面向区域能源供应的人工智能数据中心能源系统级联能源利用研究

《ENERGY CONVERSION AND MANAGEMENT》:Research on cascade energy utilization in artificial intelligence data center energy systems for regional energy supply

【字体: 大 中 小 】 时间:2026年09月26日 来源:ENERGY CONVERSION AND MANAGEMENT 11.8

编辑推荐:

   • 设计了先进的人工智能数据中心能源系统。 • 提出了区域多级能源协同供应方案。 • 开发了适用于非线性复杂系统的调度策略。 1. 引言 人工智能(AI)模型的广泛训练和大规模部署推动了计算需求的爆发式增长,进而促使人工智能数据中心(AIDC)在规模和能耗方面大幅扩张[1

  

• 设计了先进的人工智能数据中心能源系统。
• 提出了区域多级能源协同供应方案。
• 开发了适用于非线性复杂系统的调度策略。

1. 引言

人工智能(AI)模型的广泛训练和大规模部署推动了计算需求的爆发式增长,进而促使人工智能数据中心(AIDC)在规模和能耗方面大幅扩张[1]、[2]。统计数据显示,数据中心的碳排放约占全球碳足迹的5.5%,耗电量约占全球总电力的2%,且这两项指标均呈持续上升趋势[3]、[4]。开发高效灵活的人工智能数据中心能源系统(AIDC-ES)对于降低数据中心的能耗和碳排放至关重要,相关研究也逐渐成为学术界的研究热点。

AIDC-ES由各类高效能源供应设备和储能设备组成,是综合能源系统(IES)在AIDC场景下的具体应用[5]。与传统IES不同,AIDC-ES具有一个显著特征:数据中心本身既是能源消费者——通过IT设备持续消耗电能,同时也是热源——服务器全年稳定散发大量低温余热[6]。研究表明,数据中心余热的回收与再利用可降低约5%的运行成本,并实现超过15%的碳排放削减率[7]、[8]。鉴于余热回收带来的显著效益,AIDC-ES的运行规划必须兼顾系统供能-用能匹配和余热利用的双重需求。这一特征打破了传统IES建模中从供应侧到负荷侧单向匹配的逻辑,使得仅关注用户侧负荷的建模和优化方法不再适用。因此,迫切需要构建一种将能耗负荷侧与余热供应侧耦合的能源系统框架。

数据中心的余热回收率可超过70%,表明其具有巨大的利用潜力[9]、[10]。目前数据中心冷却技术包括风冷和液冷,其中液冷技术可产生约60°C的余热[11]。虽然该温度水平足以满足生活热水需求,但低于集中供热的温度要求[12]。在数据中心余热回收方面,现有研究提出采用高温热泵(HTHP)回收数据中心余热,将其提升至更高温度用于集中供热,取得了良好的效果[13]。例如,文献[14]在数据中心中应用了兆瓦级高温热泵进行余热回收,与等效燃气锅炉系统相比,碳排放减少超过80%。在此基础上,后续研究从系统集成优化[15]、年度冷热联供运行策略[16]以及数据中心余热与区域供热网络低碳协同运行[17]等角度进一步拓展了相关研究。尽管高温热泵通过回收AIDC余热可提供可观的环境效益,但现有文献仍存在两方面不足:第一,此类系统的技术经济可行性尚未得到充分评估;第二,鲜有研究探讨其提升AIDC-ES区域能源供应能力的潜力。

近年来,低品位热能直接发电领域也取得了显著进展,液态温差发电电池(TGC)是其中一项代表性新兴技术[18]。该技术利用电化学氧化还原电位的温度依赖性实现热能向电能的转化,具有Seebeck系数高(mV/K量级)、材料成本低和模块化灵活等优势[19]。研究人员通过电解质优化、电极修饰和系统集成不断推动器件性能提升[20]。在系统层面,TGC已与钙钛矿光伏和薄膜光伏耦合以实现全光谱级联利用,也与辐射冷却器耦合实现被动式夜间发电[21]、[22]。尽管AIDC机柜的余热热流密度可达103–10? W/m2,但TGC当前有限的转换效率使其电功率密度仅为mW/m2级别。TGC在器件级低品位热收集方面仍显示出潜力,可成为未来多尺度能量收集系统的有前景方向。然而,由于本研究聚焦于兆瓦级系统层面的余热回收,因此采用高温热泵和联合循环等成熟技术路线。

级联能源利用是提高能效、降低系统供能损失的关键技术路径[23]。其物理基础源于热力学第二定律,即热量自发地从高温热源向低温热源传递[24]。该技术依据热能的品质(品位)实现分级利用:高温热优先用于发电和工业过程,中温热用于集中供热和吸收制冷,低温热满足生活热水需求,从而实现系统整体热效率最优[25]、[26]。支撑这一过程的核心设备包括余热锅炉(HRSG)、汽轮机(ST)、有机朗肯循环(ORC)装置和吸收式热泵(AHP)等[27]、[28]。这些设备分级回收不同品位的余热,严格遵循"温度匹配、级联利用"原则,显著降低了系统?损失[29]。现有研究已证实,燃气轮机联合循环系统可实现年减排二氧化碳达万吨量级;此外,余热锅炉与燃气轮机集成可在节约约30%燃料的同时实现全生命周期总收入为总投资的1.32倍[30]、[31]。目前,在结构复杂能源系统的设计实践中,多数研究采用的热能级联配置仍相对简单,例如仅将燃气轮机与吸收式热泵进行简单组合[32],未能充分挖掘级联能源利用的节能潜力。此外,级联能源利用的定量分析与表征高度依赖于工质在非设计工况下热力学参数(如温度、压力和焓值)的准确描述,这要求设备热力学建模必须建立在完整的物理机制基础上。然而,现有研究在物理机制建模方面仍存在明显不足,难以支撑AIDC-ES复杂场景下的系统分析与优化。

构建基于完整物理机制的级联能源利用模型是提高AIDC-ES仿真精度、支撑区域多级热能协同供应的关键基础[33]。AIDC-ES受多种因素耦合影响,包括可再生能源出力波动、能量流传输时滞以及服务器丰富余热等。在系统运行周期中持续产生富余能量,这使其在多种区域场景(工业园区、办公区、居民社区等)的多负荷供应方面具有广阔的应用前景[9]、[34]。然而,大多数现有研究仍面临两方面关键局限。一方面,未能定量评估不同温度级别热源的供能匹配价值,因此相应的供能方案局限于单级热利用,无法充分挖掘级联能源利用的节能潜力和经济效益。另一方面,当前简化建模框架仅建立基本的实时能量平衡,通常忽略工质质量守恒约束。质量守恒是能源设备和管网安全稳定长期运行的必要前提[35];缺少这一约束,现有研究无法保证计算结果的可靠性,也无法反映AIDC-ES的实际运行特性。综上所述,现有文献在多级协同供能技术路线不清晰、能量-质量平衡约束解耦等方面仍存在瓶颈,亟需进一步研究以突破这些挑战。

对于面向区域多能源联合供应的AIDC-ES,其系统拓扑和运行机理十分复杂,涉及多能流耦合和各类能源设备的协同运行[36]。叠加能量和质量平衡双重约束后,由此产生的运行调度问题对求解提出了极其苛刻的要求。合理的调度策略是系统高效、经济、稳定供能的关键保障[37]、[38]。大多数现有研究采用基于启发式决策或数学优化的方法进行分析,相关成果为本领域调度方案设计提供了有益参考[39]、[40]。然而,当构建基于物理机制的高保真模型时,系统运行分析需要实时调用外部工质物性数据库[41],使得整体调度问题呈现高度非线性特征,对调度算法提出更高要求。在方法适用性方面,优化方法在求解此类复杂非线性问题时往往存在黑箱建模、陷入局部最优甚至求解失败的缺点[42]。另一方面,尽管传统启发式决策可处理非线性问题,但其依赖于预设运行逻辑,无法灵活响应分时电价、气象条件和区域负荷等动态外部扰动,限制了其充分挖掘混合储能等柔性资源峰谷套利潜力的能力[43]。因此,没有任何单一调度模式能够适应基于物理机制构建的高精度数据中心能源系统的运行调度。

表1汇总了本研究与数据中心及能源系统领域代表性文献在多维度建模特征方面的对比。尽管在IT余热回收和能源系统供需平衡等领域已取得相当进展,但仍普遍存在以下不足。第一,级联能源利用的系统性研究仍不充分——部分研究已涉及联合循环或多级热供应,但与AIDC的系统集成度较弱、利用形式相对简单,且缺乏对非设计工况运行特性的全面分析。第二,级联能源利用与IT余热回收集成后实现区域多负荷供应的潜力尚未得到充分挖掘,多级热能联供的综合效益有待进一步定量评估。第三,尽管部分现有系统模型已采用物理机制建模,但大多数仅聚焦于能量平衡约束,未将质量平衡同时纳入统一框架,难以全面表征热力系统的实际运行行为。上述分析表明,现有研究在系统性级联能源利用、区域多负荷潜力定量评估以及能量-质量平衡耦合建模方面仍存在明显差距。

表1 相关文献特征对比

| 文献 | 研究对象 | 多级联合循环 | IT余热 | 多级热能供应 | 物理机制建模 | 能量平衡 | 质量平衡 |
|------|----------|------------|--------|------------|------------|--------|--------|
| [6] | 液冷数据中心 | × | √ | × | √ | × | × |
| [7] | 液冷数据中心 | × | √ | × | × | √ | × |
| [8] | 风/液混合冷却数据中心 | × | √ | × | √ | √ | × |
| [44] | 通用数据中心 | × | √ | × | × | × | × |
| [10] | 风冷数据中心 | × | √ | × | × | √ | × |
| [23] | 能源系统 | √ | × | × | √ | √ | × |
| [11] | 液冷数据中心 | × | √ | × | √ | √ | × |
| [26] | 能源系统 | √ | × | × | √ | √ | × |
| [45] | AIDC-ES | × | × | × | × | √ | × |
| [46] | 能源系统 | √ | × | √ | √ | √ | × |
| 本研究 | AIDC-ES | √ | √ | √ | √ | √ | √ |

针对上述局限,本研究开发了面向AIDC-ES的物理信息驱动的层面框架。通过将非线性热力学系统模型与可操作的两阶段调度程序耦合,该框架能够在非设计工况下实现物理一致的多级热能资源分配。具体研究内容和贡献如下:

(1) 基于物理机制建立了AIDC-ES的热力学模型,涵盖多级联合循环(燃气轮机—双压余热锅炉—汽轮机—有机朗肯循环—吸收式热泵)三阶段级联利用架构以及IT设备余热回收。该模型同时纳入能量守恒和换热介质质量守恒约束,实现耦合热设备的非设计工况仿真,确保跨温度品位热流分配的物理可行性。

(2) 制定了区域多能源协同供应方案,明确了高温蒸汽(发电/工艺热)、85°C中温热水(供热/吸收制冷)和55°C低温余热(生活热水/热泵升温)之间的品位匹配利用关系,三者均与工业园区、办公区和居民社区的终端需求对接。在此基础上,定量评估了高温热泵对低温余热升温的减碳和节能贡献。

(3) 针对强非线性系统,提出了结合启发式决策与混合整数线性规划(MILP)的混合调度策略。该策略采用预设调度逻辑对非线性热约束进行预处理并界定可行运行区域,在该区域内通过MILP优化储能调度和电网交互等线性子问题。该方法在保证热系统物理约束的同时,兼顾了经济最优性和计算可行性。

2. 系统描述

2.1.

系统配置

本研究设计了如图1所示的人工智能数据中心能源系统(AIDC-ES),该系统由光伏(PV)、多级联合循环(燃气轮机、双压余热锅炉、汽轮机、有机朗肯循环和吸收式热泵)、高温热泵、电动冷机、锂离子电池和蓄冷罐组成。该系统将多级联合循环的梯级能量利用与IT设备余热回收深度融合,形成了从发电到供热/制冷及生活热水的完整梯级能量利用链。在该链中,高温热能优先用于发电或工业园区生产流程;中温热能用于供热或驱动吸收式热泵制冷;低温热能则用于生活热水。为准确描述梯级能量利用过程,本研究从物理机制层面对关键设备(如多级联合循环机组)进行了热力学建模。系统的详细热力学模型见附录A,相应公式见式(A.1)–(A.83)。

下载:下载高分辨率图片(645KB)
下载:下载全尺寸图片
图1. AIDC-ES系统示意图

2.2 模型验证

本研究采用基于物理机制的第一性原理建模方法。所有设备模型均建立在热力学守恒定律和真实流体物性基础之上。为确保模型在非设计工况下的准确性,将关键部件模型的预测结果与公开制造商数据和已发表文献进行了对比验证。表2汇总了主要模型的验证结果。各模型在相关运行范围内的关键性能指标偏差均在可接受范围内,从而证实了所提模型的可靠性。

表2. 主要模型与实验及制造商数据的验证结果

| 设备 | 验证指标 | 验证基准 | 本模型结果 | 基准值 | 偏差 |
|------|----------|----------|------------|--------|------|
| GT | 100%负荷下的净效率 | GE 7F公开数据 | 38.0% | 37.5%~38.5% | ≤0.5个百分点 |
| GT | 100%负荷下的排气温度 | 川崎L20A工业燃气轮机 | 550°C | 540~545°C | 5~10°C |
| ST | 排汽压力 | 背压汽轮机典型值 | 0.3 MPa | 0.2–0.5 MPa | 在范围内 |
| ORC | 热效率 | 文献[47]、[48] | 9.0%~10.60% | 8–12% | 在范围内 |
| HTHP | 能效比(55→85°C) | 文献[49] | 2.5~4 | 合理 | — |
| AHP | 能效比(85°C) | 远大单效吸收式冷机 | 0.7 | 0.7~0.75 | 一致 |

2.3 能源供应策略

考虑到多级联合循环的热滞后效应,通过热转换链(包括汽轮机和有机朗肯循环发电)产生的电力,以及供热和制冷输出,均存在一步延迟——即当前时间步回收的热能只能在下一个时间步被利用。与工业和商业用电不同,居民用电属于基本电力负荷,应由可靠性更高的电网主要供应。因此,AIDC-ES对周边区域的能源供应优先级设定为:工业园区、办公区和居民社区。

能源供应策略遵循预设的调度逻辑(即启发式决策)。优先满足数据中心自身的能源需求,剩余部分优先储存,然后供应给周边区域,最后并入电网或被削减。在能源不足时,优先利用储能设备弥补缺口,剩余缺口由化石燃料补充。详细供应策略见附录A(S2. 能源供应策略)。

2.4 温度品位匹配原则

所提出的三阶梯级架构中的温度品位分类遵循温度匹配和梯级利用原则。55°C对应数据中心液冷系统冷却水的出水温度。该温度水平可直接用于生活热水供应(40–55°C),剩余部分作为高温热泵(HTHP)的低温热源。85°C被选为中品位热枢纽,因为它可以满足低温区域供热的供水温度要求(≥75°C)[12],并可驱动单效溴化锂-水吸收式热泵(最低驱动温度75–80°C)。通过高温热泵将55°C余热提升至85°C,温度提升幅度仅为30°C,在技术上是可行的,经济上也是合理的。高温蒸汽(8 MPa/≥445°C,抽汽为3 MPa/约300°C)由燃气轮机排气条件决定,优先用于汽轮机发电和向工业园区供应高温工艺热。汽轮机排汽(约133°C)进入有机朗肯循环进行二次发电,而有机朗肯循环的冷凝热(约55°C)回流至低温热池,实现分级取热[12]、[50]。

三阶梯级架构的核心优势在于"按质用能"——高温热能优先用于发电,中温热能用于供热或驱动制冷,低温热能通过热泵提升温度后并入中温网络。这种温度匹配策略最大限度地减少了不同温度水平之间热传递造成的不可逆?损失。如果55°C余热直接用于区域供热(需要提升至85°C以上),热泵将承担全部温升,导致能效比显著下降。如果所有余热都直接用于有机朗肯循环发电,中低温热源的发效率将极低。三阶梯级架构通过逐级匹配,使每个热源都在最适宜的温度窗口内运行,从而最大化系统的整体?效率。

2.5 工程可行性讨论

区域供能的工程可行性取决于三个基本条件:数据中心与热用户之间的合理空间分布、经济可行的热传输距离,以及接入区域供热管网的能力。

人工智能数据中心通常位于郊区或经济技术开发区,工业园区、办公楼和居民社区往往位于附近,为基于废热的区域供能提供了天然的空间条件[51]。对于中等规模热源,区域供热管网的经济传输半径为5–10公里。采用现代预制直埋保温管技术,热损失率约为每公里1%–3%,5公里的累计损失为5%–15%,在区域供热工程实践中属于可接受范围[52]。大多数城市已建有市政区域供热管网,所提系统可通过换热器与现有管网对接。对于没有区域供热基础设施的地区,也可采用"新建"模式,进行协调规划和建设,但其经济可行性需要根据具体资本投资和热需求密度进行评估。

3. 运行优化框架

为应对系统模型非线性带来的运行调度难题,本文提出了一种新颖的混合协调调度策略。约束条件和优化模型详见3.1节约束条件和3.2节优化模型。

3.1 约束条件

通过施加能量和质量平衡约束,优化模型捕捉了多能流的生成与分配,并量化了热媒的总需求及其流向。因此,调度结果可以支持水处理规划和供热管网设计。

3.1.1 电力平衡

能源系统的电力平衡要求各设备发电量之和与从电网购入的电力,实时平衡用户总电力负荷、储能用电以及送入电网的电力。数学公式如下:

(1) P_GT + P_ST + P_ORC + P_PV + P_LIB,dis + P_Grid,buy = P_DC + P_HTHP + P_LIB,c + P_Grid,sell + P_other,sell

(2) P_other,sell = P_Indu,sell + P_Office,sell + P_Res,sell

其中,P_other,sell表示系统向工业园区、办公区和居民社区售出的总电力,单位为千瓦。下标Indu、Office和Res分别代表工业园区、办公区和居民社区。

3.1.2 冷量平衡

冷量平衡约束要求能源系统提供的冷量与用户冷需求及蓄冷功率保持实时平衡。相应的数学模型见式(3)、(4)。

(3) C_AHP(t) + C_EC(t) + C_CST,dis(t) = C_AIDC(t) + C_CST,c(t) + C_other,sell(t) + C_waste(t)

(4) C_other,sell(t) = C_Indu,sell(t) + C_Office,sell(t) + C_Res,sell(t)

其中,C_other,sell表示系统向其他区域供应的冷量,单位为千瓦;C_waste表示被废弃的过剩冷量功率,单位为千瓦。

3.1.3 85°C热水

(1) 能量平衡

85°C热水的热平衡要求其供应量满足供热需求并驱动吸收式热泵制冷。数学表达式如下:

(5) Q_GB,85(t) + Q_HSRD,85(t?1) + Q_ORC,steam(t) + Q_HTHP(t) = Q_AIDC,85(t) + Q_other,sell(t) + Q_AHP(t) + Q_waste,85(t)

(6) Q_others,sell(t) = Q_Indu,sell(t) + Q_Office(t) + Q_Res(t)

其中,Q_GB,85表示燃气锅炉产生的85°C热水热量,单位为千瓦;Q_HSRG,85表示余热锅炉(HRSG)产生的85°C热水热量(存在一步延迟),单位为千瓦;Q_ORC,steam表示有机朗肯循环机组蒸汽侧的85°C热水热量,单位为千瓦;Q_HTHP表示高温热泵的供热,单位为千瓦;Q_AIDC,85表示数据中心办公楼和员工宿舍的供热需求,单位为千瓦;Q_other,sell表示能源系统向其他区域售出的热量,单位为千瓦;Q_AHP表示吸收式热泵制冷消耗的热量,单位为千瓦;Q_waste,85表示85°C被废弃的热量,单位为千瓦。

(2) 质量平衡

本研究忽略热媒运输过程中的质量损失。在此基础上,85°C热媒的质量平衡如下:

(7) ?_GB,85 + ?_HRSG,85 + ?_ORC,85 + ?_HTHP = ?_AIDC,85 + ?_AHP + ?_Indu,85 + ?_Off,85 + ?_Res,85 + ?_waste,85

其中,?表示热水的质量流量,单位为千克/秒。下标85表示85°C热水。

3.1.4 55°C低温热水

55°C热水的能量守恒和质量守恒约束与85°C热水类似,详细模型如下:

(1) 能量平衡

(8) Q_GB,55(T) + Q_AIDC,waste(t) + Q_ORC,cond(t) = Q_AIDC,hw(t) + Q_other,sell,hw(t) + Q_HTHP,con(t) + Q_waste,55(t)

(9) Q_other,sell,hw(t) = Q_Indu,sell,hw(t) + Q_Office,sell,hw(t) + Q_Res,sell,hw(t)

其中,Q_GB,55表示燃气锅炉产生的55°C热水热量,单位为千瓦;Q_AIDC,waste表示数据中心的废热,单位为千瓦;Q_ORC,cond表示有机朗肯循环机组的冷凝放热,单位为千瓦;Q_AIDC,hw表示数据中心的生活热水需求,单位为千瓦;Q_HTHP,con表示高温热泵用于热量提升的耗热量,单位为千瓦;Q_waste,55表示55°C被废弃的热量,单位为千瓦。

(2) 质量平衡

(10) ?_GB,55 + ?_AIDC,cool + ?_ORC,55 = ?_AIDC,hw + ?_HTHP,con + ?_Indu,hw + ?_Off,hw + ?_Res,hw + ?_waste,55

其中,下标AIDC,cool指数据中心冷却;下标ORC,55表示有机朗肯循环机组冷凝器侧产生的热水;下标HTHP,con表示高温热泵的耗热量。

3.2 优化模型

3.2.1 决策变量

优化过程中的决策变量包括锂离子电池的充放电功率(P_LIB,c/P_LIB,dis)及其开关信号(U_LIB,c/U_LIB,dis),蓄冷罐的充冷和放冷功率(C_CST,c/C_CST,dis)及其开关信号(U_CST,c/U_CST,dis),从电网购入和送入电网的电力(P_Grid,buy/P_Grid,sell)及其开关信号(U_Grid,buy/U_Grid,sell),电动冷机的制冷功率(C_EC),以及能源系统向周边区域售出的电力(P_other,sell)和冷量(C_other,sell)。

3.2.2 目标函数

在优化调整过程中,为充分考虑分时电价的影响,以最小化系统运行成本为优化目标,对柔性资源进行二次调度。目标函数如下:

(11) c_sys = Σ(c_om + c_Grid + c_gas ? c_other,reven)

其中,c_sys为系统总运行成本,单位为人民币元;c_om为系统维护成本,单位为人民币元;c_Grid为与电网相关的成本;c_other,reven为向其他区域销售能源的收入,单位为人民币元。各成本项目的详细计算模型见附录A,式(A.84)–(A.88)。

3.2.3 优化流程

所提出的混合策略分为两个层级运行:启发式层处理离散决策和非线性物理约束,混合整数线性规划层在启发式层设定的可行边界内优化连续变量。首先,预设的启发式逻辑确定系统的逐小时运行状态。然后,在热设备(如多级联合循环)运行状态固定的条件下,利用混合整数线性规划优化线性变量——包括储能功率、电网交换、冷机制冷和能源销售。整体流程如图2所示。

下载:下载高分辨率图片(807KB)
下载:下载全尺寸图片
图2. 混合协调调度策略流程图

其核心思路是将非线性可行域压缩为线性可解的域。启发式层处理离散决策(如燃气轮机启停),并对非线性物理约束(如最小负荷率、爬坡和温度品位匹配)进行预处理——其作用是确保约束满足,而非规定储能行为。随后,混合整数线性规划层在这些边界内对连续变量进行全局优化,响应分时电价。这种层级分解通过启发式方法保留了非线性物理的准确性,通过线性优化确保了经济最优性,从而在保证解质量的同时提高了计算效率。

4.

## 评价指标

本研究采用?效率、综合能源效率、碳排放减排率和一次能源节约率等指标,全面评估AIDC-ES的性能及其对整个区域的影响。

### 4.1 ?效率

?是表征能源品质的重要指标,?效率反映了这种品质被利用的有效程度。较高的?效率意味着较小的不可逆损失和更充分的能源等级利用[53]。

**(1) 卡诺效率**

$$\eta_{\text{thermal}}^{\text{carnot}} = 1 - \frac{T_{\text{ref}}}{T_{\text{src}}}, \quad \eta_{\text{cooling}}^{\text{carnot}} = \frac{T_{\text{ref}}}{T_{\text{cold}} - 1} \tag{12}$$

其中,$T_0$ 表示参考温度,单位为 °C;$T_{\text{src}}$ 表示热源温度,单位为 °C;$T_{\text{cold}}$ 表示冷源温度,单位为 °C;$\eta_{\text{thermal}}^{\text{carnot}}$ 表示供热过程的卡诺效率,$\eta_{\text{cooling}}^{\text{carnot}}$ 表示制冷过程的卡诺效率。

**(2) ?效率**

$$\eta_{\text{ex}} = \frac{Ex_{\text{out}}}{Ex_{\text{in}}} \times 100\% \tag{13}$$

$$Ex_{\text{in}} = \sum (\dot{m}_{\text{fuel}} \times e_{\text{CH}_4} + P_{\text{Grid,buy}} + P_{\text{PV}}) \tag{14}$$
$$Ex_{\text{out}} = P_{\text{total}} + \sum Q_i \times \eta_{\text{thermal}}^{\text{carnot},i} + \sum C_i \times \eta_{\text{cooling}}^{\text{carnot},i}$$

$$Ex_{\text{des}} = Ex_{\text{in}} - Ex_{\text{out}} \tag{15}$$

其中,$\eta_{\text{ex}}$ 表示?效率;$Ex_{\text{out}}$ 为输出?,单位为 kWh;$Ex_{\text{in}}$ 为输入?,单位为 kWh;$\dot{m}_{\text{fuel}}$ 表示燃料质量流量,单位为 kg/s;$e_{\text{CH}_4}$ 表示甲烷的化学?,取值为 51840 kJ/kg;$P_{\text{Grid,buy}}$ 表示从电网购入的电力,单位为 kW;$P_{\text{total}}$ 为总发电量,单位为 kWh;$Q_i$ 指第 $i$ 个热流,单位为 kW;$C_i$ 指第 $i$ 个冷量,单位为 kW;$Ex_{\text{des}}$ 表示?损失,单位为 kWh。

### 4.2 综合能源效率

综合能源效率定义为系统提供的总能量与系统消耗的一次能源总量之比。效率值越高,表示一次能源的利用越充分[54]。

$$\eta_{\text{sys}} = \frac{P_{\text{total}} + Q_{\text{total}} + C_{\text{total}}}{E_{\text{prim}}} \times 100\% \tag{16}$$

$$E_{\text{prim}} = (\dot{m}_{\text{fuel,GT}} + \dot{m}_{\text{fuel,GB}}) \times \frac{LHV_{\text{CH}_4}}{3600} + \frac{E_{\text{Grid,buy}}}{\eta_{\text{Grid}}} \tag{17}$$

其中,$\eta_{\text{sys}}$ 表示系统的综合能源效率;$Q_{\text{total}}$ 为年总供热量,单位为 kWh;$C_{\text{total}}$ 为年总冷量,单位为 kWh;$E_{\text{prim}}$ 为年一次能源消耗量,单位为 kWh;$\dot{m}_{\text{fuel,GT}}$ 表示燃气轮机消耗的燃料质量流量,单位为 kg/s;$\dot{m}_{\text{fuel,GB}}$ 表示燃气锅炉消耗的燃料质量流量,单位为 kg/s;$LHV_{\text{CH}_4}$ 表示天然气低位发热量,单位为 kJ/kg;$E_{\text{Grid,buy}}$ 表示年从电网购入的电力,单位为 kWh;$\eta_{\text{Grid}}$ 为电网平均发电效率,取值为 0.38。

### 4.3 碳排放减排率

碳排放减排率定义为系统碳排放相对于基准碳排放的减少量。数值越高,表明所提出的系统或方法的环境效益越大[55]。

$$CRR = \frac{M_{\text{CO}_2} - M_{\text{CO}_2,\text{ref}}}{M_{\text{CO}_2,\text{ref}}} \times 100\% \tag{18}$$

其中,$M_{\text{CO}_2}$ 表示所提方案的碳排放量,单位为吨;$M_{\text{CO}_2,\text{ref}}$ 表示基准方案的碳排放量,单位为吨。碳排放的计算模型见附录A中的式(A.89)–(A.93)。

### 4.4 一次能源节约率

一次能源节约率定义为系统一次能源消耗量相对于基准一次能源消耗量的减少量。数值越高,表明所提出的系统或方法的能源效率性能越好[55]。

$$PESR = \frac{E_{\text{prim}} - E_{\text{prim,ref}}}{E_{\text{prim,ref}}} \times 100\% \tag{19}$$

其中,$PESR$ 表示一次能源节约率;$E_{\text{prim,ref}}$ 表示基准一次能源消耗量,单位为 kWh。

---

## 5. 案例分析

### 5.1 AIDC能耗分析

本研究选取北京某液冷AIDC作为研究对象。该AIDC位于区域供热管网接入点附近(数百米范围内),IT设备峰值负荷约为 9 MW,单柜峰值功率超过 15 kW,这与Uptime Institute在《2025年全球数据中心调查报告》中所述的行业趋势一致[56]。这种高功率密度特征不仅是AI数据中心与传统数据中心的关键区别,也是采用液冷技术和提升余热温度的前提条件——风冷数据中心的散热温度较低,余热的经济性回收利用价值有限。在后续计算中,系统边界设定在供热管网用户侧换热站的入口,管路传输段的热损失在模拟中不予考虑。这一简化方法已在类似的短距离集成场景中被采用[57]。

图3(a)–(c)展示了计算机区域间的负荷统计,其中IT设备和冷却系统的电力消耗在总能耗中占据主导地位。图3(d)–(g)展示了数据中心不同区域间的月度能耗分布。

**图3 AIDC年能耗数据**

### 5.2 能源系统参数设置

能源系统的经济和技术参数列于表3,包括各设备的边界条件和运行成本,以及燃料和工作流体的物性参数[46]、[58]。

**表3 系统的经济与技术参数**

| 项目 | 参数值 |
|------|--------|
| GTP(燃气轮机) | $P_{\text{GT,rated}} = 7000$ kW;$\lambda_{\text{GT,min}} = 0.30$;$\eta_{\text{mech}} = 0.985$;$\eta_{\text{gen}} = 0.97$;$r_{\text{GT}} = 0.3$;$c_{\text{com,GT}} = 0.035$ CNY/kWh;$c_{\text{inv,GT}} = 3500$ CNY/kW |
| GB(燃气锅炉) | $\eta_{\text{GB}} = 0.91$;$c_{\text{com,GB}} = 0.01$ CNY/kWh |
| HRSG(余热锅炉) | $\eta_{\text{HRSG}} = 0.92$;$T_{\text{pinch}} = 15°C$;$T_{\text{stack,min}} = 120°C$;$c_{\text{com,HRSG}} = 0.005$ CNY/kWh;$c_{\text{inv,S-HRSG}} = 1200$ CNY/kW;$c_{\text{inv,D-HRSG}} = 1600$ CNY/kW |
| ST(蒸汽轮机) | $P_{\text{design}} = 500$ kW;$p_{\text{cond}} = 300$ kPa;$\eta_{\text{turbine}} = 0.82$;$\eta_{\text{gen}} = 0.97$;$f_{\text{Indu,max}} = 0.50$;$p_{\text{steam,in}} = 8$ MPa;$T_{\text{steam,in}} \geq 445°C$;$p_{\text{steam,ext}} = 3$ MPa;$c_{\text{inv,ST}} = 8000$ CNY/kW |
| ORC(有机朗肯循环) | $P_{\text{ORC,rated}} = 230$ kW;$\eta_{\text{turbine}} = 0.85$;$\eta_{\text{pump}} = 0.80$;$\eta_{\text{regen}} = 0.90$;$p_{\text{evap}} = 1600$ kPa;$p_{\text{cond}} = 400$ kPa;$c_{\text{com,ORC}} = 0.020$ CNY/kWh;$c_{\text{inv,ORC}} = 12000$ CNY/kW |
| AHP(吸收式热泵) | $COP_{\text{AHP,base}} = 0.7$;$c_{\text{com,AHP}} = 0.010$ CNY/kWh;$c_{\text{inv,AHP}} = 1500$ CNY/kW |
| HTHP(高温热泵) | $COP_{\text{HTHP,base}} = 2.5$;$T_{\text{target}} = 85°C$;$c_{\text{inv,HTHP}} = 2000$ CNY/kW |
| EC(电化学储能) | $C_{\text{EC}} = 3.5$;$P_{\text{EC,rated}} = 10$ MW;$c_{\text{com,EC}} = 0.008$ CNY/kWh;$c_{\text{inv,EC}} = 800$ CNY/kW |
| PV(光伏) | $P_{\text{PV,rated}} = 20000$ kW;$\alpha_T = -0.0045°C^{-1}$;$\eta_{\text{inv}} = 0.97$;$\eta_{\text{wire}} = 0.98$;$NOCT = 45°C$;$c_{\text{com,PV}} = 0.010$ CNY/kWh;$c_{\text{inv,PV}} = 4000$ CNY/kW |
| LIB(锂离子电池) | $W_{\text{LIB,rated}} = 20$ MWh;$P_{\text{rated}}^{\text{LIB,c}} = P_{\text{rated}}^{\text{LIB,dis}} = 9$ MW;$\eta_{\text{LIB}} = 0.96$;$SOC_{\text{LIB,min}} = 0.20$;$SOC_{\text{LIB,max}} = 0.90$;$c_{\text{com,LIB}} = 0.020$ CNY/kWh;$c_{\text{inv,LIB}} = 1500$ CNY/kWh |
| CST(熔盐储热) | $W_{\text{CST}} = 20$ MWh;$P_{\text{rated}}^{\text{CST,c}} = P_{\text{rated}}^{\text{CST,dis}} = 9$ MW;$\eta_{\text{CST}} = 0.95$;$SOC_{\text{CST,min}} = 0.2$;$SOC_{\text{CST,max}} = 0.95$;$c_{\text{com,CST}} = 0.005$ CNY/kWh;$c_{\text{inv,CST}} = 600$ CNY/kWh |
| 85°C供热 | $c_{\text{sell}}^{\text{Indu,85}} = 0.26$ CNY/kWh;$c_{\text{sell}}^{\text{Office,85}} = 0.24$ CNY/kWh;$c_{\text{sell}}^{\text{Res,85}} = 0.22$ CNY/kWh |
| 55°C供热 | $c_{\text{sell}}^{\text{Indu,55}} = 0.32$ CNY/kWh;$c_{\text{sell}}^{\text{Office,55}} = 0.30$ CNY/kWh;$c_{\text{sell}}^{\text{Res,55}} = 0.30$ CNY/kWh |
| 冷量 | $c_{\text{cooling}}^{\text{Indu,sell}} = 0.16$ CNY/kWh;$c_{\text{cooling}}^{\text{Office,sell}} = 0.15$ CNY/kWh;$c_{\text{cooling}}^{\text{Res,sell}} = 0.14$ CNY/kWh;$c_{\text{pro}}^{\text{Indu,sell}} = 0.4$ CNY/kWh |
| 其他 | $c_{\text{gas}} = 3.5$ CNY/Nm3;$LHV_{\text{CH}_4} = 49960$ kJ·kg?1;$c_{p,\text{flue}} = 1.25$ kJ·(kg·K)?1;$c_{p,\text{water}} = 4.186$ kJ·(kg·K)?1;$T_{\text{acid}} = 120°C$;$T_{\text{fw}} = 104°C$ |

### 5.3 案例设置

为验证级联能源利用与区域供能拓展对系统性能的协同效应,本研究建立了三个递进式案例进行比较分析。各案例的核心差异体现在两个方面:能源供应场景的范围和级联能源利用的形式。

**案例1:** 能源供应场景仅限于数据中心本身。采用单压余热锅炉(S-HRSG,仅产生85°C热水),级联能源利用仅限于余热驱动的制冷和供热(GT-HRSG-AHP耦合模式)。

**案例2:** 能源供应场景扩展至整个区域,级联能源利用模式与案例1相同。

**案例3:** 能源供应场景覆盖整个区域。系统采用双压余热锅炉(D-HRSG,可同时产生高压蒸汽、中压蒸汽和85°C热水),并集成蒸汽轮机和有机朗肯循环机组。通过多级联合循环,实现余热的分级回收和深度级联能源利用。

三个案例的对比设计如下:案例2与案例1的对比量化了区域多场景供能的效益;案例3与案例2的对比隔离了多级联合循环的贡献;案例3与案例1的对比则捕捉了两种效应的综合效果。需要注意的是,在单场景(仅数据中心)条件下,由于缺乏工业过程热需求,蒸汽轮机抽汽热无法被利用,因此联合循环无法充分运行。所以,本研究不对多级联合循环在该单数据中心场景中的应用进行独立的消融分析。

---

## 6. 结果与讨论

### 6.1 年度效益分析

基于启发式决策优化的结果,分析了不同案例下AIDC-ES的年度性能。评估涵盖经济、能源和环境效益。经济分析仅限于能源系统本身,而能源和环境效益分析则扩展至整个区域。

#### 6.1.1 经济效益分析

表4展示了不同案例下系统的年度支出和能源销售收入。与案例1相比,案例2的购电成本、燃气成本和运维成本分别增加了38.99%、2.35%和5.48%。同时,随着终端用户的增加,收入也随之增长。在原有的单数据中心负荷基础上增加了工业园区、办公区和居民社区,总收入增加了381万元人民币,充分展示了区域供能的工程应用价值。

**表4 年度支出构成(×10? CNY)**

| 案例 | 电力成本 | 燃气成本 | 运维成本 | 能源销售收入 |
|------|---------|---------|---------|------------|
| 案例1 | 103.04 | 378.31 | 52.06 | 337.79 |
| 案例2 | 143.22 | 387.21 | 42.17 | 634.58 |
| 案例3 | 154.06 | 384.92 | 91.36 | 553.93 |

与案例2相比,案例3的购电成本和运维成本增加了13.57万元人民币,但燃气成本减少了22.95万元人民币。因此,总支出减少了9.38万元人民币。此外,余热的全面发电和新增的高温蒸汽销售渠道使案例3的能源销售收入相比案例2增加了16.35%(75.04万元人民币),验证了级联能源利用的优势。

能源系统的净支出定义为购电成本、燃气成本和运维成本之和减去能源销售收入。图4展示了不同案例下的月度支出及其占比。在三种案例中,案例3的能源系统净支出全年最低,尤其是在冬季。例如,在2月份,案例3的净支出相比案例1减少了约40万元人民币,降幅超过10%,相比案例2下降了2.68%。总体而言,案例3的月度净支出相比案例1降低了4%以上,相比案例2每月节约成本超过4万元人民币。综上所述,拓展能源消费场景有助于降低系统的净支出,而采用级联能源利用可进一步提升经济效益。这些发现与年度经济分析的结果基本一致。

**图4 能源系统月度支出**

#### 6.1.2 投资与回收期分析

为更全面地评估系统的经济性能,本研究以独立供应系统为基准,讨论了不同案例的投资回收期。独立供应系统是一种简单的分布式能源系统,电力由电网供应,冷量由电制冷机组提供,热量由燃气锅炉供应。

不同案例下安装的设备及容量列于表5。需要注意的是,各设备在不同案例中的装机容量不同,因为它们由各案例的能源供应场景和热负荷需求决定。以高温热泵(HTHP)为例:案例1仅服务于数据中心本身,其供热需求相对较小,燃气轮机的余热回收已能满足需求;因此,该案例中HTHP的装机容量仅为250 kW。相比之下,案例2和案例3为整个区域供热,热需求大幅增加,因此HTHP容量提升至4500 kW,反映了本研究案例设计中的工程逻辑。

**表5 不同案例下安装设备及容量**

| 设备 | 独立供应系统 | 案例1 | 案例2 | 案例3 |
|------|------------|-------|-------|-------|
| GT | ? | 7000 kW | 7000 kW | 7000 kW |
| HRSG | ? | 单压,配合7000 kW燃气轮机 | 单压,配合7000 kW燃气轮机 | 双压,配合7000 kW燃气轮机 |
| ST | ? | ? | ? | 500 kW |
| ORC | ? | ? | ? | 230 kW |
| AHP | ? | 2000 kW | 2000 kW | 2000 kW |
| HTHP | ? | 250 kW | 4500 kW | 4500 kW |
| EC | 9500 kW | 9500 kW | 9500 kW | 9500 kW |
| GB | 355 kW | 80 kW | 10 kW | 10 kW |
| PV | ? | 20000 kW | 20000 kW | 20000 kW |
| LIB | ? | 20,000 kWh | 20,000 kWh | 20,000 kWh |
| CST | ? | 20,000 kWh | 20,000 kWh | 20,000 kWh |

投资回收期(PP,年)的计算方法见式(20)、(21)、(22)、(23)、(24)[59]。本研究引入了碳排放减排效益($c_{\text{carbon,reven}}$,CNY)的概念,即通过碳排放减少所避免的碳税支出,从而实现对碳减排效益的经济量化。参考现有文献,本研究将单位碳税($c_{\text{Carbon,tax}}$,CNY/吨)设定为100 CNY/吨[60]。

$$c_{\text{inv,sys}} = \sum c_{\text{inv},i} \times I_i \tag{20}$$

$$I = [P_{\text{GT}},\ Q_{\text{HRSG}},\ P_{\text{ST}},\ P_{\text{ORC}},\ C_{\text{AHP}},\ Q_{\text{HTHP}},\ C_{\text{EC}},\ Q_{\text{GB}},\ P_{\text{PV}},\ W_{\text{LIB}},\ W_{\text{CST}}] \tag{21}$$

$$c_{\text{carbon,redu}} = (M_{\text{case,CO}_2} - M_{\text{SP,CO}_2}) \times c_{\text{Carbon,tax}} \tag{22}$$

$$c_{\text{reven,total}} = c_{\text{other,reven}} + c_{\text{carbon,redu}} \tag{23}$$

$$PP = \frac{c_{\text{case,ini,sys}} + c_{\text{case,operate}} - c_{\text{SP,ini,sys}} - c_{\text{SP,operate}}}{c_{\text{case,reven}} - c_{\text{SP,reven}}} \tag{24}$$

其中,$c_{\text{inv,sys}}$ 表示系统投资成本,单位为CNY;$c_{\text{inv},i}$ 表示设备$i$的单位投资成本,单位为CNY;$I$ 表示设备安装规模的矩阵;$c_{\text{reven,total}}$ 表示能源销售收入和碳排放减排效益之和,单位为CNY。

年度运营成本($c_{\text{operate}}$)包括燃气成本、购电成本和设备维护成本,详见表4。不同案例的投资成本和回收期分析结果列于表6。各案例的简单投资回收期在7.50至8.46年之间。案例3配备了多级联合循环,实现了更彻底的级联能源利用,年总收入为714万元人民币,分别比案例1和案例2高出495万元和85万元。

尽管案例3的初始投资最高,达到1.8407亿元,但其投资回收期为7.59年,与案例2的7.50年相当,比案例1的8.46年短0.87年。这表明全级联能源利用方案可以通过增加综合收入有效抵消较高的初始投资,展现出良好的长期经济性能。

表6 不同案例的投资成本和投资回收期分析

| 案例 | c_inv,sys(×10? 元) | c_operate(×10? 元) | c_other,reven(×10? 元) | c_carbon,reduce(×10? 元) | c_reven,total(×10? 元) | PP(年) |
|---|---|---|---|---|---|---|
| SP | 8.03 | 58.69 | 0 | — | — | — |
| 案例1 | 166.10 | 40.93 | 0.78 | 1.41 | 2.19 | 8.46 |
| 案例2 | 174.51 | 42.33 | 4.59 | 1.70 | 6.29 | 7.50 |
| 案例3 | 184.07 | 42.24 | 5.34 | 1.80 | 7.14 | 7.59 |

6.1.3. 能源效益分析

图5展示了不同案例下整个区域月度化石能源消耗及其分布比例。煤炭消耗主要来自电网购电,而天然气则消耗于燃气轮机和燃气锅炉。在一月份,案例2和案例3的煤炭消耗量分别比案例1高出47.96吨和51.40吨,整个冬季的总体增幅分别为3.63%和3.86%。这主要是由于能源系统在多场景运行下为外部供暖负荷提供服务。高温热泵在冬季高负荷运行,导致电网购电量和相应的煤炭消耗增加。然而,从年度角度来看,案例2和案例3的煤炭消耗量分别比案例1减少2.70%和2.22%,这验证了多场景方案在减少煤炭消耗方面的优势。

[图5] 不同案例下区域煤炭消耗分析

图6展示了不同案例下的月度天然气消耗量及其占比。从整个区域的角度来看,多能供应方案有效减少了区域天然气消耗。在案例2中,整个区域的年度天然气消耗量比案例1减少了9.21%。具体而言,该方案在一月份节省了2692.67 MWh的天然气,减少率接近20%。采用级联能源利用方案进一步削减了天然气使用,案例3中的区域年度天然气消耗量比案例2低4.2%。综上所述,多能供应与级联能源利用相结合的方案在天然气节约方面取得了显著成效。

[图6] 不同案例下天然气消耗分析

表7汇总了不同案例下能源系统的能源效率分析。就?效率而言,案例2比案例1高0.79%,案例3比案例2进一步提高了3.53%。案例3还实现了最高的综合能源效率,分别比案例2和案例1高出3.14%和7.36%。这一改善主要是由于扩展的能源供应场景有效减少了热量浪费。同时,多级联合循环充分利用了燃料的?潜力并减少了不可逆损失,从而提高了系统的综合能源效率。

表7 不同案例下能源系统的能源效率分析

| 案例 | η_Ex(%) | η_sys(%) | Q_waste,85(GWh) | Q_waste,55(GWh) |
|---|---|---|---|---|
| 案例1 | 46.92 | 83.44 | 3.72 | 38.37 |
| 案例2 | 47.71 | 87.66 | 2.06 | 20.65 |
| 案例3 | 51.24 | 90.80 | 0 | 39.32 |

6.1.4. ?毁分析

为进一步识别级联转换链各阶段的热力学损失分布,表8展示了三个案例中主要设备的?毁数据。?毁(Ex_des)定义为输入?(Ex_in)与输出?(Ex_out)之间的差值。

表8 各案例主要设备的?毁数据

| 设备 | Ex_des(GWh) | | | Ex毁率(%) | | |
|---|---|---|---|---|---|---|
| | 案例1 | 案例2 | 案例3 | 案例1 | 案例2 | 案例3 |
| GT | 57.90 | 59.11 | 58.89 | 41.90 | 41.42 | 41.43 |
| HRSG | 10.62 | 10.82 | 2.06 | 7.68 | 7.58 | 1.45 |
| ST | 0 | 0 | 2.94 | 0 | 0 | 2.07 |
| ORC | 0 | 0 | 0.93 | 0 | 0 | 0.65 |
| AHP | 3.11 | 3.01 | 0.55 | 2.25 | 2.11 | 0.38 |
| HTHP | 0.03 | 0.84 | 0.84 | 0.02 | 0.59 | 0.59 |
| EC | 2.54 | 2.66 | 5.55 | 1.84 | 1.86 | 3.90 |
| GB | 0.01 | <0.01 | <0.01 | 0.01 | <0.01 | <0.01 |
| 其他 | 5.10 | 4.01 | 4.58 | 3.69 | 2.81 | 3.22 |

?毁分析表明,燃气轮机中的燃烧过程在所有案例中都是?毁最显著的来源,约占总输入?的41%–42%。这是由燃烧反应固有的不可逆性决定的。在案例1和案例2中,热力回收蒸汽发生器的?毁为10–11 GWh,分别约占7.7%和7.6%,主要是由于烟气与工作流体之间存在较大的温差。在案例3中,这一数值降至2.1 GWh以下,占比仅为1.45%,因为双压热力回收蒸汽发生器实现了更好的温度匹配,显著减少了不可逆损失。案例3引入了蒸汽轮机和有机朗肯循环部分,其?毁值分别为2.94 GWh(2.07%)和0.93 GWh(0.65%),表明多级联合循环以相对较小的热力学代价提取了额外的电力输出。电动制冷机的?毁从案例1和案例2中的约2.5–2.7 GWh增加到案例3中的5.55 GWh,反映了全级联方案下制冷需求的增长。这些结果共同验证了所提出的级联架构通过将每个温度等级与最合适的转换设备匹配,实现了卓越的热力学性能。

为从整体路径角度直观展示?的逐级利用和损失分布,本研究在附录A(图A.5)中呈现了案例3的年度?流桑基图。该图与上述设备级?毁分析相对应,并从系统层面进一步展示了级联链各阶段的?流路径、转换效率和不可逆性分布。

6.1.5. 环境效益分析

图7展示了不同案例下区域月度碳排放量及其占比。在所有月份中,案例3的碳排放量最低,特别是在十二月和一月,平均二氧化碳排放量比案例1低约480吨,冬季碳排放减少率约为12%。从年度角度来看,案例2比案例1减少区域碳排放2853.82吨,减少率超过7%,表明所提出的能源系统可以有效提高区域环境绩效。案例3的年度碳排放量比案例2进一步减少450.73吨,减少幅度约为1.20%,这反映了级联能源利用对碳排放减少的积极贡献。

[图7] 不同案例下区域碳排放分析

6.2. 高温热泵的作用

为验证高温热泵的性能,本研究比较了在案例3中是否存在高温热泵时,能源系统的经济效益、区域环境指标和能源效率指标。图8展示了两种情景的经济分析结果。采用高温热泵使系统能源支出增加2.52%(984,200元),主要是由于运行过程中的额外电力消耗。然而,热泵大大提高了系统的区域供暖能力,带来收入增加1,416,800元,相当于增长率36.12%。总体而言,净能源支出减少了432,600元,这证明高温热泵可以有效提高系统的经济性能。

[图8] 高温热泵经济效益分析

高温热泵下整个区域的环境和能源效率绩效见表9。就环境绩效而言,高温热泵使区域碳排放减少1,207.79吨,对应碳排放减少率为6.5%。就能源效率而言,区域一次能源消耗减少22,342.63 GJ,减少幅度约为7.3%。同时,外部用户的未满足供暖需求下降63.67%。综上所述,高温热泵在提高区域低碳水平和节能绩效方面发挥着至关重要的作用。

表9 高温热泵对整个区域影响的分析

| 情景 | 碳排放(吨) | 一次能源消耗(GJ) | 未满足供暖需求(GWh) |
|---|---|---|---|
| 无高温热泵 | 18,575.17 | 307,050.1 | 49.91 |
| 有高温热泵 | 17,367.38 | 284,707.5 | 13.60 |

6.3. 调度策略验证

为验证本研究提出的混合协调调度策略的有效性,选择了两个代表性基准:(1)基于启发式规则的决策,该策略在工程实践中广泛应用,是能源系统调度中常用的基线策略;以及(2)遗传算法(GA),这是一种经典的元启发式算法,已在能源系统优化研究中得到广泛应用并取得良好效果。这两个基准分别代表了工程实践和学术优化的典型范式,可以从不同维度验证混合策略的性能优势。

6.3.1. 对比实验设置

由于遗传算法按小时优化每个决策变量,变量数量随模拟时域线性增长,因此不适合全年8760小时的问题。因此,选择代表春、夏、秋、冬四季的四个典型日作为对比场景。遗传算法的决策变量包括每小时燃气轮机输出、电池充放电功率、冷储槽充放电功率、电动制冷机制冷功率以及高温热泵的输出比例。采用实数编码,种群规模为50,最大代数为80。为确保公平比较,所有三种策略均受到相同的边界条件约束,包括上一调度期末的燃气轮机输出、初始储能状态SOC以及期末目标SOC,统一优化目标为最小化系统运行成本。

6.3.2. 解质量和计算效率比较

图9展示了三种策略在四个典型日内的运行成本。与启发式规则相比,混合策略将运行成本分别降低了6.86%(春季)、4.91%(夏季)、7.23%(秋季)和6.61%(冬季)。与遗传算法相比,在春季、秋季和冬季分别实现了低1.09%、7.90%和8.65%的成本,仅在夏季高出6.16%。更值得注意的是,遗传算法在秋季和冬季甚至表现不如启发式规则(分别高出0.73%和2.23%),表明在高维搜索中稳定性不足。就计算效率而言,遗传算法需要超过180秒才能完成单日的优化,而混合策略在15秒内完成相同任务,计算时间减少超过90%。总之,混合策略在不具有遗传算法随机波动的情况下,同时实现了解质量和计算效率。尽管启发式预处理固定了热力链设备的状态,牺牲了部分解空间并引入了理论最优性差距,但这种差距对解质量的影响有限,混合策略的整体效益远大于这一代价。

[图9] 不同调度策略下的系统运行成本

6.3.3. 储能和电网的调度行为

在储能设备和电网交互的调度行为方面,混合策略积极利用储能来响应分时电价信号——在低谷时段充电,在高峰时段放电——从而显著降低了运行成本。相比之下,基于启发式规则的策略和遗传算法都无法有效执行这一调节功能;详细结果见附录A中的图A.6和图A.7。

6.4. 典型日分析

图10和图11展示了优化策略下四季代表日内AIDC能源系统的逐时电力、冷量、热量和低温热量平衡情况。如图10(a)所示,燃气轮机全天提供稳定的基础负荷电力供应,而光伏发电、电网电力和电池充放电补偿了电力需求的季节性和小时波动。在典型冬季日,燃气轮机发电占总电力需求的57.44%,展示了其在维持系统电力充足性方面的关键作用。电动制冷机是制冷季节的主要电力消费者,而高温热泵的电力消耗在冬季更为显著,因为供暖需求更高。

[图10] 电力和冷量平衡

[图11] 多级热量平衡

图10(b)显示,制冷需求主要由电动制冷机和冷储槽满足,吸收式热泵在春季、秋季和冬季提供补充制冷。冷储槽在低谷时段充电,在高制冷需求时段放电,从而减少了电动制冷机所需的峰值制冷输出。

如图11(a)所示,从燃气轮机回收的废热,主要通过热力回收蒸汽发生器,作为供热网络的主要热源。在典型春季日,热力回收蒸汽发生器提供的热量达到19.02 MWh,占总供热量的67.75%。当回收废热不足时,燃气锅炉和高温热泵作为补充热源运行。

图11(b)进一步表明,来自AIDC和ORC冷凝器的低温余热被高温热泵回收并升温,体现了高、中、低温级能量的梯级协同利用。整个区域在冬季供暖负荷较高,且能源系统的供热流程较为复杂。因此,选取一个典型冬季日进行质量守恒分析。质量平衡约束明确了各阶段热介质的流动方向与分配情况。如表10所示,各时刻85°C供热热水的质量流量供需基本平衡,最大偏差≤0.01 kg/s,表明系统运行稳定。在所有设备中,高温热泵对供热热水的平均日质量流量贡献最大,为26.28 kg/s,与能量平衡分析结果一致,进一步验证了研究结论的准确性。

表10. 典型冬季日85°C热水的质量流量(单位:kg/s)。

| 时间 | 供给 | 需求 | ???_{HRSG,85} | ???_{HTPT,85} | ???_{ORC,85} | ???_{DC,85} | ???_{AHP} | ???_{Indu,85} | ???_{off,85} | ???_{Res,85} |
|------|------|------|-------------|-------------|------------|-----------|---------|-------------|------------|------------|
| 0 | 8.29 | 20.20 | 0.61 | 0.54 | 0 | 8.50 | 0.32 | 19.73 | 18.93 | 2.16 |
| 1 | 0.80 | 0.48 | 0 | 8.88 | 0.28 | 22.24 | 28.93 | 21.56 | 0.79 | 0.64 |
| 2 | 0.01 | 8.62 | 0.27 | 21.74 | 38.93 | 19.36 | 0.79 | 0.64 | 0.99 | 6.95 |
| 3 | 0.27 | 20.22 | 4 | 8.92 | 24.76 | 0.80 | 0.62 | 0.00 | 9.86 | 0.32 |
| 4 | 23.68 | 5 | 8.86 | 20.28 | 0.82 | 0.56 | 0.54 | 7.48 | 0.30 | 21.08 |
| 5 | 6 | 8.91 | 18.86 | 0.81 | 0.54 | 1.22 | 7.95 | 0.32 | 18.55 | 7 |
| 6 | 8.91 | 20.19 | 0.81 | 0.64 | 0.63 | 9.90 | 0.36 | 18.38 | 8 | 8.88 |
| 7 | 37.51 | 0.81 | 1.82 | 0.00 | 26.23 | 9.14 | 10.01 | 9 | 8.93 |
| 8 | 32.28 | 0.41 | 1.96 | 0.00 | 22.34 | 7.46 | 9.85 | 10 | 9.21 |
| 9 | 29.99 | 0.42 | 2.11 | 0.00 | 19.05 | 8.53 | 9.93 | 11 | 9.21 |
| 10 | 32.14 | 0.42 | 2.00 | 0.00 | 19.16 | 8.12 | 12.49 | 12 | 9.20 |
| 11 | 32.05 | 0.42 | 1.96 | 0.00 | 19.33 | 8.56 | 11.83 | 13 | 9.13 |
| 12 | 31.05 | 0.42 | 1.87 | 0.00 | 18.93 | 7.57 | 12.23 | 14 | 8.85 |
| 13 | 26.19 | 0.38 | 1.52 | 0.00 | 13.77 | 6.47 | 13.67 | 15 | 8.59 |
| 14 | 33.27 | 0.34 | 1.93 | 0.00 | 21.95 | 7.27 | 11.05 | 16 | 8.86 |
| 15 | 30.70 | 0.42 | 1.71 | 0.00 | 19.91 | 6.93 | 11.42 | 17 | 9.21 |
| 16 | 35.91 | 0.42 | 1.70 | 0.00 | 20.92 | 7.53 | 15.39 | 18 | 9.21 |
| 17 | 33.64 | 0.42 | 0.59 | 0.00 | 20.68 | 7.19 | 14.82 | 19 | 9.21 |
| 18 | 33.05 | 0.42 | 0.56 | 0.00 | 22.55 | 0.33 | 19.25 | 20 | 9.21 |
| 19 | 17.65 | 0.42 | 0.56 | 1.68 | 8.78 | 0.32 | 15.94 | 21 | 9.21 |
| 20 | 19.43 | 0.83 | 0.50 | 1.28 | 9.33 | 0.21 | 18.14 | 22 | 9.21 |
| 21 | 22.42 | 0.83 | 0.53 | 0.00 | 10.73 | 0.29 | 20.91 | 23 | 9.21 |
| 22 | 16.08 | 0.82 | 0.50 | 2.79 | 7.00 | 0.29 | 15.53 | | | |

**6.5 敏感性分析**

为验证所提系统在不同气候区和能源价格环境下的适用性,本研究选取上海、广州和哈尔滨三个代表性城市,与北京一起构成涵盖暖温带、夏季炎热且冬季寒冷地区、夏季炎热且冬季温和地区以及严寒地区的对比分析框架。这些城市在电价、天然气价格、电网碳排放因子和能源负荷特征方面存在显著差异。具体参数见附录A的表A.1,各城市数据中心的小时级负荷见附录A的图A.9–A.12。这些差异为评估所提方案在不同外部条件下的鲁棒性提供了基础。

**6.5.1 不同区域系统性能对比**

不同区域AIDC-ES的经济性、环保性和能效性能指标如图12所示。总体而言,Case 3在四个城市中的三个方案中始终表现最佳,展示了所提方案在不同外部条件下的适用性。

(图12. 不同区域AIDC-ES的性能分析。)

在经济性能方面,广州是四个城市中净运行成本最高的城市。这主要归因于其较高的能源价格以及较大的夏季制冷负荷。尽管如此,与Case 1和Case 2相比,Case 3仍分别将净运行成本降低了2.03%和4.70%。在环境性能方面,位于严寒地区的哈尔滨供暖需求最大,天然气消耗量最高,导致绝对碳排放量最大。然而,Case 3在哈尔滨实现了最显著的碳减排效果,相比Case 1减排超过10%,表明该系统在寒冷地区具有更大的环境潜力。

在能效方面,北京实现了最高的综合能效(Case 3为90.80%)。在哈尔滨,Case 3提升至89.39%,比Case 1(79.74%)高出近10个百分点,表明多梯级联合循环与区域供热之间的协同效应在严寒地区更为显著。四个城市的?效率呈现相同规律:北京最高(Case 3为51.24%),其次是哈尔滨(50.69%)、上海(49.99%)和广州(48.65%),Case 3始终优于其他方案。这些结果表明,所提系统在供暖需求大的寒冷地区具有更显著的能效优势,同时在夏季炎热且冬季温和地区也表现出良好的适用性。

**6.5.2 外部政策因素敏感性分析**

不同区域AIDC-ES投资回收期对外部政策因素的敏感性如图13所示。具体而言,图13(a)展示了碳税价格(50–200元/吨)对投资回收期的影响,图13(b)展示了政府补贴比例对投资回收期的影响。

(图13. 外部关键因素的敏感性分析。)

在碳税敏感性方面,广州对碳税价格变化的响应最弱,碳税每增加10元/吨,投资回收期平均缩短约0.04年。上海的响应最强,碳税每增加10元/吨,投资回收期平均缩短约0.06年。这主要归因于各城市电网碳排放因子的差异——广州的电网碳排放因子最低(0.4419 kg CO?/kWh),因此碳税变化对碳减排收益的影响相对有限;上海的电网碳排放因子最高(0.5737 kg CO?/kWh),因此碳税增加带来的增量碳减排收益更为显著。

在补贴敏感性方面,当政府补贴比例从10%增加至30%时,所有区域的投资回收期均显著缩短。在广州,补贴比例每增加1个百分点,投资回收期平均缩短约0.10年;在哈尔滨,缩短约0.07年;北京和上海介于这两者之间。总体而言,补贴政策对所有区域的投资回收期均有显著影响,是缩短投资回收期的有效手段。

**6.5.3 关键设备参数敏感性分析**

为验证所提系统及其运行规划方法的鲁棒性,对四个区域在不同季节的典型日进行了关键设备参数的敏感性分析,结果如图14所示。

(图14. 不同区域设备参数的敏感性分析。)

图14(a)–(d)展示了燃气轮机初始功率对四季典型日运行成本的影响。燃气轮机的初始功率决定了系统的初始运行工况,进而影响热设备的运行效率。总体而言,该因素对各区域典型日运行成本的影响相对有限,表明系统对燃气轮机初始工况的变化具有一定的适应性。

图14(e)–(h)展示了电制冷机COP对净运行成本的影响。在各区域中,广州的响应最为显著,因为该地区位于亚热带区域,年制冷需求较高,电制冷机是制冷供应的主要来源。因此,在高温地区采用高效电制冷机对降低运行成本的效果更为明显。

图14(i)–(l)展示了锂离子电池额定功率对典型日净成本的影响。总体而言,各区域对该参数变化的响应均不显著。仅在春季的北京观察到一定的波动,但整体趋势保持稳定。

图14(m)–(p)展示了蓄冷罐额定功率对典型日净成本的影响。结果表明,各区域净成本对蓄冷罐额定功率变化的敏感性始终较低,几乎无可观察到的影响,表明在现有范围内蓄冷罐的容量配置对系统经济性的影响较小。

**6.6 讨论**

本节对Case 3下北京AIDC-ES的运行结果与现有数据中心余热回收系统进行了多维度对比,分析了本研究在能源价格、基础设施和运行不确定性方面的局限性,并概述了未来研究方向。

**6.6.1 与现有数据中心余热回收系统的对比**

表11将Case 3的关键性能指标与五篇代表性文献进行了对比。对于约60°C的浸没式液冷余热,文献[61]中的ORC发电效率仅为6.7%–7.7%,表明低品位余热直接发电的效率有限。因此,本研究采用"高温热泵升温结合供热利用"路径,更适合该温度等级的余热。文献[52]通过在张家口实施的60,000 m2实景工程验证了数据中心余热区域供热的可行性,系统COP达到3.46。文献[14]报告了在32°C升温至85°C的温升条件下,HTHP的COP为3.03–3.78,与本研究中获得的2.5–4的COP范围接近,间接验证了所采用热泵模型的合理性。文献中报道的较短投资回收期(2.57–5年)均对应于投资成本较低的附加改造系统,而本研究的Case 3是一座新建的能源站,初始投资约为1.84亿元。其7.59年的投资回收期反映的是系统集成程度上的差异,而非经济性上的劣势。综上,Case 3实现了90.80%的综合能效和51.24%的?效率,均优于所对比的文献,从而验证了所提多梯级联合利用方案的热力学优势。

表11. 关键性能指标对比。

| 文献 | 系统配置 | 热源/温度 | 关键性能指标 |
|------|---------|----------|-------------|
| 本研究 | AIDC-ES(Case 3) | 约60°C液冷余热 | 综合能效90.80%,HTHP COP 2.5–4,?效率51.24%,碳减排3,305吨/年(相比Case 1约8%),静态投资回收期7.59年 |
| [61] | 浸没式液冷DC余热回收(ORC发电 vs. 区域供热) | ~60°C液冷余热 | ORC效率6.7%–7.7%,PUE 1.105→1.044,DPB<5年(R600a),碳减排38,000–70,000吨/年 |
| [52] | DC余热区域供热(多梯级热泵+水蓄热),张家口60,000 m2实景工程示范 | DC余热 | 系统COP 3.46,余热利用率69.61%,静态投资回收期2.57年,碳减排1,696吨/年 |
| [14] | HPC-DC HTHP余热区域供热(ORNL Frontier),32°C→85°C,六种配置 | 32°C液冷余热 | HTHP COP 3.03–3.78,1 MW HTHP碳减排33,100–33,200吨/年,相比燃气锅炉减排85.4%–85.6% |
| [6] | CO?热泵+机械过冷+LiBr-H?O吸收制冷,天津,15/20°C→85°C | 15/20°C水冷余热 | COP 2.01–2.12,EER(夏季)1.36–1.37,动态投资回收期2.04–2.46年,辅助加热器的?损占比78%–80% |
| [10] | 风冷DC+单台300 kW热泵+蓄热,西班牙(地中海气候) | 35–45°C风冷余热 | 年余热回收量2,122 MWh,年碳减排64吨 |

**6.6.2 局限性与未来工作**

然而,本研究仍存在一定局限性。首先,经济分析基于固定的能源价格假设,未考虑电价和天然气价格的长期市场波动。其次,区域能源供给方案假设数据中心周围已存在可利用的区域供热网络——对于没有现成区域供热的地区,方案的经济可行性将显著取决于基础设施投资条件。此外,本研究采用确定性仿真方法,未考虑光伏出力、负荷需求或设备性能的不确定性。为解决这些局限性,未来研究可从以下几个方面推进:引入随机规划或鲁棒优化方法来处理可再生能源出力和负荷需求的不确定性;纳入管网投资和全生命周期经济分析以完善技术经济评估框架;以及将所提框架拓展至更广泛的气候区和基础设施条件进行评估。未来工作还可探索液态热电池在数据中心低品位余热回收中的应用,随着其效率的不断提升,其潜力值得期待。

**7. 结论**

从物理机制的角度出发,本研究建立了人工智能数据中心能源系统的热力学模型。验证了梯级能源利用和区域多能联合供给方案对系统经济性、区域能效和环境性能的积极影响,研究了高温热泵在数据中心辅助余热回收中的性能,并提出了非线性能源系统调度问题的求解方法。基于北京的案例研究,主要结论如下:

与单一场景能源供给模式相比,区域多场景模式提高了AIDC-ES的能源销售收入,使区域年煤炭消耗量降低2.70%,区域碳排放量减少超过7%。梯级能源利用的实施进一步将系统能效效益提高了16.35%,碳排放降低了1.20%,?效率提升了3.53%,验证了所提系统在区域能源供给方面的优越性。

高温热泵的余热升温实现了低品位余热的充分利用,从而降低了AIDC-ES及整个区域的净运行成本、能源消耗和碳排放。结果表明,净运行成本减少超过40万元(1.23%),区域碳排放降低超过6%,一次能源消耗减少超过7%。

与此同时,区域供热不足减少了60%以上,这充分证明了余热利用与高温热泵相结合的价值。所提出的混合协调调度策略有效解决了非线性调度问题的建模和计算难题,并显著提升了系统的运行灵活性。与纯启发式决策相比,该策略使储能设备能够主动响应分时电价信号并灵活调整其功率输出,从而实现峰谷套利。在四季的典型日中,运行成本分别降低了6.86%、4.91%、7.23%和6.61%,同时确保了数据中心能源系统的稳定运行。将案例研究扩展至不同气候区域,包括哈尔滨、上海和广州,结果表明该系统的经济和环境优势在各种气候条件下得以保持,验证了所提出的系统和方法在多种气候场景下的适应性和鲁棒性。总之,本研究探索了人工智能数据中心能源系统的最优配置方案和可行的调度方案,为其建设和运营提供了新的参考。作者贡献声明:李建伟:撰写—初稿,指导,方法论,获取研究资金。韩绍丰:撰写—审阅与编辑,撰写—初稿,验证,软件。杨庆庆:撰写—审阅与编辑,项目管理,获取研究资金,概念化。邹伟涛:撰写—审阅与编辑,验证,正式分析。宋盼盼:撰写—审阅与编辑,可视化,数据管理。李建伟 | 韩绍丰 | 杨庆庆 | 邹伟涛 | 宋盼盼
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号