随着人工智能对算力需求的激增,数据中心(internet data center,IDC)作为数据处理与存储的机构,其能耗需求远超预期,使用新能源是其可持续发展的需要。然而,可再生能源具有出力不确定性,仅依靠数据中心参与需求响应难以实现消纳,可配置...随着人工智能对算力需求的激增,数据中心(internet data center,IDC)作为数据处理与存储的机构,其能耗需求远超预期,使用新能源是其可持续发展的需要。然而,可再生能源具有出力不确定性,仅依靠数据中心参与需求响应难以实现消纳,可配置储能提高系统灵活性。因此,本工作建立了以规划总成本最优为目标的数据中心与电池储能(battery energy storage,BES)协同规划两阶段鲁棒模型,为防止规划结果过于乐观,引入了储能寿命约束。同时针对在求解所建模型过程中,传统C&CG(column-and-constraint generation)算法存在难以平衡求解速度与精度间关系的问题,本工作提出了一种不精确列和生成约束算法i-C&CG(inexact column-and-constraint generation)进行求解。基于IEEE30节点与IEEE118节点算例系统进行优化解算,仿真结果表明,与仅配置单一储能相比,本工作所提模型储能年等效建设成本下降39785元,数据中心年等效建设成本下降289080元;且本工作所提算法与传统C&CG相比,采用0.18低精度下的i-C&CG,与采用0.16较高精度的C&CG相比较,i-C&CG最多可缩短3632 s的单次迭代求解所需时间,且最终计算结果的相对误差为0.46%,两者收敛间隙与相对最优间隙近似。展开更多
为求解黎曼流形上的大规模可分离问题,Kasai等人在(Advances of the neural information processing systems, 31, 2018)中提出了使用非精确梯度和非精确Hessian的黎曼信赖域算法,并给出了该算法的迭代复杂度(只有证明思路,没有具体证明...为求解黎曼流形上的大规模可分离问题,Kasai等人在(Advances of the neural information processing systems, 31, 2018)中提出了使用非精确梯度和非精确Hessian的黎曼信赖域算法,并给出了该算法的迭代复杂度(只有证明思路,没有具体证明)。我们指出在该文献的假设条件下,按照其思路不能证明出相应的结果。本文提出了不同的参数假设,并证明了算法具有类似的迭代复杂度。展开更多
文摘随着人工智能对算力需求的激增,数据中心(internet data center,IDC)作为数据处理与存储的机构,其能耗需求远超预期,使用新能源是其可持续发展的需要。然而,可再生能源具有出力不确定性,仅依靠数据中心参与需求响应难以实现消纳,可配置储能提高系统灵活性。因此,本工作建立了以规划总成本最优为目标的数据中心与电池储能(battery energy storage,BES)协同规划两阶段鲁棒模型,为防止规划结果过于乐观,引入了储能寿命约束。同时针对在求解所建模型过程中,传统C&CG(column-and-constraint generation)算法存在难以平衡求解速度与精度间关系的问题,本工作提出了一种不精确列和生成约束算法i-C&CG(inexact column-and-constraint generation)进行求解。基于IEEE30节点与IEEE118节点算例系统进行优化解算,仿真结果表明,与仅配置单一储能相比,本工作所提模型储能年等效建设成本下降39785元,数据中心年等效建设成本下降289080元;且本工作所提算法与传统C&CG相比,采用0.18低精度下的i-C&CG,与采用0.16较高精度的C&CG相比较,i-C&CG最多可缩短3632 s的单次迭代求解所需时间,且最终计算结果的相对误差为0.46%,两者收敛间隙与相对最优间隙近似。
文摘为求解黎曼流形上的大规模可分离问题,Kasai等人在(Advances of the neural information processing systems, 31, 2018)中提出了使用非精确梯度和非精确Hessian的黎曼信赖域算法,并给出了该算法的迭代复杂度(只有证明思路,没有具体证明)。我们指出在该文献的假设条件下,按照其思路不能证明出相应的结果。本文提出了不同的参数假设,并证明了算法具有类似的迭代复杂度。
