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
|
7月前
|
机器学习/深度学习 存储 数据采集
利用机器学习优化数据中心冷却系统
【4月更文挑战第26天】 在数据中心管理和运营中,冷却系统的能效是关键成本因素之一。随着能源价格的上涨和对环境可持续性的关注增加,开发智能、高效的冷却策略显得尤为重要。本文将探讨如何应用机器学习(ML)技术来优化数据中心的冷却系统。通过收集和分析温度、湿度、服务器负载等多维数据,我们构建了预测模型来动态调整冷却需求,实现节能并保持最佳的操作条件。实验结果表明,使用ML优化后的冷却系统能够在不牺牲性能的前提下显著降低能耗。
|
7月前
|
机器学习/深度学习 存储 运维
利用机器学习优化数据中心冷却系统
在数据中心运营成本中,冷却系统的能源消耗占据了显著比例。随着数据中心规模不断扩大,传统的冷却管理方法逐渐显得不足以应对复杂多变的热负荷。本文提出了一种基于机器学习的方法,旨在优化数据中心的冷却系统性能。通过收集历史运行数据和实时环境参数,构建预测模型来动态调整冷却策略,实现能源消耗与散热效率之间的最佳平衡。实验结果表明,该方法可以有效降低能耗,并保持数据中心内环境的稳定性。
48 1
|
7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。
64 1
|
7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。
47 0
|
1月前
|
运维 监控 中间件
数据中心运维监控系统产品价值与优势
华汇数据运维监控系统面向IT基础架构及IT支撑平台的监控和运维管理,包含监测、分析、展现和告警。监控范围涵盖了网络设备、主机系统、数据库、中间件和应用软件等。
56 4
|
7月前
|
机器学习/深度学习 存储 运维
利用机器学习优化数据中心冷却系统
【5月更文挑战第20天】 在数据中心运营成本中,冷却系统占据了一大块。随着能源价格的上涨和环境保护意识的增强,如何降低数据中心的能耗成为行业关注的重点。本文通过引入机器学习技术来优化数据中心冷却系统,旨在减少不必要的能源消耗,同时保持适宜的操作温度。通过收集历史温度数据、服务器负载信息以及外部气象条件,构建了一个预测模型,该模型能够实时调整冷却策略,实现动态节能。实验结果表明,与传统冷却系统相比,应用机器学习优化后的系统在不影响性能的前提下,能够节约高达20%的能源消耗。
|
7月前
|
机器学习/深度学习 存储 传感器
利用机器学习优化数据中心冷却系统
【5月更文挑战第30天】 在数据中心的运行中,冷却系统的能效对整体运营成本有着显著的影响。随着人工智能技术的进步,特别是机器学习(ML)的发展,出现了新的机会来优化数据中心的能源使用效率。本文将探讨如何通过机器学习模型预测数据中心的热负荷,并据此动态调整冷却策略,以实现能耗最小化。我们将介绍所采用的数据集、预处理方法、模型选择、训练过程以及最终实施的策略。结果表明,基于机器学习的预测系统能够有效降低数据中心的能源消耗,并为可持续运营提供支持。
|
7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冷却系统
【5月更文挑战第30天】在数据中心的运营成本中,冷却系统占据了相当一部分。为了提高能效和降低成本,本文提出了一种基于机器学习的方法来优化数据中心的冷却系统。通过对大量历史数据的分析和挖掘,我们设计了一个预测模型,用于实时监控和调整数据中心的温度。实验结果表明,该方法可以有效降低能耗,提高数据中心的运行效率。
|
7月前
|
机器学习/深度学习 数据采集 存储
提升数据中心能效:采用机器学习优化冷却系统
【5月更文挑战第28天】在数据中心的运营成本中,冷却系统的能源消耗占据了显著比例。随着能源价格的不断上涨和可持续发展的需求日益增长,如何降低这一开支成为业界关注的焦点。本文将探讨利用机器学习技术对数据中心冷却系统进行优化的方法。通过分析历史数据和实时监控,机器学习模型能够预测冷却需求并动态调整系统设置,以实现最佳的能效比。这种方法不仅能减少能源消耗,还能提高系统的可靠性和稳定性。