CN113254195B - 电力优化运行方法、终端设备及计算机可读存储介质 - Google Patents

电力优化运行方法、终端设备及计算机可读存储介质 Download PDF

Info

Publication number
CN113254195B
CN113254195B CN202110386050.8A CN202110386050A CN113254195B CN 113254195 B CN113254195 B CN 113254195B CN 202110386050 A CN202110386050 A CN 202110386050A CN 113254195 B CN113254195 B CN 113254195B
Authority
CN
China
Prior art keywords
calculation
computing
node
parallel
population
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
Application number
CN202110386050.8A
Other languages
English (en)
Other versions
CN113254195A (zh
Inventor
石立宝
赵嘉伦
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.)
Shenzhen International Graduate School of Tsinghua University
Original Assignee
Shenzhen International Graduate School of Tsinghua University
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 Shenzhen International Graduate School of Tsinghua University filed Critical Shenzhen International Graduate School of Tsinghua University
Priority to CN202110386050.8A priority Critical patent/CN113254195B/zh
Publication of CN113254195A publication Critical patent/CN113254195A/zh
Application granted granted Critical
Publication of CN113254195B publication Critical patent/CN113254195B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/5018—Thread allocation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种电力优化运行方法、终端设备及计算机可读存储介质，包括如下步骤：客户端接收用户发起的认证连接请求，促使用户侧计算机在请求通过后被纳为新增计算节点；选择处理器并行计算方式；输入计算任务信息至客户端；指使服务器管理节点接收输入信息，据此测算任务计算量大小，并根据各计算节点的计算能力划分计算任务；指使各计算节点使用处理器多线程，并行计算潮流及适应度值，得到最终结果。本发明可调用不同电力计算库，为不同电力优化需求的用户提供智能共享计算加速，在大规模计算、计算节点计算性能较强时能够取得良好的加速效果；具有一定的通用性，满足实际电力系统多种优化任务的需求。

Description

电力优化运行方法、终端设备及计算机可读存储介质
技术领域
本发明涉及电力领域，特别是涉及一种电力优化运行方法、终端设备及计算机可读存储介质。
背景技术
电力系统优化本质为研究如何通过控制影响电网运行状态的各种因素，让电网在实现某个指标最优化的状态下运行。电力系统优化的实施与实现是电力系统稳定运行、电能质量保持在较高水平的重要保障。
对电网优化问题的求解方法主要有传统数学规划方法与智能计算方法，其中智能计算方法相比传统数学规划方法具有收敛速度快、不易陷入局部最优解等优点，近年来深受不少研究者的青睐。但系统规模达到上万节点时，利用串行计算实现智能计算耗时长达数个小时，无法满足一些具有在线甚至实时性的优化问题求解的要求。
有效缩短智能计算方法计算耗时的方式是并行计算，目前许多学者针对某些具体的电力优化问题的智能计算方法提出并行化改造方案，但这些方案不具有通用性；此外，现有的分布式并行计算平台结构专用性强、灵活性较差，用户想要利用这些平台对电力系统优化智能计算方法加速运算时面临平台改造成本过高、计算效率不理想、二次开发困难等问题。
发明内容
为了弥补上述现有技术中电力优化计算效率不理想的不足，本发明提出一种面向电力优化运行的智能共享计算方法，以解决现有分布式并行计算平台通用性、灵活性较差以及难以进行二次开发的问题。
本发明的技术问题通过以下的技术方案予以解决：
本发明提出一种电力优化运行方法，包括如下步骤：A1：客户端接收用户发起的认证连接请求，促使用户侧计算机在请求通过后被纳为新增计算节点；A2：选择处理器并行计算方式；A3：输入计算任务信息至客户端；A4：指使服务器管理节点接收输入信息，据此测算任务计算量大小，并根据各计算节点的计算能力划分计算任务；A5：指使各计算节点使用处理器多线程，并行计算潮流及适应度值，得到最终结果。
在一些实施例中，还包括如下可选技术特征：
在一些实施例中，A2步骤中，处理器并行计算方式包括CPU并行计算、GPU并行计算。
在一些实施例中，A3步骤中，当处理器并行计算方式为CPU并行计算时，计算任务信息包括：智能计算方法类型、初始种群信息、适应度计算方法；当处理器并行计算方式为GPU并行计算时，计算任务信息包括：智能计算方法类型、电力系统参数、种群编码方式。
在一些实施例中，智能计算方法类型包括：进化规划智能计算方法、粒子群智能计算方法。
在一些实施例中，A5步骤中，处理器多线程包括CPU多线程、GPU多线程。
在一些实施例中，A5步骤中，当处理器多线程为CPU多线程时，具体包括如下子步骤：A51：指使客户端计算节点使用CPU多线程，并行计算潮流及适应度值，计算完上传结果文件至管理节点；A52：指使服务器管理节点待所有计算节点的适应度值计算完成后，发送计算结果给用户；提示用户对种群按智能计算方法步骤进行变异、选择等后续操作，促使生成新一代种群，并发送新一代种群信息给客户端；A53：重复步骤A51、A52，直至迭代次数达到设定上限，得到最终结果。
在一些实施例中，步骤A51中，进一步地，并行计算潮流及适应度值时可调用不同电力计算库，电力计算库调用来源有：已购的商业软件库、用户提供的库、网络资源库。
在一些实施例中，当处理器并行计算方式为GPU并行计算时，A4步骤后还包括：指使服务器管理节点下发计算任务到各计算节点，促使各计算节点拷贝任务信息至GPU显存中。
在一些实施例中，A5步骤中，当处理器多线程为GPU多线程时，具体包括如下子步骤：B51：指使GPU各线程块读取CPU显存信息，GPU一个线程块对应于智能计算方法的一个子种群，线程块内的每个线程对应于该子种群中的每个个体；指使各计算节点使用GPU海量线程调用内置矩阵计算库，并行计算潮流及适应度值；B52：指使各计算节点使用GPU海量线程按智能计算方法，并行执行变异、选择等后续操作，促使生成新一代种群；B53：重复步骤B51、B52，直至迭代次数达到迁移上限，迁移时指使各计算节点的计算结果由GPU显存发送至CPU内存，再指使服务器管理节点汇总；指使将该智能计算方法的每个子种群中适应度值最大的个体拷贝至相邻的下一子种群，将每个子种群中适应度值最小的个体用上一相邻子种群中适应度值最大的个体进行替换。B54：迁移结束后，若迭代次数未达到预先设定的上限值，则指使服务器管理节点再次下发计算任务到各计算节点，重复步骤B51-B53；若迭代次数达到预先设定的上限值，全部计算完成，发送最终计算结果给用户。
在一些实施例中，不同用户在解决不同计算需求的过程中，指使下载动态链接库，促使计算过程中调用动态链接库得到最终结果。
在一些实施例中，设置本地计算机与新增计算机为异构形式，不同用户在不同时段使用同一批计算节点、选定不同智能计算方法。
本发明还提出一种基于对象存储分片上传的终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上任一所述方法的步骤。
本发明还提出一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上任一所述方法的步骤。
本发明与现有技术对比的有益效果包括：本发明可调用不同电力计算库，为不同电力优化需求的用户提供智能共享计算加速，在大规模计算、计算节点计算性能较强时能够取得良好的加速效果；具有一定的通用性，满足实际电力系统多种优化任务的需求。
附图说明
图1是本发明实施例的电力优化运行方法的系统图。
图2是本发明实施例的电力优化运行方法的流程图。
具体实施方式
下面对照附图并结合优选的实施方式对本发明作进一步说明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
电力优化运行方法的系统图如图1所示，包括用户层、客户端和并行计算平台。用户层包括不同用户，比如用户1、用户2等；客户端接收用户发起的认证连接请求，促使用户侧计算机在请求通过后被纳为新增计算节点。客户端包括认证连接、上传任务信息、选择算法及结果显示模块；客户端向并行计算平台发起计算请求，并行计算平台进行计算，再返回结果至客户端；客户端显示计算结果，再将下载结果发送至用户。并行计算平台包括服务器管理节点、实验室本地资源的不同计算节点、网络资源的新增计算节点；服务器管理节点与计算节点通过WiFi连接或有线连接；管理节点包括任务划分模块。
本实施例中，可调用的计算机资源有1号机、2号机，其中1号机同时担任管理节点。计算机信息如表1所示，1号机的处理器为Intel(R)Core(TM)i5-4200U@1.6GHz，CPU核心数为4核4线程，内存为8GB；2号机的处理器为Intel Core i7-6700HQ@2.6GHz，CPU核心数为4核8线程，内存为8GB；网络环境有两根1000M光纤以及集线器。
表1
Figure BDA0003015014920000041
本方法的流程示意图如图2所示。具体步骤如下：
1.用户向客户端发起认证连接请求。客户端计算机即远程机房内的计算机及通过其它方式连接到机房内的计算机，这些计算机作为计算资源可为用户提供计算服务，用户侧计算机将计算任务要求信息发给客户端计算机，客户端计算机将结果返还给用户侧计算机，若用户侧想让自己的计算机纳入客户端的计算资源可向客户端发起认证连接请求，请求通过后用户侧计算机即被纳为客户端新增计算节点；客户端接收用户发起的认证连接请求，促使用户侧计算机在请求通过后被纳为新增计算节点。客户端处已有的本地计算机与新增的网络连接的计算机可以是异构的，不同用户在不同时段可使用同一批计算节点实现自己的计算要求，用户对计算节点的使用为共享式的。
2.用户选择处理器并行加速计算的方式。其中，方式一为为CPU并行计算，CPU的线程数量有限，无法做高度并行化的计算，但并行化后仍能取得一定的加速效果，并且可以调用多种电力计算包，满足用户的多元化计算要求。方式二通过使用通用并行计算架构(CUDA技术)调动GPU的海量线程实现并行计算，由于通用并行计算架构(CUDA技术)不支持复杂的计算包，因此若用户选择这一方式将无法使用多元的电力计算软件/包；为获得显著的加速比，减少通信延时的影响，用户需将智能计算方法实现全部交由GPU并行处理。
3.输入计算任务信息至客户端。
4.指使服务器管理节点接收输入信息，据此测算任务计算量大小，并根据各计算节点的计算能力划分计算任务。
5.指使各计算节点使用处理器多线程，并行计算潮流及适应度值，得到最终结果。实施例一：以CPU并行为例。
CPU并行计算步骤如下：
(1)用户选定所使用的智能计算方法，自行生成初始种群，将种群信息及适应度计算方法输入到计算侧。计算任务信息包括：智能计算方法类型、初始种群信息、适应度计算方法。
(2)服务器管理节点根据用户输入信息测算用户任务计算量大小，据此分配相应数量的计算节点用于计算该任务。服务器管理节点根据各异构计算节点的不同计算能力将任务作相应划分。
(3)服务器管理节点将任务下发给各计算节点，各计算节点通过CPU多线程并行地计算电力潮流，进而得到个体的适应度值。实现电力潮流计算时可调取不同电力计算软件包以满足客户需求，软件包的获取方式有：a)从已购的商业软件库中进行调取；b)从用户提供的库中下载；c)从网络资源库里租用。调用软件包的过程即第3个“共享”的含义：内部共享(调用平台内部的软件包)与外部共享(调用第三方软件包)。
(4)指使服务器管理节点待所有计算节点的适应度值计算完成后，发送计算结果给用户，提示用户对种群按智能计算方法步骤进行变异、选择等后续操作，促使生成新一代种群，并发送新一代种群信息给客户端；智能计算方法中剩余计算部分如变异、选择等操作交由用户完成，由用户生成新一代种群。
(5)重复步骤(3)、(4)，直至迭代次数达到设定上限，得到最终结果。
用户求解问题为：
1.使用进化规划(EP)智能计算法求解以发电机组煤耗成本最小为目标的最优潮流任务，平台计算部分为每个个体的潮流计算及适应度计算；
2.使用粒子群(PSO)智能计算方法求解以网络有功损耗最小为目标的最优潮流任务，平台计算部分为每个粒子的潮流计算及适应度计算。
用户与平台通过读取、存储文件的形式实现交互。
具体过程为(以求解问题1为例)：
(1)用户以系统节点的电压、有功等信息进行群体个体编码，使用Matlab PST计算包进行初次潮流计算生成一个有效个体，并根据节点电气量上下限信息及通过随机函数生成初代其它个体。此后用户将初代所有个体的编码信息及适应度计算函数(含潮流计算、煤耗成本计算函数)输入至客户端。
(2)客户端处计算节点与服务器管理节点通过基于flask包建立的服务器实现连接。连接建立后服务器管理节点接收客户发送的任务信息，根据计算节点CPU核心数相应地分配一定数量个体的适应度计算任务。
(3)各计算节点通过下载文件载入计算数据。此后各计算节点通过ParallelPython并行模块开启多线程，并通过matlabengineforpython包调用客户提供的MatlabPST潮流计算程序(外部共享)，实现适应度的并行加速计算。计算完本代任务后将结果文件上传至管理节点。
(4)服务器管理节点等待所有计算节点都计算完成后，将本代所有个体的适应度计算结果汇总拼接，并传回给用户。
(5)用户接收到本代适应度计算结果后，继续进行后续的变异、选择操作，生成新一代种群并将新一代种群信息输入客户端。
(6)重复步骤(3)-(5)，直至迭代次数达到上限值。
用户1、2求解不同类型的电力系统优化问题，指定不同的智能计算方法，但都可下载平台提供的共享计算包解决各自问题；用户1、2在不同时段可调用1、2号计算机调用平台内部的Matlab PST计算包实现电力系统潮流计算，体现了“共享计算”的过程。
EP求解的算例系统为IEEE39、IEEE118系统，PSO求解的算例系统为IEEE30、某地183节点系统，种群规模分别取30、60、120，其中规模为120时任务分为8组其余分为4组，计算代数设为100，分别在1、2号机上作串行、并行计算以及在由1、2号机组成的平台上作共享并行计算，计算耗时取三次运算耗时的平均值。
仿真结果如表2、表3所示。
表2
Figure BDA0003015014920000071
表2中，如当EP求解的算例系统为IEEE39、种群规模分为120时，1号机串行耗时为96.51s，2号机串行耗时为85.11s，而1号机并行耗时为82.94s，2号机并行耗时为42.74s，多机并行耗时为53.59s，表明并行运行耗时有明显减少；表3中，如当PSO求解的算例系统为某地183节点、种群规模分为120时，1号机串行耗时为163.53s，2号机串行耗时为126.31s，而1号机并行耗时为122.59s，2号机并行耗时为76.38s，多机并行耗时为65.81s，表明并行运行耗时有明显减少。
仿真测试表明，该方法可调用外置的电力计算程序、调配空闲的计算机资源，为不同电力优化需求的用户提供智能共享计算加速，在大规模计算、计算节点计算性能较强时能够取得良好的加速效果。该方法具有一定的通用性，满足实际电力系统多种优化任务的需求。现今随着电力系统规模不断增大，优化计算任务要求更精确、更快速，该方法的良好加速效果也能提供保障。
表3
Figure BDA0003015014920000081
实施例二：以GPU并行计算为例
(1)用户输入电力系统参数、智能计算方法类型、种群编码方式等计算任务信息。需要说明的是，各用户的电力优化计算需求是多种多样的，如最优潮流、经济调度等。但无论是解决何种优化任务、采用何种智能计算方法，在求解过程中都有各种智能计算方法的共性部分。本方法提供了GPU智能计算方法的框架，只要用户指定输入信息，就能实现不同用户的计算需求。这体现了第2个“共享”的含义，即：不同用户在解决不同需求的过程中，可使用本方法加快求解共性计算部分，具体形式为下载动态链接库(DLL模块)，计算中调用动态链接库(DLL模块)得到最终结果。
(2)服务器管理节点划分计算任务与计算节点，与实施例一步骤(2)类似。
(3)服务器管理节点将任务信息下发到各计算节点，计算节点将信息存入CPU内存中，此后将这些信息拷贝至GPU显存中。
(4)指使GPU各线程块读取显存信息。GPU中一个线程块对应于智能计算方法的一个子种群，块内的每个线程对应于该子种群中的每个个体。利用CUDA内置的矩阵计算并行库，每个线程作对应个体的潮流计算及适应度计算(即优化任务的目标函数值)。线程与线程间的计算为独立并行进行。
(5)指使各计算节点按所选智能计算方法步骤，多线程并行执行后续的变异、选择等操作，生成种群新一代。
(6)重复步骤(4)、(5)，直至迭代次数达到迁移上限。迁移时，各计算节点的计算结果由GPU显存传至CPU内存，再由服务器管理节点进行汇总，将该智能计算方法的每个子种群中适应度值最大的个体拷贝至相邻的下一子种群，并将子种群中适应度值最小的个体用上一相邻子种群中适应度值最大的个体进行替换。
(7)迁移结束后，若迭代次数未达到预先设定的上限值，则服务器管理节点将各子种群信息下发至各计算节点，重复步骤(3)-(6)。迭代次数到达预先设定的上限值后，全部计算完成，将最终计算结果传给用户。
实施例二与实施例一的对比如下：
(1)用户与客户端的任务分工模式不同。例一中用户承担了智能算法中的变异、选择等步骤，只将适应度计算这一耗时较久的部分交予客户端处理，因此在初始输入数据时仅输入用户自行生成的初始种群及适应度计算方法；而例二中智能计算方法的全部步骤都交予客户端处理，因此需要输入电力系统参数、智能计算方法类型、编码方式等完整的任务信息。例一中客户端计算完每一代的适应度结果后都要传回给用户，用户生成新一代个体后要传给客户端，用户与客户端交互频繁；而例二中客户端计算完全部代后再将最终结果传回给用户，用户与客户端的交互仅发生在计算初始及结束阶段。
(2)并行方式不同。例一采用CPU并行，现市场上主流CPU为4核8线程，并行度不高，加速效果有限，适合处理少个体的群智能计算、系统规模较小的电力系统，但实现CPU并行的方式很多(如采用Python、Matlab语言编写)，在并行过程中可以调用外部电力计算包，满足客户多样化的计算需求；例二采用GPU并行，现高端GPU线程可达上万，可实现细粒度高度并行化，适合处理多个体的群智能计算、规模庞大的电力系统，加速比可达数十倍，但实现GPU并行的方式有限，一般为CUDA架构，在该架构下潮流计算部分要求用CUDA语言编写，无法调用外部电力计算包。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干等同替代或明显变型，而且性能或用途相同，都应当视为属于本发明的保护范围。

Claims (11)

1.一种电力优化运行方法，其特征在于，包括如下步骤：
A1：客户端接收用户发起的认证连接请求，促使用户侧计算机在请求通过后被纳为新增计算节点；
A2：选择处理器并行计算方式；A2步骤中，处理器并行计算方式包括CPU并行计算、GPU并行计算；
A3：输入计算任务信息至客户端；其中，由用户侧计算机选定所使用的智能计算方法，自行生成初始种群，将种群信息及适应度计算方法输入到客户端；
A4：指使服务器管理节点接收输入信息，据此测算任务计算量大小，并根据各计算节点的计算能力划分计算任务；
A5：指使各计算节点使用处理器多线程，并行计算潮流及适应度值，得到最终结果；
A5步骤中，当处理器多线程为CPU多线程时，具体包括如下子步骤：
A51：指使客户端计算节点使用CPU多线程，并行计算潮流及适应度值，计算完上传结果文件至管理节点；
A52：指使服务器管理节点待所有计算节点的适应度值计算完成后，发送计算结果给用户侧计算机；提示用户对种群按智能计算方法步骤进行变异、选择后续操作，促使生成新一代种群，并发送新一代种群信息给客户端；
A53：重复步骤A51、A52，直至迭代次数达到设定上限，得到最终结果。
2.如权利要求1所述的电力优化运行方法，其特征在于，A3步骤中，当处理器并行计算方式为CPU并行计算时，计算任务信息包括：智能计算方法类型、初始种群信息、适应度计算方法；当处理器并行计算方式为GPU并行计算时，计算任务信息包括：智能计算方法类型、电力系统参数、种群编码方式。
3.如权利要求2所述的电力优化运行方法，其特征在于，智能计算方法类型包括：进化规划智能计算方法、粒子群智能计算方法。
4.如权利要求1所述的电力优化运行方法，其特征在于，A5步骤中，处理器多线程包括CPU多线程、GPU多线程。
5.如权利要求1所述的电力优化运行方法，其特征在于，步骤A51中，并行计算潮流及适应度值时调用不同电力计算库。
6.如权利要求1所述的电力优化运行方法，其特征在于，当处理器并行计算方式为GPU并行计算时，A4步骤后还包括：指使服务器管理节点下发计算任务到各计算节点，促使各计算节点拷贝任务信息至GPU显存中。
7.如权利要求6所述的电力优化运行方法，其特征在于，A5步骤中，当处理器多线程为GPU多线程时，具体包括如下子步骤：
B51：指使GPU各线程块读取CPU显存信息，GPU一个线程块对应于智能计算方法的一个子种群，线程块内的每个线程对应于该子种群中的每个个体；指使各计算节点使用GPU海量线程调用内置矩阵计算库，并行计算潮流及适应度值；
B52：指使各计算节点使用GPU海量线程按智能计算方法，并行执行变异、选择后续操作，促使生成新一代种群；
B53：重复步骤B51、B52，直至迭代次数达到迁移上限，迁移时指使各计算节点的计算结果由GPU显存发送至CPU内存，再指使服务器管理节点汇总；指使将该智能计算方法的每个子种群中适应度值最大的个体拷贝至相邻的下一子种群，将每个子种群中适应度值最小的个体用上一相邻子种群中适应度值最大的个体进行替换；
B54：迁移结束后，若迭代次数未达到预先设定的上限值，则指使服务器管理节点再次下发计算任务到各计算节点，重复步骤B51-B53；若迭代次数达到预先设定的上限值，全部计算完成，发送最终计算结果给用户。
8.如权利要求7所述的电力优化运行方法，其特征在于，不同用户在解决不同计算需求的过程中，指使下载动态链接库，促使计算过程中调用动态链接库得到最终结果。
9.如权利要求1-8任一所述的电力优化运行方法，其特征在于，设置本地计算机与新增计算机为异构形式，不同用户在不同时段使用同一批计算节点、选定不同智能计算方法。
10.一种基于对象存储分片上传的终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-9任一所述方法的步骤。
11.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-9任一所述方法的步骤。
CN202110386050.8A 2021-04-12 2021-04-12 电力优化运行方法、终端设备及计算机可读存储介质 Active CN113254195B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110386050.8A CN113254195B (zh) 2021-04-12 2021-04-12 电力优化运行方法、终端设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110386050.8A CN113254195B (zh) 2021-04-12 2021-04-12 电力优化运行方法、终端设备及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN113254195A CN113254195A (zh) 2021-08-13
CN113254195B true CN113254195B (zh) 2022-12-27

Family

ID=77220586

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110386050.8A Active CN113254195B (zh) 2021-04-12 2021-04-12 电力优化运行方法、终端设备及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN113254195B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114896029A (zh) * 2022-06-13 2022-08-12 南方电网科学研究院有限责任公司 电力系统仿真优化计算方法、装置、设备及可读存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112100907A (zh) * 2020-08-24 2020-12-18 广东工业大学 一种基于分布式纵横交叉算法的电网最优潮流问题解决方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8370416B2 (en) * 2006-04-26 2013-02-05 Hewlett-Packard Development Company, L.P. Compatibility enforcement in clustered computing systems
US20200143243A1 (en) * 2018-11-01 2020-05-07 Cognizant Technology Solutions U.S. Corporation Multiobjective Coevolution of Deep Neural Network Architectures
CN110569312B (zh) * 2019-11-06 2020-04-07 创业慧康科技股份有限公司 一种基于gpu的大数据快速检索系统及其使用方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112100907A (zh) * 2020-08-24 2020-12-18 广东工业大学 一种基于分布式纵横交叉算法的电网最优潮流问题解决方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
基于GPU并行加速的电力系统高性能状态估计技术研究;方睿，;《中国优秀硕士学位论文全文数据库工程科技II辑（月刊）》;20201215(第12期);1-7 *
基于智能软开关的交直流主动配电网优化控制策略研究;孟明，等；;《现代电力》;20190430;第36卷(第2期);1-7 *
考虑暂态稳定约束的极限传输容量分布式并行体系结构设计;郭子健，等；;《电网技术》;20081231;第32卷(第24期);6-10 *
郭子健，等；.考虑暂态稳定约束的极限传输容量分布式并行体系结构设计.《电网技术》.2008,第32卷(第24期),6-10. *
面向CPU+GPU异构计算的多目标测试用例优先排序;边毅，等；;《软件学报》;20160430;第27卷(第4期);943-954 *

Also Published As

Publication number Publication date
CN113254195A (zh) 2021-08-13

Similar Documents

Publication Publication Date Title
Liu et al. Deadline‐constrained coevolutionary genetic algorithm for scientific workflow scheduling in cloud computing
Liu et al. Job scheduling model for cloud computing based on multi-objective genetic algorithm
Selvarani et al. Improved cost-based algorithm for task scheduling in cloud computing
CN105159762B (zh) 基于贪心策略的启发式云计算任务调度方法
CN110109756A (zh) 一种网络靶场构建方法、系统及存储介质
CN105975340A (zh) 一种虚拟机应用分配部署算法
Deng et al. A data and task co-scheduling algorithm for scientific cloud workflows
CN114730275A (zh) 使用张量在分布式计算系统中进行矢量化资源调度的方法和装置
Ma et al. A cyclic game for service-oriented resource allocation in edge computing
Li et al. An effective scheduling strategy based on hypergraph partition in geographically distributed datacenters
CN114647515A (zh) 一种面向gpu集群的动态资源调度方法
CN110221920A (zh) 部署方法、装置、存储介质及系统
Zhou et al. Deep reinforcement learning-based algorithms selectors for the resource scheduling in hierarchical cloud computing
Pradhan et al. Energy aware genetic algorithm for independent task scheduling in heterogeneous multi-cloud environment
Lim et al. Engineering resource management middleware for optimizing the performance of clouds processing MapReduce jobs with deadlines
Geng et al. A task scheduling algorithm based on priority list and task duplication in cloud computing environment
CN113254195B (zh) 电力优化运行方法、终端设备及计算机可读存储介质
CN116991560A (zh) 针对语言模型的并行调度方法、装置、设备及存储介质
Ajmera et al. Dynamic Virtual Machine Scheduling Using Residual Optimum Power-Efficiency In The Cloud Data Center
He et al. HOME: A holistic GPU memory management framework for deep learning
Li et al. Performance optimization algorithm of radar signal processing system
Niu et al. GMAS: A geo-aware mas-based workflow allocation approach on hybrid-edge-cloud environment
CN109783189A (zh) 一种静态工作流调度方法与装置
Xu et al. Multi resource scheduling with task cloning in heterogeneous clusters
Mingxin Research on improvement of task scheduling algorithm in cloud computing

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