时间过长，不利于数据中心的服务质量（quality of service，QoS），且服务器频繁开闭会影响服务器的使用寿命，因此不考虑服务器关机状态。服务器能耗可通过调整工作服务器数量进行灵活调控，模型如下：

${P_{{\rm{s}},t}} = {P_{\rm{w}}}{n_t} + {P_{{\rm{sl}}}}(M - {n_t})$

(2)

式中， ${P_{{\rm{s}},t}} $ 为服务器总能耗， ${P_{\rm{w}}} $ 为处于工作状态的服务器能耗， ${P_{{\rm{sl}}}} $ 为处于休眠状态的服务器能耗，M为服务器总数，n_t为工作服务器数量。

2）数据处理时延约束

网络负载的响应时间是数据中心服务质量中需要关注的一项重要指标。当网络负载被分配到数据中心后，先进入队列进行等待，数据中心遵循先来先服务的原则对网络负载进行处理。结合M/M/1排队论知识^[19]，对数据负荷在数据中心的平均停留时间（即数据处理延迟时间）进行计算，数据处理时延约束表示如下：

$0 \le \frac{1}{{\mu - \dfrac{{{\lambda _t}}}{{{n_t}}}}} \le {T_{\rm{d}}}$

(3)

式中： ${\lambda _t} $ 为在t时刻到达数据中心的数据负荷总量；n_t为工作状态服务器数量； $\;\mu $ 为工作服务器的平均服务率，其值取决于服务器性能； ${T_{\rm{d}}} $ 为最大数据处理延迟时间。

2.2 储能电站模型

1）电池充放电模型

电池充放电过程模型如下：

$\begin{aligned}[b] {\quad \quad \rm{SO}}{{\rm{C}}_{i,t}}{C_{{\rm{b}},i}} =& {\rm{SO}}{{\rm{C}}_{i,t - 1}}{C_{{\rm{b}},i}} + {\eta _{{\rm{bc}}}}{P_{{\rm{bc}},i,t{\rm{ - 1}}}} - \frac{{{P_{{\rm{bd}},i,t{\rm{ - 1}}}}}}{{{\eta _{{\rm{bd}}}}}} \end{aligned} $

(4)

式中， ${\rm{SO}}{{\rm{C}}_{i,t}} $ 、 ${\rm{SO}}{{\rm{C}}_{i,t - 1}} $ 为相邻时刻融合站i的储能电池的荷电状态， ${C_{{\rm{b}},i}} $ 为电池设计容量， ${P_{{\rm{bc}},i,t{\rm{ - 1}}}} $ 与 $P_{{\rm{bd}},i,t{\rm{ - 1}}} $ 分别为电池充、放电功率， ${\eta _{{\rm{bc}}}} $ 与 ${\eta _{{\rm{bd}}}} $ 分别为电池充、放电效率。

2）电池充放电约束

储能电站需在保证数据中心备电半小时条件下，利用电池部分容量实现调峰功能，且考虑电池寿命衰减问题，电池放电深度不宜过大。电池充放电约束如下：

${\rm{SO}}{{\rm{C}}_{\min }} \le {\rm{SO}}{{\rm{C}}_{i,t}} \le {\rm{SO}}{{\rm{C}}_{\max }}$

(5)

${\alpha _{{\rm{bc}},i,t}} + {\alpha _{{\rm{bd}},i,t}} \le 1$

(6)

$0 \le {P_{{\rm{bc}},i,t}} \le {\alpha _{{\rm{bc}},i,t}}{P_{{\rm{bc,max}}}}$

(7)

$0 \le {P_{{\rm{bd}},i,t}} \le {\alpha _{{\rm{bd}},i,t}}{P_{{\rm{bd,max}}}}$

(8)

式中： ${\rm{SO}}{{\rm{C}}_{\max }} $ 与 ${\rm{SO}}{{\rm{C}}_{\min }} $ 分别为储能电池最大、最小荷电状态； ${\alpha _{{\rm{bc}},i,t}} $ 与 ${\alpha _{{\rm{bd}},i,t}} $ 分别为储能电池的充、放电状态，是开关变量； ${P_{{\rm{bc,max}}}} $ 与 ${P_{{\rm{bd,max}}}} $ 分别为储能电池最大充、放电功率。

2.3 能量平衡约束

融合站日常运行所需能量来源为电网购电及储能电站储存的能量，能量消耗主要包括数据中心耗能与储能电站的充电。融合站能量平衡约束如下：

${P_{{\rm{g}},i,t}} + {P_{{\rm{bd}},i,t}} = {P_{{\rm{DC}},i,t}} + {P_{{\rm{bc}},i,t}}$

(9)

${P_{{\rm{g}},i,t}} \le {P_{{\rm{max}}}}$

(10)

式中， ${P_{{\rm{g}},i,t}} $ 为融合站i在t时刻与电网的交换功率， ${P_{{\rm{max}}}} $ 为最大交换功率。变电站为融合站供电时需同时保证周边供电的可靠性，因此该交换功率需考虑变电站周边供电情况及供能管网限制。

2.4 目标函数

本文考虑经济性指标，以融合站年总成本为目标函数，对融合站运行展开优化。具体目标函数如下：

$\min F = {F_{{\rm{inv}}}} + {F_{\rm{m}}} + {F_{\rm{g}}}$

(11)

式中， ${F_{{\rm{inv}}}} $ 为投资成本， ${F_{{\rm{m}}}} $ 为维护成本， ${F_{{\rm{g}}}} $ 为购电成本。

投资成本的表达式为：

${F_{{\rm{inv}}}} = f\sum\limits_n {{C_n}{p_{{\rm{inv}},n}}} $

(12)

式中，f为资本回收因子， ${{C_n}} $ 为设备n的装机容量， ${p_{{\rm{inv}},n}} $ 为设备n的单位容量投资成本。

维护成本的表达式为：

${F_{\rm{m}}} = \sum\limits_t {\sum\limits_n {{P_{n,t}}{p_{{\rm{m}},n}}} } $

(13)

式中， ${P_{n,t}} $ 为设备n在t时刻的功率， ${p_{{\rm{m}},n}} $ 为设备n的单位维护费用。

购电成本的表达式为：

${F_{\rm{g}}} = \sum\limits_t {{P_{{\rm{g}},t}}{p_t}} $

(14)

式中， ${P_{{\rm{g}},t}} $ 为电网供电功率， ${p_t} $ 为向电网购电的价格。

3 案例研究 3.1 参数设置

本文设计生命周期为10 a，利率6%。电价采用北京分时电价，依据变电站周边环境遵循不同标准收费。设计110 kV变电站为大型工业园区供电，35 kV变电站为小型工业用户供电，10 kV变电站为商业建筑供电，分时电价政策如表1所示。采用来自RICC log的真实负载数据^[20]，对数据负荷到达模型采用泊松过程模拟，如图2所示。

分别在110、35、10 kV变电站周边建设不同规模的边缘数据中心与储能电站。为保证数据中心用能可靠性，储能电站参与电力调度时，需时刻保证数据中心满负荷运行状态下备电30 min。

3.2 案例设置

利用第2节建立的融合站协同优化与数据迁移调度模型，通过改变相关模型参数对下述案例开展研究。

案例1：数据负荷无迁移策略，且储能电站只作为后备电源使用。

案例2：数据负荷遵循以最小化成本为导向的数据迁移策略，在3个数据中心间进行分配调度，储能电站不参与电力调度，只作为后备电源使用。

案例3：数据负荷遵循以最小化成本为导向的数据迁移策略，在3个数据中心间进行迁移调度，并利用储能电站参与电力调度，进行日常供电。

对3个案例进行比较分析，研究数据迁移策略对降低融合站成本的作用以及储能电站参与电力调度的优越性。

3.3 结果与分析

在数学规划与优化的高级建模软件GAMS24.0中，建立混合整数非线性规划（MINLP）模型，并调用LINDOGLOBAL求解器，以最小化年总成本为目标函数对优化模型进行求解。LINDOGLOBAL求解器可以处理一般非线性问题，可针对MINLP问题提供成熟的全局最优解决方案。

通过优化得到案例1、2、3的数据负荷分配曲线如图3、4所示。案例1不采用数据迁移策略，案例2、3采用相同的数据迁移策略。对比图3、4可知，利用以运行成本最小化为目标设计的数据迁移策略，可在保证数据处理时延约束的情况下，将数据负荷尽量向电价较低的110 kV变电站侧数据中心迁移。

案例3储能电站典型日实时运行曲线如图5所示。由图5可知，储能电站每日进行两次充、放电，在平时、谷时电价时段进行充电，在峰时电价时段放电供数据中心用能，从而达到削峰填谷、降低数据中心运行成本的作用。

案例1、2、3典型日购电量对比如图6所示。案例1、2的储能电站均不参与日常电力调度，故购电曲线基本一致。第1个购电高峰（01：00—02：00）是由于在谷时电价时段对储能电站充电导致；从05：00左右开始，数据负荷逐渐增大，使得数据中心负荷增长，此时电价仍处于低谷，因此主要通过向电网购电以满足数据中心运行需要；在峰时电价时段（08：00—10：00、18：00—22：00），案例3通过储能电站与电网对数据中心联合供电，因此购电量较案例1、2大幅降低。在10：00—16：00时段，案例3购电量高于案例1、2，这是由于储能电站在平时电价时段进行充电所致，其中：第1个高峰是由于10、35 kV侧的储能电站以最大功率充电以及110 kV侧储能电站以小功率充电所致；第2个高峰则是由于110 kV侧储能电站以最大功率充电所致。

案例1、2、3典型日运行成本对比如图7所示。案例1、2的运行成本曲线基本与电价相对应，第1个运行成本高峰（01：00—02：00）是由于在谷时电价时段对储能电站充电导致，第2、3个运行成本高峰均由峰时电价导致。由图7可知：案例3由于其储能电站在平时、谷时充电，峰时放电，其在平时电价时段的运行成本比案例1、2有所增大，而在高峰电价时段显著降低。案例1、2的运行成本差异是由于数据迁移策略差异导致，案例2的运行成本在全时段均比案例1有所降低。通过计算可知，案例2的典型日总运行成本比案例1降低了2.38%，而案例3比案例2降低了8.34%；案例2的年总成本比案例1降低1.36%，而案例3比案例2降低了4.67%。由于边缘数据中心规模限制，成本降低并不明显，但该结果仍可表明储能电站与数据迁移在降低运行成本方面有其优越性，若应用于多个融合站之间的运行调度，将达到更显著的效果。

4 结　论

本文提出了“多站融合”模式下变电站、数据中心站与储能电站协同运行架构，利用泊松分布模拟数据负荷到达曲线，以年总运行成本为目标函数，建立了融合站协同优化与数据迁移调度模型。通过对模型的分析求解，得到以下结论：

1）在保证数据中心服务质量的前提下，将数据负荷迁移至电价较低的数据中心，可以显著降低数据处理成本。

2）将储能电站纳入日常电力调度范畴，可以达到削峰填谷、降低电力成本的作用。

本研究针对数据中心站、变电站与储能电站的耦合调度进行分析，通过单目标优化获得融合站优化运行方案。加入电动汽车充（换）电站后的融合站规划运营及多目标运行优化将成为下一步的研究方向。