Манипулирование спросом в электроэнергетических системах с помощью майнинга криптовалют: Пример энергосистемы Техаса

Содержание

1. Введение

Электроэнергетический сектор сталкивается с двойными вызовами поддержки растущей электрификации при одновременном сокращении углеродного следа. Центры обработки данных для майнинга криптовалют продемонстрировали значительный рост энергопотребления по всему миру, при этом мощность майнинга Биткойна почти удвоилась в период с 2019 по 2021 год. Эти объекты могут предоставлять ценные услуги на уровне сети через гибкость спроса при надлежащей координации.

2. Методология

2.1 Синтетическая модель энергосистемы

Исследование использует синтетическую модель энергосистемы ERCOT с 2000 шинами, представляющую энергосистему Техаса. Эта модель включает реальные профили спроса с добавленными нагрузками майнинга криптовалют в стратегических местах для анализа их влияния на работу сети.

2.2 Моделирование нагрузки майнинга криптовалют

Объекты майнинга криптовалют моделируются как гибкие нагрузки с высокой прерываемостью. В отличие от традиционных центров обработки данных, операции майнинга имеют минимальную временную чувствительность, что позволяет осуществлять агрессивное перераспределение и сокращение нагрузки в периоды пикового спроса.

2.3 Программы управления спросом

Исследование изучает различные программы управления спросом, доступные для центров обработки данных, включая:

• Служба аварийного реагирования (ERS)
• Участие на рынке вспомогательных услуг
• Программы реагирования на реальные цены
• Программы рынка мощности

3. Техническая структура

3.1 Математическая формулировка

Оптимизационная модель для участия майнинговых объектов в управлении спросом может быть сформулирована как:

$\max \sum_{t=1}^{T} [R_t^{mining} + R_t^{DR} - C_t^{electricity}]$

где $R_t^{mining}$ представляет доход от майнинга в момент времени $t$, $R_t^{DR}$ обозначает компенсацию за управление спросом, а $C_t^{electricity}$ — стоимость электроэнергии.

3.2 Оптимизационная модель

Ограничение гибкости нагрузки выражается как:

$P_t^{min} \leq P_t^{mining} \leq P_t^{max}$

$\sum_{t=1}^{T} P_t^{mining} \cdot \Delta t \geq E_{daily}^{min}$

где $P_t^{mining}$ — энергопотребление майнинга, ограниченное минимальными и максимальными пределами, при обеспечении выполнения минимального суточного требования по энергии $E_{daily}^{min}$.

4. Результаты экспериментов

4.1 Анализ влияния на цены

Предварительные результаты указывают, что нагрузки майнинга криптовалют значительно влияют на цены электроэнергии на рынке ERCOT. Эффект варьируется в зависимости от местоположения и размера нагрузки, причем в некоторых регионах наблюдалось увеличение цен до 15% в часы пик. Колебания цен становятся более выраженными при больших концентрациях майнинга.

4.2 Количественная оценка прибыли

Анализ годовой прибыли показывает, что майнинговые объекты могут достичь дополнительного дохода в 20-35% через участие в управлении спросом. Наиболее прибыльные программы включают вспомогательные услуги и реагирование на реальные цены, со сроками окупаемости, сокращенными на 18-24 месяца.

5. Пример реализации

Ниже представлен упрощенный псевдокод на Python для оптимизации управления спросом майнингового объекта:

class MiningDemandResponse:
    def __init__(self, mining_power, electricity_prices, dr_prices):
        self.mining_power = mining_power
        self.electricity_prices = electricity_prices
        self.dr_prices = dr_prices
    
    def optimize_schedule(self, horizon=24):
        """Оптимизировать расписание майнинга и участия в УС"""
        model = ConcreteModel()
        
        # Переменные решения
        model.mining_active = Var(range(horizon), within=Binary)
        model.dr_participation = Var(range(horizon), within=Binary)
        
        # Цель: максимизировать прибыль
        def profit_rule(model):
            return sum(
                model.mining_active[t] * self.mining_power * 
                (mining_revenue - self.electricity_prices[t]) +
                model.dr_participation[t] * self.dr_prices[t] * dr_capacity
                for t in range(horizon)
            )
        model.profit = Objective(rule=profit_rule, sense=maximize)
        
        # Ограничения
        def mining_constraint(model, t):
            return model.mining_active[t] + model.dr_participation[t] <= 1
        
        return solve_model(model)

6. Перспективные приложения

Направления будущих исследований включают:

• Интеграция с возобновляемыми источниками энергии для углеродно-нейтрального майнинга
• Алгоритмы машинного обучения для оптимизации управления спросом в реальном времени
• Верификация производительности управления спросом на основе блокчейна
• Интеграция многовидовых энергосистем, включая утилизацию тепла
• Стандартизация протоколов управления спросом для майнинговых объектов

7. Оригинальный анализ

Это исследование представляет убедительный пример использования майнинга криптовалют в качестве ресурса гибкости сети, основываясь на аналогичных концепциях управления спросом, изученных в других энергоемких вычислительных приложениях. Подход исследования согласуется с более широкими тенденциями интеграции гибких нагрузок, напоминая работу DeepMind от Google по оптимизации энергии центров обработки данных (DeepMind, 2018). Математическая формулировка демонстрирует глубокое понимание энергетической экономики, особенно в оптимизации с ограничениями, которая балансирует доход от майнинга с возможностями управления спросом.

По сравнению с традиционными участниками программ управления спросом в промышленности, объекты майнинга криптовалют предлагают уникальные преимущества. Их вычислительная работа не имеет временной чувствительности, в отличие от производственных процессов со строгими графиками производства. Эта характеристика позволяет осуществлять более агрессивное сброс нагрузки во время аварийных ситуаций в сети. Результаты исследования дополняют работу Международного энергетического агентства по цифровизации и энергетике (IEA, 2022), которая подчеркивает, как цифровые технологии могут как увеличивать спрос на электроэнергию, так и предоставлять решения для управления сетью.

Синтетическое тематическое исследование энергосистемы Техаса предоставляет ценные insights, хотя реализация в реальном мире потребовала бы решения нескольких проблем. Наблюдаемые в симуляциях воздействия на цены предполагают потенциальные проблемы рыночной власти, если майнинговые объекты сконцентрируются в определенных регионах. Это перекликается с выводами исследования Кембриджского центра альтернативных финансов о географии майнинга Биткойна (CCAF, 2022). Будущая работа могла бы выиграть от включения методов стохастической оптимизации, аналогичных используемым в исследованиях интеграции возобновляемой энергии, учитывающих неопределенность как цен на криптовалюты, так и условий на рынке электроэнергии.

Технический вклад заключается в количественной оценке двойного потока стоимости для майнинговых операций — как от вознаграждений в криптовалюте, так и от услуг сети. Эта инновация бизнес-модели могла бы ускорить внедрение возобновляемой энергии, предоставляя гибкий спрос, который соответствует прерывистым моделям генерации. Однако экологические соображения остаются crucial, что подтверждается переходом Ethereum Merge на proof-of-stake, сократившим энергопотребление приблизительно на 99,95% (Ethereum Foundation, 2022). Исследование было бы усилено включением анализа выбросов углерода и сравнением экологического воздействия различных стратегий участия в майнинге.

8. Ссылки

1. A. Menati, K. Lee, L. Xie, "Моделирование и анализ использования майнинга криптовалют для гибкости спроса в электроэнергетических системах," Техасский университет A&M, 2023.
2. Кембриджский центр альтернативных финансов, "Кембриджский индекс потребления электроэнергии Биткойном," 2022.
3. Международное энергетическое агентство, "Цифровизация и энергетика," 2022.
4. DeepMind, "ИИ для охлаждения центров обработки данных Google," 2018.
5. Фонд Ethereum, "The Merge," 2022.
6. FERC, "Компенсация управления спросом на организованных оптовых энергетических рынках," 2021.
7. P. L. Joskow, "Управление спросом и энергоэффективность," MIT CEEPR, 2021.
8. ERCOT, "Отчет о состоянии сети за 2022 год," 2022.