Tietokonekeskuksen mikroverkko-järjestelmän energianhallinta

This thesis focuses on energy management in micro grid. Micro grid is limited around a data centre and the components that are directly connected with the data centre. These components are: energy sources and energy consumers such as servers and reserve power. Energy management in micro grid is done with a controller with an optimization algorithm. Optimization is done with Mesh Adaptive Direct search (MADS) which is used to control generator's power output. The MADS algorithm is compared with Genetic Algorithm (GA). The MADS algorithm was chosen to be used in this thesis because there wasn't significant difference in total costs but MADS worked much faster than GA. Energy sources that were chosen in the thesis were: a diesel generator, a micro turbine, a wind turbine, a fuel cell and a photovoltaic cell. Each energy source is introduced individually with its positive and negative characteristic each chapter introduces one computer model that can be found in literature and is being used in this thesis. In order to MADS function to work, cost functions were introduced for each energy sources. The cost functions were formulated so that costs were functions of produced energy. The cost functions were based on manufacturers' datasheets or research results in literature. Prediction methods were introduced for renewable energy sources that didn't have any cost functions. The prediction methods didn't work very well compared to the straightforward prediction where the next predicted value is the same as the latest measurement. In the last part a complete micro grid model is built and simulated in different working conditions: normal condition, during an islanding process and how fuel and electricity prices affect optimization and total costs. Micro grid was combined by using the energy source models, an electricity consumption model of the data Günter and the optimization controller. Lastly the MADS controller was compared with a self-implemented supervisor controller. Comparing results clearly points out some problems with MADS algorithm like slowness to find a new optimum point when prices change. Also MADS controller output contains unnecessary variation for energy sources. Finally, it is discussed how the optimization controller should be improved if the controller would be implemented in the data centre. Also some future work is pointed out.Tässä työssä keskitytään mikroverkon energiantuotannon hallintaan. Työssä mikroverkon tarkastelu on rajoitettu tietokonekeskukseen ja siihen suoraan liittyvään energiankulutukseen ja energiantuotantoon, kuten varavoimaan. Mikroverkon energianhallintaa ohjataan optimoivalla säätimellä. Optimointi säätimessä on toteutettu Mesh Adaptive Direct Searchilla (MADS). MADS algoritmin optimointitulosta käytetään ohjaamaan generaattoreiden energiantuotantoa. Vertailua MADS algoritmille suoritetaan Geneettistä Algoritmia (GA) vastaan, joista MADS valittiin sen nopeamman toiminnan vuoksi, kun suuria eroja kokonaiskustannuksissa ei ole havaittavissa. Hajautettuina energiantuotantomenetelminä tässä työssä tutkittiin: dieselgeneraattoria, mikroturbiinia, tuuliturbiinia, polttokennoa ja aurinkopaneelia. Edellä mainittuja menetelmiä käsitellään omassa luvussaan lyhyesti käyden läpi hyviä ja huonoja puolia, sekä esitellään yksi kirjallisuudessa löytyvä simulointimalli. Tätä esiteltyä simulointimallia käytetään mikroverkkosimulaation yhteydessä. MADS optimointia varten energianlähteille tehdään myös kustannusmallit tuotetun sähköenergian funktiona. Toteutettu funktio perustuu valmistajan tietoihin tai tutkimustuloksissa esiintyviin tehon ja polttoainekulutuksen välisiin suhteisiin. Uusiutuville energianlähteille, joille kustannusfunktioita ei ole mahdollista tehdä, tutkittiin kevyiden ennustusmenetelmiä toimimista energiatuotannon ennustamisessa. Nämä ennustusmenetelmät eivät kuitenkaan parantaneet tulosta merkittävästi, verrattuna ennustukseen missä seuraavan jakson energiantuotantoa ennustetaan pysyvän samana kuin viimeisin mitattu energiantuotannon määrä. Lopuksi koottua mikroverkkomallia tutkitaan simuloimalla mikroverkkoa erilaisissa tilanteissa kuten normaalissa toiminnassa, irtikytkeytyneenä pääverkosta ja hintojen vaikutusta optimointiin, sekä kokonaiskustannuksiin. Mikroverkkomalli koostui edellä mainituista generaattoreista, tietokonekeskuksen luomasta kuormasta ja MADS-optimoivasta säätimestä. Viimeiseksi MADS-ohjausta verrataan itsetoteutettuun asiantuntijajärjestelmään. Vertailu asiantuntijajärjestelmään tuo hyvin ilmi MADSin ongelmakohdat, kuten hitaudesta löytää uusi optimi hintojen muuttuessa. Myös MADSin ongelma tuotettujen generaattoreiden ohjauksessa käy ilmi tarpeettomina ohjauksen muutoksina. Lopuksi tehdään yhteenveto, miten optimoivaa säädintä tulisi parantaa, mikäli järjestelmä toteutettaisiin tietokonekeskukselle ja mihin tulevaisuudessa tulisi kiinnittää enemmän huomiota