CN105354172A - 一种基于改进邻接矩阵的稀疏技术 - Google Patents

一种基于改进邻接矩阵的稀疏技术 Download PDF

Info

Publication number
CN105354172A
CN105354172A CN201510899953.0A CN201510899953A CN105354172A CN 105354172 A CN105354172 A CN 105354172A CN 201510899953 A CN201510899953 A CN 201510899953A CN 105354172 A CN105354172 A CN 105354172A
Authority
CN
China
Prior art keywords
node
matrix
adjacency matrix
array
branch
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201510899953.0A
Other languages
English (en)
Other versions
CN105354172B (zh
Inventor
胡志坚
王小飞
仉梦林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN201510899953.0A priority Critical patent/CN105354172B/zh
Publication of CN105354172A publication Critical patent/CN105354172A/zh
Application granted granted Critical
Publication of CN105354172B publication Critical patent/CN105354172B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Complex Calculations (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于改进邻接矩阵的稀疏技术。针对存储网络拓扑结构的邻接矩阵具有高度稀疏的特点，对其表现形式进行改进，并将改进后的邻接矩阵应用于节点优化编号、检索信息的提前确定以及节点导纳矩阵的形成。在LU分解过程中，为实现列方向的非零检索，增加了列向的存储信息，并制定相应的检索方式。根据优化编号过程中新增支路与因子分解非零注入元的关联性质，在优化编号的同时，记录新增元素的位置并形成存储框架。本发明适用于电力系统计算过程中，通过对检索方式和存储框架进行改进，可以有效提高电力系统相关计算的效率。

Description

一种基于改进邻接矩阵的稀疏技术
技术领域
本发明属于电力系统计算领域，尤其涉及一种基于改进邻接矩阵的稀疏技术。
背景技术
随着电压等级的不断提高，新系统元件的不断出现，现代电力系统规模庞大，节点数动辄成千上万，如何有效提高其计算效率，是电力工作者非常关心的一个问题。稀疏技术是提高计算速度的有效方法，目前，该技术已广泛应用于电力系统很多方面的分析计算中，如潮流计算、暂态计算、状态估计、谐波阻抗扫描等。因此结合计算机技术和电力系统的特点，对传统稀疏技术加以优化，进一步提高计算效率，对电力系统各种分析计算都有重要意义。
目前电力系统中常用的方法有稀疏向量法和基于十字链表的稀疏技术，但仍存在两个缺点：1)在稀疏矩阵结构确定的情况下，数组存储比链表存储更节省内存，检索效率更高；2)节点优化编号的过程中，已产生新增非零元的信息，可提前确定因子表结构。
随着将STL(StandardTemplateLibrary)纳入C++标准，数组的功能得到极大的完善。利用容器数组可以方便地进行插入、删除、查找等操作，且不会出现维数不足的情况，使原本对数组的复杂操作变得简单。
发明内容
针对现有技术存在的不足，本发明提出了一种可有效提高信息检索效率、程序计算速度的基于改进邻接矩阵的稀疏技术。
为了解决上述技术问题，本发明采用如下的技术方案：
一种基于改进邻接矩阵的稀疏技术，将邻接矩阵的拓扑结构稀疏存储，构造改进邻接矩阵，存储电力网络的拓扑结构；改进邻接矩阵M用来表示与某一节点相连的节点号及两节点之间的支路编号，以非接地支路两端的节点号和支路编号作为矩阵的行向量；改进邻接矩阵M共有三列，前两列表示节点编号，第三列是对应的支路编号；将改进邻接矩阵M运用于电力系统的节点优化编号，LU分解检索信息的提前确定和节点导纳矩阵的形成。
改进邻接矩阵M首先用于节点优化编号，节点优化过程结束后的矩阵M1用于LU分解检索信息的提前确定，矩阵M用于节点导纳矩阵的形成。(其中，节点优化编号和节点导纳矩阵的形成都是基于M，LU分解检索信息的提前确定需要以节点优化编号后矩阵M1为依据)
(一)形成改进邻接矩阵
在图论中，无向图其中，V＝{vi}为图G的点集，E＝{ek}为图G的边集，为与边对应的节点之间的连接关系。用矩阵表示图对研究图的性质及应用非常方便，邻接矩阵就是图的一种常用的存储结构。初始邻接矩阵是一个n维布尔方阵，表示节点之间的连接关系。邻接矩阵直观易懂，很容易判断任意两个节点之间是否直接相连。然而邻接矩阵与节点导纳矩阵有着完全相同的结构，高度稀疏，因此考虑将图G的拓扑结构稀疏存储。为此构造矩阵M，改变邻接矩阵的表现形式，为表述方便，本文将矩阵M统称为改进邻接矩阵。
改进邻接矩阵M主要用来表示与某一节点相连的节点号及两节点之间的支路编号，以非接地支路两端的节点号和支路编号作为矩阵的行向量。矩阵M共有三列，前两列表示节点编号，第三列是对应的支路编号。
BPA数据包含了一个系统潮流计算所需的信息，其中，B卡表示母线，L卡、E卡和T卡分别表示对称线路、不对称线路和变压器支路。扫描BPA数据中的所有支路，即可得到完整的拓扑信息。
BPA数据以字符形式存储，将字符信息转换为数字信息，才能进行后续的计算。扫描BPA数据(中国版的BonnevillePowerAdministration—BPA程序的*.DAT文件)，将B卡(母线)的节点名和节点电压存入容器数组vecB，其在vecB中的行号就是其节点编号。将L卡(对称线路)两侧的节点名和节点电压存入容器数组vecL。扫描vecB，找到L卡两端的节点在vecB中的位置，转化为数字后存入矩阵M，由此得到该支路的连接关系，每记录一条支路，支路编号加1。E卡、T卡处理方法与L卡相同，如此可形成完整的矩阵M。
(二)基于改进邻接矩阵的节点优化编号
节点优化编号可以显著提高稀疏技术的性能，矩阵M包含了原始网络的拓扑信息，在节点优化编号过程中，需及时更新拓扑信息以反映拓扑结构的变化。基于矩阵M采用半动态法进行优化编号的具体过程如下：
(1)去除并联支路的影响，提取矩阵M前两列互不相同的行存放到矩阵M0和M1，此时M0和M1完全相同；
(2)扫描矩阵M0，统计每个节点的出线度，存放到数组ND；
(3)消去出线度最小的一个节点i；
(4)在M0中去掉与节点i相关的所有支路，记录新增的支路，存放到矩阵M0与矩阵M1；
(5)ND[i]＝0，与节点i相连的所有未消去节点出线度减1，新增支路两端节点的出线度加1；
(6)重复执行步骤(3)、(4)、(5)，直到所有节点均被消去。
(三)基于改进邻接矩阵的三角分解检索信息的确定
在大规模系统节点电压方程的求解过程中，通常采用的是LU分解技术，因为节点导纳矩阵高度稀疏，LU分解后的L矩阵和U矩阵也高度稀疏，采用三角检索存储格式进行存储，检索信息是的形成是至关重要的一步。在LU分解过程中，L可由U求出，所以只需存储U矩阵及其检索信息。采用三角存储格式存储矩阵U及其检索信息，如下所示：
YD：存储U矩阵的对角线元素的值；
YU：按行顺序的存储U矩阵严格上三角非零元的值；
JU[p]：存储元素YU[p]所在的列号；
IU[k]：存储U矩阵严格上三角元素中第k行第1个非零元素在YU中的位置；
节点编号完成后的矩阵M1，包含原有节点间连接关系和节点消去过程中的新增支路，由此确定存储框架和检索信息。对照节点编号后的节点顺序，通过扫描、查找等操作即可在矩阵三角分解前确定矩阵U的存储框架YD、YU和检索信息JU、IU。形成数组JU和IU的具体步骤如下；
(1)i＝0，将i存放于数组JU，节点j＝BestTour[i]，扫描矩阵M1，得到与节点j相连的另一节点y；
(2)扫描矩阵BestTour，找到y在其中的位置m，即y＝BestTour[m]；
(3)判断是否满足m>i，若是，转步骤(4)，若否，转步骤(5)；
(4)将m存放于数组JU；
(5)判断与节点j相连的节点是否都被找到，若是，转步骤(6)，若否，转步骤(1)；
(6)将数组JU中数据个数存放于数组IU；
(7)i＝i+1，转步骤(1)，直至i＝n-1，至此在LU分解之前形成矩阵U检索信息。
其中，数组BestTour存储了优化编号后的节点顺序。
数组YD元素的个数为节点的个数，数组YU元素的个数与数组JU相同，由此形成矩阵U存储框架。
检索信息确定后在整个计算过程中不再发生改变，进行LU分解及前代回代时，按照数组JU和IU检索非零元。当产生非零注入元时，只需在数组YU的相应位置处更新注入值，整个分解过程不需要再对注入元的检索信息进行额外处理。
(四)基于改进邻接矩阵形成节点导纳矩阵
矩阵M包含了整个网络的拓扑结构，利用矩阵M及元件的电气参数形成系统的节点导纳矩阵。具体步骤如下：
(1)k＝0，节点i＝BestTour[k]，扫描矩阵M，得到与节点i相连的另一节点m及支路编号d；
(2)扫描BestTour，找到节点m的位置j，即m＝BestTour[j]；
(3)根据支路编号d判断支路类型，利用该支路电气元件的数学模型得到节点i与节点m之间的互导纳，将互导纳取负后累加到节点i的自导纳；
(4)扫描发电机与负荷等接地元件的对地导纳，累加到节点i的自导纳；
(5)与节点i相连的所有节点都处理完毕后，形成完整一行的导纳矩阵，转步骤(6)，否则转步骤(1)；
(6)k＝k+1，转步骤(1)，直到k＝n-1，至此形成完整的节点导纳矩阵。
其中：数组BestTour存储了优化编号后的节点顺序。
本发明方法的优点是：
1、本发明将邻接矩阵稀疏存储，构造改进邻接矩阵，方便了对拓扑结构的调用，结合计算机技术和电力网络特点形成的稀疏技术，可以有效提高节点方程的计算效率；
2、本发明将改进邻接矩阵应用于节点优化编号，节点导纳矩阵的形成，提高了检索网络拓扑的效率；
3、本发明根据优化编号过程中新增支路与LU分解非零注入元的关联性质，在优化编号的同时，记录新增支路的信息，根据优化编号后的改进邻接矩阵，提前形成三角存储检索信息，避免了LU分解过程中对注入元的额外处理。
附图说明
图1是IEEE9节点系统拓扑结构和改进邻接矩阵。
图2是基于改进邻接矩阵的半动态法节点优化编号流程图。
图3是LU分解后的U矩阵和节点优化编号后的矩阵M。
图4是基于改进邻接矩阵提前形成三角检索信息流程图。
图5是基于改进邻接矩阵形成节点导纳矩阵流程图。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
基于改进邻接矩阵的稀疏技术，包括以下步骤：
(一)形成改进邻接矩阵
BPA数据包含了一个系统潮流计算所需的信息，其中，B卡表示母线，L卡、E卡和T卡分别表示对称线路、不对称线路和变压器支路。扫描BPA数据中的所有支路，即可得到完整的拓扑信息。
扫描BPA数据，将B卡(母线)的节点名和节点电压存入容器数组vecB，其在vecB中的行号就是其节点编号。将L卡(对称线路)两侧的节点名和节点电压存入容器数组vecL。扫描vecB，找到L卡两端的节点在vecB中的位置，转化为数字后存入矩阵M，由此得到该支路的连接关系，每记录一条支路，支路编号加1。E卡、T卡处理方法与L卡相同，如此可形成完整的矩阵M。
(二)基于改进邻接矩阵的节点优化编号
节点优化编号可以显著提高稀疏技术的性能，矩阵M包含了原始网络的拓扑信息，在节点优化编号过程中，需及时更新拓扑信息以反映拓扑结构的变化，因此M也随节点消去过程而变化。基于矩阵M采用半动态法进行优化编号的具体过程如下：
(1)去除并联支路的影响，提取矩阵M前两列互不相同的行存放到矩阵M0与矩阵M1；
(2)扫描矩阵M0，统计每个节点的出线度，存放到数组ND；
(3)消去出线度最小的一个节点i；
(4)在M0中去掉与节点i相关的所有支路，记录新增的支路，存放到矩阵M0与矩阵M1；
(5)ND[i]＝0，与节点i相连的所有未消去节点出线度减1，新增支路两端节点的出线度加1；
(6)重复执行步骤(3)、(4)、(5)，直到所有节点均被消去。
(三)基于改进邻接矩阵的三角分解检索信息的确定
在大规模系统节点电压方程的求解过程中，通常采用的是LU分解技术，因为节点导纳矩阵高度稀疏，LU分解后的L矩阵和U矩阵也高度稀疏，采用三角检索存储格式进行存储，检索信息是的形成是至关重要的一步。在LU分解过程中，L可由U求出，所以只需存储U矩阵及其检索信息。采用4个一维数组存储U矩阵及其检索信息，如下所示：
YD：存储U矩阵的对角线元素的值；
YU：按行顺序的存储U矩阵严格上三角非零元的值；
JU[p]：存储元素YU[p]所在的列号；
IU[k]：存储U矩阵严格上三角元素中第k行第1个非零元素在YU中的位置。
节点编号完成后的矩阵M1，包含原有节点间连接关系和节点消去过程中的新增支路，由此确定存储框架和检索信息。对照节点编号后的节点顺序，通过扫描、查找等操作即可在矩阵三角分解前确定矩阵U的存储框架YD、YU和检索信息JU、IU。形成数组JU和IU的具体步骤如下；
(1)i＝0，将i存放于数组JU，节点j＝BestTour[i]，扫描矩阵M1，得到与节点j相连的另一节点y；
(2)扫描矩阵BestTour，找到y在其中的位置m，即y＝BestTour[m]；
(3)判断是否满足m>i，若是，转步骤(4)，若否，转步骤(5)；
(4)将m存放于数组JU；
(5)判断与节点j相连的节点是否都被找到，若是，转步骤(6)，若否，转步骤(1)；
(6)将数组JU中数据个数存放于数组IU；
(7)i＝i+1，转步骤(1)，直至i＝n-1，至此在LU分解之前形成矩阵U检索信息。
其中，数组BestTour存储了优化编号后的节点顺序。
数组YD元素的个数为节点的个数，数组YU元素的个数与数组JU相同，由此形成矩阵U存储框架。
(四)基于改进邻接矩阵形成节点导纳矩阵
矩阵M包含了整个网络的拓扑结构，利用矩阵M及元件的电气参数形成系统的节点导纳矩阵。具体步骤如下：
(1)k＝0，节点i＝BestTour[k]，扫描矩阵M，得到与节点i相连的另一节点m及支路编号d；
(2)扫描BestTour，找到节点m的位置j，即m＝BestTour[j]；
(3)根据支路编号d判断支路类型，利用该支路电气元件的数学模型得到节点i与节点m之间的互导纳，将互导纳取负后累加到节点i的自导纳；
(4)扫描发电机与负荷等接地元件的对地导纳，累加到节点i的自导纳；
(5)与节点i相连的所有节点都处理完毕后，形成完整一行的导纳矩阵，转步骤(6)，否则转步骤(1)；
(6)k＝k＋1，转步骤(1)，直到k＝n-1，至此形成完整的节点导纳矩阵。
实施例：
这里应用改进邻接矩阵的稀疏技术求解节点电压方程I＝YV，并用IEEE9节点系统验证本发明方法的有效性。表1至表3给出了IEEE9节点系统的BPA数据。
表1母线数据
表2两绕组变压器数据
表3输电线数据
(一)形成改进邻接矩阵
扫描BPA数据，将B卡(母线)的节点名和节点电压存入容器数组vecB，其在vecB中的行号就是其节点编号。将L卡(对称线路)两侧的节点名和节点电压存入容器数组vecL。扫描vecB，找到L卡两端的节点在vecB中的位置，转化为数字后存入矩阵M，由此得到该支路的连接关系，每记录一条支路，支路编号加1。E卡、T卡处理方法与L卡相同，如此形成完整的矩阵M。
图1给出了IEEE9节点系统拓扑结构和改进邻接矩阵。
(二)节点优化编号
图2给出了基于改进邻接矩阵的半动态法节点优化编号流程图。节点优化编号前后的编号顺序如表4所示。
表4IEEE9节号点系统编优化
原始编号 1 2 3 4 5 6 7 8 9
优化编号 1 5 9 2 3 4 6 7 8
(三)确定三角分解检索信息
图3给出了LU分解后的U矩阵和节点优化编号后的矩阵M。
图4给出了基于改进邻接矩阵提前形成三角检索信息流程图。
采用6个一维数组存储U矩阵及其检索信息，如表5所示：
表5矩阵U三角存储数组
(四)形成节点导纳矩阵
图5给出了基于改进邻矩阵形成节点导纳矩阵流程图，具体步骤如下：
(1)k＝0，节点i＝BestTour[k]，扫描矩阵M，得到与节点i相连的另一节点m及支路编号d；
(2)扫描BestTour，找到节点m的位置j，即m＝BestTour[j]；
(3)根据支路编号d判断支路类型，利用该支路电气元件的数学模型得到节点i与节点m之间的互导纳，将互导纳取负后累加到节点i的自导纳；
(4)扫描发电机与负荷等接地元件的对地导纳，累加到节点i的自导纳；
(5)与节点i相连的所有节点都处理完毕后，形成完整一行的导纳矩阵，转步骤(6)，否则转步骤(1)；
(6)k＝k+1，转步骤(1)，直到k＝n-1，至此形成完整的节点导纳矩阵。
基于改进邻接矩阵形成的节点导纳矩阵如表6所示。
表6IEEE9节点系统节点导纳矩阵

Claims (5)

1.一种基于改进邻接矩阵的稀疏技术，其特征在于：
将邻接矩阵的拓扑结构稀疏存储，构造改进邻接矩阵，存储电力网络的拓扑结构；改进邻接矩阵M用来表示与某一节点相连的节点号及两节点之间的支路编号，以非接地支路两端的节点号和支路编号作为矩阵的行向量；改进邻接矩阵M共有三列，前两列表示节点编号，第三列是对应的支路编号；将改进邻接矩阵M运用于电力系统的节点优化编号，LU分解检索信息的提前确定和节点导纳矩阵的形成。
2.根据权利要求1所述的一种基于改进邻接矩阵的稀疏技术，其特征在于：所述改进邻接矩阵M的构建过程如下；
扫描中国版的BonnevillePowerAdministration—BPA程序的*.DAT文件，将B卡的节点名和节点电压存入容器数组vecB，其在vecB中的行号就是其节点编号；将L卡两侧的节点名和节点电压存入容器数组vecL；扫描vecB，找到L卡两端的节点在vecB中的位置，转化为数字后存入矩阵M，由此得到该支路的连接关系，每记录一条支路，支路编号加1；E卡、T卡处理方法与L卡相同，如此即形成完整的改进邻接矩阵M；其中B卡表示母线，L卡、E卡和T卡分别表示对称线路、不对称线路和变压器支路。
3.根据权利要求1所述的一种基于改进邻接矩阵的稀疏技术，其特征在于：基于改进邻接矩阵M进行节点优化编号，具体步骤如下；
步骤(1)去除并联支路的影响，提取矩阵M前两列互不相同的行存放到矩阵M0和M1，此时M0和M1完全相同；
步骤(2)扫描矩阵M0，统计每个节点的出线度，存放到数组ND；
步骤(3)消去出线度最小的一个节点i；
步骤(4)在M0中去掉与节点i相关的所有支路，记录新增的支路，存放到矩阵M0与矩阵M1；
步骤(5)ND[i]＝0，与节点i相连的所有未消去节点出线度减1，新增支路两端节点的出线度加1；
步骤(6)重复执行步骤(3)、(4)、(5)，直到所有节点均被消去。
4.根据权利要求1所述的一种基于改进邻接矩阵的稀疏技术，其特征在于：基于改进邻接矩阵M确定三角分解检索信息，具体过程如下；
节点编号完成后的矩阵M1，包含原有节点间连接关系和节点消去过程中的新增支路，由此确定三角分解检索信息，采用数组JU和IU存储上三角矩阵U的检索信息，形成数组JU和IU的具体步骤如下；
步骤(1)i＝0，将i存放于数组JU，节点j＝BestTour[i]，扫描矩阵M1，得到与节点j相连的另一节点y；
步骤(2)扫描矩阵BestTour，找到y在其中的位置m，即y＝BestTour[m]；
步骤(3)判断是否满足m>i，若是，转步骤(4)，若否，转步骤(5)；
步骤(4)将m存放于数组JU；
步骤(5)判断与节点j相连的节点是否都被找到，若是，转步骤(6)，若否，转步骤(1)；
步骤(6)将数组JU中数据个数存放于数组IU；
步骤(7)i＝i+1，转步骤(1)，直至i＝n-1，至此在LU分解之前形成矩阵U检索信息；
其中，数组BestTour存储了优化编号后的节点顺序。
5.根据权利要求1所述的一种基于改进邻接矩阵的稀疏技术，其特征在于：基于改进邻接矩阵形成节点导纳矩阵，形成节点导纳矩阵的步骤如下：
步骤(1)k＝0，节点i＝BestTour[k]，扫描矩阵M，得到与节点i相连的另一节点m及支路编号d；
步骤(2)扫描BestTour，找到节点m的位置j，即m＝BestTour[j]；
步骤(3)根据支路编号d判断支路类型，利用该支路电气元件的数学模型得到节点i与节点m之间的互导纳，将互导纳取负后累加到节点i的自导纳；
步骤(4)扫描发电机与负荷元件的对地导纳，累加到节点i的自导纳；
步骤(5)与节点i相连的所有节点都处理完毕后，形成完整一行的导纳矩阵，转步骤(6)，否则转步骤(1)；
步骤(6)k＝k＋1，转步骤(1)，直到k＝n-1，至此形成完整的节点导纳矩阵；
其中，数组BestTour存储了优化编号后的节点顺序。
CN201510899953.0A 2015-12-07 2015-12-07 一种基于改进邻接矩阵的稀疏方法 Active CN105354172B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510899953.0A CN105354172B (zh) 2015-12-07 2015-12-07 一种基于改进邻接矩阵的稀疏方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510899953.0A CN105354172B (zh) 2015-12-07 2015-12-07 一种基于改进邻接矩阵的稀疏方法

Publications (2)

Publication Number Publication Date
CN105354172A true CN105354172A (zh) 2016-02-24
CN105354172B CN105354172B (zh) 2018-04-20

Family

ID=55330146

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510899953.0A Active CN105354172B (zh) 2015-12-07 2015-12-07 一种基于改进邻接矩阵的稀疏方法

Country Status (1)

Country Link
CN (1) CN105354172B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106815403A (zh) * 2016-12-15 2017-06-09 国网北京市电力公司 电力系统中节点编号方法和装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104408026A (zh) * 2014-11-27 2015-03-11 南昌大学 一种基于对称稀疏矩阵技术的lr三角分解求取电力系统节点阻抗矩阵的方法
CN104657337A (zh) * 2014-11-27 2015-05-27 南昌大学 一种基于cu三角分解求取电力系统节点阻抗矩阵的方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104408026A (zh) * 2014-11-27 2015-03-11 南昌大学 一种基于对称稀疏矩阵技术的lr三角分解求取电力系统节点阻抗矩阵的方法
CN104657337A (zh) * 2014-11-27 2015-05-27 南昌大学 一种基于cu三角分解求取电力系统节点阻抗矩阵的方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
TINNEY W ET AL.: "Direct solutions of sparse network equations by optionally ordered triangular factorization", 《PROCEEDINGS OF THE IEEE》 *
吴盼良 等: "综合电力系统暂态稳定性分析", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *
莫铭瑞 等: "基于改进的邻接矩阵分层搜索前推回代法在潮流计算中的应用", 《电网与清洁能源》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106815403A (zh) * 2016-12-15 2017-06-09 国网北京市电力公司 电力系统中节点编号方法和装置

Also Published As

Publication number Publication date
CN105354172B (zh) 2018-04-20

Similar Documents

Publication Publication Date Title
CN107145526B (zh) 一种路网下地理社交关键字反最近邻查询处理方法
CN107611962B (zh) 电网系统支路搜索方法、系统及电子设备
CN107229751A (zh) 一种面向流式数据的并行增量式关联规则挖掘方法
CN107529644B (zh) 一种电力系统静态电压稳定域边界线性近似方法
CN110188972B (zh) 一种10kV配电网非专线客户接入方法
CN104077438A (zh) 电网大规模拓扑结构构建方法与系统
CN107247761A (zh) 基于位图的轨迹编码方法
CN109325089A (zh) 一种非定点对象查询方法、装置、终端设备及存储介质
CN116126942B (zh) 一种多维空间气象网格数据分布式存储查询方法
CN111414445B (zh) 一种应用地理信息的地址反解析方法
CN104346444A (zh) 一种基于路网反空间关键字查询的最佳选址方法
CN102692491B (zh) 基于分阶段禁忌寻优算法的土壤水分特征参数计算方法
CN116775661A (zh) 基于北斗网格技术的空间大数据存储与管理方法
CN103714124B (zh) 超大规模低压数据处理方法
CN103345536B (zh) 一种语义关联索引方法
CN106874479A (zh) 基于FPGA的FP‑Growth算法的改进方法及装置
CN104699815A (zh) 数据处理方法和系统
CN105354172A (zh) 一种基于改进邻接矩阵的稀疏技术
CN104462095A (zh) 一种查询语句公共部分的提取方法及装置
CN110297952B (zh) 一种基于网格索引的并行化高速铁路勘测数据检索方法
CN106780747A (zh) 一种快速分割cfd计算网格的方法
CN106294540A (zh) 基于p‑stable局部敏感哈希检索数据样式的多点地质统计建模方法
CN104714956A (zh) 一种异构记录集对比方法及装置
CN107564100B (zh) 一种等高线生成平滑实体的方法
CN105005627A (zh) 基于Spark分布式系统的最短路径关键点查询方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant