CN109933858A - 配电网分核并行仿真方法 - Google Patents
配电网分核并行仿真方法 Download PDFInfo
- Publication number
- CN109933858A CN109933858A CN201910125749.1A CN201910125749A CN109933858A CN 109933858 A CN109933858 A CN 109933858A CN 201910125749 A CN201910125749 A CN 201910125749A CN 109933858 A CN109933858 A CN 109933858A
- Authority
- CN
- China
- Prior art keywords
- cpu
- distribution
- feeder line
- subregion
- lines
- 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
Links
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明实施例提供一种配电网分核并行仿真方法,所述方法包括:根据目标配电网区域中各馈线所在分区的地理位置,以及各所述分区与所述目标配电网区域中除各所述分区以外的其他分区之间的电气联系,对所有所述馈线进行排序;基于遗传算法获取所述目标配电网区域中各CPU分配的馈线条数,根据各所述CPU分配的馈线条数和所述馈线的排序为各所述CPU分配馈线;使用各所述CPU对各所述CPU分配的馈线进行仿真。本发明实施例具有普适性且仿真速度快。
Description
技术领域
本发明实施例属于智能电网技术领域,更具体地,涉及一种配电网分核并行仿真方法。
背景技术
随着分布式电源、新型负荷等元件的大规模接入,配电网从集中单一供电模式转变为多端多源供电模式,分布式电源投切、继电保护动作、线路故障、合环操作等过程均会出现暂态过程,对配电网在运行、保护、控制等方面产生多维度影响。
传统配电网仿真大多关注无源配电网的暂态稳定计算收敛性问题,对有源配电网电磁暂态仿真并行方法研究较少,近年来有研究表明:在混合仿真中,建立元件并行和网络并行,将多重耦合的电机和故障模块分拆,可以大幅减少单个元件的计算量,实现分区的灵活性。在含高比例分布式电源的配电网中,对电气***和控制***进行分区解耦,将上一步长电气***输出量经过数值积分或插值方法得到预测值作为该步长的输入量,仿真速度虽有提高,但受限于并行处理器数量,并不适用于大规模有源配电网的暂态仿真。
综上所述,现有的配电网仿真方法不具有普适性且仿真速度较慢。因此,亟需一种配电网分核并行仿真方法,从根本上减小大规模有源配电网仿真计算所需要的时间。
发明内容
为克服上述现有的配电网仿真方法不具有普适性且仿真速度较慢的问题或者至少部分地解决上述问题,本发明实施例提供一种配电网分核并行仿真方法。
根据本发明实施例的第一方面,提供一种配电网分核并行仿真方法,包括:
根据目标配电网区域中各馈线所在分区的地理位置,以及各所述分区与所述目标配电网区域中除各所述分区以外的其他分区之间的电气联系,对所有所述馈线进行排序;
基于遗传算法获取所述目标配电网区域中各CPU分配的馈线条数,根据各所述CPU分配的馈线条数和所述馈线的排序为各所述CPU分配馈线;
使用各所述CPU对各所述CPU分配的馈线进行仿真。
根据本发明实施例的第二个方面,还提供一种电子设备,包括:
至少一个处理器,以及与所述处理器通信连接的至少一个存储器,其中:
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第一方面的各种可能的实现方式中任一种可能的实现方式所提供的配电网分核并行仿真方法。
根据本发明实施例的第三个方面,还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第一方面的各种可能的实现方式中任一种可能的实现方式所提供的配电网分核并行仿真方法。
本发明实施例提供一种配电网分核并行仿真方法,该方法通过将目标配电网区域的地理分区反映到并行计算的分核技术当中,考虑了网络分区结果对并行计算分核结果的影响,具有较强的普适性,根据此原则进行分核处理,在极大程度上削减了并行仿真的计算时间,减少了***节点处交互的数据量,能够在满足精度要求的基础上大幅提高仿真速度,实现配电网的实时仿真。
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为本发明实施例提供的配电网分核并行仿真方法整体流程示意图;
图2为本发明实施例提供的配电网分核并行仿真装置整体结构示意图;
图3为本发明实施例提供的电子设备整体结构示意图。
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。
在本发明的一个实施例中提供一种配电网分核并行仿真方法,图1为本发明实施例提供的配电网分核并行仿真方法整体流程示意图,该方法包括:S101,根据目标配电网区域中各馈线所在分区的地理位置,以及各分区与目标配电网区域中除各分区以外的其他分区之间的电气联系,对所有馈线进行排序;
其中,目标配电网区域为需要使用多个CPU(Central Processing Unit,中央处理器)进行并行仿真的配电网区域。目标配电网区域中的每条馈线已预先按照预设分区原则划定好分区,如将从同一变电站出线的馈线划定为同一分区。根据各馈线所属的分区对馈线进行排序,具体根据馈线所属分区的地理位置和馈线所属分区之间的电气联系对馈线进行排序。例如,若两条馈线所属分区的地理位置相邻,则这两条馈线的排列位置相近;若两条馈线所属的分区具有拉手关系,则这两条馈线的排列位置相近,但本实施例不限于这种排列方式。
S102,基于遗传算法获取目标配电网区域中各CPU分配的馈线条数,根据各CPU分配的馈线条数和馈线的排序为各CPU分配馈线;
其中,遗传算法是一种通过模拟自然进化过程搜索最优解的方法。使用遗传算法对各CPU分配的馈线条数进行优化,从而获取CPU最优的馈线分配结果。根据各CPU分配的馈线条数和馈线的排序为各CPU分配馈线。按照CPU的编号从小到大的顺序,根据各CPU分配的馈线条数,依次将排序后的馈线顺序分配给各CPU。例如,第一个CPU分配的馈线条数为3,第二个CPU分配的馈线条数为4,馈线的排序结果为{4,3,1,5,2,6,7,10,8,9},其中。排序结果中的1-10为馈线编号。先为第一个CPU分配3条馈线,从排序结果中选择前3条馈线分配给第一个CPU,即编号为4、3和1的馈线。然后为第二个CPU分配4条馈线,从排序结果中未分配的馈线中选择前4条分配给第二个CPU,即编号为5、2、6和7的馈线。
S103,使用各CPU对各CPU分配的馈线进行仿真。
使用各CPU对分配给各CPU的馈线进行并行计算,仿真各馈线上的各种数据,如馈线上的电流和电压,但本实施例不限于这两种数据。
本实施例通过根据目标配电网区域中各馈线所在的分区对馈线进行排序,从而将目标配电网区域中的分区反映到并行计算的分核技术中,适应不同馈线规模和馈线间的连接方式,具有普适性,然后使用遗传算法迭代寻优,完成目标配电网区域中的自适应分核,确定各CPU最终处理的馈线和节点,实现了多核之间的并行计算和实时仿真,在满足精度要求的基础上大幅提高了仿真速度。
在上述实施例的基础上,本实施例中根据目标配电网区域中各馈线所在分区的地理位置,以及各分区与目标配电网区域中除各分区以外的其他分区之间的电气联系,对所有馈线进行排序的步骤具体包括:获取各馈线所属的分区,并根据各分区的地理位置,以及各分区与目标配电网区域中除各分区以外的其他分区之间的电气联系对各分区进行编号;地理位置相邻的分区的编号相邻,具有拉手关系的分区的编号相邻;按照馈线所属分区的编号从小到大的顺序,对所有馈线进行排序。
其中,各分区与其他分区之间的电气联系为拉手关系,但本实施例不仅限于拉手关系。为目标配电网区域中的每条馈线划定分区,并根据各分区的地理位置为各分区编号,使得地理位置相近的分区编号相邻,具有拉手关系的分区编号相邻。按照馈线所属分区编号从小到大或从大到小的顺序对所有馈线进行排序。
本实施例将目标配电网区域的地理分区反映到并行计算的分核技术当中,考虑了网络分区结果对并行计算分核结果的影响,具有较强的普适性,根据此原则进行分核处理,在极大程度上削减了并行仿真的计算时间,减少了***节点处交互的数据量,能够在满足精度要求的基础上大幅提高仿真速度,实现配电网的实时仿真。
在上述实施例的基础上,本实施例中基于遗传算法获取目标配电网区域中各CPU分配的馈线条数的步骤具体包括:将CPU的总个数作为基因元素个数,将各CPU分配的馈线条数作为基因元素值进行编码;根据编码结果生成初始种群,将初始种群作为当代种群;计算当代种群中各个体的适应度值;根据各个体的适应度值对当代种群进行交叉和变异操作,直到满足预设终止条件;将最后一代种群中适应度值最优的个体进行解码,获取各CPU分配的馈线条数。
具体地,利用遗传算法求解问题时,首先要确定问题的目标函数和变量,然后对变量进行编码。本实施例中变量为各CPU分配的馈线条数。编码方式可以分为二进制编码和实数编码。计算适应度值的函数可以直接为目标函数。本实施例采用二进制编码表示个体,则二进制数转化为十进制数的解码公式为:
其中,bi1,bi2,...,bil为某个个体的第i段,每段段长都为l,每个bik为0或1,Ti和Ri是第i段分量定义域的两个端点。交叉操作是按照一定的交叉概率在匹配库中随机选取两个个体进行的操作,交叉位置是随机的,交叉概率一般取较大值,如0.6。进而以很小的变异概率Pm,如0.1,随机改变种群中个体的某些基因的值,其基本操作过程为:产生一个[0,1]之间的随机数rand,如果rand<Pm,则进行变异操作。最后通过对每一代的适应度值进行排序,得到最优适应度和最优适应度对应的最优基因。对最优基因解码最终获得优化结果,即多核并行仿真过程中每个CPU分配的馈线条数。
在上述实施例的基础上,本实施例中若目标配电网区域的仿真场景为稳态仿真,则基于遗传算法获取目标配电网区域中各CPU分配的馈线条数的目标函数为:
其中,Fun1为目标函数,P1为第一预设权重系数,P2为第二预设权重系数,mia为第i个CPU分配的首条馈线所属的分区编号,mib为第i个CPU分配的末条馈线所属的分区编号,ni*为本次遗传中第i个CPU分配的所有馈线上节点的总数;ni为预先获取的第i个CPU的最优计算量,nCPU为目标配电网区域中CPU的总数。
具体地,P1>P2>0,i=1,2,...,nCPU。在分核优化过程中,根据用户选择的仿真场景建立不同的目标函数。用户根据目标配电网区域中节点的类型分类考虑稳态、暂态等不同仿真场景。在分核算法执行之前输出场景选择命令,让用户通过输入逻辑信号自行选择执行稳态仿真或暂态仿真,并据此启动不同的优化模型。例如当用户输入逻辑信号0时,表示选择稳态仿真,此时馈线上的所有节点计算量相近,可进行统一处理。由于不同CPU的计算性能不同,需要根据CPU的型号采用大规模网架逐一测试,得到该CPU的最优计算量,作为输入数据。因此,需要提供可以参与计算的CPU数目及性能,即最优计算量。该性能指标以单核最优计算量为代表,保证在此最优节点数较小邻域内能够达到仿真时长和计算量之间的平衡,针对不同型号的CPU,该数据存在很大差异,通常通过大量仿真测试获得。此外,还需要提供参与计算的配电网的基本信息,如拓扑结构,馈线电压等级及数量,每条馈线上的传统负荷节点数,具有暂态过程的开关、分布式电源、新型负荷数以及馈线分区结果等。
为反映电网拓扑及其地理分区特点,地理位置相近或网络分区在同一区域内的馈线应当尽可能分给同一CPU进行计算。所以在进行分核之前将所有馈线按照分区号排序,在目标函数中引入单核计算的末条馈线分区号与单核计算的首条馈线分区号之差,对此目标取极小。为表示此目标的优先级较高,应对其赋予较大的权重系数P1。不同型号的CPU通常具有不同的数据处理能力,为了校验可以参与计算的CPU单核最优计算量,需要进行大量仿真测试,此数据最终存储于CPU参数矩阵中。通过在目标函数中引入本次遗传第i个CPU参与计算的节点数与该CPU最优计算量之差的平方,对此目标取极小,表示此目标的优先级P2低于P1。
在上述实施例的基础上,本实施例中若目标配电网区域的仿真场景为暂态仿真,则基于遗传算法获取目标配电网区域中各CPU分配的馈线条数的目标函数为:
其中,Fun21和Fun22为目标函数,P1为第一预设权重系数,P2为第二预设权重系数,mia为第i个CPU分配的首条馈线所属的分区编号,mib为第i个CPU分配的末条馈线所属的分区编号,ni1*为本次遗传中第i个CPU分配的所有馈线上传统负荷节点的总数,ni为预先获取的第i个CPU的最优计算量,mjb为第j个CPU分配的末条馈线所属的分区编号,mja为第j个CPU分配的首条馈线所属的分区编号,nj为预先获取的第j个CPU的最优计算量,nj2*为本次遗传中第j个CPU分配的所有馈线上暂态元件节点的总数,n为将一个暂态元件节点等效为传统负荷节点的数目,为参与传统负荷节点仿真计算的CPU数目,为参与暂态元件节点仿真计算的CPU数目。
具体地,P1>P2>0。在暂态仿真中,分布式电源、新型负荷存在暂态过程,其单个节点的计算量远大于线路上的传统负荷节点,所以将一个暂态元件节点等效为n个传统负荷节点处理。若用户输入逻辑信号1,表示选择暂态仿真,首先确定参与传统负荷节点计算的CPU个数和参与暂态节点计算的CPU个数。然后根据暂态仿真的目标函数,采用遗传算法完成寻优过程,输出各CPU参与计算的馈线条数。
本实施例针对不同场景下的网络仿真构建不同的优化目标,采取不同的分核策略,合理利用不同性能CPU的计算能力,在保证计算精度的基础上大幅削减仿真时间。
在上述实施例的基础上,本实施例中和通过以下公式获取:
其中,nCPU为目标配电网区域中CPU的总数,为参与传统负荷节点仿真计算的CPU数目,为参与暂态元件节点仿真计算的CPU数目,n1*为所有馈线上的传统负荷节点总数,n2*为所有馈线上的暂态元件节点总数,n为将一个暂态元件节点等效为传统负荷节点的数目。
在上述任一实施例的基础上,本实施例中使用各CPU对各CPU分配的馈线进行仿真的步骤具体包括:将连接各CPU分配的馈线与目标配电网区域中除各CPU以外的其他CPU中馈线的节点作为***节点;根据***节点,将目标配电网区域中的配电网拆分成多个子网;若各子网为暂态元件仿真模型,则将配电网中与各子网相连的其他子网等效为受控电流源;若各子网为线路仿真模型为线路,则将配电网中与各子网相连的其他子网等效为受控电压源;将等效处理后的各子网分配给相应的CPU进行并行计算,获取目标配电网区域中各馈线的电流和电源。
具体地,由于并行仿真的需要,目标配电网区域中的配电网将被拆分至多个CPU进行计算。将连接需要进行拆分的两条馈线的节点作为***节点。根据***节点将目标配电网区域中的配电网拆分成多个子网。判断各子网为暂态元件仿真模型还是为线路仿真模型。根据判断结果对配电网中与各子网相连的其他子网进行等效处理。线路和以分布式电源为代表的暂态元件均对网络提供能量,因此可以等效为电源处理。其中,暂态元件本身的输出电流受到线路侧电流交互量的控制,是电流控制的电流源,因此将暂态元件等效为受控电流源接入线路并网点,从而得到电压交互量。而线路的输出电压受到暂态元件侧电压交互量的控制,是电压控制的电压源线路等效为受控电压源输入暂态元件控制器,从而得到电流交互量。通过等效处理后,目标配电网区域中的配电网被拆分成规模均匀、计算量相近的多个子网。将不同子网分配至不同CPU进行并行计算,得到电压、电流作为交互量。本实施例中参与并行计算的多核之间通过节点***实现解耦,完成数据交互,可以在极大程度上减少单核计算量,缩短仿真时间。
在本发明的另一个实施例中提供一种配电网分核并行仿真装置,该装置用于实现前述各实施例中的方法。因此,在前述配电网分核并行仿真方法的各实施例中的描述和定义,可以用于本发明实施例中各个执行模块的理解。图2为本发明实施例提供的配电网分核并行仿真装置整体结构示意图,该装置包括排序模块201、分配模块202和仿真模块203;其中:
排序模块201用于根据目标配电网区域中各馈线所在分区的地理位置,以及各分区与目标配电网区域中除各分区以外的其他分区之间的电气联系,对所有馈线进行排序;
其中,目标配电网区域为需要使用多个CPU进行并行仿真的配电网区域。目标配电网区域中的每条馈线已预先按照预设分区原则划定好分区,如将从同一变电站出线的馈线划定为同一分区。排序模块201根据各馈线所属的分区对馈线进行排序,具体根据馈线所属分区的地理位置和馈线所属分区之间的关系对馈线进行排序。例如,若两条馈线所属分区的地理位置相邻,则这两条馈线的排列位置相近;若两条馈线所属的分区具有拉手关系,则这两条馈线的排列位置相近,但本实施例不限于这种排列方式。
分配模块202用于基于遗传算法获取目标配电网区域中各CPU分配的馈线条数,根据各CPU分配的馈线条数和馈线的排序为各CPU分配馈线;
其中,遗传算法是一种通过模拟自然进化过程搜索最优解的方法。使用遗传算法对各CPU分配的馈线条数进行优化,从而获取CPU最优的馈线分配结果。分配模块202根据各CPU分配的馈线条数和馈线的排序为各CPU分配馈线。按照CPU的编号从小到大的顺序,根据各CPU分配的馈线条数,依次将排序后的馈线顺序分配给各CPU。
仿真模块203用于使用各CPU对各CPU分配的馈线进行仿真。
仿真模块203使用各CPU对分配给各CPU的馈线进行并行计算,仿真各馈线上的各种数据,如馈线上的电流和电压,但本实施例不限于这两种数据。
本实施例通过根据目标配电网区域中各馈线所在的分区对馈线进行排序,从而将目标配电网区域中的分区反映到并行计算的分核技术中,适应不同馈线规模和馈线间的连接方式,具有普适性,然后使用遗传算法迭代寻优,完成目标配电网区域中的自适应分核,确定各CPU最终处理的馈线和节点,实现了多核之间的并行计算和实时仿真,在满足精度要求的基础上大幅提高了仿真速度。
在上述实施例的基础上,本实施例中排序模块具体用于:获取各馈线所属的分区,并根据各分区的地理位置,以及各分区与目标配电网区域中除各分区以外的其他分区之间的电气联系对各分区进行编号;其中,地理位置相邻的分区的编号相邻,具有拉手关系的分区的编号相邻;按照馈线所属分区的编号从小到大的顺序,对所有馈线进行排序。
在上述各实施例的基础上,本实施例中分配模块具体用于:将CPU的总个数作为基因元素个数,将各CPU分配的馈线条数作为基因元素值进行编码;根据编码结果生成初始种群,将初始种群作为当代种群;计算当代种群中各个体的适应度值;根据各个体的适应度值对当代种群进行交叉和变异操作,直到满足预设终止条件;将最后一代种群中适应度值最优的个体进行解码,获取各CPU分配的馈线条数。
在上述各实施例的基础上,本实施例中分配模块在目标配电网区域的仿真场景为稳态仿真时,基于遗传算法获取目标配电网区域中各CPU分配的馈线条数的目标函数为:
其中,Fun1为目标函数,P1为第一预设权重系数,P2为第二预设权重系数,mia为第i个CPU分配的首条馈线所属的分区编号,mib为第i个CPU分配的末条馈线所属的分区编号,ni*为本次遗传中第i个CPU分配的所有馈线上节点的总数;ni为预先获取的第i个CPU的最优计算量,nCPU为目标配电网区域中CPU的总数。
在上述各实施例的基础上,本实施例中分配模块在目标配电网区域的仿真场景为暂态仿真时,基于遗传算法获取目标配电网区域中各CPU分配的馈线条数的目标函数为:
其中,Fun21和Fun22为目标函数,P1为第一预设权重系数,P2为第二预设权重系数,mia为第i个CPU分配的首条馈线所属的分区编号,mib为第i个CPU分配的末条馈线所属的分区编号,ni1*为本次遗传中第i个CPU分配的所有馈线上传统负荷节点的总数,ni为预先获取的第i个CPU的最优计算量,mjb为第j个CPU分配的末条馈线所属的分区编号,mja为第j个CPU分配的首条馈线所属的分区编号,nj为预先获取的第j个CPU的最优计算量,nj2*为本次遗传中第j个CPU分配的所有馈线上暂态元件节点的总数,n为将一个暂态元件节点等效为传统负荷节点的数目,为参与传统负荷节点仿真计算的CPU数目,为参与暂态元件节点仿真计算的CPU数目。
在上述实施例的基础上,本实施例中和通过以下公式获取:
其中,nCPU为目标配电网区域中CPU的总数,为参与传统负荷节点仿真计算的CPU数目,为参与暂态元件节点仿真计算的CPU数目,为所有馈线上的传统负荷节点总数,为所有馈线上的暂态元件节点总数,n为将一个暂态元件节点等效为传统负荷节点的数目。
在上述各实施例的基础上,本实施例中排序模块具体用于:按照CPU的编号从小到大的顺序,根据各CPU分配的馈线条数,依次将排序后的馈线顺序分配给各CPU。
在上述各实施例的基础上,本实施例中仿真模块具体用于:将连接各CPU分配的馈线与目标配电网区域中除各CPU以外的其他CPU中馈线的节点作为***节点;根据***节点,将目标配电网区域中的配电网拆分成多个子网;若各子网为为暂态元件仿真模型,则将配电网中与各子网相连的其他子网等效为受控电流源;若各子网为为线路仿真模型,则将配电网中与各子网相连的其他子网等效为受控电压源;将等效处理后的各子网分配给相应的CPU进行并行计算,获取目标配电网区域中各馈线的电流和电源。
本实施例提供一种电子设备,图3为本发明实施例提供的电子设备整体结构示意图,该设备包括:至少一个处理器301、至少一个存储器302和总线303;其中,
处理器301和存储器302通过总线303完成相互间的通信;
存储器302存储有可被处理器301执行的程序指令,处理器调用程序指令能够执行上述各方法实施例所提供的方法,例如包括:根据目标配电网区域中各馈线所在分区的地理位置,以及各分区与目标配电网区域中除各分区以外的其他分区之间的电气联系,对所有馈线进行排序;基于遗传算法获取目标配电网区域中各CPU分配的馈线条数,根据各CPU分配的馈线条数和馈线的排序为各CPU分配馈线;使用各CPU对各CPU分配的馈线进行仿真。
本实施例提供一种非暂态计算机可读存储介质,非暂态计算机可读存储介质存储计算机指令,计算机指令使计算机执行上述各方法实施例所提供的方法,例如包括:根据目标配电网区域中各馈线所在分区的地理位置,以及各分区与目标配电网区域中除各分区以外的其他分区之间的电气联系,对所有馈线进行排序;基于遗传算法获取目标配电网区域中各CPU分配的馈线条数,根据各CPU分配的馈线条数和馈线的排序为各CPU分配馈线;使用各CPU对各CPU分配的馈线进行仿真。
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。
以上所描述的装置实施例仅仅是示意性的,其中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的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,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各实施例技术方案的精神和范围。
Claims (10)
1.一种配电网分核并行仿真方法,其特征在于,包括:
根据目标配电网区域中各馈线所在分区的地理位置,以及各所述分区与所述目标配电网区域中除各所述分区以外的其他分区之间的电气联系,对所有所述馈线进行排序;
基于遗传算法获取所述目标配电网区域中各CPU分配的馈线条数,根据各所述CPU分配的馈线条数和所述馈线的排序为各所述CPU分配馈线;
使用各所述CPU对各所述CPU分配的馈线进行仿真。
2.根据权利要求1所述的方法,其特征在于,根据目标配电网区域中各馈线所在分区的地理位置,以及各所述分区与所述目标配电网区域中除各所述分区以外的其他分区之间的电气联系,对所有所述馈线进行排序的步骤具体包括:
获取各所述馈线所属的分区,并根据各所述分区的地理位置,以及各所述分区与所述目标配电网区域中除各所述分区以外的其他分区之间的电气联系对各所述分区进行编号;其中,地理位置相邻的所述分区的编号相邻,具有拉手关系的所述分区的编号相邻;
按照所述馈线所属分区的编号从小到大的顺序,对所有所述馈线进行排序。
3.根据权利要求1所述的方法,其特征在于,基于遗传算法获取所述目标配电网区域中各CPU分配的馈线条数的步骤具体包括:
将所述CPU的总个数作为基因元素个数,将各所述CPU分配的馈线条数作为基因元素值进行编码;
根据编码结果生成初始种群,将所述初始种群作为当代种群;
计算所述当代种群中各个体的适应度值;
根据各所述个体的适应度值对所述当代种群进行交叉和变异操作,直到满足预设终止条件;
将最后一代种群中适应度值最优的个体进行解码,获取各所述CPU分配的馈线条数。
4.根据权利要求3所述的方法,其特征在于,若所述目标配电网区域的仿真场景为稳态仿真,则基于遗传算法获取所述目标配电网区域中各CPU分配的馈线条数的目标函数为:
其中,Fun1为目标函数,P1为第一预设权重系数,P2为第二预设权重系数,mia为第i个所述CPU分配的首条馈线所属的分区编号,mib为第i个所述CPU分配的末条馈线所属的分区编号,ni*为本次遗传中第i个所述CPU分配的所有馈线上节点的总数;ni为预先获取的第i个CPU的最优计算量,nCPU为所述目标配电网区域中CPU的总数。
5.根据权利要求3所述的方法,其特征在于,若所述目标配电网区域的仿真场景为暂态仿真,则基于遗传算法获取所述目标配电网区域中各CPU分配的馈线条数的目标函数为:
其中,Fun21和Fun22为目标函数,P1为第一预设权重系数,P2为第二预设权重系数,mia为第i个所述CPU分配的首条馈线所属的分区编号,mib为第i个所述CPU分配的末条馈线所属的分区编号,ni1*为本次遗传中第i个所述CPU分配的所有馈线上传统负荷节点的总数,ni为预先获取的第i个CPU的最优计算量,mjb为第j个所述CPU分配的末条馈线所属的分区编号,mja为第j个所述CPU分配的首条馈线所属的分区编号,nj为预先获取的第j个CPU的最优计算量,nj2*为本次遗传中第j个所述CPU分配的所有馈线上暂态元件节点的总数,n为将一个所述暂态元件节点等效为所述传统负荷节点的数目,为参与传统负荷节点仿真计算的CPU数目,为参与暂态元件节点仿真计算的CPU数目。
6.根据权利要求5所述的方法,其特征在于,和通过以下公式获取:
其中,nCPU为所述目标配电网区域中CPU的总数,为参与传统负荷节点仿真计算的CPU数目,为参与暂态元件节点的仿真计算的CPU数目,n1*为所有所述馈线上的传统负荷节点总数,n2*为所有所述馈线上的暂态元件节点总数,n为将一个所述暂态元件节点等效为所述传统负荷节点的数目。
7.根据权利要求1所述的方法,其特征在于,根据各所述CPU分配的馈线条数和所述馈线的排序为各所述CPU分配馈线的步骤具体包括:
按照所述CPU的编号从小到大的顺序,根据各所述CPU分配的馈线条数,依次将排序后的所述馈线顺序分配给各所述CPU。
8.根据权利要求1-7任一所述的方法,其特征在于,使用各所述CPU对各所述CPU分配的馈线进行仿真的步骤具体包括:
将连接各所述CPU分配的馈线与所述目标配电网区域中除各所述CPU以外的其他CPU中馈线的节点作为***节点;
根据所述***节点,将所述目标配电网区域中的配电网拆分成多个子网;
若各所述子网为暂态元件仿真模型,则将所述配电网中与各所述子网相连的其他子网等效为受控电流源;
若各所述子网为线路仿真模型,则将所述配电网中与各所述子网相连的其他子网等效为受控电压源;
将等效处理后的各所述子网分配给相应的所述CPU进行并行计算,获取所述目标配电网区域中各馈线的电流和电源。
9.一种电子设备,其特征在于,包括:
至少一个处理器、至少一个存储器和总线;其中,
所述处理器和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8任一所述的方法。
10.一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8任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910125749.1A CN109933858B (zh) | 2019-02-20 | 2019-02-20 | 配电网分核并行仿真方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910125749.1A CN109933858B (zh) | 2019-02-20 | 2019-02-20 | 配电网分核并行仿真方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109933858A true CN109933858A (zh) | 2019-06-25 |
CN109933858B CN109933858B (zh) | 2020-12-15 |
Family
ID=66985677
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910125749.1A Active CN109933858B (zh) | 2019-02-20 | 2019-02-20 | 配电网分核并行仿真方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109933858B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102981099A (zh) * | 2012-12-10 | 2013-03-20 | 辽宁省电力有限公司沈阳供电公司 | 基于遗传算法的配电网单相接地故障定位方法及定位装置 |
CN105046363A (zh) * | 2015-07-24 | 2015-11-11 | 国网技术学院 | 一种区域配电***单线图布局和优化的网格化方法 |
WO2016071930A1 (en) * | 2014-11-05 | 2016-05-12 | Yanmar Co., Ltd. | Control device for optimizing local energy network |
CN106295885A (zh) * | 2016-08-11 | 2017-01-04 | 中国电力科学研究院 | 基于主动管理模式的主动配电网联合规划方法 |
CN106372440A (zh) * | 2016-09-21 | 2017-02-01 | 中国农业大学 | 一种并行计算的配电网自适应抗差状态估计方法及装置 |
CN107294086A (zh) * | 2017-06-22 | 2017-10-24 | 上海交通大学 | 基于网络等效和并行化实现的供电恢复方法 |
-
2019
- 2019-02-20 CN CN201910125749.1A patent/CN109933858B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102981099A (zh) * | 2012-12-10 | 2013-03-20 | 辽宁省电力有限公司沈阳供电公司 | 基于遗传算法的配电网单相接地故障定位方法及定位装置 |
WO2016071930A1 (en) * | 2014-11-05 | 2016-05-12 | Yanmar Co., Ltd. | Control device for optimizing local energy network |
CN105046363A (zh) * | 2015-07-24 | 2015-11-11 | 国网技术学院 | 一种区域配电***单线图布局和优化的网格化方法 |
CN106295885A (zh) * | 2016-08-11 | 2017-01-04 | 中国电力科学研究院 | 基于主动管理模式的主动配电网联合规划方法 |
CN106372440A (zh) * | 2016-09-21 | 2017-02-01 | 中国农业大学 | 一种并行计算的配电网自适应抗差状态估计方法及装置 |
CN107294086A (zh) * | 2017-06-22 | 2017-10-24 | 上海交通大学 | 基于网络等效和并行化实现的供电恢复方法 |
Non-Patent Citations (2)
Title |
---|
ALEXANDRE TENINGE ; YVON BESANGER ; FREDERIC COLAS ; HICHAM FAKH: "Real-time simulation of a medium scale distribution network: Decoupling method for multi-CPU computation", 《2012 COMPLEXITY IN ENGINEERING (COMPENG). PROCEEDINGS》 * |
彭道刚;宋磊;赵斌斌;黄义超;朱灏;胡迅: "智能配电网故障定位***设计与研究", 《自动化仪表》 * |
Also Published As
Publication number | Publication date |
---|---|
CN109933858B (zh) | 2020-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108108224B (zh) | 基于蚁群优化算法的云数据中心中虚拟机放置方法 | |
CN109546646A (zh) | 一种区域电力现货市场分散式出清方法、装置、设备及介质 | |
CN106227599B (zh) | 一种云计算***中资源调度的方法及*** | |
CN109447264B (zh) | 云计算环境下基于vham-r模型的虚拟机放置遗传优化方法 | |
CN109120009A (zh) | 计及分布式电源出力随机变化的主动配电网故障恢复方法 | |
Mi et al. | Embedding virtual infrastructure based on genetic algorithm | |
CN104123684A (zh) | 一种计及网损和可靠性的配电网经济性重构方法 | |
CN108462194A (zh) | 一种针对低压配电网三相负荷不平衡的广域优化方法 | |
CN115473901A (zh) | 一种分布式算力集群智慧调度方法、装置及计算机设备 | |
Bagheri Tolabi et al. | Novel hybrid fuzzy-intelligent water drops approach for optimal feeder multi objective reconfiguration by considering multiple-distributed generation | |
CN108711860B (zh) | 一种基于并行计算的配电网变电站-线路联合规划方法 | |
Liu et al. | A load-balancing approach based on modified K-ELM and NSGA-II in a heterogeneous cloud environment | |
Yao et al. | Hybrid evolutionary approaches to terminal assignment in communications networks | |
Cao et al. | A resource allocation strategy in fog-cloud computing towards the Internet of Things in the 5G era | |
CN110189230B (zh) | 一种动态分区的解析化模型的构建方法 | |
CN109933858A (zh) | 配电网分核并行仿真方法 | |
Starkey et al. | A comparison of particle swarm optimization and genetic algorithms for a multi-objective Type-2 fuzzy logic based system for the optimal allocation of mobile field engineers | |
CN113296893B (zh) | 一种基于混合正弦余弦粒子群优化算法的云平台低资源损耗虚拟机放置方法 | |
CN113542115B (zh) | 基于sdn电力通信网络的数据路径确定方法、装置及*** | |
CN108256694A (zh) | 基于重复遗传算法的模糊时间序列预测***、方法及装置 | |
CN115001978A (zh) | 一种基于强化学习模型的云租户虚拟网络智能映射方法 | |
CN113449908A (zh) | 考虑需求侧资源的配电网规划方法及*** | |
CN112491067A (zh) | 一种基于复合储能的主动配电网容量配置方法 | |
Chicco et al. | Metaheuristics for Transmission Network Expansion Planning | |
Alanazi et al. | Multiobjective and Coordinated Reconfiguration and Allocation of Photovoltaic Energy Resources in Distribution Networks Using Improved Clouded Leopard Optimization Algorithm |
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 |