[发明专利]一种数据中心电池充放电优化控制方法及装置

权利要求书

1.一种数据中心电池充放电优化控制方法，应用于数据中心能源管理系统，其特征在于，包括：

获取数据中心电池的参数信息，所述参数信息至少包括以下任意一项或多项：剩余电量、电池容量和充放电电流；其中，第t个时隙的剩余能量通过以下公式进行估算：

其中，Est(0)为一天开始时存储在电池中的初始能量，Pst(t’)为在时隙t’的充电或放电功率，D为时隙的长度；

获取环境信息，所述环境信息包括实时电价、数据中心IT设备工作量；

基于所述参数信息和所述环境信息，采用深度强化学习算法进行数据中心电池充放电的控制，以实现对数据中心电源的削峰填谷；

采用储能充放电优化算法对所述数据中心电池充放电过程进行优化；所述储能充放电优化算法采用线性整流函数作为激活函数；

其中，所述储能充放电优化算法的确定包括：

确定数据中心储能系统的动作空间和状态空间，所述数据中心储能系统包括数据中心电池；

确定数据中心储能系统对应的多层全连接神经网络的最佳神经元数目和最佳层数；

基于所述动作空间、所述状态空间、所述最佳神经元数目和所述最佳层数确定所述储能系统的储能充放电优化算法。

2.根据权利要求1所述的数据中心电池充放电优化控制方法，其特征在于，所述深度强化学习算法为基于深度Q网络算法DQN或所述深度Q网络算法DQN的改进算法。

3.根据权利要求2所述的数据中心电池充放电优化控制方法，其特征在于，所述深度Q网络算法DQN的改进算法为DDQN算法、基于DDQN的优先级经验重放算法或决斗网络架构。

4.根据权利要求2所述的数据中心电池充放电优化控制方法，其特征在于，所述深度Q网络算法DQN采用经验回放机制和目标网络来实现神经网络接近动作值时的稳定性和持续收敛。

5.根据权利要求4所述的数据中心电池充放电优化控制方法，其特征在于，所述深度Q网络算法DQN和所述目标网络均为多层全连接神经网络。

6.根据权利要求1所述的数据中心电池充放电优化控制方法，其特征在于，所述储能充放电优化算法采用线性整流函数作为激活函数。

7.根据权利要求1-6任一项所述的数据中心电池充放电优化控制方法，其特征在于，将数据中心所有的电池划分为储能组和UPS组，其中，所述储能组的电池用于储能，所述UPS组的电池用于提供不间断电源，所述储能组的电池充放电次数高于所述UPS组的充放电次数；

按照设定策略控制所述储能组和所述UPS组中的电池所属组别互换。

8.一种数据中心电池充放电优化控制装置，应用于数据中心能源管理系统，其特征在于，包括：

第一信息获取模块，用于获取数据中心电池的参数信息，所述参数信息至少包括以下任意一项或多项：剩余电量、电池容量和充放电电流；其中，第t个时隙的剩余能量通过以下公式进行估算：

其中，Est(0)为一天开始时存储在电池中的初始能量，Pst(t’)为在时隙t’的充电或放电功率，D为时隙的长度；

第二信息获取模块，用于获取环境信息，所述环境信息包括实时电价、数据中心IT设备工作量；

充放电控制模块，用于基于所述参数信息和所述环境信息，采用深度强化学习算法进行数据中心电池充放电的控制，以实现对数据中心电源的削峰填谷；

所述充放电控制模块还用于采用储能充放电优化算法对所述数据中心电池充放电过程进行优化；所述储能充放电优化算法采用线性整流函数作为激活函数；

其中，所述储能充放电优化算法的确定包括：

确定数据中心储能系统的动作空间和状态空间，所述数据中心储能系统包括数据中心电池；

确定数据中心储能系统对应的多层全连接神经网络的最佳神经元数目和最佳层数；

基于所述动作空间、所述状态空间、所述最佳神经元数目和所述最佳层数确定所述储能系统的储能充放电优化算法。