本發明涉及電力調度，具體涉及一種風光儲一體化數據中心電力調度方法、系統、存儲介質和電子設備。

背景技術：

1、數據中心作為現代社會信息基礎設施的核心，其能耗巨大。為了實現可持續發展，越來越多的數據中心開始引入可再生能源以及儲能系統，以減少對傳統電網的依賴。然而，可再生能源的間歇性和不穩定性，以及數據中心負載需求的動態變化，給風光儲一體化數據中心電力供應的穩定性和可靠性帶來了巨大挑戰。因此，如何高效地整合可再生能源、儲能系統以及傳統電網供電，以實現數據中心的穩定、可靠運行，是當前面臨的重要挑戰。

2、傳統數據中心主要依賴電網供電，部分數據中心采用備用柴油發電機作為應急電源。近年來，一些數據中心開始引入光伏和風能供電，并配備儲能系統以平滑輸出，然而這些應用大多缺乏有效的優化調度策略。現有的許多調度方法通常假設系統參數是確定的，無法處理可再生能源的隨機性和不確定，且沒有考慮數據中心的動態負載需求。近年來，隨著人工智能和機器學習技術的發展，一些新興的調度方法開始出現。例如，基于深度學習的預測模型和強化學習算法被用于優化數據中心的能源調度。

3、盡管近年來數據中心能源管理領域取得了一定進展，但現有方法在應對復雜場景時仍存在局限性。一方面，現有調度方法大多未能充分整合多可再生能源(如光伏、風能)與儲能系統的動態特性，導致在處理可再生能源的隨機性和不確定性時效果有限。另一方面，現有算法在求解效率和全局優化能力上仍有不足，尤其是在面對大規模數據中心和復雜的多能源協同場景時，難以快速、準確地生成最優調度方案。此外，現有研究大多缺乏對實時數據的深度利用和對調度策略的動態調整能力，難以滿足數據中心對高效、靈活能源管理的迫切需求。

技術實現思路

1、(一)解決的技術問題

2、針對現有技術的不足，本發明提供了一種風光儲一體化數據中心電力調度方法、系統、存儲介質和電子設備，解決了現有數據中心在能源利用效率、供電穩定性以及調度靈活性方面的技術問題。

3、(二)技術方案

4、為實現以上目的，本發明通過以下技術方案予以實現：

5、一種風光儲一體化數據中心電力調度方法，所述風光儲一體化數據中心包括風光儲一體化能源系統和數據中心服務器，所述風光儲一體化能源系統的能源組件包括光伏系統、風力渦輪機、儲能系統及電網；所述風光儲一體化數據中心電力調度方法包括：

6、采集所述風光儲一體化能源系統的實時參數數據以及所述數據中心服務器的負荷需求參數數據；

7、基于所述實時參數數據，分別針對所述光伏系統、所述風力渦輪機的發電特性以及所述儲能系統的儲能特性進行建模；

8、基于所述負荷需求參數數據，對數據中心服務器負載進行建模；

9、基于建模結果，以最小化購電成本以及棄風成本之和為優化目標，以能源組件運行特性、系統功率平衡及計算任務轉移為約束，構建電力調度模型；

10、采用llm推理求解所述電力調度模型，生成初始調度策略；并采用td3強化學習算法對所述初始調度策略進行優化，以獲取最終的優化調度策略。

11、優選的，基于所述實時參數數據，針對所述光伏系統的發電特性進行建模；包括：

12、將光伏發電的發電功率數學建模如下：

13、

14、式中，為光伏輸出功率，表示標準測試條件下光伏的額定功率，g(t)為太陽輻照度，αt為最大功率時的溫度系數，tenv為環境溫度，tref為參考條件下的電池溫度。

15、優選的，基于所述實時參數數據，針對所述風力渦輪機的發電特性進行建模；包括：

16、將風力渦輪機的發電功率數學建模如下：

17、

18、式中，pwt為風力發電功率，pr為渦輪機的額定功率，v(t)為實際風速，為風速低值，為風速高值，vr為額定風速；

19、其中，基于以下公式使用參考水平處的風速來計算特定水平處的實際風速：

20、

21、式中，v為高度h處的風速，vref為href參考高度的參考風速，β為摩擦系數。

22、優選的，所述氫儲能系統由電解槽、氫氣罐、燃料電池組成，基于所述實時參數數據，針對所述儲能系統的儲能特性進行建模；包括：

23、將電解槽功率數學建模如下：

24、

25、式中，pel為電解槽功率，為可再生能源注入電解槽的功率，ηel為電解槽的效率，ηi為電流效率，ηv為電壓效率；

26、將氫氣儲罐功率數學建模如下：

27、

28、式中，phs(t)為t時刻存儲的能量，δt為時間間隔，為燃料電池存儲功率，ηhs為存儲系統的效率；

29、罐中的儲氫量如下：

30、

31、式中，mhs(t)為時刻t罐內的儲氫量,為氫氣的較高熱值；

32、將燃料電池的輸出功率數學建模如下：

33、

34、式中，為燃料電池放電功率，ηfc為燃料電池的效率；

35、以及將電池組儲能存儲容量表達為：

36、

37、式中，和分別為t時刻儲能電池s的充電和放電功率；和分別為儲能的充電和放電效率；ps(t)為t時刻儲能的凈輸入功率；ss(t)為t時刻儲能的帶電狀態；為儲能的額定容量；和psdis,max分別為充電和放電行為的最大功率；和分別為充電和放電行為的指示變量，其中只有一個在同一時間段內為1；和分別為儲能的下限和上限。

38、優選的，所述基于所述負荷需求參數數據，對數據中心服務器負載進行建模；包括：

39、將計算任務表示為：

40、cti＝{ati,pti,dti,wi}?(9)

41、式中，下標i表示第i個計算任務，ati為到達時間，pti為處理時間，dti為截止時間，wi定義為處理wi過程的正在使用的服務器數量；

42、將消耗功率表示為：

43、pser,i＝user,i(pser,max-pser,0)+pser,0?(10)

44、式中，pser,i是要處理的cti的電力需求，pser,max為服務器的最大用電量，pser,0為服務器的基本用電量，user,i為cti的實際使用率：

45、

46、式中，nser為服務器總數，udc為服務器集群在數據中心的使用率；

47、將調度范圍表示為：

48、ri＝n×δt＝dti-ati?(12)

49、式中，δt為調度時間，n為可調度系數；

50、并且對于計算任務，基于執行時間分為長期任務ltt、中期任務mtt和短期任務stt，三者的處理時間如下所示：

51、

52、式中，ptltt、ptmtt、ptstt分別為長期任務ltt、中期任務mtt和短期任務stt的處理時間。

53、優選的，所述電力調度模型包括：

54、目標函數：

55、

56、式中，c為總成本，cbuy為購買的電力的總成本，ccur為棄風成本，ce,t為時變電價，λt為由于限電而造成的懲罰電價，pgrid,t為從電網購買的電力，pcur,t為可再生能源的棄風量：

57、

58、約束條件：

59、(1)能源組件運行特性

60、

61、式中，和分別為發電組件m的最小、最大輸出功率，pm,t為組件m在t時刻的發電功率，和分別為發電組件m的最小、最大爬升能力，m∈{pv,wt,el,hs,fc,s}，s為儲能電池組的集合；

62、(2)系統功率平衡

63、

64、式中，n為計算任務的總量；

65、(3)計算任務轉移

66、

67、式中，xp,q,i為計算負載的轉移量，被定義為從時間p到q轉移的任務量與總處理量wi的比值，其小于100％；第二個等式意味著所有轉移的量等于初始計算任務；第三個不等式考慮了可分配時間與處理時間。

68、優選的，所述采用llm推理求解所述電力調度模型，生成初始調度策略；包括：

69、輸入實時參數如下：

70、光伏系統的參數：g(t)，αt，tenv，tref；風力渦輪機的參數：pr，v(t)，vr，vref，href，h，β；儲能系統的參數：ηel，ηi，ηv，ηhs，ηfc，數據中心服務器負載參數：ati，pti，dti，wi，pser,max，pser,0，user,i，nser，n，udc，n；目標函數與約束變量參數：ce,t，λt；

71、基于輸入數據，將模型約束及目標函數用自然語言描述作為調度規則，生成初始的調度策略作為下一步的模型輸入，初始調度策略的輸出參數如下：

72、風光儲一體化能源系統的調度結果包括：pwt，pel，phs，mhs，pgrid,t，pcur,t；數據中心服務器負載的調度結果包括：pser,i，xp,q,i；優化結果輸出：c，cbuy。

73、優選的，所述采用td3強化學習算法對所述初始調度策略進行優化，以獲取最終的優化調度策略；包括：

74、將所述風光儲一體化能源系統建模為一個馬爾可夫決策過程，定義包括狀態空間st、動作空間a以及獎勵函數f；其中：

75、狀態空間包括光伏系統、風力渦輪機、儲能系統、數據中心服務器負載參數，以及數據中心服務器負載參數、數據中心服務器負載的調度結果；

76、動作空間包括了可再生與儲能系統、數據中心負載調度結果的調整量，所述調整量指pgrid,t,pser,i,xp,q,i的變化調整量；

77、獎勵函數設計如下：

78、f(s,a)＝-(ce,tpgrid,t+λtpcur,t)?(19)

79、式中，(s,a)為狀態動作對；

80、構建兩個獨立的q網絡，估計動作值函數，取較小值作為目標q值：

81、qtarget(s,a)＝min(q1(s,a),q2(s,a))?(20)

82、通過軟更新目標網絡的參數，保持目標網絡的穩定性：

83、θtarget(s,a)←(1-τ)θtarget(s,a)+τθ(s,a)(21)

84、式中，τ為軟更新系數；

85、通過動態調整策略，逐步優化所述初始調度策略，輸出最終的優化調度策略。

86、一種風光儲一體化數據中心電力調度系統，所述風光儲一體化數據中心包括風光儲一體化能源系統和數據中心服務器，所述風光儲一體化能源系統的能源組件包括光伏系統、風力渦輪機、儲能系統及電網；所述風光儲一體化數據中心電力調度系統包括：

87、實時數據采集模塊，用于采集所述風光儲一體化能源系統的實時參數數據以及所述數據中心服務器的負荷需求參數數據；

88、組件特性模型構建模塊，用于基于所述實時參數數據，分別針對所述光伏系統、所述風力渦輪機的發電特性以及所述儲能系統的儲能特性進行建模；

89、服務器負載模型構建模塊，用于基于所述負荷需求參數數據，對數據中心服務器負載進行建模；

90、調度模型構建模塊，用于基于建模結果，以最小化購電成本以及棄風成本之和為優化目標，以能源組件運行特性、系統功率平衡及計算任務轉移為約束，構建電力調度模型；

91、調度模型求解模塊，用于采用llm推理求解所述電力調度模型，生成初始調度策略；并采用td3強化學習算法對所述初始調度策略進行優化，以獲取最終的優化調度策略。

92、一種存儲介質，其存儲有用于風光儲一體化數據中心電力調度的計算機程序，其中，所述計算機程序使得計算機執行如上所述的風光儲一體化數據中心電力調度方法。

93、一種電子設備，包括：

94、一個或多個處理器；存儲器；以及一個或多個程序，其中所述一個或多個程序被存儲在所述存儲器中，并且被配置成由所述一個或多個處理器執行，所述程序包括用于執行如上所述的風光儲一體化數據中心電力調度方法。

95、(三)有益效果

96、本發明提供了一種風光儲一體化數據中心電力調度方法、系統、存儲介質和電子設備。與現有技術相比，具備以下有益效果：

97、本發明中，首先采集風光儲一體化能源系統的實時參數數據以及數據中心服務器的負荷需求參數數據；其次基于采集的實時數據，對風光儲一體化能源系統的各個能源組件進行發電和儲能特性進行建模，并對數據中心服務器負載進行建模；再次基于建模結果，以最小化購電成本以及棄風成本之和為優化目標，以功率平衡及計算任務轉移等為約束，構建電力調度模型；最后引入llm推理與td3強化學習算法相結合的方法，獲取最終的優化調度策略。不僅提高了算法的收斂速度和全局優化能力，還確保了數據中心在多可再生能源協同下的穩定運行和能源高效利用。