电力系统状态估计并行加速研究

随着电力系统输配一体化发展,计算耗时急剧增加。根据中央处理器逻辑处理能力强,图形处理器浮点运算能力强的特点,对于状态估计算法中浮点计算最密集的线性方程组求解部分,采用图形处理器并行处理,提高求解速度。将Matpower 6.0潮流算例混合噪声作为状态估计量测,通过不同规模节点算例验证图形处理器的加速效果,体现图形处理器在状态估计问题求解方面的性能优势。     

基于GPU的机电暂态仿真细粒度并行算法

提出一种基于图形处理器(GPU)并采用隐形梯度法的机电暂态仿真细粒度并行算法。该算法将整个系统分为发电机节点系统和非发电机节点系统,对发电机节点系统求解时,先将在网络中直接相连的发电机节点合并成一个子系统,然后在GPU中给每个子系统分配相应线程块进行并行求解,其中采用了LU并行分解来求解线性方程组。求解完成后,利用从发电机节点系统传递来的LU分解信息,再对非发电机节点系统使用GPU进行求解。通过对不同规模的算例进行分析表明:所提出的GPU并行算法的计算结果与CPU串行算法和BPA软件的计算结果大致相同,且随着系统规模的增加,GPU并行算法的加速效果更为明显。     

基于一种不可行内点法的电力系统无功优化

在应用内点法进行线性规划时,尚不能保证它的全面收敛性。提出了一种新的算法来求解无功线性优化问题。利用潮流雅可比矩阵直接变换求取灵敏度系数,建立无功优化线性规划模型,同时采用一种不可行内点算法来直接求解该问题。IEEE 14节点、30节点、57节点系统的计算结果表明,该算法能有效求解无功优化线性规划问题,同时在初始点的选择上不要求从内点启动,迭代收敛次数稳定,对计算系统的规模不敏感。     

基于并行协同粒子群优化算法和PC集群的无功优化

针对大规模电力系统无功优化高维度、非线性、不连续的问题,提出一种并行协同粒子群优化算法.该算法基于消息传递接口技术,采用二级并行的方案求解无功优化问题.第1级并行是通过控制变量分组,将原优化问题分解成几个相互关联的子优化问题,每一个子优化问题对应一个子粒子群,各子粒子群相互协同,共同求取最优解.第2级并行是指用粒子群优化算法求解子优化问题时使用多个进程并行求解,进程间采用对等模式分配计算任务,提高了优化效率.此外,为了增强粒子群优化算法的全局寻优能力,在优化过程中对其参数进行了动态调整.通过在PC集群上对IEEE 118节点系统和IEEE 300节点系统进行仿真计算,验证了该算法能取得较好的优化结果,具有较高的加速比和可扩展性,能满足大规模电力系统无功优化的需要.     

考虑电压稳定的电力系统无功优化规划

建立了模糊多目标无功优化规划的数学模型。在目标函数中考虑了网损、无功补偿设备的投资、静态电压稳定裕度以及负荷节点电压的偏移。首先采用电压稳定灵敏度排序法找出电压稳定性最差的节点,作为候选无功补偿节点;然后采用遗传算法对数学模型进行求解,得到优化补偿节点及补偿节点的优化补偿容量。通过对IEEE30节点的计算结果表明:采用文中的优化规划方法能够达到很好的降损效果,提高了整个系统的电压稳定性。     

一种电力系统无功优化的新型混合优化算法

提出了一种适合于求解电力系统无功优化问题的新型混合优化算法,该算法结合基于邻域搜索的群搜索优化算法和改进灾变遗传算法。综合考虑两种算法的特点,将无功优化问题分步进行交替求解,第一步采用改进灾变遗传算法迭代两次更新解群体,第二步在此基础上采用基于邻域搜索的群搜索优化算法使群体中各解向当前最优解靠拢,交替进行,最终达到全局最优解。在IEEE118节点系统试验计算结果表明,与其他算法相比,该混合算法具有较好的全局收敛性且不容易陷入局部最优,在优化效果以及算法稳定度上都具有明显的优势。在某实际290节点电网计算结果表明,该混合算法能够适应实际电力系统无功优化问题的求解。     

考虑电压稳定的电力系统无功优化规划

建立了模糊多目标无功优化规划的数学模型.在目标函数中考虑了网损、无功补偿设备的投资、静态电压稳定裕度以及负荷节点电压的偏移.首先采用电压稳定灵敏度排序法找出电压稳定性最差的节点,作为候选无功补偿节点;然后采用遗传算法对数学模型进行求解,得到优化补偿节点及补偿节点的优化补偿容量.通过对IEEE30节点的计算结果表明:采用文中的优化规划方法能够达到很好的降损效果,提高了整个系统的电压稳定性.     

一种电力系统无功优化的新型混合优化算法

提出了一种适合于求解电力系统无功优化问题的新型混合优化算法,该算法结合基于邻域搜索的群搜索优化算法和改进灾变遗传算法.综合考虑两种算法的特点,将无功优化问题分步进行交替求解,第一步采用改进灾变遗传算法迭代两次更新解群体,第二步在此基础上采用基于邻域搜索的群搜索优化算法使群体中各解向当前最优解靠拢,交替进行,最终达到全局最优解.在IEEE118节点系统试验计算结果表明,与其他算法相比,该混合算法具有较好的全局收敛性且不容易陷入局部最优,在优化效果以及算法稳定度上都具有明显的优势.在某实际290节点电网计算结果表明,该混合算法能够适应实际电力系统无功优化问题的求解.     

电力系统无功优化线性规划问题中线性步长的动态调整策略

提出了一种电力系统无功优化线性规划问题中线性步长的动态调整策略。利用潮流雅可比矩阵直接变换求取灵敏度系数矩阵,并引入信赖域思想,建立了基于信赖域的无功优化新模型,采用原?对偶内点法直接求解。IEEE14节点、30节点、57节点系统的计算结果表明,该算法能有效解决无功优化线性步长的选择问题,同时在初始点的选择上不要求从内点启动,迭代收敛次数稳定,可用于电力系统无功优化的实用化计算。     

大规模电网的动态无功优化算法

为解决应用内嵌离散惩罚的非线性原对偶内点法求解离散整数动态无功优化模型时产生的"维数灾"问题,对修正方程用块矩阵解耦的算法做进一步探讨,提出了两次求解修正方程系数矩阵并三角分解从而降低动态无功优化应用于大电网时的数据存储量的新思路,即以时间换取空间(定义为时空转换)。在两个实际系统(14节点和538节点系统)和IEEE 118节点系统上的优化计算表明,所提算法既能计算大电网的动态无功优化,又具有较快的计算速度。     

A novel GPU-accelerated strategy for contingency screening of static security analysis

Graphics processing unit (GPU) has been applied successfully in many computation and memory intensive realms due to its superior performances in float-pointing calculation, memory bandwidth and power consumption, and has great potential in power system applications. Contingency screening is a major time consuming part of contingency analysis. In the absence of relevant existing research, this paper is the first of its kind to propose a novel GPU-accelerated algorithm for direct current (DC) contingency screening. Adapting actively unique characteristics of GPU software and hardware, the proposed GPU algorithm is optimized from four aspects: data transmission, parallel task allocation, memory access, and CUDA (Compute Unified Device Architecture) stream. Case studies on a 3012-bus system and 8503-bus system have shown that the GPU-accelerated algorithm, in compared with its counterpart CPU implementation, can achieve about 20 and 50 times speedup respectively. This highly promising performance has demonstrated that carefully designed performance tuning in conjunction with GPU programing architecture is imperative for a GPU-accelerated algorithm. The presented performance tuning strategies can be applicable to other GPU applications in power systems.     

基于REI等值的多区域无功优化并行计算(英文)

将REI等值技术应用于求解多区域电力系统的无功优化并行计算问题,对系统各个分区的外部网络进行REI等值化简,并对相角传递、等值网络初值计算、外层协调计算与REI等值网络修正等关键问题提出了具体的解决办法。并以此为基础建立了适合多区域无功优化的并行计算模式,通过采用Matlab并行计算平台实现无功优化并行计算,以IEEE 39节点和某695节点实际系统作为算例,通过与集中优化方法和基于Ward等值的多区域无功优化并行算法进行比较,对所提方法的有效性和优缺点进行了详细分析。     

应用有向图分层的控制系统暂态仿真并行算法及其GPU实现

随着基于变流器的电气接口和交直流混联技术的广泛使用,电网电磁暂态仿真中需对大规模复杂控制系统进行建模。采用细粒度并行方法可加速控制系统计算,提升电网电磁暂态仿真整体效率。文中提出了一种控制系统细粒度并行仿真算法,加速了图形处理器(GPU)计算平台上大规模控制系统仿真。首先,为构造面向GPU的多线程细粒度并行计算,将控制系统建模为由大量基本控制元件构成的有向图。进一步,对控制系统有向图进行分层,生成控制元件求解顺序,以利用GPU的分组细粒度并行实现控制元件的分层计算。最后,结合GPU的三层并行结构,通过优化线程结构和配置共享内存,将计算线程映射到GPU中的计算资源,最大化控制系统仿真的并行度。对分布式电源接入IEEE 13节点系统的仿真结果对比表明,所提出算法在保证电网电磁暂态仿真正确性的同时,可显著提高GPU计算平台上大规模、复杂控制系统的仿真速度,在硬件资源充足时,不存在仿真规模限制。     

伪并行遗传算法在无功优化中的应用

在无功优化中，应用矩阵奇异值分解理论，引入了静态电压稳定裕度最大化目标和并行遗传算法思想，提出了用于无功优化的伪并行遗传算法。该算法在一定程度上避免了常规遗传算法容易出现的“早熟”现象，收敛速度也有一定提高。对Ward＆Hale 6节点和IEEE 14节点系统进行了测试，计算结果表明，本文所提模型和算法是合理可行的。     

面向指数积分方法的电磁暂态仿真GPU并行算法

为满足对大规模可再生能源接入的电力系统进行快速电磁暂态仿真的需求,提出了一种面向指数积分方法的电力系统电磁暂态仿真图形处理器(GPU)并行算法。首先,分析了矩阵指数积分算法求解过程所具有的高度数据并行性,进而将该特性与GPU计算资源相结合;利用GPU处理指数积分方法求解时所需的大规模矩阵运算,而将较为复杂的系统状态判别与更新保留在CPU中完成,有效提升了仿真计算速度。最后,分别针对17台和100台风机的风电场算例进行了测试,验证了所提并行算法的正确性和有效性,同时也说明了算法的加速效果会随着系统规模的增加而愈发明显。     

基于差异进化和PC集群的并行无功优化

提出了一种在线求解电力系统无功优化问题的方法。该方法基于新的差异进化（DE）算法和并行计算技术,在PC集群上实现优化。IEEE118节点系统的算例表明：DE算法尽管简单,但可快速收敛到近似最优解;采用并行差异进化和适当规模的PC集群,可大大缩短电力系统无功优化的计算时间,使之满足在线应用的需要。     

基于诺顿等值的多区域系统无功优化分解协调算法

采用节点分裂法将电力系统按照实际地理位置进行区域分解。通过对外部系统进行诺顿等值,实现各个区域无功优化的独立计算,即内层迭代计算。引入了一套简单有效的协调机制修正边界节点的等值注入功率和电压,即外层迭代计算,最终实现大系统无功优化分解与协调计算,提高了计节点系统和某2 212节点实际系统为例,通过与集中优化算法的比较验证了所提算法的有效性。     

一种基于图形处理器加速的批量LU分解算法

潮流计算是电力系统计算的基础,其核心是LU分解计算,因此电力系统潮流计算加速的关键在于LU分解加速。当前,基于中央处理器(CPU)的并行算法已经成熟,性能提升空间有限。图形处理器(GPU)作为协处理器,在科学计算方面具有强大的优越性,被广泛应用到电力系统潮流计算中。文中首先分析了GPU结构和并行运行架构,然后介绍了LU分解原理,并选择了合适的矩阵排序算法和稀疏矩阵存储模型,借助统一计算设备架构(CUDA)编程模型实现了基于GPU的单个LU分解和批量LU分解并行加速,最后在仿真设备上测试了5个不同的案例,对比分析其并行算法的加速效果。仿真测试结果表明,基于GPU的批量稀疏LU分解并行算法,平均可以获得25～50倍的加速效果。     

用于多目标无功优化的自适应遗传算法

引入了自适应权重和因子及自适应罚函数的概念,提出了一种自适应遗传算法,将其应用于多目标无功优化问题的求解中。该算法能保证寻优方向的多向性,并能避免模糊隶属度算法耗时过长的缺陷。在寻优过程中,自适应罚函数法能有效利用不可行解的有用信息,对不可行解进行适度惩罚。IEEE14节点系统的算例结果表明所提出的算法是解决多目标无功优化问题的有效方法。