數(shù)據(jù)中心多能互補(bǔ)分布式能源系統(tǒng)設(shè)計(jì)與運(yùn)行優(yōu)化研究

摘要：為實(shí)現(xiàn)數(shù)據(jù)中心的低碳轉(zhuǎn)型和能效提升，提出了一種集成多種可再生能源和儲(chǔ)能設(shè)備的多能互補(bǔ)分布式能源系統(tǒng)作為其供能系統(tǒng)。建立了包含生命周期成本、碳排放、能耗、電網(wǎng)購(gòu)電率和熱量浪費(fèi)率等指標(biāo)的優(yōu)化目標(biāo)體系。制定了兩種考慮負(fù)荷特征的運(yùn)行策略，采用改進(jìn)的多目標(biāo)蝗蟲優(yōu)化算法對(duì)系統(tǒng)容量配置進(jìn)行求解。為了分析優(yōu)化目標(biāo)和運(yùn)行策略對(duì)系統(tǒng)優(yōu)化的影響，通過(guò)組合不同優(yōu)化目標(biāo)和運(yùn)行策略形成了多種優(yōu)化設(shè)計(jì)方案，采用層次分析法和熵權(quán)法確定評(píng)價(jià)指標(biāo)的權(quán)重，并利用多準(zhǔn)則妥協(xié)解排序法進(jìn)行評(píng)價(jià)排序。針對(duì)青海省某數(shù)據(jù)中心的案例，獲得其能源系統(tǒng)的優(yōu)化設(shè)計(jì)與運(yùn)行方案。研究表明：運(yùn)行策略主要影響吸收式制冷機(jī)和地源熱泵的容量，而優(yōu)化目標(biāo)主要影響儲(chǔ)能設(shè)備的容量；在相同的運(yùn)行策略下，增加優(yōu)化目標(biāo)可提升系統(tǒng)的綜合性能；對(duì)于不同的方案，生命周期成本、碳排放、能耗等基礎(chǔ)優(yōu)化目標(biāo)值變化較小，而電網(wǎng)購(gòu)電率和熱量浪費(fèi)率變化較大；通過(guò)實(shí)施五目標(biāo)優(yōu)化，即在基礎(chǔ)優(yōu)化目標(biāo)的基礎(chǔ)上增加熱量浪費(fèi)率、電網(wǎng)購(gòu)電率，系統(tǒng)的綜合性能得到了顯著提升，其中熱量浪費(fèi)率和電網(wǎng)購(gòu)電率分別降低了62.30%和25.92%，可再生能源發(fā)電占比增加了2%。

關(guān)鍵詞：數(shù)據(jù)中心；多能互補(bǔ)分布式能源系統(tǒng)；優(yōu)化設(shè)計(jì)；運(yùn)行策略；多目標(biāo)蝗蟲優(yōu)化算法

中圖分類號(hào)：TK9"文獻(xiàn)標(biāo)志碼：A

DOI：10.7652/xjtuxb202501009"文章編號(hào)：0253-987X（2025）01-0093-12

Research on the Design and Operation Optimization of Distributed Multi-Energy

Systems for Data Centers

REN Xiaoxiao¹， LI Xiaolong²， XUE Kai¹， WU Xuan¹， HAN Xiaoqu¹，

WANG Jinshi¹， YAN Junjie¹

（1. State Key Laboratory of Multiphase Flow in Power Engineering， Xi’an Jiaotong University， Xi’an 710049， China;

2. Northwest Electric Power Design Institute Co.， Ltd.， of China Power Engineering Consulting Group， Xi’an 710075， China）

Abstract：To achieve low-carbon transformation and energy efficiency improvement of data centers， a distributed multi-energy system that incorporates various renewable energy sources and energy storage devices is introduced as their energy supply system. Firstly， an optimization objective system comprising life cycle costs， carbon emissions， energy consumption， grid electricity purchase rate， and heat waste rate is established. Subsequently， two operation strategies considering load characteristics are developed， and an improved multi-objective grasshopper optimization algorithm is employed to determine the system capacity configuration. To analyze the impact of optimization objectives and operation strategies on system optimization， various optimized design schemes are formulated by combining different optimization objectives and operation strategies. The analytic hierarchy process and entropy weight method are used to assign weights to evaluation criteria， and the vlseKriterijumska optimizacija I kompromisno resenje （VIKOR） method is applied for evaluation ranking. A case study on a data center in Qinghai province is conducted to obtain its energy system optimal design and operation scheme. The results indicate that the capacities of the absorption chiller and the ground source heat pump are influenced by the operation strategy， while the capacity of the energy storage device is affected by the optimization objective. Under the same operation strategy， increasing the number of optimization objectives can enhance the overall performance of the system. The values of the fundamental optimization objectives such as life cycle costs， carbon emissions， and energy consumption show minor variations across different schemes， whereas the grid electricity purchase rate and heat waste rate exhibit significant changes. Through the implementation of five-objective optimization， which integrates heat waste rate and grid electricity purchase rate with the basic optimization objectives， the system’s overall performance is notably enhanced. Specifically， the heat waste rate and grid electricity purchase rate are reduced by 62.30% and 25.92%， respectively， while renewable energy generation sees a 2% increase.

Keywords：data center; distributed multi-energy system; optimal design; operation strategy; improved multi-objective grasshopper optimization algorithm

數(shù)據(jù)中心是推動(dòng)數(shù)字社會(huì)快速發(fā)展的戰(zhàn)略性基礎(chǔ)設(shè)施，其日益擴(kuò)大的規(guī)模消耗了大量能源并產(chǎn)生了大量的碳排放。當(dāng)前，我國(guó)數(shù)據(jù)中心機(jī)架規(guī)模的年增長(zhǎng)率超過(guò)了30%^［1］。據(jù)估計(jì)：2035年我國(guó)數(shù)據(jù)中心的耗電量將達(dá)到7820億kW·h，占全社會(huì)用電量的7%；碳排量將達(dá)3.1億t，占全社會(huì)碳排放量的4%^［2］。

傳統(tǒng)數(shù)據(jù)中心通常依賴于當(dāng)?shù)仉娋W(wǎng)或?qū)ｉT的化石發(fā)電設(shè)施來(lái)供應(yīng)電能^［3］。在“碳達(dá)峰、碳中和”目標(biāo)和能源轉(zhuǎn)型的背景下，尋找低成本、可持續(xù)的數(shù)據(jù)中心能源供應(yīng)方案成為研究焦點(diǎn)^［4］。多能互補(bǔ)分布式能源系統(tǒng)（DMES）引入了可再生能源和儲(chǔ)能技術(shù)，能以較高的能源利用率滿足數(shù)據(jù)中心冷、熱、電負(fù)荷需求，是數(shù)據(jù)中心能源供應(yīng)系統(tǒng)低碳轉(zhuǎn)型的重要解決方案^［5-6］。合理的系統(tǒng)配置和運(yùn)行策略直接影響著DMES在經(jīng)濟(jì)、環(huán)境、能效方面的表現(xiàn)。然而，DMES涉及多種能源、多個(gè)設(shè)備和多個(gè)能源轉(zhuǎn)換過(guò)程，其設(shè)計(jì)與運(yùn)行優(yōu)化問(wèn)題是相關(guān)研究的難點(diǎn)。

DMES優(yōu)化是一個(gè)多維度問(wèn)題，其模型主要包括目標(biāo)函數(shù)、限制條件、尋優(yōu)方法、決策方法等。通常，可從能效性、經(jīng)濟(jì)性和環(huán)保性的某一方面出發(fā)進(jìn)行系統(tǒng)優(yōu)化^［7-8］，也可綜合多方面來(lái)建立優(yōu)化模型^［9-10］，但單一指標(biāo)優(yōu)化相對(duì)片面，致使系統(tǒng)的綜合性能并不理想。Luo等^［11］針對(duì)長(zhǎng)沙市某室內(nèi)游泳池構(gòu)建了DMES，使用NSGA-Ⅱ算法進(jìn)行了優(yōu)化，使系統(tǒng)在經(jīng)濟(jì)、環(huán)境和能效方面的綜合性能達(dá)到最優(yōu)。荊有印等^［12］基于生命周期分析法，建立了考慮能源、環(huán)境和經(jīng)濟(jì)的多目標(biāo)優(yōu)化模型，用于能源供應(yīng)系統(tǒng)的優(yōu)化設(shè)計(jì)與運(yùn)行。對(duì)于DMES，最常見(jiàn)的兩種運(yùn)行策略為以電定熱和以熱定電。Wang等^［13］以一次能源消耗最小為目標(biāo)，采用遺傳算法對(duì)以電定熱和以熱定電兩種運(yùn)行策略下的熱電聯(lián)產(chǎn)方案進(jìn)行了優(yōu)化。Wang等^［14］研究了電-熱-天然氣耦合系統(tǒng)在以電定熱、以熱定電和綜合最優(yōu)運(yùn)行策略下的適用性，結(jié)果表明系統(tǒng)在綜合最優(yōu)模式下的運(yùn)行成本最小、碳排放最低。優(yōu)化算法是DMES優(yōu)化模型的求解工具，目前用于該領(lǐng)域優(yōu)化的算法很多，包括傳統(tǒng)數(shù)學(xué)算法和智能算法。其中，遺傳算法、粒子群算法等智能優(yōu)化算法應(yīng)用廣泛，但容易陷入局部最優(yōu)^［15］，對(duì)此，更多的智能優(yōu)化算法相繼被提出。針對(duì)NSGA-Ⅲ算法搜索效率低的問(wèn)題，曾依浦等^［16］提出了一種基于混合交叉算子NDX-SBX改進(jìn)的NSGA-Ⅲ算法用于能源系統(tǒng)的優(yōu)化，結(jié)果表明該算法可以獲得更優(yōu)的非支配解集。Li等^［17］提出了一種多目標(biāo)海鷗優(yōu)化算法用于求解考慮經(jīng)濟(jì)、能源和環(huán)境的多目標(biāo)優(yōu)化模型，并取得了較好的結(jié)果。李銳等^［18］采用改進(jìn)的人工魚群算法對(duì)能源系統(tǒng)進(jìn)行了優(yōu)化，結(jié)果表明系統(tǒng)的效率和碳排放性能得到了提升。

目前，針對(duì)數(shù)據(jù)中心DMES優(yōu)化的研究已經(jīng)取得了一定的進(jìn)展，但仍存在一些問(wèn)題需要解決。一方面，現(xiàn)有的DMES優(yōu)化模型旨在實(shí)現(xiàn)系統(tǒng)在經(jīng)濟(jì)性、環(huán)保性和能效性之間的平衡^［19］。然而，在考慮可再生能源耦合的DMES中，系統(tǒng)優(yōu)化模型需要進(jìn)一步考慮可再生能源的比重、數(shù)據(jù)中心供能可靠性等關(guān)鍵因素。另一方面，對(duì)于如何有效應(yīng)對(duì)數(shù)據(jù)中心冷負(fù)荷和電負(fù)荷需求量大的問(wèn)題，相關(guān)研究還相對(duì)匱乏。為填補(bǔ)這一研究空白，本文從能源利用、環(huán)境保護(hù)、經(jīng)濟(jì)效益、減少對(duì)電網(wǎng)的依賴、降低能源浪費(fèi)等多個(gè)維度出發(fā)，構(gòu)建了綜合性的目標(biāo)函數(shù)，并制定了兩種數(shù)據(jù)中心DMES運(yùn)行策略。根據(jù)目標(biāo)函數(shù)與運(yùn)行策略，設(shè)定多種方案，采用改進(jìn)的多目標(biāo)蝗蟲優(yōu)化算法（IMOGOA）對(duì)系統(tǒng)容量配置進(jìn)行求解，并通過(guò)優(yōu)劣解距離法獲得每種方案的優(yōu)化結(jié)果。在此基礎(chǔ)上，基于層次分析法、熵權(quán)法和多準(zhǔn)則妥協(xié)解排序法對(duì)各個(gè)方案進(jìn)行綜合評(píng)價(jià)和排序，確定最佳的DMES設(shè)計(jì)和運(yùn)行方案。

1"系統(tǒng)模型

1.1"系統(tǒng)構(gòu)型

相對(duì)于傳統(tǒng)建筑，數(shù)據(jù)中心需要24h不間斷運(yùn)行，其能量密度較大、供能要求較高。通常，數(shù)據(jù)中心包括數(shù)據(jù)機(jī)房和辦公區(qū)，數(shù)據(jù)機(jī)房主要有供電和制冷需求，并且全年電負(fù)荷和冷負(fù)荷相對(duì)持續(xù)且穩(wěn)定。熱負(fù)荷主要來(lái)自辦公區(qū)，與氣象條件和地理位置有關(guān)^［20］。為了實(shí)現(xiàn)數(shù)據(jù)中心綠色可持續(xù)發(fā)展目標(biāo)，數(shù)據(jù)中心一般在風(fēng)、光、水力、地?zé)嶝S富的地區(qū)規(guī)劃布局^［21］。基于數(shù)據(jù)中心負(fù)荷特征和可持續(xù)發(fā)展目標(biāo)，本文構(gòu)建了一種適用于數(shù)據(jù)中心的典型DMES系統(tǒng)構(gòu)型，如圖1所示。

該系統(tǒng)在傳統(tǒng)的冷熱電聯(lián)供系統(tǒng)的基礎(chǔ)上，引入了太陽(yáng)能、風(fēng)能、地?zé)崮艿瓤稍偕茉矗詼p少化石能源的消耗并降低碳排放。電負(fù)荷主要由風(fēng)電系統(tǒng)、光伏系統(tǒng)和內(nèi)燃機(jī)發(fā)電滿足，電網(wǎng)作為補(bǔ)充能源以提高電力供應(yīng)的可靠性；冷負(fù)荷主要由吸收式制冷機(jī)和地源熱泵滿足；熱負(fù)荷主要由余熱回收系統(tǒng)滿足，燃?xì)忮仩t用于補(bǔ)充不足的熱量。為了提高系統(tǒng)運(yùn)行的靈活性和在極端天氣情況下的供能可靠性，系統(tǒng)配置了冷、熱、電儲(chǔ)能系統(tǒng)。其中，儲(chǔ)冷系統(tǒng)包括蓄冰槽和電制冷機(jī)，電制冷機(jī)既可在電力富余時(shí)制冰，也可在供冷不足時(shí)為用戶供冷。在DMES中，電力通過(guò)輸電線傳輸，冷量和熱量通過(guò)管道傳輸。

1.2"設(shè)備出力模型

（1）內(nèi)燃機(jī)。考慮到數(shù)據(jù)中心的電負(fù)荷需求遠(yuǎn)大于熱負(fù)荷需求，故選擇燃?xì)鈨?nèi)燃機(jī)作為平衡風(fēng)光發(fā)電的設(shè)備。內(nèi)燃機(jī)通過(guò)燃燒天然氣進(jìn)行發(fā)電，具有發(fā)電效率高、污染少、集成度高的優(yōu)點(diǎn)，其熱電轉(zhuǎn)換效率以及出力模型^［22］如下

E_ice（t）=Pr_iceR_ice（t）

Q_ice（t）=E_ice（t）R_h2e

ηe_ice（t）=（a_iceR_ice（t）²+b_iceR_ice（t）+c_ice）η^E_ice

ηh_ice（t）=ηe_ice（t）R_h2e

Pr_iceR^min_ice≤E_ice（t）≤Pr_iceR^max_ice（1）

式中：E_ice（t）和Q_ice（t）為實(shí)際發(fā)電量和產(chǎn)生的余熱量；ηe_ice（t）和ηh_ice（t）為實(shí)際發(fā)電和產(chǎn)熱效率；η^E_ice為額定發(fā)電效率；Pr_ice為額定發(fā)電功率；R_ice（t）為部分負(fù)荷率；R_h2e為熱電比；a_ice、b_ice、c_ice為效率系數(shù)，可通過(guò)實(shí)驗(yàn)數(shù)據(jù)確定。

（2）余熱回收系統(tǒng)。余熱回收系統(tǒng)的出力模型為

Q_re（t）=Q_ice（t）η_re"（2）

式中：Q_ice（t）表示t時(shí)刻內(nèi)燃機(jī)的余熱功率；η_re為余熱回收效率。

（3）光伏發(fā)電系統(tǒng)。光伏系統(tǒng)的數(shù)學(xué)模型為

E_pv（t）=S_pvI_pv（t）η_pv（t）

η_pv（t）=0.151－0.0045（T_pv（t）－25）

T_pv（t）=T₀（t）+0.0138（1+0.031T₀（t）·

（1－0.042v（t））I_pv（t） （3）

式中：E_pv（t）為光伏系統(tǒng)發(fā)電功率；I_pv（t）為單位面積的光伏板接收的太陽(yáng)輻射量；T_pv（t）為光伏板的工作溫度；S_pv為光伏板的面積；η_pv（t）為發(fā)電效率；T₀為干球溫度；v為近地面風(fēng)速。

（4）風(fēng)力發(fā)電系統(tǒng)。采用曲線擬合的方法得到風(fēng)電機(jī)組輸出功率特性方程，其函數(shù)形式為

E_wt（t）=0，0≤v_wind≤v_ci

av³_wind（t）－bEr_wt，v_cilt;v_wind≤vr

Er_wt，vrlt;v_wind≤v_co

0，v_colt;v_wind（4）

式中：E_wt（t）為風(fēng)電機(jī)組在t時(shí)刻的電功率；Er_wt為額定功率；a和b為模型系數(shù)；v_ci為切入風(fēng)速，取3.0m·s^－1；vr為額定風(fēng)速，取10.3m·s^－1；v_co為切出風(fēng)速，取22.0m·s^－1；v_wind為實(shí)際風(fēng)速。

（5）燃?xì)忮仩t。當(dāng)余熱回收系統(tǒng)無(wú)法滿足熱需求時(shí)，開(kāi)啟燃?xì)忮仩t以補(bǔ)充熱量，其輸出功率Q_gb表示為

Q_gb（t）=Qr_gbR_gb（t）

F_gb（t）=Q_gb（t）η_gbH_ngΔt

η_gb=ηr_gb"（5）

式中：Qr_gb是燃?xì)忮仩t的額定功率；R_gb（t）為部分負(fù)荷率；F_gb（t）為天然氣消耗量；η_gb、ηr_gb分別表示鍋爐實(shí)際效率和額定效率。

（6）地源熱泵。地源熱泵是一種成熟的地?zé)崮芾迷O(shè)備，既可制冷也可制熱，其制冷功率為

C_gshp（t）=η_gshp，cE_gshp（t） （6）

式中：η_gshp，c為地源熱泵的制冷性能系數(shù)；E_gshp為耗電功率。

（7）吸收式制冷機(jī)。吸收式制冷機(jī)通過(guò)利用余熱回收系統(tǒng)回收的熱量進(jìn)行制冷，以減少系統(tǒng)熱量的浪費(fèi)，其數(shù)學(xué)模型可表示為

C_abs（t）=η_absQ_abs（t） （7）

式中：Q_abs（t）為制冷機(jī)的耗熱功率；η_abs為制冷機(jī)的制冷性能系數(shù)。

（8）冰蓄冷系統(tǒng)。冰蓄冷系統(tǒng)由電制冷機(jī)和蓄冰槽組成。當(dāng)系統(tǒng)生產(chǎn)的冷量大于需求時(shí)，電制冷機(jī)制冰；當(dāng)系統(tǒng)制冷量小于需求時(shí)，蓄冰槽融冰。電制冷機(jī)的制冷功率C_ec和蓄冰槽的數(shù)學(xué)模型分別為

C_ec（t）=η_ecE_ec（t） （8）

V_cs（t）=V_cs（t－1）（1－σ_cs）+

Cc_cs（t）ηc_cs－Cd_cs（t）η^d_csΔt

0≤αc_csCc_cs（t）≤Cc_cs，max

0≤αd_csCd_cs（t）≤Cd_cs，max

S_cs（t）=V_cs（t）V_cs，max

S_cs，min≤S_cs（t）≤S_cs，max

αc_csαd_cs=0（9）

式中：σ_cs為能量損失率；ηc_cs為儲(chǔ)能效率；ηd_cs為釋能效率；Cc_cs，max和Cd_cs，max分別為最大儲(chǔ)能、釋能功率；η_ec為電制冷機(jī)的制冷性能系數(shù)；E_ec（t）為制冷機(jī)的電功率；V_cs（t）和V_cs（t－1）分別為t時(shí)刻和t－1時(shí)刻的儲(chǔ)冰量；Cc_cs（t）和Cd_cs（t）分別為t時(shí)刻制冰和融冰功率；S_cs（t）表示蓄冰槽的狀態(tài)；V_cs，max為最大容量；αc_cs和αd_cs為蓄冰槽運(yùn)行的狀態(tài)變量；S_cs，min和S_cs，max為儲(chǔ)能效態(tài)上、下限。電池與儲(chǔ)熱裝置的數(shù)學(xué)模型與蓄冰槽模型的相似。

2"優(yōu)化模型

為提高數(shù)據(jù)中心DMES的綜合性能，提出了一種基于生命周期的多目標(biāo)優(yōu)化設(shè)計(jì)模型，包括目標(biāo)函數(shù)、約束條件和運(yùn)行策略。目標(biāo)函數(shù)考慮了DMES的生命周期成本、碳排放、能耗、電網(wǎng)購(gòu)電率和熱量浪費(fèi)率。

2.1"目標(biāo)函數(shù)

為了方便優(yōu)化方案的制定，將生命周期成本、碳排放、能耗作為基礎(chǔ)優(yōu)化目標(biāo)，而電網(wǎng)購(gòu)電率和熱量浪費(fèi)率作為附加優(yōu)化目標(biāo)。

（1）生命周期成本。DMES的生命周期成本（LCC）包括初始成本、運(yùn)行成本、維護(hù)成本和碳稅，其計(jì)算模型^［23-24］為

C_LCC=C_iniR+C_main+C_run+C_tax

C_ini=（1－（1－r_sal）ⁿ）∑mi=1C_iU_i

C_main=∑mi=1ε_iC_iU_i

C_run=∑8760t=1（E_grid（t）U_grid（t）+V_ng（t）U_ng（t））

C_tax=A_ACEU_tax

R=i₀（1+i₀）ⁿ（1+i₀）ⁿ－1 （10）

式中：C_LCC為系統(tǒng)的生命周期成本；R為投資回收系數(shù)；E_grid為電網(wǎng)購(gòu)電量；C_ini是初投資；C_main是維護(hù)成本；C_run是運(yùn)行成本；C_tax是碳稅；C_i是設(shè)備i的容量；U_i是單位容量成本；ε_i是維護(hù)成本占容量成本的百分比；U_grid為電價(jià)；V_ng為天然氣的消耗量；U_ng為天然氣的價(jià)格；A_ACE為系統(tǒng)每年的碳排放量；U_tax是碳稅；i₀是貼現(xiàn)率；n為設(shè)備的生命周期；r_sal為經(jīng)濟(jì)循環(huán)率。

（2）生命周期能耗。生命周期能耗（LCEC）考慮天然氣和電網(wǎng)以及設(shè)備在生產(chǎn)、運(yùn)輸、安裝過(guò)程中的一次消費(fèi)^［23］，公式為

L_LCEC=L_run+L_ptir

L_run=∑8760t=13600V_ng（t）/H_ng+E_grid（t）/（ξ_prdξ_trd）

L_ptir=1n∑mi=1（1－λ_rec）C_iL_i（11）

式中：λ為設(shè)備回收系數(shù)；L_run為系統(tǒng)在運(yùn)行中的一次能耗；L_ptlr為系統(tǒng)設(shè)備制造、安裝、運(yùn)輸中產(chǎn)生的一次能耗；H_ng為天然氣的低位熱值；ξ_prd為電網(wǎng)發(fā)電效率；ξ_trd為電網(wǎng)傳輸效率；L_i為設(shè)備在生產(chǎn)、運(yùn)輸安裝工程中的一次能源消耗。

（3）生命周期碳排放。生命周期碳排放（LCCE）包括天然氣的消耗、電網(wǎng)發(fā)電和設(shè)備在生產(chǎn)、運(yùn)輸、安裝過(guò)程中的碳排放^［23］，計(jì)算公式如下

A_LCCE=A_run+A_ptir

A_run=∑8760t=1（V_ng（t）μ_ng+E_grid（t）μ_grid）

A_ptir=1n∑mi=1（1－λ_rec）C_iA_i"（12）

式中：A_run為系統(tǒng)運(yùn)行中產(chǎn)生的碳排放；A_ptlr為系統(tǒng)在制造、安裝、運(yùn)輸中產(chǎn)生的碳排放；μ_ng為天然氣碳排放量；μ_grid是電網(wǎng)的碳排放量；λ_rec是設(shè)備的回收率；A_i為設(shè)備在生產(chǎn)、運(yùn)輸、安裝工程中的碳排放。

（4）電網(wǎng)購(gòu)電率。為了提高DMES供能可靠性，需要減少能源供應(yīng)系統(tǒng)對(duì)電網(wǎng)的依賴性。電網(wǎng)購(gòu)電率R_grid作為可靠性指標(biāo)，表征系統(tǒng)從電網(wǎng)的購(gòu)電量與系統(tǒng)生產(chǎn)電力的比，即

R_grid=∑8760t=1E_grid∑8760t=1（E_load（t）+E_ec（t）+E_gshp（t）+Ec_es（t））×100% （13）

（5）熱量浪費(fèi)率。當(dāng)DMES選擇以電定熱或者以熱定電運(yùn)行策略時(shí)，系統(tǒng)會(huì)產(chǎn)生多余的熱量或者電量。為了保證數(shù)據(jù)中心供電的可靠性，DMES選擇的運(yùn)行策略為以電定熱，此時(shí)系統(tǒng)會(huì)產(chǎn)生多余熱量，將熱量浪費(fèi)率R_rest作為優(yōu)化目標(biāo)。R_rest為系統(tǒng)熱需求Q_dmand與系統(tǒng)產(chǎn)生多余的熱量Q_rest的比，表示為

R_rest=∑8760t=1Q_rest（t）∑8760t=1Q_dmand（t）×100%

Q_rest=Q_re－Q_abs+Qd_hs－Qc_hs+Q_gb－Q_dmand

Q_dmand=Q_load/η_he+Q_abs/η_abs"（14）

2.2"約束條件

在對(duì)DMES進(jìn)行優(yōu)化設(shè)計(jì)和運(yùn)行時(shí)，必須滿足容量限制和能量平衡約束。

（1）電量平衡公式為

E_load（t）=E_pv（t）+E_wt（t）+E_ice（t）+Ed_es（t）+

E_grid（t）－E_ec（t）－E_gshp（t）－Ec_es（t）（15）

式中：E_load為電負(fù)荷；Ed_es、Ec_es分別為電池的放電、充電功率；E_grid為電網(wǎng)購(gòu)電功率。

（2）冷量平衡公式為

C_load（t）=C_gshp（t）+C_abs（t）+Cd_cs（t）+

C_es（t）－Cc_cs（t）（16）

式中：C_load為冷負(fù)荷。

（3）熱量平衡公式為

Q_load（t）≤Q_re（t）－Q_abs（t）+Qd_hs（t）－

Qc_hs（t）+Q_gb（t）（17）

式中：Q_load為熱負(fù)荷；Qd_hs、Qc_hs分別為儲(chǔ)熱設(shè)備的放熱、儲(chǔ)熱功率。

（4）容量限制公式為

V_device，i≤V^limit_device，i"（18）

式中：V_device，i、V^limit_device，i分別為設(shè)備i的容量、限制容量。

2.3"運(yùn)行策略

鑒于數(shù)據(jù)中心對(duì)冷、電供應(yīng)的高需求和嚴(yán)格的標(biāo)準(zhǔn)，DMES系統(tǒng)在運(yùn)行時(shí)首先確保冷負(fù)荷的滿足，其次是電負(fù)荷，最后是熱負(fù)荷。根據(jù)供冷系統(tǒng)設(shè)備組成，設(shè)定兩種運(yùn)行策略，如圖2所示。

對(duì)于第一種運(yùn)行策略（ST1），系統(tǒng)優(yōu)先使用地源熱泵，當(dāng)供冷不足時(shí)開(kāi)啟吸收式制冷機(jī)和冰蓄冷系統(tǒng)；對(duì)于第二種運(yùn)行策略（ST2），系統(tǒng)優(yōu)先開(kāi)啟吸收式制冷設(shè)備，當(dāng)供冷不足時(shí)開(kāi)啟地源熱泵和冰蓄冷系統(tǒng)。

3"求解算法與方案排序方法

3.1"求解算法

蝗蟲優(yōu)化算法（GOA）是由Saremi團(tuán)隊(duì)在2017年提出的一種啟發(fā)式全局優(yōu)化算法，該算法的設(shè)計(jì)靈感來(lái)自于蝗蟲種群集體覓食行為^［25］。在GOA中，蝗蟲在種群中的位置為一個(gè)可能的解，主要受種群作用力S_i、重力G_i和風(fēng)力W_i的影響，其數(shù)學(xué)模型如下

P_i=r₁S_i+r₂G_i+r₃W_i"（19）

式中：P_i為蝗蟲位置；r₁、r₂和r₃為系數(shù)。

對(duì)于實(shí)際問(wèn)題的求解，優(yōu)化結(jié)果必須盡可能接近全局最優(yōu)解。數(shù)學(xué)模型應(yīng)具備求解優(yōu)化問(wèn)題的條件，核心算子可表示為

P^d_i=c∑Nj=1，j≠icu_d－u_d2sP^d_j－P^d_iP_j－P_id_ij+_d（20）

式中：P^d_i為第i個(gè)蝗蟲在d維度的位置；N為種群規(guī)模；_d和u_d為蝗蟲在d維的上邊界和下邊界；d_ij為第i個(gè)蝗蟲和第j個(gè)蝗蟲之間的距離；c為線性減小參數(shù)；_d為d維的最優(yōu)位置。

對(duì)于多目標(biāo)優(yōu)化問(wèn)題的求解，誕生了多目標(biāo)蝗蟲優(yōu)化算法（MOGOA）。由于MOGOA是通過(guò)選取合適的值進(jìn)行求解優(yōu)化，缺乏隨機(jī)趨優(yōu)的性能。因此，本文引入種群變異機(jī)制對(duì)其進(jìn)行了改進(jìn)。改進(jìn)后的算法求解流程如圖3所示。

3.2"優(yōu)劣解距離法

選擇優(yōu)劣解距離法（TOPSIS）從帕累托前沿解中找出最優(yōu)解。TOPSIS通過(guò)計(jì)算帕累托前沿與最優(yōu)解、最劣解的歐氏距離（D_i+、D_i-）來(lái)進(jìn)行排序，若某個(gè)解靠近最優(yōu)解同時(shí)又最遠(yuǎn)離最劣解，則為最優(yōu)解^［26］。TOPSIS數(shù)學(xué)模型為

D_i+=∑nj=1（f^norm_ij－f^ideal_j）²

D_i－=∑nj=1（f^norm_ij－f^nideal_j）²

Y_i=D_i－D_i++D_i－"（21）

式中：f^ideal_j和f^nideal_j分別為正理想點(diǎn)和負(fù)理想點(diǎn)；f^norm_ij為標(biāo)準(zhǔn)化后的帕累托前沿解；Y_i為帕累托解與最優(yōu)解的接近程度，Y_i越大，帕累托解越優(yōu)。

3.3"多準(zhǔn)則妥協(xié)解排序法

在進(jìn)行系統(tǒng)優(yōu)化時(shí)，需要構(gòu)建多種系統(tǒng)設(shè)計(jì)和運(yùn)行方案，并通過(guò)方案排序確定最優(yōu)方案。本文使用層次分析法結(jié)合熵權(quán)法確定評(píng)價(jià)指標(biāo)的權(quán)重，然后使用多準(zhǔn)則妥協(xié)解排序法（VIKOR）對(duì)方案進(jìn)行排序。層次分析法與熵權(quán)法的計(jì)算流程詳見(jiàn)文獻(xiàn)［27］。

VIKOR法是由Opricovic于1998年提出的一種多屬性決策方法。VIKOR法通過(guò)最大化群體效用和最小化個(gè)體偏差對(duì)有限評(píng)價(jià)方案進(jìn)行折衷排序^［28］，其主要計(jì)算步驟如下。

（1）標(biāo)準(zhǔn)化矩陣。由m個(gè)方案和n個(gè)評(píng)價(jià)指標(biāo)構(gòu)建評(píng)價(jià)矩陣P_n×m，然后對(duì)其進(jìn)行標(biāo)準(zhǔn)化，得到矩陣X_n×m，X_n×m的元素x_ij的計(jì)算公式為

x_ij=p_ij，max－p_ijp_ij，max－p_ij，min， 成本型指標(biāo)

x_ij=p_ij－p_ij，minp_ij，max－p_ij，min， 效益型指標(biāo) （22）

式中：p_ij，max和p_ij，min為評(píng)價(jià)指標(biāo)p_ij的最大值和最小值。

（2）最理想解和最不理想解的確定。根據(jù)標(biāo)準(zhǔn)化矩陣，確定最理想解x⁺_i和最不理想解x^－_i

x⁺_i=max1lt;jlt;nx_ij

x^－_i=min1lt;jlt;nx_ij"（23）

（3）計(jì)算方案的折衷收益。根據(jù)層次分析與熵權(quán)法確定的綜合權(quán)重ω_i，計(jì)算方案j的群體效用值S_j、個(gè)體偏差R_j和折衷收益Q_j，公式為

S_j=∑mi=1ω_ix⁺_i－x_ijx⁺_i－x^－_i

R_j=max1≤i≤m ω_ix⁺_i－x_ijx⁺_i－x^－_i

Q_j=νS_j－min1≤j≤nS_jmax1≤j≤n S_j－min1≤j≤n S_j+（1－ν）R_j－min1≤j≤nR_jmax1≤j≤n R_j－min1≤j≤nR_j（24）

式中：ν為決策機(jī)制系數(shù)。

（4）方案排序。對(duì)S_j、R_j和Q_j進(jìn)行降序排列，并根據(jù)以下條件判斷是否選擇Q_j最小的方案作為最優(yōu)方案。①可接受的有利性條件：Q_j，a－Q_j，b≥1n－1，Q_j，a和Q_j，b是排序第一和第二的方案；②可接受的穩(wěn)定性條件：Q_j，a的S_j，a或R_j，a同時(shí)比Q_j，b的靠前。若滿足兩個(gè)條件，則Q_j最小的方案為最優(yōu)方案；若只滿足條件①，則Q_j，a和Q_j，b均為最優(yōu)方案；若只滿足條件②，則方案中a，b，…，M滿足Q_j，M－Q_j，1≤1n－1均可作為最優(yōu)方案。

4"案例分析

為了驗(yàn)證所提系統(tǒng)及優(yōu)化方法的可行性，選取位于青海省的一個(gè)數(shù)據(jù)中心作為案例進(jìn)行研究，獲得其能源系統(tǒng)的優(yōu)化設(shè)計(jì)與運(yùn)行方案。該數(shù)據(jù)中心由4000m²的數(shù)據(jù)機(jī)房和5000m²辦公生活區(qū)組成，其中數(shù)據(jù)機(jī)房的機(jī)柜為450個(gè)。該地區(qū)屬于高原大陸性氣候，日照時(shí)間長(zhǎng)、輻射強(qiáng)、風(fēng)力充足，適合風(fēng)能和太陽(yáng)能開(kāi)發(fā)。此外，該地區(qū)全年氣溫較低，辦公生活區(qū)沒(méi)有供冷需求，只有供暖需求，并且供暖季從當(dāng)年10月持續(xù)至次年4月。數(shù)據(jù)機(jī)房和辦公生活區(qū)的功能不同，數(shù)據(jù)機(jī)房的負(fù)荷包含電負(fù)荷和冷負(fù)荷，辦公生活區(qū)的負(fù)荷包括電負(fù)荷和熱負(fù)荷。綜合兩個(gè)區(qū)域的負(fù)荷，可以得到數(shù)據(jù)中心全年8760h的負(fù)荷，如圖4所示。這些負(fù)荷數(shù)據(jù)來(lái)自現(xiàn)場(chǎng)采集。可以看出，該數(shù)據(jù)中心的電負(fù)荷和冷負(fù)荷遠(yuǎn)大于熱負(fù)荷。電負(fù)荷分布相對(duì)穩(wěn)定，基本維持在2500kW左右；熱負(fù)荷和冷負(fù)荷呈現(xiàn)出季節(jié)性分布特征，冬季熱負(fù)荷大于過(guò)渡季，夏季沒(méi)有熱負(fù)荷，夏季冷負(fù)荷大于冬季和過(guò)渡季。

圖5為該地區(qū)全年8 760 h的風(fēng)速和太陽(yáng)輻射強(qiáng)度，經(jīng)計(jì)算，全年平均風(fēng)速超過(guò)了6m·s^－1，白天平均太陽(yáng)輻射強(qiáng)度超過(guò)了500W·m^－2。可見(jiàn)，該地區(qū)風(fēng)、光等可再生資源比較豐富，適合風(fēng)電系統(tǒng)、光伏系統(tǒng)的運(yùn)行。此外，該地區(qū)采用了一種新的分時(shí)定價(jià)機(jī)制，如圖6所示， 4—9月采用峰-谷-平電價(jià)， 其他月份

引入了尖峰電價(jià)。天然氣價(jià)格和低位熱值分別為2.3元·m^－3和38931kJ·m^－3。電網(wǎng)的發(fā)電效率和輸電效率分別為0.35和0.95。光伏板安裝面積不超過(guò)2000m²，單位容量成本為2489元·m^－2，碳排放為157.8kg·m^－2，一次能耗為907.46kW·h·m^－2，其他設(shè)備的模型參數(shù)詳見(jiàn)表1。IMOGOA的種群規(guī)模為200，迭代次數(shù)為200，突變率為0.1，存檔成員為30。

4.1"方案設(shè)計(jì)

本文旨在提出可靠的DMES優(yōu)化設(shè)計(jì)和運(yùn)行方案，以實(shí)現(xiàn)系統(tǒng)在能源、環(huán)境、經(jīng)濟(jì)等綜合性能方面處于較高水平，并減少電網(wǎng)購(gòu)電和能源浪費(fèi)。對(duì)此，根據(jù)不同的目標(biāo)函數(shù)和運(yùn)行策略制定了8種系統(tǒng)優(yōu)化方案，如表2所示。其中，R_grid和R_rest分別為電網(wǎng)購(gòu)電率和熱量排放率。在這些方案中，S1～S2為三目標(biāo)優(yōu)化方案，S3～S6為四目標(biāo)優(yōu)化方案，S7～S8為五目標(biāo)優(yōu)化方案。

4.2"結(jié)果分析

4.2.1"配置結(jié)果分析

根據(jù)建立的優(yōu)化模型和系統(tǒng)方案進(jìn)行DMES優(yōu)化設(shè)計(jì)。表3為8種方案的配置結(jié)果。由表可知，運(yùn)行策略主要影響吸收式制冷機(jī)和地源熱泵的容量，而優(yōu)化目標(biāo)主要影響儲(chǔ)能系統(tǒng)的容量；隨著優(yōu)化目標(biāo)數(shù)的增加，蓄冰槽的容量也逐漸增加。圖7和圖8為指標(biāo)的優(yōu)化結(jié)果。隨著優(yōu)化目標(biāo)和運(yùn)行策略的改變，基礎(chǔ)優(yōu)化目標(biāo)變化較小，而附加優(yōu)化目標(biāo)值變化較大。相較于S1，S2的C_LCC減小了0.71%，而其余優(yōu)化目標(biāo)都有所增加。當(dāng)運(yùn)行策略相同時(shí)，隨著優(yōu)化目標(biāo)的增加，附加優(yōu)化目標(biāo)值逐漸減小（S5除外）。當(dāng)運(yùn)行策略為S1時(shí)，相較于三目標(biāo)優(yōu)化，五目標(biāo)優(yōu)化的指標(biāo)變化情況為：C_LCC和A_LCCE分別增加了1.75%和0.45%，L_LCEC、R_rest、R_grid分別降低了0.13%、29.39%、11.30%。當(dāng)系統(tǒng)運(yùn)行策略為S2時(shí)，五目標(biāo)優(yōu)化相較于三目標(biāo)優(yōu)化，C_LCC增加了3.9%，而A_LCCE、L_LCEC、R_rest、R_grid分別降低了1.69%、0.22%、62.30%和25.92%。可見(jiàn)，五目標(biāo)優(yōu)化對(duì)減少能量浪費(fèi)和減少電網(wǎng)依賴性方面具有很大貢獻(xiàn)。

4.2.2"方案排序

以優(yōu)化目標(biāo)作為評(píng)價(jià)指標(biāo)，使用層次分析法得到的指標(biāo)權(quán)重w₁為［0.12 0.16 0.14 0.29 0.29］，使用熵權(quán)法得到的指標(biāo)權(quán)重w₂為［0.25 0.15 0.22 0.26 0.12］，然后通過(guò)乘法相乘得到綜合權(quán)重w為［0.15 0.13 0.15 0.40 0.17］。基于綜合權(quán)重，使用VIKOR法計(jì)算得到每個(gè)方案的群體效用值S、個(gè)體偏差值R以及折衷收益Q，取群體效用權(quán)重系數(shù)v=0.5，結(jié)果見(jiàn)表4。可以看出，S8的折衷收益Q最小，S6折衷收益次之，且Q_S8－Q_S6gt;1/7，方案S8滿足有利性條件。此外，S8的S和R均為最小值，滿足穩(wěn)定性條件。因此，S8的綜合性能最優(yōu)，即運(yùn)行策略為ST2、優(yōu)化指標(biāo)的數(shù)為5時(shí)，系統(tǒng)的綜合性能最優(yōu)。在相同的運(yùn)行策略下，隨著優(yōu)化目標(biāo)數(shù)的增加，Q減小，方案的綜合性能增加。不同優(yōu)化目標(biāo)下的系統(tǒng)最優(yōu)運(yùn)行策略會(huì)不同，三目標(biāo)優(yōu)化的最優(yōu)運(yùn)行策略為ST1，而五目標(biāo)優(yōu)化的最優(yōu)運(yùn)行策略為ST2。

4.2.3"性能對(duì)比分析

由評(píng)價(jià)結(jié)果可知，S2綜合性能最差，S8的綜合性能最優(yōu)。選擇對(duì)S2和S8的典型日熱量供需匹配和全年發(fā)電占比進(jìn)行分析。

圖9展示了S2和S8的典型日熱量供需匹配情況，可以看出大部分熱負(fù)荷由余熱回收系統(tǒng)滿足，并且S8剩余的熱量遠(yuǎn)低于S2的。相對(duì)于S2（熱量浪費(fèi)率為77.7%），S8的浪費(fèi)率降低了67.8%。其原因是S8增加了吸收式制冷機(jī)的容量，從而增加了系統(tǒng)的熱量需求，在余熱回收相差不大的情況下，S8浪費(fèi)的熱量明顯小于S2方案。因此，當(dāng)優(yōu)化目標(biāo)考慮熱量浪費(fèi)率時(shí)，系統(tǒng)的熱量浪費(fèi)現(xiàn)象得到了很大改善。

圖10為S2和S8兩種方案的全年發(fā)電占比。由圖可知，兩種方案在2—5月的可再生能源發(fā)電均超過(guò)了40%，導(dǎo)致電網(wǎng)購(gòu)電占比其他月份小，因此DMES在這4個(gè)月對(duì)電網(wǎng)依賴性較弱。S2方案的全年可再生能源發(fā)電占比為32%，而S8方案則為33.9%。與S2相比，S8方案的可再生能源發(fā)電量提高了5.94%。此外，S2方案的全年電網(wǎng)購(gòu)電占比為13.5%，而S8方案則為10.1%，S8方案的電網(wǎng)購(gòu)電量比S2方案減少了25.1%。因此，S8方案在可再生能源發(fā)電和系統(tǒng)運(yùn)行的可靠性方面更具有優(yōu)勢(shì)。

5"結(jié)"論

本文以青海省某數(shù)據(jù)中心為研究對(duì)象，構(gòu)建了DMES系統(tǒng)構(gòu)型。基于全生命周期分析，建立了包含生命周期成本、碳排放、能耗、電網(wǎng)購(gòu)電率和熱量浪費(fèi)率等指標(biāo)的優(yōu)化目標(biāo)體系。針對(duì)數(shù)據(jù)中心負(fù)荷特征，建立了兩種運(yùn)行策略。根據(jù)優(yōu)化目標(biāo)和運(yùn)行策略設(shè)定了8種優(yōu)化方案，采用改進(jìn)的多目標(biāo)蝗蟲優(yōu)化算法進(jìn)行求解。在此基礎(chǔ)上，使用層次分析法和熵權(quán)法對(duì)評(píng)價(jià)指標(biāo)進(jìn)行賦權(quán)重，并利用VIKOR法對(duì)方案進(jìn)行排序，得到的主要結(jié)論如下。

（1）對(duì)于不同的優(yōu)化目標(biāo)和運(yùn)行策略，系統(tǒng)配置結(jié)果有所不同。系統(tǒng)的運(yùn)行策略主要影響吸收式制冷機(jī)和地源熱泵的容量，而優(yōu)化目標(biāo)主要影響儲(chǔ)能設(shè)備的容量。

（2）隨著優(yōu)化目標(biāo)和運(yùn)行策略的改變，基礎(chǔ)優(yōu)化目標(biāo)值變化較小，而附加優(yōu)化目標(biāo)值變化較大。由評(píng)價(jià)結(jié)果可知：S8最優(yōu)，S2最差。在相同的運(yùn)行策略下，隨著優(yōu)化目標(biāo)數(shù)的增加，方案的綜合性能會(huì)增加。對(duì)于不同的優(yōu)化目標(biāo)，系統(tǒng)最優(yōu)運(yùn)行策略會(huì)不同，三目標(biāo)優(yōu)化的最優(yōu)運(yùn)行策略為ST1，而五目標(biāo)優(yōu)化的最優(yōu)運(yùn)行策略為ST2。

（3）在相同的運(yùn)行策略下，五目標(biāo)相較于三目標(biāo)優(yōu)化，系統(tǒng)的熱量浪費(fèi)和電網(wǎng)購(gòu)電減少了62.30%和25.92%，而可再生能源發(fā)電占比增加了2%。

參考文獻(xiàn)：

［1］李遠(yuǎn)征， 龍信鑫， 周純杰， 等. 高比例新能源電網(wǎng)-分布式數(shù)據(jù)中心集群協(xié)同優(yōu)化運(yùn)行研究 ［J］. 中國(guó)科學(xué)：技術(shù)科學(xué)， 2024， 54（1）： 119-135.

LI Yuanzheng， LONG Xinxin， ZHOU Chunjie， et al. Coordinated operations of highly renewable power systems and distributed data centers ［J］. Scientia Sinica（Technologica）， 2024， 54（1）： 119-135.

［2］朱子恒， 張策， 丁肇豪， 等. 數(shù)據(jù)中心納入全國(guó)碳排放權(quán)交易市場(chǎng)機(jī)制研究 ［J］. 中國(guó)電機(jī)工程學(xué)報(bào)， 2024， 44（14）： 5562-5573.

ZHU Ziheng， ZHANG Ce， DING Zhaohao， et al. Incorporating data centers into China’s national carbon emissions trading system ［J］. Proceedings of the CSEE， 2024， 44（14）： 5562-5573.

［3］REN Xiaoxiao， HAN Zijun， MA Jinpeng， et al. Life-cycle-based multi-objective optimal design and analysis of distributed multi-energy systems for data centers ［J］. Energy， 2024， 288： 129679.

［4］WANG Jinshi， REN Xiaoxiao， ZHANG Shuo， et al. Co-optimization of configuration and operation for distributed multi-energy system considering different optimization objectives and operation strategies ［J］. Applied Thermal Engineering， 2023， 230（Part A）： 120655.

［5］徐聰， 劉泰秀， 隋軍， 等. 多能源熱互補(bǔ)分布式能源系統(tǒng)的節(jié)能率評(píng)價(jià)方法 ［J］. 電力系統(tǒng)自動(dòng)化， 2018， 42（4）： 151-157.

XU Cong， LIU Taixiu， SUI Jun， et al. Evaluation method for energy saving ratio of distributed energy system with multi-energy thermal complementarity ［J］. Automation of Electric Power Systems， 2018， 42（4）： 151-157.

［6］盧胤龍， 韓明新， 任洪波， 等. 多能互補(bǔ)分布式能源系統(tǒng)優(yōu)化設(shè)計(jì)研究進(jìn)展 ［J］. 上海電力學(xué)院學(xué)報(bào)， 2018， 34（3）： 229-235.

LU Yinlong， HAN Mingxin， REN Hongbo， et al. Progress on the design optimization of hybrid distributed energy systems ［J］. Journal of Shanghai University of Electric Power， 2018， 34（3）： 229-235.

［7］GIMELLI A， MOTTOLA F， MUCCILLO M， et al. Optimal configuration of modular cogeneration plants integrated by a battery energy storage system providing peak shaving service ［J］. Applied Energy， 2019， 242： 974-993.

［8］REN Hongbo， GAO Weijun. A MILP model for integrated plan and evaluation of distributed energy systems ［J］. Applied Energy， 2010， 87（3）： 1001-1014.

［9］WANG Yongli， MA Yuze， SONG Fuhao， et al. Economic and efficient multi-objective operation optimization of integrated energy system considering electro-thermal demand response ［J］. Energy， 2020， 205： 118022.

［10］JING Rui， ZHU Xingyi， ZHU Zhiyi， et al. A multi-objective optimization and multi-criteria evaluation integrated framework for distributed energy system optimal planning ［J］. Energy Conversion and Management， 2018， 166： 445-462.

［11］LUO Zhengyi， YANG Sheng， XIE Nan， et al. Multi-objective capacity optimization of a distributed energy system considering economy， environment and energy ［J］. Energy Conversion and Management， 2019， 200： 112081.

［12］荊有印， 白鶴， 張建良. 太陽(yáng)能冷熱電聯(lián)供系統(tǒng)的多目標(biāo)優(yōu)化設(shè)計(jì)與運(yùn)行策略分析 ［J］. 中國(guó)電機(jī)工程學(xué)報(bào)， 2012， 32（20）： 82-87， 143.

JING Youyin， BAI He， ZHANG Jianliang.Multi-objective optimization design and operation strategy analysis of a solar combined cooling heating and power system ［J］. Proceedings of the CSEE， 2012， 32（20）： 82-87， 143.

［13］WANG Jiangjiang， MAO Tianzhi， DOU Chao. Configuration optimization with operation strategy of solar-assisted building cooling heating and power system to minimize energy consumption ［J］. Energy Procedia， 2016， 88： 742-747.

［14］WANG Yongli， WANG Yudong， HUANG Yujing， et al. Operation optimization of regional integrated energy system based on the modeling of electricity-thermal-natural gas network ［J］. Applied Energy， 2019， 251： 113410.

［15］WANG Huaizhi， ZHANG Rongquan， PENG Jianchun， et al. GPNBI-inspired MOSFA for Pareto operation optimization of integrated energy system ［J］. Energy Conversion and Management， 2017， 151： 524-537.

［16］曾依浦， 戴毅茹， 王堅(jiān). 基于改進(jìn)NSGA-Ⅲ的面向碳目標(biāo)的區(qū)域綜合能源系統(tǒng)容量?jī)?yōu)化 ［J］. 制造業(yè)自動(dòng)化， 2022， 44（5）： 134-139.

ZENG Yipu， DAI Yiru， WANG Jian. Capacity optimization of regional integrated energy system for carbon target based on improved NSGA-Ⅲ ［J］. Manufacturing Automation， 2022， 44（5）： 134-139.

［17］LI Lingling， ZHENG Shengjie， TSENG M L， et al. Performance assessment of combined cooling， heating and power system operation strategy based on multi-objective seagull optimization algorithm ［J］. Energy Conversion and Management， 2021， 244： 114443.

［18］李銳， 李鵬. 基于改進(jìn)人工魚群算法的冷熱電聯(lián)產(chǎn)微網(wǎng)經(jīng)濟(jì)優(yōu)化運(yùn)行 ［J］. 電氣技術(shù)， 2014（6）： 63-68.

LI Rui， LI Peng.Economical optimal operation of CCHP micro-grid system based on improved artificial fish swarm algorithm ［J］. Electrical Engineering， 2014（6）： 63-68.

［19］ZENG Chao， LUO Jianing， YUAN Yanping， et al. Energy， economic， and environmental （3E） performance assessment， comparison， and analysis of airport cargo terminal microgrid system under the islanded and grid-connected modes ［J］. Journal of Building Engineering， 2024， 82： 108270.

［20］孫強(qiáng)， 孫志凰， 潘杭萍， 等. 考慮多種儲(chǔ)能的數(shù)據(jù)中心綜合能源系統(tǒng)配置優(yōu)化 ［J］. 中國(guó)電力， 2022， 55（9）： 1-7.

SUN Qiang， SUN Zhihuang， PAN Hangping， et al. Configuration optimization of integrated energy system for data center considering multiple energy storage facilities ［J］. Electric Power， 2022， 55（9）： 1-7.

［21］姚云龍， 陸皞， 孫悅， 等. “雙碳”目標(biāo)下新型數(shù)據(jù)中心發(fā)展路徑探討 ［J］. 中國(guó)工程咨詢， 2024（2）： 100-105.

YAO Yunlong， LU Hao， SUN Yue， et al. Discussion on the development path of new data centers under the “dual-carbon” goal ［J］. China Engineering Consultants， 2024（2）： 100-105.

［22］REN Xiaoxiao， WANG Jinshi， HU Xiaoyang， et al. A novel demand response-based distributed multi-energy system optimal operation framework for data centers ［J］. Energy and Buildings， 2024， 305： 113886.

［23］LUO X J， OYEDELE L O， OWOLABI H A， et al. Life cycle assessment approach for renewable multi-energy system： a comprehensive analysis ［J］. Energy Conversion and Management， 2020， 224： 113354.

［24］WU Weidong， GUO Juanli， LI Jiwei， et al. A multi-objective optimization design method in zero energy building study： a case study concerning small mass buildings in cold district of China ［J］. Energy and Buildings， 2018， 158： 1613-1624.

［25］MIRJALILI S Z， MIRJALILI S， SAREMI S， et al. Grasshopper optimization algorithm for multi-objective optimization problems ［J］. Applied Intelligence， 2018， 48（4）： 805-820.

［26］CAO Yan， NIKAFSHAN RAD H， HAMEDI JAMALI D， et al. A novel multi-objective spiral optimization algorithm for an innovative solar/biomass-based multi-generation energy system： 3E analyses， and optimization algorithms comparison ［J］. Energy Conversion and Management， 2020， 219： 112961.

［27］張指輝， 張毅， 李健寧. 基于改進(jìn)層次分析法與熵權(quán)法的目標(biāo)選擇模型 ［J］. 探測(cè)與控制學(xué)報(bào)， 2022， 44（6）： 117-121.

ZHANG Zhihui， ZHANG Yi， LI Jianning. Target selection model based on improved AHP and entropy weight method ［J］. Journal of Detection amp; Control， 2022， 44（6）： 117-121.

［28］張世翔， 呂帥康. 面向園區(qū)微電網(wǎng)的綜合能源系統(tǒng)評(píng)價(jià)方法 ［J］. 電網(wǎng)技術(shù)， 2018， 42（8）： 2431-2448.

ZHANG Shixiang， L Shuaikang. Evaluation method of park-level integrated energy system for microgrid ［J］. Power System Technology， 2018， 42（8）： 2431-2448.

（編輯"亢列梅）