基于鲁棒控制与Transformer机器学习策略的主动配电网数据中心两阶段时空灵活性能量优化

本文提出了一种融合鲁棒优化（RO）、XGBoost特征工程和Transformer机器学习的前沿框架，旨在提升互联网数据中心（IDC）在主动配电网中的能源利用效率。通过挖掘IDC的时空灵活性、整合多能源载体（CHP、FC、LCG、RES）并应对不确定性，该模型显著降低了电网损耗（MAE改进35.3%，RMSE改进16.7%），为智慧能源系统提供了可解释、强鲁棒性的决策支持。

　　

Highlight

现有研究的关键综述揭示了在带有IDC的主动配电网运行中几个未解决的空白，这些空白制约了理论进展和实际应用：

• •
  IDC作为强制性负载对配电网稳定性和效率的重大影响在近期研究中未得到充分探讨[10], [12]-[14], [18]-[33]。因此，忽略IDC作为强制负载将导致不现实的网络分析、不准确的容量估算以及无效的可持续性和效率解决方案。
• •
  尽管对IDC在配电网研究中的关注日益增加，两个关键维度仍 largely 未被探索：(1) 采用先进特征工程技术（如XGBoost）以识别时空IDC动态的关键驱动因素，以及 (2) 实施最先进的深度学习架构，特别是Transformer，以有效捕捉复杂的时空依赖性[11], [15]-[17], [34], [35]。
• •
  现有的关于IDC灵活性的工作几乎完全集中于需求响应方案，而忽略了多种能源载体的整合。这种狭窄的视角阻碍了强制性负载消耗的优化，并降低了系统适应多样化运行条件的能力。

本研究为克服这些局限性和空白所取得的主要成果如下：

• •
  开发了首个集成优化框架，结合了时空工作负载分布、用于不确定性管理的鲁棒优化以及AI驱动的分析（XGBoost + Transformer），用于在不确定性下建模IDC行为。
• •
  利用XGBoost作为特征工程阶段，以优先考虑有影响力的变量，从而提高可解释性并减少计算负担。
• •
  采用基于Transformer的深度学习模型来捕捉IDC负载的复杂时间和空间依赖性，展示了相较于传统LSTM和CNN方法的优越性能。
• •
  将集成本地能源资源（CHP、LCG和RES）纳入框架，以增强网络灵活性和运行效率，间接减轻对上游的依赖并支持弹性系统性能。

为证实本工作的新颖性，表1将所提出的贡献与35项现有研究进行了系统比较，突显了我们的研究所解决的不同维度。

Bench System Structure

图1显示了本研究的概念图。在本研究中，FC和CHP单元仅生产有功功率。因此，它们被加入到有功功率的平衡中。然而，LCG单元具有有功和无功功率，被加入到有功和无功功率平衡的约束中。本研究多次考虑了RES发电和负载需求的不确定性，并通过RO方法进行建模。随着RES的快速整合，需求/供应之间的平衡日益具有挑战性。

IDC equations

等式(1)计算每个IDC的电力消耗[16]。值得注意的是，IDC的功耗与活跃服务器数量直接相关，这是由于处理、冷却和存储所需的功率[37], [38]。因此，等式(2)显示了处理部分（IDC）的消耗[16]。在这个等式中，“K”是一个系数，表明IT部分的消耗量随着活跃服务器的增加而增加。与电力相关的等式...

Objective Function and Associated Constraints

等式(41)介绍了本文的目标函数。目标函数分为六个部分。第一部分涉及从上游网络接收的功率。第二部分将损耗加入到目标函数中。第三和第四部分涉及LCG的启动和停机成本，这些成本被加入到目标函数中。通过在目标函数中考虑这些成本，系统操作员可以做出最小化总运行成本的决策...

Simulation results

如前一节所述，整个过程分几个步骤进行。第一步是使用鲁棒控制分析和优化系统。在图10中，我们将利用IDC的时空灵活性来分析其消耗。首先，考虑安装在母线19上的IDC是地理位置最靠近配电变电站的IDC。因此，根据“空间灵活性”部分，远离配电变电站的IDC倾向于将其工作负载转移到更靠近变电站的IDC，以最大限度地减少线路损耗和电压降。

Challenges and Future Works

尽管揭示了令人鼓舞的结果和改进，一些问题仍然存在，为未来的研究开辟了途径：

扩展到更大系统： 所建议的技术已在IEEE 33总线测试系统上得到演示。虽然这个测试用例是众所周知的并能提供有价值的结果，但实际的配电网络规模更大且异构组成。将该技术扩展到具有高可再生能源渗透率、混合IDC集群和多样化负载模式的更大、更复杂的系统，需要在计算效率和模型保真度方面进行重大调整。

不确定性建模的改进： 当前使用基于区间的鲁棒优化（RO）来处理RES发电和负载需求的不确定性。虽然RO提供了计算上的可处理性和可靠性保证，但它可能导致保守的解决方案。未来的工作可以探索分布鲁棒优化（DRO）或与更精细的不确定性预测器（如基于气象的RES生成模型）相结合的混合方法，以在鲁棒性和经济性之间取得更好的平衡。

实时实现和延迟考虑： 所提出的框架涉及一个两阶段过程，包括离线XGBoost-Transformer训练和在线RO决策。虽然Transformer模型擅长捕捉长期依赖关系，但其推理时间（尤其是在处理高维时空数据时）可能对实时应用构成挑战。未来的研究应调查模型简化技术、硬件加速或替代的轻量级架构，以满足严格的延迟要求，特别是在具有快速变化工作负载的IDC中。

跨领域协同优化： 本研究主要关注配电网络层面的能源优化。然而，IDC运营涉及多个层面，包括IT工作负载调度、冷却系统管理和网络安全。未来的框架可以探索与这些领域的协同优化，例如，将计算任务路由与能源可用性和碳强度信号相结合，以在服务质量（QoS）约束下实现整体效率和可持续性收益。

可解释性和人机交互： 虽然XGBoost提供了一些特征重要性见解，但Transformer模型的“黑箱”性质可能阻碍运营商信任和采用。开发用于解释Transformer预测（例如，通过注意力可视化）的工具并将其集成到决策支持系统中，对于实际部署至关重要。此外，研究允许人类操作员提供反馈并调整优化目标的交互式界面将是有价值的。

Conclution

本研究通过战略性地利用时空灵活性，调查了IDC功耗的有效管理。目标是通过在高峰和非高峰时段之间动态转移工作负载，减少与上游电网的电力交换，从而显著减少网络损耗。在这方面，所提出的方法在RO、XGBoost特征工程和Transformer ML模型三个主要阶段进行。首先，基于不确定性集合对系统应用RO，以得出可靠的调度决策。然后，利用XGBoost进行特征选择，识别影响IDC行为的关键参数。这些精选的特征被输入到Transformer模型中，该模型擅长捕捉复杂的时空模式并提供准确的预测。最终的优化框架在IEEE 33总线测试系统上进行了验证，展示了在预测准确性（MAE、RMSE）和网络性能（损耗减少、电压稳定性）方面的显著改进。结果证实了该混合方法在增强IDC运行效率和支持向更可持续、有弹性的能源系统过渡方面的鲁棒性和有效性。