助力可再生能源消纳 阿里巴巴与华北电力大学实现全球首次数据中心与电力系统间算力协同调度

简介: 全球首次数据中心与电力系统间协同调度


首图-图标.png

【阅读原文】戳:助力可再生能源消纳   阿里巴巴与华北电力大学实现全球首次数据中心与电力系统间算力协同调度


截屏2022-06-16 下午2.26.09.png

近日,阿里巴巴与华北电力大学合作开展的可再生能源消纳驱动的数据中心“算力-电力”优化调度项目以试运行方式参与了华北电力调峰辅助服务市场


该项目在电力系统调峰信号的引导下将阿里巴巴位于江苏省南通数据中心的部分算力负载转移至河北省张北数据中心,在全球范围内首次实现了数据中心和电力系统间以促进可再生能源消纳为目标的协同调度,也是国内首次跨区域“算力-电力”优化调度验证实验。


新华社-华北电力大学.png

图 | 新华社报道截图


张北为新能源资源富集区,南通则地处东部负荷中心,而数据中心具备技术密集型和能源密集型的双重属性,在两地数据中心之间通过算力资源调度可以很好地进行能源资源区位互补。


本次数据中心与电力系统协同调度实验涉及多个阿里内部应用场景,如淘宝搜索、推荐等多类型算力负载类型。实验中,通过阿里云算力调度系统将南通数据中心支撑的搜索业务和推荐业务迁移至由可再生能源供电的张北数据中心,从而使该时段南通机房相关电力负荷下降约100千瓦,约150千瓦时电量转移至张北机房,增加了该时段华北电网可再生能源消纳,相当于减排二氧化碳120千克,且调度响应时间控制在毫秒级。


阿里张北数据中心-二号园区外景-1.jpg

图 | 阿里云张北数据中心基地



优化资源配置 提升算力使用效率


今天,数据中心已成为支撑我国社会经济发展的重要新型基础设施,但面临能源需求量大、清洁低碳运行压力大等挑战。预计到2035年,我国数据中心电力消耗将达到78太瓦时,约占全国总电力消耗的4%;碳排放将达到2.3亿吨,约占全国碳排放总量的2-4%


2021年5月


国家发展改革委等四部门联合印发了《全国一体化大数据中心协同创新体系算力枢纽实施方案》,明确提出提升跨区域算力调度水平,优化资源配置,提升资源使用效率。


2021年10月


《中共中央国务院关于完整准确全面贯彻新发展理念做好碳达峰碳中和工作的意见》指出,提升数据中心、新型通信等信息化基础设施能效水平。


国务院《“十四五”数字经济发展规划》提出,加快构建算力、算法、数据、应用资源协同的全国一体化大数据中心体系;持续提升数据中心可再生能源利用水平。


本次数据中心与电力系统之间的协同调度实验,正是践行国家相关政策的一次有益尝试。




什么是算力系统协同调度?


简单来说,数据中心与电力系统协同调度的本质是以数据中心灵活用能赋能电力系统源网荷深度互动,用电力市场信号引导数据中心用户灵活调度算力负载执行时间、地点,从而增加电力系统运行灵活能力,最终降低数据中心用能成本和碳排放


作为全球首次在超大规模云计算系统实际生产场景下的协同调度实验,其关键难点既在于算力业务本身的海量异构特性和复杂依赖关系,又在于面向电力系统运行信号的海量计算资源和算力需求的多层级、多时空高效匹配。本次实验创造性的实现了信息网络与电力网络的有机协同、相互配合,实现了在实际算力调度场景和电力运行场景下通过“算力-电力”优化调度尝试助力可再生能源消纳


在本项目执行期间,国家能源局市场监管司、华北监管局多次听取汇报,为项目顺利推进提供了政策保障。国家电网华北分部调度控制中心也给予了大力指导。国网冀北电力公司就阿里云张北数据中心消纳利用可再生能源提供了数据支持和技术保障。


以数据中心为代表的算力基础设施,正在成为支撑数字经济“上云、用数、赋智”的物理底座。数据中心的高载能属性、算力基础设施的网络属性、算力服务未来的公共属性,使得算力与电力间存在深刻联系。


阿里巴巴与华北电力大学就数据中心和电力系统协同调度领域已开展多年联合研究,未来双方将继续推动数据中心“算力-电力”优化调度项目研究和应用,推动绿色高质量发展,助力数据中心行业新型电力系统建设和“双碳”目标实现。



我们是阿里巴巴云计算和大数据技术幕后的核心技术输出者。

欢迎关注 “阿里云基础设施”同名微信微博知乎

获取关于我们的更多信息~

相关文章
|
1月前
|
机器学习/深度学习 监控 算法
利用机器学习优化数据中心的能源效率
【2月更文挑战第27天】 在数据中心管理和运营中,能源效率已成为关键性能指标之一。随着人工智能技术的进步,特别是机器学习(ML)算法的发展,出现了新的机会来优化数据中心的能源消耗。本文探讨了如何通过应用机器学习模型对数据中心的能源使用进行实时监控和预测,进而实施节能策略。文中详细分析了不同类型的机器学习算法,并提出了一套基于预测分析的动态能源管理框架。通过仿真实验验证了所提出方法的有效性,结果表明,与传统管理手段相比,该框架能够显著提高数据中心的能源效率,降低运营成本。
37 3
|
1月前
|
机器学习/深度学习 存储 算法
利用机器学习优化数据中心冷却系统
【2月更文挑战第23天】 在数据中心的运营成本中,冷却系统占据了一大块。传统的冷却管理通常依赖于简单的规则或手动调整,无法适应复杂多变的热负荷和环境条件。本文提出了一种基于机器学习的方法来动态优化数据中心的冷却系统。我们设计了一个预测模型来估计未来的热负荷,并结合实时数据,通过优化算法调整冷却设备的工作状态,以降低能源消耗并保持适宜的运行温度。实验结果表明,该方法能够有效减少能耗,同时保证数据中心的冷却效率。
16 0
|
1月前
|
机器学习/深度学习 传感器 算法
利用机器学习优化数据中心冷却系统
【2月更文挑战第15天】 在数据中心运营效率的众多挑战中,冷却系统的优化是一个关键因素。本文将探讨如何应用机器学习技术来改善数据中心的冷却性能,减少能源消耗,并提高整体的可持续性。通过分析历史温度数据、服务器负载以及环境参数,构建预测模型来动态调整冷却需求,实现智能化管理。本研究展示了一种创新方法,不仅提升了数据中心运行效率,也为其他工业冷却系统提供了可借鉴的解决方案。
16 1
|
1月前
|
机器学习/深度学习 传感器 算法
利用机器学习优化数据中心冷却系统
【2月更文挑战第29天】 在本文中,我们探讨了如何应用机器学习技术来改善数据中心的能源效率,特别是针对冷却系统的优化。传统的数据中心冷却方法常常采用静态的、预设的策略,忽视了环境变化和负载波动的影响。通过集成机器学习模型,我们能够实时分析数据中心的操作状况,并动态调整冷却策略,以实现节能和性能的双重提升。文中详细介绍了所采用的算法框架、实验设置以及与传统方法的性能比较。
|
1月前
|
机器学习/深度学习 监控 算法
利用机器学习优化数据中心的能源效率
【2月更文挑战第27天】 在数据中心管理和运营的众多挑战中,能源效率优化是一项持续的关键课题。随着人工智能技术的不断进步,特别是机器学习(ML)方法的应用,为精确预测和动态调整数据中心的能源消耗提供了新的可能性。本文将探讨如何通过机器学习模型来分析历史能耗数据,实现对冷却系统、服务器利用率和其他关键因素的智能调控,从而达到降低整体能耗的目的。我们还将讨论这些技术实施过程中可能遇到的挑战以及潜在的解决方案。
|
1月前
|
机器学习/深度学习 监控 算法
利用机器学习优化数据中心的能源效率
【2月更文挑战第19天】 在本文中,我们将探讨如何通过应用机器学习技术来优化数据中心的能源效率。随着云计算和大数据的迅猛发展,数据中心作为其基础设施的核心,其能源消耗问题日益凸显。传统的能源管理方法已难以应对持续增长的能耗挑战。因此,我们提出了一种基于机器学习的方法,能够实时监控并调整数据中心的运行状态,以达到节能减排的目的。该方法包括数据收集、特征工程、模型训练及部署等步骤,并在真实环境中进行了测试验证。实验结果表明,采用机器学习优化策略后,数据中心的PUE(Power Usage Effectiveness)得到显著改善,能源利用效率提升。
|
1月前
|
机器学习/深度学习 算法 数据中心
利用机器学习优化数据中心冷却系统
【2月更文挑战第17天】 在数据中心运营成本中,冷却系统占据了显著比例。本文通过探索机器学习技术在数据中心冷却系统中的应用,旨在提高能效并降低运营成本。首先介绍了数据中心冷却系统的基本原理和关键性能指标,随后详细阐述了如何通过监督学习和强化学习算法来预测冷却需求并实时调整冷却策略。文章通过案例分析验证了所提方法的有效性,并讨论了实施过程中面临的挑战与未来发展方向。
|
1月前
|
机器学习/深度学习 监控 算法
利用机器学习优化数据中心的能源效率
【2月更文挑战第16天】 在本文中,我们探讨了如何应用机器学习技术来优化数据中心的能源效率。数据中心作为现代信息技术的基础设施,其能源消耗一直是业界关注的焦点。通过机器学习算法,我们可以实现智能调度和资源管理,从而减少能源浪费,提升整体运行效率。文中首先介绍了数据中心能耗的主要来源,随后详细阐述了机器学习在此领域的应用方法,包括预测模型建立、智能控制系统设计以及自适应算法的开发。最后,文章通过案例分析展示了机器学习在提升数据中心能源效率方面的实际成效,并讨论了未来可能的发展方向。
|
10月前
|
人工智能 运维 监控
数据中心能源未来之路:一切过往,皆为序章
数据中心能源未来之路:一切过往,皆为序章
|
11月前
|
关系型数据库 Linux 网络安全
开源IDC数据中心资产管理系统RackTables部署篇(一)
开源IDC数据中心资产管理系统RackTables部署篇(一)
647 0