基于最大测点正常率与GPU并行加速的不良数据辨识方法

被引：13

作者：

方睿 ^{[1
]}

董树锋 ^{[1
]}

唐坤杰 ^{[1
]}

朱承治 ^{[2
]}

裴湉 ^{[2
]}

宋永华 ^{[3
]}

机构：

[1] 浙江大学电气工程学院

[2] 国网浙江省电力有限公司

[3] 澳门大学电机及电脑工程系

来源：

电力系统自动化 | 2019年 / 43卷 / 16期

关键词：

数据辨识; 状态估计; 测点正常率; 图形处理器; 并行计算;

D O I：

暂无

中图分类号：

TM73 [电力系统的调度、管理、通信];

学科分类号：

080802 ;

摘要：

基于测量不确定度的概念,以测点正常率最大(MNMR)为目标的电力系统抗差状态估计方法具有较好的不良数据辨识能力。然而,该模型求解困难,已有研究对该模型进行了近似等效,并采用现代内点法进行求解,但存在因近似而辨识效果降低的问题。为此,基于MNMR状态估计模型,采用杂交变异粒子群算法,提出一种基于图形处理器(GPU)并行加速的不良数据辨识算法。该算法不对MNMR模型进行近似等效,根据GPU并行计算架构特点,设计了粗粒度和细粒度结合的并行加速策略。算例结果表明,所提的算法对不良数据的误检率和漏检率较低,具有较好的不良数据辨识能力,且计算时间短,加速效率高,能够满足实际运行需求。

引用

页码：86 / 93+115 +115

页数：9

共 17 条

[1] 高性能在线分析计算现状与协同计算关键技术 [J].