摘 要： 间歇性能源功率变化与数据中心的功率需求异步变化，容易产生供需不一致现象，给利用间歇性能源这种绿色计算思路带来了挑战。在对间歇性能源功率和数据中心功耗需求变化进行建模的基础上，提出了一种高效利用间歇性能源的数据中心能源供给管理策略框架。模拟实验显示，该策略理论上不仅可以确保数据中心能量供应，同时可以达到高效利用间歇性能源的目的，为今后间歇性能源在数据中心的实际应用提供理论依据。
0 引言
1 间歇性能源功率变化模拟
1.1 太阳能发电模型
太阳能建模问题主要从下几个方面展开：
（1）基本曲线选择：通过观察参考文献[4]所介绍的太阳能模型曲线发现，该曲线与二次抛物线相似，因此拟利用一元二次函数为基础进行建模。
（2）天气影响：考虑到云层和天气带来的影响，用介于0~1间的随机数模拟天气的实时影响。
（3）发电时间：太阳能一般只在昼间发电，因此其有限时间段设定在6∶00～18∶00。
（4）最大功率：由于太阳能发电机有额定功率，因此在模型中需要设定一个限定系数。
综合上述4个方面，对太阳能发电功率变化情况建立模型：
Psun=m（-x2+24x-108）×random（0，1）（1）
其中，Psun表示太阳能实时发电功率；m用来调整太阳能发电系统的最大功率；x表示时间，其取值范围是（6，18）；random（0，1）用来模拟云雨等天气因素造成的影响。
1.2 风能发电模型
r1=random（0，1）（2）
rn=rn-1*（1+random2（a，b）） 且0≤rn，rn-1≤1（3）
pn=C*rn（4）
Pwind={pn}（5）
其中，C表示风力发电系统的额定功率；random（0，1）用来产生0~1之间的随机数r1；a、b表示幅度范围，要求a<b；random2（a，b）产生介于a和b间的数以表示相对上一时刻风力间的变化幅度，值为负数表示减少，值为正表示风力增加；当rn>1时表示达到最大功率rn取值为1，当rn<0时表示最小功率rn取值为0；Pn表示每个时刻点发电功率；Pwind表示一天各个时刻点功率的数值序列，也就是全天发电模型。
1.3 风能-太阳能结合的发电模型及模拟效果
结合上述两种能源发电模型可以得到绿色能源发电功率模型：
Pgreen=Psun+Pwind（6）
其中，Pgreen表示绿色能源功率，Psun是太阳能发电模型，Pwind是风力发电模型，“+”表示按照时刻点对两种发电模式下的功率叠加运算。
图1是在风能和太阳综合发电功率为抽象值180的假设条件下，以5 s为时槽，200 s内不同发电功率变化的模拟效果图。
图1（a）中两条曲线表示功率相对稳定的间歇性能源供给情况示例。曲线1总体功率值较高，模拟短时间内光照值较高且稳定或者风速较高且相对稳定的天气下发电状况，曲线2功率偏小总体稳定，模拟比如光照较弱但稳定或者风速较小但稳定的天气下发电情况。图1（b）中曲线1和曲线2功率变化频繁，幅度较大，是模拟短时间内极端变化天气下发电功率变化情况示例。
2 数据中心能耗模拟
2.1数据中心的能耗组成分析与总体建模
数据中心的主要子系统一般包括计算机节点（计算系统）、空调、门禁、监控、消防、配电和 络通信等子系统。借鉴参考文献[6]、[9]，可以认为除计算系统外，其余各系统功耗比重较小且变化幅度不大，故其非计算系统功率可看作是常数；通过参考文献[7]、[8]，可以考虑对每个计算节点来说，引起功耗变化的主要部件是CPU，其余部件功耗可看作常量。那么数据中心总体能耗用式（7）表示：
Pcenter=Pcomputer+C3×Pcomputer+C1（7）
其中，Pcenter表示数据中心总体功率，Pcomputer表示计算子系统功率，C3×Pcomputer表示空调系统功率，C1表示其余子系统的功率和。
2.2 计算子系统功率模型
设数据中心的计算节点数量为m，各节点在某个单位时间上的功耗值为pj（0<j≤m），则计算子系统对应功耗Pcomputer可表示为：
对于单个节点上的功耗，借鉴参考文献[7-8]，可设单位时间内CPU满负荷时的功率为Pmax，空载时的功率为Pmin，节点其余部分的实时功率看作常数C2，这样单位时间上的单个节点功率表示为：
Psingle_moment=Vcpu*（Pmax-Pmin）+Pmin+C2（9）
CPU利用率通过时间片的利用率来反映。单位时间内时间片的占用率可用式（10）计算：
Vcpu=noccupied/nall （0≤noccupied≤nall）（10）
其中，Vcpu表示利用率，noccupied表示被占用的时间片数量，nall表示单位时间内的时间片总数。
2.3 数据中心功率变化模拟数据生成
依据上述能耗模型，在时间段t上的数据中心功率变化取决于各节点CPU利用或者被有效利用时间片数量的变化，而时间片变化取决于进程的调度变化。因此影响调度变化主要因素将是进程计算量和到达时间的分布。通过建立模拟数据产生器，产生随机到达的进程分布数据，再利用调度模拟器对这些模拟进程数据进行调度，产生模拟的数据中心功率表化数据。
图2是在设定数据中心最大功耗为抽象数值130，空载最低功耗为30的前提下，经过模拟不同的进程到达分布并进行模拟调度和预测后，产生的数据中心200 s内能耗需求曲线典型示例。
3 能源调度与管理策略设计
3.1 能源调度总体思路
调度策略示意图如图3所示。图中进程列表是指数据中心所有节点上要运行的进程及其队列信息；绿色能源是以太阳能和风能为主的间歇性能源；常规能源是传统的电力供应，其功率相对稳定，此处主要用来进行应急使用。
进程调度模块是面向整个数据中心的全局任务/进程调度器，负责整个数据中心所有节点进行任务的整体规划与分配；功率需求模块负责对各个节点的能耗进行预测，进而预测出整个中心的能耗需求。
能源功率检测模块负责对具有间歇性的绿色能源电路上的供电功率进行检测，产生实时功率信息；差值计算主要负责计算绿色能源供应功率和数据中心需求功率的差异情况；电流整合器负责在绿色能源、常规电源和UPS间进行衔接，并按照决策方案决定分流或整流以及电流流向等；UPS用来对富裕的绿色能源进行存储，同时也为确保所有外部供电故障时，数据中心应急处理之用。
3.2 能源调度管理总体策略
能源调度总体指导策略为：（1）对间歇性绿色能源的功率进行检测得到能源供应功率值；（2）同时以当前进程列表（计划）为输入，对未来的能耗功率进行预测；（3）通过差值计算模块计算出供应功率与能耗需求功率差值；（4）根据差值进行方案决策，当能源供应功率小于消耗预测功率时执行方案1，反之执行方案2。
方案1 对进程数量和调度频率进行调整，形成新进程序列和调度计划，从而确保在时间段t上能耗与电源功率匹配。
方案2 不对进程列表进行针对性修改，而是把多余电能分流，经电流整合器整流后存储在UPS中。
4 模拟实验及结果分析
4.1 单次实验及结果示例
图4是一次调度效果示意。其中图4（a）表示该时间段上的间歇性能源功率变化曲线和常规电力供应下数据中心功耗需求曲线，图中两条曲线差异明显，说明供需矛盾突出。图4（b）是经过调度后的供需双方曲线，从图可知，在间歇性能源功率不变的情况下，通过调度后可使数据中心功率需求符合间歇性能源供给功率变化，保证数据中心的稳定运行。图4（c）是间歇性能源富裕时可进行储存的能量分布图。图4（a）中计算任务总量为抽象值35 965，间歇性能源总量为15 561.1，表1是调度后的任务完成和能量利用情况，可见调度后既保障了数据中心的稳定运行，也有效提高了能源利用率。
4.2 多次试验结果分析
通过模拟产生不同进程达到分布和间歇性能源功率变化情况下能源调度策略的调度实验，并对其结果进行分析，可得出如下几个结论：
（1）理论上，如果富裕能量都可被存储的条件下，间歇性能源利用率几乎可以达到100%；
（2）在本调度策略下，几乎不需要消耗常规电力能源，除非间歇性能源功率极低的情况发生；
（3）在对应时间段上的间歇性能源相对充足或者全部进程的总计算量相对较小的情况下，计算任务基本可在该时间段执行完毕，延时量很小；
（4）反之，在对应时间段上的间歇性能源功率偏小或者全部进程的总计算量相对较大的情况下，会产生一定的延时，严重时延时较长。
总体上，该调度长策略理论上可以有效提高数据中心中具有间歇性特征绿色能源的使用率，同时能够保障数据中心不会因为供电不足而产生掉电情况；由于可能产生计算任务完成时间的延迟，因此不适合延时敏感型事务，但较适合对延时不敏感的计算型业务。
5 结论
参考文献
[1] 邓维，刘方明.云计算数据中心的新能源应用：研究现状与趋势[J].计算机学 ，2013，36（3）：582-598.
[2] COOK G． How clean is your cloud?[R]. Greenpeace International Technical Report， April， 2012.
[3] 伍康文，柴华.全太阳能数据中心整体技术方案与实践[J].微型机与应用，2012，31（21）：1-4.
[4] 王默涵.利用计算机模拟太阳能光伏发电[J].节能，2005（5）：36-39.
[5] 罗亮，吴文峻，张飞.面向云计算数据中心的能耗建模方法[J].软件学 ，2014，25（7）：1371-1387.
[6] MORENO-VOZMEDIANO R， MONTERO R S， LLORENTE I M. Key challenges in cloud computing： enabling the future Internet of services[J]. Internet Computing， IEEE， 2013，17（4）：18-25.
[7] BELOGLAZOV A， ABAWAJY J， BUYYA R. Energy-aware resource allocation heuristics for efficient management of data centers for cloud computing[J]. Future Generation Computer Systems，2012，28（5）：755-768.
[8] NATHUJI R， SCHWAN K. VirtualPower： coordinated power management in virtualized enterprise systems[J]. ACM SIGOPS Operating Systems Review，2007，41（6）：265-278.
[9] 刘江.数据中心计算资源节能算法研究[D].成都：电子科技大学，2013.
声明：本站部分文章及图片源自用户投稿，如本站任何资料有侵权请您尽早请联系jinwei@zod.com.cn进行处理,非常感谢！