CN108599173B - 一种批量潮流的求解方法及装置 - Google Patents
一种批量潮流的求解方法及装置 Download PDFInfo
- Publication number
- CN108599173B CN108599173B CN201810646698.2A CN201810646698A CN108599173B CN 108599173 B CN108599173 B CN 108599173B CN 201810646698 A CN201810646698 A CN 201810646698A CN 108599173 B CN108599173 B CN 108599173B
- Authority
- CN
- China
- Prior art keywords
- calculation
- batch
- power
- matrix
- decomposition
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 95
- 238000004364 calculation method Methods 0.000 claims abstract description 221
- 239000011159 matrix material Substances 0.000 claims abstract description 184
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 101
- 238000006467 substitution reaction Methods 0.000 claims abstract description 41
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims description 31
- 230000001360 synchronised effect Effects 0.000 claims description 23
- 230000008859 change Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 3
- 239000010410 layer Substances 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 3
- 230000001364 causal effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
- H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected networks
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明实施例提供一种批量潮流的求解方法及装置,方法包括:获取电力系统的网络数据和导纳矩阵;根据所述网络数据和所述导纳矩阵生成定系数矩阵;采用LDU分解所述定系数矩阵,以获取分解矩阵L、分解矩阵D和分解矩阵U;根据所述预设因子和所述网络数据生成批量潮流计算的多场景;根据所述多场景的参数、所述导纳矩阵进行批量潮流不平衡功率计算;根据所述批量潮流不平衡功率计算的第一计算结果、所述定系数矩阵和分解结果进行批量前推回代计算;若所述批量前推回代计算的第二计算结果满足预设的算法终止条件,将当前的第二计算结果作为求解结果。所述装置执行上述方法。本发明实施例提供的方法及装置,能够提高批量潮流计算的整体计算效率。
Description
技术领域
本发明实施例涉及电力系统技术领域,具体涉及一种批量潮流的求解方法及装置。
背景技术
随着新能源电源和新型负载的接入以及电网规模的不断扩大,电力系统的静态电压稳定性分析面临新的挑战。
现有批量潮流计算方法的缺陷主要体现在批量潮流不平衡功率及前推回代求解过程中的计算量过大,且效率低下,无法满足大规模系统的分析需求。
因此,如何避免上述缺陷,提高批量潮流计算的整体计算效率,优化批量潮流的求解过程,从而提升大规模系统电压稳定性分析的效率和准确性,成为亟须解决的问题。
发明内容
针对现有技术存在的问题,本发明实施例提供一种批量潮流的求解方法及装置。
第一方面,本发明实施例提供一种批量潮流的求解方法,所述方法包括:
获取电力系统的网络数据和导纳矩阵;根据所述网络数据和所述导纳矩阵生成定系数矩阵;
采用LDU分解所述定系数矩阵,以获取分解矩阵L、分解矩阵 D和分解矩阵U;
根据所述预设因子和所述网络数据生成批量潮流计算的多场景;所述多场景的参数能反映发电机和负载按照固定或随机方向的变动;
根据所述多场景的参数、所述导纳矩阵进行批量潮流不平衡功率计算;
根据所述批量潮流不平衡功率计算的第一计算结果、所述定系数矩阵和分解结果进行批量前推回代计算;所述第一计算结果包括第i个节点在第k个场景中的不平衡有功功率和不平衡无功功率;所述节点是在所述批量潮流不平衡功率计算过程中生成的;
若所述批量前推回代计算的第二计算结果满足预设的算法终止条件,将当前的第二计算结果作为批量潮流的求解结果。
第二方面,本发明实施例提供一种批量潮流的求解装置,所述装置包括:
获取单元,用于获取电力系统的网络数据和导纳矩阵;根据所述网络数据和所述导纳矩阵生成定系数矩阵;
分解单元,用于采用LDU分解所述定系数矩阵,以获取分解矩阵L、分解矩阵D和分解矩阵U;
生成单元,用于根据所述预设因子和所述网络数据生成批量潮流计算的多场景;所述多场景的参数能反映发电机和负载按照固定或随机方向的变动;
第一计算单元,用于根据所述多场景的参数、所述导纳矩阵进行批量潮流不平衡功率计算;
第二计算单元,用于根据所述批量潮流不平衡功率计算的第一计算结果、所述定系数矩阵和分解结果进行批量前推回代计算;所述第一计算结果包括第i个节点在第k个场景中的不平衡有功功率和不平衡无功功率;所述节点是在所述批量潮流不平衡功率计算过程中生成的;
求解单元,用于若判断获知所述批量前推回代计算的第二计算结果满足预设的算法终止条件,将当前的第二计算结果作为批量潮流的求解结果。
第三方面,本发明实施例提供一种电子设备,包括:处理器、存储器和总线,其中,
所述处理器和所述存储器通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如下方法:
获取电力系统的网络数据和导纳矩阵;根据所述网络数据和所述导纳矩阵生成定系数矩阵;
采用LDU分解所述定系数矩阵,以获取分解矩阵L、分解矩阵 D和分解矩阵U;
根据所述预设因子和所述网络数据生成批量潮流计算的多场景;所述多场景的参数能反映发电机和负载按照固定或随机方向的变动;
根据所述多场景的参数、所述导纳矩阵进行批量潮流不平衡功率计算;
根据所述批量潮流不平衡功率计算的第一计算结果、所述定系数矩阵和分解结果进行批量前推回代计算;所述第一计算结果包括第i个节点在第k个场景中的不平衡有功功率和不平衡无功功率;所述节点是在所述批量潮流不平衡功率计算过程中生成的;
若所述批量前推回代计算的第二计算结果满足预设的算法终止条件,将当前的第二计算结果作为批量潮流的求解结果。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,包括:
所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如下方法:
获取电力系统的网络数据和导纳矩阵;根据所述网络数据和所述导纳矩阵生成定系数矩阵;
采用LDU分解所述定系数矩阵,以获取分解矩阵L、分解矩阵 D和分解矩阵U;
根据所述预设因子和所述网络数据生成批量潮流计算的多场景;所述多场景的参数能反映发电机和负载按照固定或随机方向的变动;
根据所述多场景的参数、所述导纳矩阵进行批量潮流不平衡功率计算;
根据所述批量潮流不平衡功率计算的第一计算结果、所述定系数矩阵和分解结果进行批量前推回代计算;所述第一计算结果包括第i个节点在第k个场景中的不平衡有功功率和不平衡无功功率;所述节点是在所述批量潮流不平衡功率计算过程中生成的;
若所述批量前推回代计算的第二计算结果满足预设的算法终止条件,将当前的第二计算结果作为批量潮流的求解结果。
本发明实施例提供的批量潮流的求解方法及装置,通过进行批量潮流不平衡功率并行计算和批量前推回代并行计算,能够提高批量潮流计算的整体计算效率,优化批量潮流的求解过程,从而提升大规模系统电压稳定性分析的效率和准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一种批量潮流的求解方法流程示意图;
图2为本发明实施例批量潮流求解方法整体流程图;
图3为本发明实施例批量有功不平衡功率计算的过程流程图;
图4为本发明实施例稀疏结构A的矩阵示例图;
图5为本发明实施例基于LDAG的批量前推回代计算示意图;
图6为本发明实施例批量潮流的求解装置结构示意图;
图7为本发明实施例提供的电子设备实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为了便于理解本发明实施例,先对相关术语解释如下:
1.潮流计算:指在给定电力系统网络拓扑、元件参数和发电、负荷参量条件下,计算有功功率、无功功率及电压在电力网中的分布,是电力系统分析中的基础计算内容。
2.GPU:全称Graphics Processing Unit,图形处理器,具有海量并发线程,作为并行计算载体被广泛应用于各个领域的加速计算中。
3.CUDA:全称Compute Unified Device Architecture,是一种由 NVIDIA公司推出的通用并行计算架构,提供了能够利用C语言进行开发的多层次编程模型。
图1为本发明实施例一种批量潮流的求解方法流程示意图,如图1所示,本发明实施例提供的一种批量潮流的求解方法,包括以下步骤:
S101:获取电力系统的网络数据和导纳矩阵;根据所述网络数据和所述导纳矩阵生成定系数矩阵。
具体的,装置获取电力系统的网络数据和导纳矩阵;根据所述网络数据和所述导纳矩阵生成定系数矩阵。图2为本发明实施例批量潮流求解方法整体流程图;如图2所示,装置可以是服务器、终端等携带有GPU和CPU的载体,所述方法的整体步骤可以在CPU 和GPU中执行。所述网络数据可以包括发电机有功功率、负荷有功功率和无功功率、电压幅值和相角。在CUDA架构下实现批量潮流的并行求解,为减少分解系数矩阵在计算中的耗时,避免这一串行逻辑较强的计算在GPU上出现,对于N-R法和CNM法均采用定雅克比矩阵,而快速分解法迭代时的系数矩阵则原本就为固定矩阵,这些的矩阵就是定系数矩阵。具体生成方法为本领域成熟技术,不再赘述。
S102:采用LDU分解所述定系数矩阵,以获取分解矩阵L、分解矩阵D和分解矩阵U。
具体的,装置采用LDU分解所述定系数矩阵,以获取分解矩阵 L、分解矩阵D和分解矩阵U。供迭代计算批量潮流不平衡功率和批量前推回代时使用。由于该定系数矩阵及其因子表(预设因子) 均为稀疏阵,需采用一定的稀疏存储方法,以减少通信和内存读取的时间。对上三角矩阵采用行压缩稀疏存储(Compressed Sparse Row, CSR),下三角矩阵采用列压缩稀疏存储(Compressed Sparse Column, CSC)。S101和S102可以在CPU上执行该步骤。
S103:根据所述预设因子和所述网络数据生成批量潮流计算的多场景;所述多场景的参数能反映发电机和负载按照固定或随机方向的变动。
具体的,装置根据所述预设因子和所述网络数据生成批量潮流计算的多场景;所述多场景的参数能反映发电机和负载按照固定或随机方向的变动。可以根据电力系统运行的实际工况(通过网络数据反映)和预设因子(模拟工况波动)对发电机和负荷进行固定或随机方向的变动,即可生成批量潮流计算的多场景。所述多场景的参数可以包括场景中的发电机有功功率Pgb、负荷有功功率Plb和无功功率Qlb、电压幅值Vb和相角θb。可以采用列式存储方式存储所述多场景的参数,减少GPU并行计算中内存读取的时间。
S104:根据所述多场景的参数、所述导纳矩阵进行批量潮流不平衡功率计算。
具体的,装置根据所述多场景的参数、所述导纳矩阵进行批量潮流不平衡功率计算。根据如下公式计算具有电流量纲的加和向量 I(k) i:
其中,k表示m个多场景中的第k个场景、i表示n个非参考节点中的第i个非参考节点、N表示节点总数,N=n+1;j表示N个节点总数中的第j个、V(k) j表示第j个节点在第k个场景中的电压幅值、θ(k) ij表示第i个非参考节点和第j个节点在第k个场景中的相角、Gij和Bij分别是所述导纳矩阵的实部和虚部;所述n的数值由Gij和Bij的稀疏性来确定。I(k) i可以理解为该计算步骤中的中间步骤,非参考节点,以及节点可以理解为在计算过程中生成的。需要说明的是:上标(k)表示变量在场景k+1计算中的数值,即带有上标k=1,……,m-1。
为每个I(k)分配并行计算的线程;所述线程的数量由b+n之和来确定;其中,所述I(k)表示第k个场景的所有非参考节点对应的加和向量、b表示所有节点之间的支路总数,由Gij和Bij的稀疏性来确定。即为每一个场景的I(k)分配一个线程,m个场景并行计算。为了避免节点之间的竞争现象,采用原子加法函数atomic Add优化I(k) i的计算。
对所述线程进行同步处理;对同步处理后得到的I(k) i进行如下计算:
ΔP(k)(V(k),θ(k))i=Pg(k) i-Pl(k) i-V(k) i·I(k) i (2)
其中,ΔP(k)(V(k),θ(k))i表示第i个节点在第k个场景中的不平衡有功功率、Pg(k) i表示第i个节点在第k个场景中的发电机有功功率、 Pl(k) i表示第i个节点在第k个场景中的负荷有功功率、V(k) i表示第i 个节点在第k个场景中的电压幅值;
对同步处理后得到的I(k) i进行如下计算:
ΔQ(k)(V(k),θ(k))i=Qg(k) i-Ql(k) i-V(k) i·I(k) i (3)
其中,ΔQ(k)(V(k),θ(k))i表示第i个节点在第k个场景中的不平衡无功功率、Qg(k) i表示第i个节点在第k个场景中的发电机无功功率、 Ql(k) i表示第i个节点在第k个场景中的负荷无功功率、V(k) i表示第i 个节点在第k个场景中的电压幅值。
图3为本发明实施例批量有功不平衡功率计算的过程流程图,如图3所示,可以理解批量有功不平衡功率计算的全过程。对所述线程进行同步处理,具体可以如下:采用全局标志位的方法对所述线程对应的线程块进行同步处理。对于一个场景需要n个线程,共配置数目为m*n的线程即可完成。应注意的是,在此步计算前,需要将线程同步才能够保证计算正确。由于实际计算中应用线程数目可能远超线程块的最大线程数(举例为1024),则需对线程块block 间进行同步。本发明采用全局标志位的方法进行block间同步,即每个线程完成计算时在初始值为0的全局标记数组相应位置标记为1,直到全部标记为均变为1时则所有线程同步结束。无功不平衡功率计算的说明,不再赘述。
S105:根据所述批量潮流不平衡功率计算的第一计算结果、所述定系数矩阵和分解结果进行批量前推回代计算;所述第一计算结果包括第i个节点在第k个场景中的不平衡有功功率和不平衡无 功功率;所述节点是在所述批量潮流不平衡功率计算过程中生成的。
具体的,装置根据所述批量潮流不平衡功率计算的第一计算结果、所述定系数矩阵和分解结果进行批量前推回代计算;所述第一计算结果包括第i个节点在第k个场景中的不平衡有功功率和不平衡无 功功率;所述节点是在所述批量潮流不平衡功率计算过程中生成的。具体包括:对n维线性方程组Ax=c进行分解,以将所述c 分解为Lz;以所述z分解为Dy;以所述y分解为Ux;其中,c表示所述不平衡有功功率和所述不平衡无功功率、A表示所述定系数矩阵、x为待求解的所述第二计算结果、L、D、U分别对应分解矩阵L、分解矩阵D、分解矩阵U;即c可以是由不平衡有功功率和不平衡有功功率组成的向量;由于分解矩阵L、分解矩阵D、分解矩阵U都是已知量,因此可以求解出x。
即对Ax=c分解为(4)~(6)式:
Lz=c (4)
Dy=z (5)
Ux=y (6)
其中式(5)仅为n次除法运算,很易并行实现,不作赘述。对于式(4)所示的前代过程和式(6)所示的回代过程,其串行执行过程如式 (7)和式(8)所示。对计算过程进行分析可见,循环过程中后面元素的求解依赖于前面的若干个元素,而这种依赖关系是由L矩阵和U矩阵的稀疏性决定的,同样具有稀疏性。因此大部计算间并无相关性,可充分挖掘其并行特性。
获取所述L和所述U分别对应的包含有基本计算元的分层有向图;其中,所述分层有向图为m个。
前推回代计算中每个元素的更新运算可以看作一个基本运算元,即一组可由单个线程高效完成的不可拆分的基本指令集合。由于不同节点的依赖性之间不包括环状结构,因此根据计算过程中这些基本计算元间的依赖关系即可形成有向无环图(DirectedAcyclic Graph,DAG)。图中若不同节点(基本计算元)之间不存在因果关系,则这些基本计算元是可以被完全并行处理的。对于前后有因果关系的基本计算元,对其进行的计算需要遵循一定的计算顺序。具体地,计算顺序可由对DAG进行分层确定,同一层中无数据依赖关系,可完全并行,由此便形成了分层有向无环图层(Layered Directed Acyclic Graph,LDAG)。
前推回代计算所形成LDAG拓扑结构完全取决于系数矩阵的稀疏结构,对于本发明实施例而言稀疏线性方程组的系数矩阵均为固定。LDAG图的拓扑结构可在迭代计算前预先形成并存储,迭代计算中只需要根据不平衡功率计算的结果更改图中节点元素值,并完成整体计算即可。对于批量求解而言,所有场景中LDAG相同且无任何不同场景的图连接,只是基本计算元完成的计算因右端项的不同而不同。因此只需分配足够多的并行资源,根据LDAG结构设计并行算法即可。
图4为本发明实施例稀疏结构A的矩阵示例图,如图4所示,说明基于LDAG的批量前推回代求解计算过程。其中,上三角部分表示U,下三角部分表示L,·表示该位置原有非零元素,x表示LU 分解过程中的注入元素。由于L16和L17均有非零元素,则前代过程中节点6、7的更新必须等到节点1完成之后,而其余节点更新计算则与节点1无关。依次类推,可根据矩阵结构表示的计算依赖关系建立LDAG,并根据右端项的不同分配资源进行批量求解。
分配h个并行线程资源,以使m个分层有向图中的每个相同层分别占用对应的每一并行线程资源;其中,所述h为所述分层有向图的层数。
图5为本发明实施例基于LDAG的批量前推回代计算示意图,其中的LDAG为有向无环图层(Layered Directed Acyclic Graph),如图5所示,针对的是分层有向图为m个的情况。图5中的场景1~场景m分别对应上述场景1~场景m、Thread1~Threadn对应的串行线程、例如:Thread1对应的基本计算元2、基本计算元3、基本计算元8、基本计算元10和基本计算元11之间是串行计算线程, Block1~Blockm对应的是并行线程资源、Lever1~Lever h对应的是分层有向图的每一层,以Block1为例,在Block1对应的并行线程资源中分配h个并行线程资源,即Block1~Blockm中的第一层(共计m个)占用并行线程资源Y1,同步并行计算基本计算元2、基本计算元5、基本计算元1、基本计算元4;Block1~Blockm中的第二层(共计m个)占用并行线程资源Y2,同步并行计算基本计算元3、基本计算元6,以此类推。参照上述举例,相同细粒度即对应m个场景中的相同层,层间依次计算,最终完成批量前代回代。
S106:若所述批量前推回代计算的第二计算结果满足预设的算法终止条件,将当前的第二计算结果作为批量潮流的求解结果。
具体的,装置若判断获知所述批量前推回代计算的第二计算结果满足预设的算法终止条件,将当前的第二计算结果作为批量潮流的求解结果。参照上述图2,预设的算法终止条件可以是当前的第二计算结果ΔVbi<ε,且当前的第二计算结果Δθbi<ε,ε的具体数值可以根据实际情况自主设置。如果该条件不满足,继续迭代计算,直至满足条件为止。S103~S106可以在GPU上执行该步骤。
本发明实施例提供的批量潮流的求解方法,通过进行批量潮流不平衡功率并行计算和批量前推回代并行计算,能够提高批量潮流计算的整体计算效率,优化批量潮流的求解过程,从而提升大规模系统电压稳定性分析的效率和准确性。
在上述实施例的基础上,所述根据所述多场景的参数、所述导纳矩阵进行批量潮流不平衡功率计算,包括:
根据如下公式计算具有电流量纲的加和向量I(k) i:
其中,k表示m个多场景中的第k个场景、i表示n个非参考节点中的第i个非参考节点、N表示节点总数,N=n+1;j表示N个节点总数中的第j个、V(k) j表示第j个节点在第k个场景中的电压幅值、θ(k) ij表示第i个非参考节点和第j个节点在第k个场景中的相角、Gij和Bij分别是所述导纳矩阵的实部和虚部;所述n的数值由Gij和Bij的稀疏性来确定。
具体的,装置根据如下公式计算具有电流量纲的加和向量I(k) i:
其中,k表示m个多场景中的第k个场景、i表示n个非参考节点中的第i个非参考节点、N表示节点总数,N=n+1;j表示N个节点总数中的第j个、V(k) j表示第j个节点在第k个场景中的电压幅值、θ(k) ij表示第i个非参考节点和第j个节点在第k个场景中的相角、Gij和Bij分别是所述导纳矩阵的实部和虚部;所述n的数值由Gij和Bij的稀疏性来确定。可参照上述实施例,不再赘述。
为每个I(k)分配并行计算的线程;所述线程的数量由b+n之和来确定;其中,所述I(k)表示第k个场景的所有非参考节点对应的加和向量、b表示所有节点之间的支路总数,由Gij和Bij的稀疏性来确定。
具体的,装置为每个I(k)分配并行计算的线程;所述线程的数量由b+n之和来确定;其中,所述I(k)表示第k个场景的所有非参考节点对应的加和向量、b表示所有节点之间的支路总数,由Gij和Bij的稀疏性来确定。可参照上述实施例,不再赘述。
对所述线程进行同步处理;对同步处理后得到的I(k) i进行如下计算:
ΔP(k)(V(k),θ(k))i=Pg(k) i-Pl(k) i-V(k) i·I(k) i
其中,ΔP(k)(V(k),θ(k))i表示第i个节点在第k个场景中的不平衡有功功率、Pg(k) i表示第i个节点在第k个场景中的发电机有功功率、 Pl(k) i表示第i个节点在第k个场景中的负荷有功功率、V(k) i表示第i 个节点在第k个场景中的电压幅值。
具体的,装置对所述线程进行同步处理;对同步处理后得到的 I(k) i进行如下计算:
ΔP(k)(V(k),θ(k))i=Pg(k) i-Pl(k) i-V(k) i·I(k) i
其中,ΔP(k)(V(k),θ(k))i表示第i个节点在第k个场景中的不平衡有功功率、Pg(k) i表示第i个节点在第k个场景中的发电机有功功率、Pl(k) i表示第i个节点在第k个场景中的负荷有功功率、V(k) i表示第i 个节点在第k个场景中的电压幅值。可参照上述实施例,不再赘述。
对同步处理后得到的I(k) i进行如下计算:
ΔQ(k)(V(k),θ(k))i=Qg(k) i-Ql(k) i-V(k) i·I(k) i
其中,ΔQ(k)(V(k),θ(k))i表示第i个节点在第k个场景中的不平衡无功功率、Qg(k) i表示第i个节点在第k个场景中的发电机无功功率、 Ql(k) i表示第i个节点在第k个场景中的负荷无功功率、V(k) i表示第i 个节点在第k个场景中的电压幅值。
具体的,装置对同步处理后得到的I(k) i进行如下计算:
ΔQ(k)(V(k),θ(k))i=Qg(k) i-Ql(k) i-V(k) i·I(k) i
其中,ΔQ(k)(V(k),θ(k))i表示第i个节点在第k个场景中的不平衡无功功率、Qg(k) i表示第i个节点在第k个场景中的发电机无功功率、Ql(k) i表示第i个节点在第k个场景中的负荷无功功率、V(k) i表示第i 个节点在第k个场景中的电压幅值。可参照上述实施例,不再赘述。
本发明实施例提供的批量潮流的求解方法,进一步能够有效地进行批量潮流不平衡功率并行计算。
在上述实施例的基础上,对所述线程进行同步处理,包括:
采用全局标志位的方法对所述线程对应的线程块进行同步处理。
具体的,装置采用全局标志位的方法对所述线程对应的线程块进行同步处理。可参照上述实施例,不再赘述。
本发明实施例提供的批量潮流的求解方法,通过采用全局标志位的方法对线程对应的线程块进行同步处理,保证了批量潮流不平衡功率并行计算的准确性。
在上述实施例的基础上,所述对所述线程进行同步处理的步骤之前,所述方法还包括:
采用原子加法函数atomic Add优化I(k) i的计算。
具体的,装置采用原子加法函数atomic Add优化I(k) i的计算。可参照上述实施例,不再赘述。
本发明实施例提供的批量潮流的求解方法,通过采用原子加法函数atomic Add优化I(k) i的计算,能够避免计算过程中生成的节点之间的竞争现象。
在上述实施例的基础上,所述根据所述批量潮流不平衡功率计算的第一计算结果、所述定系数矩阵和分解结果进行批量前推回代计算,包括:
对n维线性方程组Ax=c进行分解,以将所述c分解为Lz;以所述z分解为Dy;以所述y分解为Ux;其中,c表示所述不平衡有功功率和所述不平衡无功功率、A表示所述定系数矩阵、x为待求解的所述第二计算结果、L、D、U分别对应分解矩阵L、分解矩阵D、分解矩阵U。
具体的,装置对n维线性方程组Ax=c进行分解,以将所述c 分解为Lz;以所述z分解为Dy;以所述y分解为Ux;其中,c表示所述不平衡有功功率和所述不平衡无功功率、A表示所述定系数矩阵、x为待求解的所述第二计算结果、L、D、U分别对应分解矩阵L、分解矩阵D、分解矩阵U。可参照上述实施例,不再赘述。
获取所述L和所述U分别对应的包含有基本计算元的分层有向图;其中,所述分层有向图为m个。
具体的,装置获取所述L和所述U分别对应的包含有基本计算元的分层有向图;其中,所述分层有向图为m个。可参照上述实施例,不再赘述。
分配h个并行线程资源,以使m个分层有向图中的每个相同层分别占用对应的每一并行线程资源;其中,所述h为所述分层有向图的层数。
具体的,装置分配h个并行线程资源,以使m个分层有向图中的每个相同层分别占用对应的每一并行线程资源;其中,所述h为所述分层有向图的层数。可参照上述实施例,不再赘述。
本发明实施例提供的批量潮流的求解方法,进一步能够有效地进行批量前推回代并行计算。
在上述实施例的基础上,所述方法在CPU和GPU中执行;相应的,将所述获取电力系统的网络数据和导纳矩阵至所述以获取分解矩阵L、分解矩阵D和分解矩阵U之间的步骤在所述CPU中执行。
具体的,装置将所述获取电力系统的网络数据和导纳矩阵至所述以获取分解矩阵L、分解矩阵D和分解矩阵U之间的步骤在所述 CPU中执行。可参照上述实施例,不再赘述。
将所述根据所述预设因子和所述网络数据生成批量潮流计算的多场景至所述将当前的第二计算结果作为批量潮流的求解结果之间的步骤在所述GPU中执行。
具体的,装置将所述根据所述预设因子和所述网络数据生成批量潮流计算的多场景至所述将当前的第二计算结果作为批量潮流的求解结果之间的步骤在所述GPU中执行。可参照上述实施例,不再赘述。
本发明实施例提供的批量潮流的求解方法,通过分别在CPU和GPU中执行对应的方法步骤,进一步能够提高批量潮流计算的整体计算效率,优化批量潮流的求解过程,从而提升大规模系统电压稳定性分析的效率和准确性。
在上述实施例的基础上,所述方法还包括:
采用列式存储方式存储所述多场景的参数。
具体的,装置采用列式存储方式存储所述多场景的参数。可参照上述实施例,不再赘述。
本发明实施例提供的批量潮流的求解方法,通过采用列式存储方式存储多场景的参数,能够提高存储性能。
图6为本发明实施例批量潮流的求解装置结构示意图,如图6 所示,本发明实施例提供了一种批量潮流的求解装置,包括获取单元601、分解单元602、生成单元603、第一计算单元604、第二计算单元605和求解单元606,其中:
获取单元601用于获取电力系统的网络数据和导纳矩阵;根据所述网络数据和所述导纳矩阵生成定系数矩阵;分解单元602用于采用LDU分解所述定系数矩阵,以获取分解矩阵L、分解矩阵D和分解矩阵U;生成单元603用于根据所述预设因子和所述网络数据生成批量潮流计算的多场景;所述多场景的参数能反映发电机和负载按照固定或随机方向的变动;第一计算单元604用于根据所述多场景的参数、所述导纳矩阵进行批量潮流不平衡功率计算;第二计算单元605用于根据所述批量潮流不平衡功率计算的第一计算结果、所述定系数矩阵和分解结果进行批量前推回代计算;所述第一计算结果包括第i个节点在第k个场景中的不平衡有功功率和不平衡无 功功率;所述节点是在所述批量潮流不平衡功率计算过程中生成的;求解单元606用于若判断获知所述批量前推回代计算的第二计算结果满足预设的算法终止条件,将当前的第二计算结果作为批量潮流的求解结果。
具体的,获取单元601用于获取电力系统的网络数据和导纳矩阵;根据所述网络数据和所述导纳矩阵生成定系数矩阵;分解单元 602用于采用LDU分解所述定系数矩阵,以获取分解矩阵L、分解矩阵D和分解矩阵U;生成单元603用于根据所述预设因子和所述网络数据生成批量潮流计算的多场景;所述多场景的参数能反映发电机和负载按照固定或随机方向的变动;第一计算单元604用于根据所述多场景的参数、所述导纳矩阵进行批量潮流不平衡功率计算;第二计算单元605用于根据所述批量潮流不平衡功率计算的第一计算结果、所述定系数矩阵和分解结果进行批量前推回代计算;所述第一计算结果包括第i个节点在第k个场景中的不平衡有功功率和不平衡无 功功率;所述节点是在所述批量潮流不平衡功率计算过程中生成的;求解单元606用于若判断获知所述批量前推回代计算的第二计算结果满足预设的算法终止条件,将当前的第二计算结果作为批量潮流的求解结果。
本发明实施例提供的批量潮流的求解装置,通过进行批量潮流不平衡功率并行计算和批量前推回代并行计算,能够提高批量潮流计算的整体计算效率,优化批量潮流的求解过程,从而提升大规模系统电压稳定性分析的效率和准确性。
本发明实施例提供的批量潮流的求解装置具体可以用于执行上述各方法实施例的处理流程,其功能在此不再赘述,可以参照上述方法实施例的详细描述。
图7为本发明实施例提供的电子设备实体结构示意图,如图7 所示,所述电子设备包括:处理器(processor)701、存储器(memory)702 和总线703;
其中,所述处理器701、存储器702通过总线703完成相互间的通信;
所述处理器701用于调用所述存储器702中的程序指令,以执行上述各方法实施例所提供的方法,例如包括:获取电力系统的网络数据和导纳矩阵;根据所述网络数据和所述导纳矩阵生成定系数矩阵;采用LDU分解所述定系数矩阵,以获取分解矩阵L、分解矩阵D和分解矩阵U;根据所述预设因子和所述网络数据生成批量潮流计算的多场景;所述多场景的参数能反映发电机和负载按照固定或随机方向的变动;根据所述多场景的参数、所述导纳矩阵进行批量潮流不平衡功率计算;根据所述批量潮流不平衡功率计算的第一计算结果、所述定系数矩阵和分解结果进行批量前推回代计算;所述第一计算结果包括第i个节点在第k个场景中的不平衡有功功率和不平衡无 功功率;所述节点是在所述批量潮流不平衡功率计算过程中生成的;若所述批量前推回代计算的第二计算结果满足预设的算法终止条件,将当前的第二计算结果作为批量潮流的求解结果。
本实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:获取电力系统的网络数据和导纳矩阵;根据所述网络数据和所述导纳矩阵生成定系数矩阵;采用LDU分解所述定系数矩阵,以获取分解矩阵L、分解矩阵D和分解矩阵U;根据所述预设因子和所述网络数据生成批量潮流计算的多场景;所述多场景的参数能反映发电机和负载按照固定或随机方向的变动;根据所述多场景的参数、所述导纳矩阵进行批量潮流不平衡功率计算;根据所述批量潮流不平衡功率计算的第一计算结果、所述定系数矩阵和分解结果进行批量前推回代计算;所述第一计算结果包括第i个节点在第k个场景中的不平衡有功功率和不平衡无 功功率;所述节点是在所述批量潮流不平衡功率计算过程中生成的;若所述批量前推回代计算的第二计算结果满足预设的算法终止条件,将当前的第二计算结果作为批量潮流的求解结果。
本实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:获取电力系统的网络数据和导纳矩阵;根据所述网络数据和所述导纳矩阵生成定系数矩阵;采用LDU分解所述定系数矩阵,以获取分解矩阵L、分解矩阵D和分解矩阵U;根据所述预设因子和所述网络数据生成批量潮流计算的多场景;所述多场景的参数能反映发电机和负载按照固定或随机方向的变动;根据所述多场景的参数、所述导纳矩阵进行批量潮流不平衡功率计算;根据所述批量潮流不平衡功率计算的第一计算结果、所述定系数矩阵和分解结果进行批量前推回代计算;所述第一计算结果包括第i个节点在第k个场景中的不平衡有功功率和不平衡无 功功率;所述节点是在所述批量潮流不平衡功率计算过程中生成的;若所述批量前推回代计算的第二计算结果满足预设的算法终止条件,将当前的第二计算结果作为批量潮流的求解结果。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的电子设备等实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上各实施例仅用以说明本发明的实施例的技术方案,而非对其限制;尽管参照前述各实施例对本发明的实施例进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明的各实施例技术方案的范围。
Claims (8)
1.一种批量潮流的求解方法,其特征在于,包括:
获取电力系统的网络数据和导纳矩阵;根据所述网络数据和所述导纳矩阵生成定系数矩阵;
采用LDU分解所述定系数矩阵,以获取分解矩阵L、分解矩阵D和分解矩阵U;
根据预设因子和所述网络数据生成批量潮流计算的多场景;所述多场景的参数能反映发电机和负载按照固定或随机方向的变动;
根据所述多场景的参数、所述导纳矩阵进行批量潮流不平衡功率计算;
根据所述批量潮流不平衡功率计算的第一计算结果、所述定系数矩阵和分解结果进行批量前推回代计算;所述第一计算结果包括第i个节点在第k个场景中的不平衡有功功率和不平衡无功功率;所述节点是在所述批量潮流不平衡功率计算过程中生成的;
若所述批量前推回代计算的第二计算结果满足预设的算法终止条件,将当前的第二计算结果作为批量潮流的求解结果;
所述根据所述多场景的参数、所述导纳矩阵进行批量潮流不平衡功率计算,包括:
根据如下公式计算具有电流量纲的加和向量I(k) i:
其中,k表示m个多场景中的第k个场景、i表示n个非参考节点中的第i个非参考节点、N表示节点总数,N=n+1;j表示N个节点总数中的第j个、V(k) j表示第j个节点在第k个场景中的电压幅值、θ(k) ij表示第i个非参考节点和第j个节点在第k个场景中的相角、Gij和Bij分别是所述导纳矩阵的实部和虚部;所述n的数值由Gij和Bij的稀疏性来确定;
为每个I(k)分配并行计算的线程;所述线程的数量由b+n之和来确定;其中,所述I(k)表示第k个场景的所有非参考节点对应的加和向量、b表示所有节点之间的支路总数,由Gij和Bij的稀疏性来确定;
对所述线程进行同步处理;对同步处理后得到的I(k) i进行如下计算:
ΔP(k)(V(k),θ(k))i=Pg(k) i-Pl(k) i-V(k) i·I(k) i
其中,ΔP(k)(V(k),θ(k))i表示第i个节点在第k个场景中的不平衡有功功率、Pg(k) i表示第i个节点在第k个场景中的发电机有功功率、Pl(k) i表示第i个节点在第k个场景中的负荷有功功率、V(k) i表示第i个节点在第k个场景中的电压幅值;
对同步处理后得到的I(k) i进行如下计算:
ΔQ(k)(V(k),θ(k))i=Qg(k) i-Ql(k) i-V(k) i·I(k) i
其中,ΔQ(k)(V(k),θ(k))i表示第i个节点在第k个场景中的不平衡无功功率、Qg(k) i表示第i个节点在第k个场景中的发电机无功功率、Ql(k) i表示第i个节点在第k个场景中的负荷无功功率、V(k) i表示第i个节点在第k个场景中的电压幅值;
所述根据所述批量潮流不平衡功率计算的第一计算结果、所述定系数矩阵和分解结果进行批量前推回代计算,包括:
对n维线性方程组Ax=c进行分解,以将所述c分解为Lz;以所述z分解为Dy;以所述y分解为Ux;其中,c表示所述不平衡有功功率和所述不平衡无功功率、A表示所述定系数矩阵、x为待求解的所述第二计算结果、L、D、U分别对应分解矩阵L、分解矩阵D、分解矩阵U;
获取所述L和所述U分别对应的包含有基本计算元的分层有向图;其中,所述分层有向图为m个;
分配h个并行线程资源,以使m个分层有向图中的每个相同层分别占用对应的每一并行线程资源;其中,所述h为所述分层有向图的层数。
2.根据权利要求1所述的方法,其特征在于,对所述线程进行同步处理,包括:
采用全局标志位的方法对所述线程对应的线程块进行同步处理。
3.根据权利要求1所述的方法,其特征在于,所述对所述线程进行同步处理的步骤之前,所述方法还包括:
采用原子加法函数atomic Add优化I(k) i的计算。
4.根据权利要求1所述的方法,其特征在于,所述方法在CPU和GPU中执行;相应的,将所述获取电力系统的网络数据和导纳矩阵至所述以获取分解矩阵L、分解矩阵D和分解矩阵U之间的步骤在所述CPU中执行;
将所述根据所述预设因子和所述网络数据生成批量潮流计算的多场景至所述将当前的第二计算结果作为批量潮流的求解结果之间的步骤在所述GPU中执行。
5.根据权利要求4所述的方法,其特征在于,采用列式存储方式存储所述多场景的参数。
6.一种批量潮流的求解装置,其特征在于,包括:
获取单元,用于获取电力系统的网络数据和导纳矩阵;根据所述网络数据和所述导纳矩阵生成定系数矩阵;
分解单元,用于采用LDU分解所述定系数矩阵,以获取分解矩阵L、分解矩阵D和分解矩阵U;
生成单元,用于根据预设因子和所述网络数据生成批量潮流计算的多场景;所述多场景的参数能反映发电机和负载按照固定或随机方向的变动;
第一计算单元,用于根据所述多场景的参数、所述导纳矩阵进行批量潮流不平衡功率计算;
第二计算单元,用于根据所述批量潮流不平衡功率计算的第一计算结果、所述定系数矩阵和分解结果进行批量前推回代计算;所述第一计算结果包括第i个节点在第k个场景中的不平衡有功功率和不平衡无功功率;所述节点是在所述批量潮流不平衡功率计算过程中生成的;
求解单元,用于若判断获知所述批量前推回代计算的第二计算结果满足预设的算法终止条件,将当前的第二计算结果作为批量潮流的求解结果;
所述第一计算单元具体用于:
根据如下公式计算具有电流量纲的加和向量I(k) i:
其中,k表示m个多场景中的第k个场景、i表示n个非参考节点中的第i个非参考节点、N表示节点总数,N=n+1;j表示N个节点总数中的第j个、V(k) j表示第j个节点在第k个场景中的电压幅值、θ(k) ij表示第i个非参考节点和第j个节点在第k个场景中的相角、Gij和Bij分别是所述导纳矩阵的实部和虚部;所述n的数值由Gij和Bij的稀疏性来确定;
为每个I(k)分配并行计算的线程;所述线程的数量由b+n之和来确定;其中,所述I(k)表示第k个场景的所有非参考节点对应的加和向量、b表示所有节点之间的支路总数,由Gij和Bij的稀疏性来确定;
对所述线程进行同步处理;对同步处理后得到的I(k) i进行如下计算:
ΔP(k)(V(k),θ(k))i=Pg(k) i-Pl(k) i-V(k) i·I(k) i
其中,ΔP(k)(V(k),θ(k))i表示第i个节点在第k个场景中的不平衡有功功率、Pg(k) i表示第i个节点在第k个场景中的发电机有功功率、Pl(k) i表示第i个节点在第k个场景中的负荷有功功率、V(k) i表示第i个节点在第k个场景中的电压幅值;
对同步处理后得到的I(k) i进行如下计算:
ΔQ(k)(V(k),θ(k))i=Qg(k) i-Ql(k) i-V(k) i·I(k) i
其中,ΔQ(k)(V(k),θ(k))i表示第i个节点在第k个场景中的不平衡无功功率、Qg(k) i表示第i个节点在第k个场景中的发电机无功功率、Ql(k) i表示第i个节点在第k个场景中的负荷无功功率、V(k) i表示第i个节点在第k个场景中的电压幅值;
所述第二计算单元具体用于:
对n维线性方程组Ax=c进行分解,以将所述c分解为Lz;以所述z分解为Dy;以所述y分解为Ux;其中,c表示所述不平衡有功功率和所述不平衡无功功率、A表示所述定系数矩阵、x为待求解的所述第二计算结果、L、D、U分别对应分解矩阵L、分解矩阵D、分解矩阵U;
获取所述L和所述U分别对应的包含有基本计算元的分层有向图;其中,所述分层有向图为m个;
分配h个并行线程资源,以使m个分层有向图中的每个相同层分别占用对应的每一并行线程资源;其中,所述h为所述分层有向图的层数。
7.一种电子设备,其特征在于,包括:处理器、存储器和总线,其中,
所述处理器和所述存储器通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至5任一所述的方法。
8.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至5任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810646698.2A CN108599173B (zh) | 2018-06-21 | 2018-06-21 | 一种批量潮流的求解方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810646698.2A CN108599173B (zh) | 2018-06-21 | 2018-06-21 | 一种批量潮流的求解方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108599173A CN108599173A (zh) | 2018-09-28 |
CN108599173B true CN108599173B (zh) | 2020-07-07 |
Family
ID=63628864
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810646698.2A Active CN108599173B (zh) | 2018-06-21 | 2018-06-21 | 一种批量潮流的求解方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108599173B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112615377A (zh) * | 2020-12-29 | 2021-04-06 | 南方电网科学研究院有限责任公司 | 电压支撑强度指标批量计算方法、装置及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101976835B (zh) * | 2010-10-11 | 2012-11-14 | 重庆大学 | 一种大规模电力系统牛顿潮流的并行计算方法 |
CN105576648B (zh) * | 2015-11-23 | 2021-09-03 | 中国电力科学研究院 | 一种基于gpu-cpu异构计算平台的静态安全分析双层并行方法 |
CN107506932A (zh) * | 2017-08-29 | 2017-12-22 | 广州供电局有限公司 | 电网风险场景并行计算方法和系统 |
-
2018
- 2018-06-21 CN CN201810646698.2A patent/CN108599173B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108599173A (zh) | 2018-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Roberge et al. | Parallel power flow on graphics processing units for concurrent evaluation of many networks | |
Song et al. | Efficient GPU-based electromagnetic transient simulation for power systems with thread-oriented transformation and automatic code generation | |
US20210304066A1 (en) | Partitioning for an execution pipeline | |
CN108984483B (zh) | 基于dag及矩阵重排的电力系统稀疏矩阵求解方法和系统 | |
Alam et al. | Novel parallel algorithms for fast multi-GPU-based generation of massive scale-free networks | |
CN115437763B (zh) | 火箭故障后任务重构方法、装置、终端设备及存储介质 | |
Khaitan | A survey of high-performance computing approaches in power systems | |
CN108879691B (zh) | 一种大规模连续潮流计算的方法及装置 | |
Kallala et al. | A generalized massively parallel ultra-high order FFT-based Maxwell solver | |
CN108599173B (zh) | 一种批量潮流的求解方法及装置 | |
CN113094899B (zh) | 一种随机潮流计算方法、装置、电子设备及存储介质 | |
Alam et al. | GPU-based parallel algorithm for generating massive scale-free networks using the preferential attachment model | |
CN115718986B (zh) | 一种基于分布式内存架构的多核并行时域仿真方法 | |
Li et al. | A new parallel framework of distributed SWAT calibration | |
CN109062866B (zh) | 基于贪婪分层的电力系统上三角方程组求解方法和系统 | |
CN108985622B (zh) | 一种基于dag的电力系统稀疏矩阵并行求解方法和系统 | |
Chaudhury et al. | Hybrid parallelization of particle in cell Monte Carlo collision (PIC-MCC) algorithm for simulation of low temperature plasmas | |
CN105932675B (zh) | 一种电力系统潮流并行协调算法 | |
Seal et al. | Parallel reconstruction of three dimensional magnetohydrodynamic equilibria in plasma confinement devices | |
Korch et al. | Parallelization of particle-in-cell codes for nonlinear kinetic models from mathematical physics | |
Rico-Hernández et al. | Analysis of electrical networks using fine-grained techniques of parallel processing based on OpenMP | |
Liu et al. | Batched fast decoupled load flow for large-scale power system on GPU | |
Yu et al. | Comparison of parallel implementations of controls on GPU for transient simulation of power system | |
Shawlin | Sparse matrix based power flow solver for real-time simulation of power system | |
CN115408653B (zh) | 一种IDRstab算法高可扩展并行处理方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |