Grid Frequency Stability Support Potential of Data Center: A Quantitative Assessment of Flexibility
作者: Pengyu Ren, Wei Sun, Yifan Wang, Gareth Harrison
分类: eess.SY
发布日期: 2025-10-01
💡 一句话要点
提出基于决策树约束学习的数据中心频率响应优化方法，提升电网频率稳定性。
🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)
关键词: 数据中心 频率稳定性 需求侧响应 决策树 混合整数线性规划
📋 核心要点
- 电力系统面临数据中心快速增长带来的电力需求挑战，同时数据中心也具备快速灵活响应的潜力。
- 提出基于决策树约束学习的线性化框架，将非线性频率约束嵌入混合整数线性规划，实现数据中心频率响应优化。
- 案例研究表明，增加数据中心灵活负荷比例能提高系统成本效率，支持可再生能源整合，但存在边际收益递减。
📝 摘要（中文）
数据中心基础设施的快速扩张正在重塑电力系统动态，显著增加电力需求，同时也提供了快速和可控的灵活性潜力。为了确保在这种条件下的可靠运行，必须通过增强需求侧频率响应建模来解决频率安全机组组合问题。本文提出了一种基于数据驱动的线性化框架，该框架基于决策树的约束学习，将非线性最低频率约束嵌入到混合整数线性规划中。这种方法能够对发电计划和数据中心的快速频率响应进行易于处理的优化。通过对基准系统和具有更高数据中心渗透率的2030年未来场景的案例研究，我们证明了增加灵活的数据中心负荷比例可以持续提高系统成本效率并支持可再生能源的整合。然而，这种益处表现出边际收益递减的规律，促使我们引入边际灵活性价值指标来量化额外灵活性的经济价值。结果表明，随着数据中心在系统负荷中占据更大的份额，它们积极参与频率响应对于维持经济和安全的系统运行将变得越来越不可或缺。
🔬 方法详解
问题定义：论文旨在解决数据中心日益增长的电力需求对电网频率稳定性的影响问题。传统方法难以有效建模数据中心快速频率响应的灵活性，导致频率安全机组组合问题难以求解，无法充分利用数据中心在频率调节方面的潜力。
核心思路：论文的核心思路是利用数据驱动的方法，学习非线性频率约束，并将其线性化嵌入到混合整数线性规划模型中。通过这种方式，可以将复杂的频率响应问题转化为易于求解的优化问题，从而实现对数据中心频率响应的有效控制和调度。
技术框架：整体框架包含以下几个主要阶段：1) 数据收集与预处理：收集电力系统运行数据，包括负荷、发电、频率等信息。2) 决策树约束学习：利用决策树算法学习非线性最低频率约束，建立频率与系统状态之间的关系模型。3) 线性化：将决策树模型转化为线性约束，以便嵌入到混合整数线性规划模型中。4) 优化求解：利用混合整数线性规划求解器，优化发电计划和数据中心频率响应。5) 评估与验证：通过案例研究评估所提出方法的性能，并与传统方法进行比较。
关键创新：论文的关键创新在于提出了基于决策树约束学习的线性化框架，能够有效地建模非线性频率约束，并将其嵌入到混合整数线性规划模型中。与传统方法相比，该方法能够更准确地描述数据中心的频率响应特性，并实现对数据中心频率响应的优化控制。
关键设计：论文的关键设计包括：1) 决策树模型的选择和训练：选择合适的决策树算法，并利用历史数据进行训练，以获得准确的频率约束模型。2) 线性化方法的选择：选择合适的线性化方法，将决策树模型转化为线性约束，保证优化问题的可解性。3) 混合整数线性规划模型的构建：构建包含发电计划、数据中心频率响应等变量的混合整数线性规划模型，并设置合理的约束条件和目标函数。
🖼️ 关键图片
📊 实验亮点
通过对基准系统和2030年未来场景的案例研究表明，增加数据中心灵活负荷比例可以持续提高系统成本效率并支持可再生能源的整合。研究发现，数据中心灵活性对系统成本效率的提升存在边际收益递减效应，并提出了边际灵活性价值指标来量化额外灵活性的经济价值。
🎯 应用场景
该研究成果可应用于电力系统调度运行、需求侧响应管理和数据中心能源管理等领域。通过优化数据中心的频率响应，可以提高电网的频率稳定性，促进可再生能源的消纳，降低系统运行成本，并为数据中心提供额外的经济收益。未来，随着数据中心在电力系统中扮演的角色越来越重要，该研究具有广阔的应用前景。
📄 摘要（原文）
The rapid expansion of data center infrastructure is reshaping power system dynamics by significantly increasing electricity demand while also offering potential for fast and controllable flexibility. To ensure reliable operation under such conditions, the frequency secured unit commitment problem must be solved with enhanced modeling of demand side frequency response. In this work, we propose a data-driven linearization framework based on decision tree based constraint learning to embed nonlinear nadir frequency constraints into mixed-integer linear programming. This approach enables tractable optimization of generation schedules and fast frequency response from data centers. Through case studies on both a benchmark system and a 2030 future scenario with higher DC penetration, we demonstrate that increasing the proportion of flexible DC load consistently improves system cost efficiency and supports renewable integration. However, this benefit exhibits diminishing marginal returns, motivating the introduction of the Marginal Flexibility Value metric to quantify the economic value of additional flexibility. The results highlight that as DCs become a larger share of system load, their active participation in frequency response will be increasingly indispensable for maintaining both economic and secure system operations.