大規(guī)模電力系統(tǒng)調(diào)度決策的粗粒度并行計算.pdf

1、隨著電網(wǎng)規(guī)模的逐漸擴大，電力系統(tǒng)調(diào)度決策相關(guān)研究領(lǐng)域不斷涌現(xiàn)出復雜的大規(guī)模分析計算問題。雖然這些問題的串行求解方法都已經(jīng)有深入研究，但工程化應(yīng)用時對計算時間的苛刻要求與串行求解方法耗時過長之間的矛盾近幾年來越發(fā)突顯。因此，迫切需要研究提高大規(guī)模分析計算問題求解效率的方法以滿足工程化應(yīng)用的要求。近些年來，處理器的功率密度飆升揭示了單處理器的性能提升已基本達到物理極限。本文基于集中式對稱多處理器的并行計算機，研究了大規(guī)模電力系統(tǒng)調(diào)度決策的多

2、核粗粒度并行計算問題，主要針對電力系統(tǒng)穩(wěn)態(tài)分析中的蒙特卡羅模擬概率潮流、日前電力系統(tǒng)機組組合和日內(nèi)滾動發(fā)電計劃動態(tài)最優(yōu)潮流問題進行了粗粒度并行計算方法研究。
　　首先，介紹了并行計算相關(guān)的基本概念，并重點闡述了OpenMP（Open Multi-Processing，創(chuàng)建多線程）和MPI（Message Passing Interface，消息傳遞接口）兩種典型并行編程模型以及“MPI+OpenMP”雙層并行編程模型。針對并行化處

3、理過程中可能出現(xiàn)的各線程負載不均衡、數(shù)據(jù)沖突問題進行了研究并給出了相應(yīng)的解決辦法。給出了考慮并行開銷的并行算法評價指標計算方法，結(jié)合集中式對稱多處理器的并行計算機探討了對稱并行這一典型粗粒度并行模型所適合的最佳并行線程數(shù)。
　　基于OpenMP并行模型，提出了蒙特卡羅模擬概率潮流的粗粒度并行計算方法。本文簡要介紹了Newton法潮流計算的基本原理、蒙特卡羅模擬的抽樣原理和實現(xiàn)方法。在此基礎(chǔ)上基于風電有功功率和負荷有功功率的概率模型

4、給出了模擬法概率潮流的實現(xiàn)方法。然后對并行化處理中的隨機數(shù)問題和變量作用域問題進行了研究并給出了解決辦法。算例仿真結(jié)果顯示所提出的大規(guī)模電力系統(tǒng)蒙特卡羅模擬概率潮流并行計算方法能明顯提高計算效率。
　　基于MPI并行模型，提出了考慮網(wǎng)絡(luò)約束的日前電力系統(tǒng)機組組合問題的并行求解方法。本文建立了機組組合問題的數(shù)學模型，模型中同時考慮了火電機組的閥點效應(yīng)和網(wǎng)絡(luò)約束，采用雙層遺傳算法求解所構(gòu)建的機組組合模型。其中，外層遺傳算法用于求解機組

5、啟停計劃，內(nèi)層遺傳算法用于負荷的最優(yōu)經(jīng)濟分配。針對雙層遺傳算法計算耗時較長的問題，提出了機組組合問題的粗粒度并行求解方法，即先不考慮各時段之間的耦合約束，通過MPI并行求解各時段的機組啟停計劃并保留多組可行解作為備選方案，最后通過遺傳算法在可行解中搜索滿足耦合約束的機組組合方案。在各時段解耦之后，雙層遺傳算法的內(nèi)層約束條件對可行解空間的壓縮程度遠大于外層約束條件。為了進一步提高內(nèi)層遺傳算法的解的質(zhì)量，對內(nèi)層遺傳算法的種群初始化過程進行了

6、改進，提出了一種基于數(shù)學期望的種群初始化方法。同時，為了提高雙層遺傳算法的種群多樣性以提高整體解的質(zhì)量，將交叉概率和變異概率設(shè)置為一定范圍內(nèi)的變量。IEEE118系統(tǒng)的仿真結(jié)果表明本文所提出的機組組合粗粒度并行求解方法能夠明顯提高計算效率，獲得可觀的加速比。
　　在日前機組組合和經(jīng)濟出力曲線確定的基礎(chǔ)上，基于“MPI+OpenMP”雙層并行模型，提出了日內(nèi)滾動發(fā)電計劃動態(tài)最優(yōu)潮流的雙層并行計算方法。本文建立了日內(nèi)滾動發(fā)電計劃的數(shù)學

7、模型，由于同樣考慮了火電機組的閥點效應(yīng)，采用遺傳算法求解各滾動周期內(nèi)的動態(tài)最優(yōu)潮流問題。為了提高日內(nèi)滾動發(fā)電計劃動態(tài)最優(yōu)潮流的計算效率，對滾動周期內(nèi)各時段的最優(yōu)潮流問題并行求解。同時，為了最大化并行計算效率，在多時段并行的基礎(chǔ)上對遺傳算法進行了并行化處理，提出了基于種群分解的并行遺傳算法，即“MPI+OpenMP”雙層并行模型，外層多時段之間并行通過MPI實現(xiàn)，內(nèi)層遺傳算法的并行通過OpenMP實現(xiàn)。IEEE118系統(tǒng)仿真結(jié)果表明，在內(nèi)