随着电网规模的逐渐扩大,电力系统调度决策相关研究领域不断涌现出复杂的大规模分析计算问题。虽然这些问题的串行求解方法都已经有深入研究,但工程化应用时对计算时间的苛刻要求与串行求解方法耗时过长之间的矛盾近几年来越发突显。因此,迫切需要研究提高大规模分析计算问题求解效率的方法以满足工程化应用的要求。近些年来,处理器的功率密度飙升揭示了单处理器的性能提升已基本达到物理极限。本文基于集中式对称多处理器的并行计算机,研究了大规模电力系统调度决策的多核粗粒度并行计算问题,主要针对电力系统稳态分析中的蒙特卡罗模拟概率潮流、日前电力系统机组组合和日内滚动发电计划动态最优潮流问题进行了粗粒度并行计算方法研究。首先,介绍了并行计算相关的基本概念,并重点阐述了OpenMP(Open Multi-Processing,创建多线程)和MPI(Message Passing Interface,消息传递接口)两种典型并行编程模型以及“MPI+OpenMP”双层并行编程模型。针对并行化处理过程中可能出现的各线程负载不均衡、数据冲突问题进行了研究并给出了相应的解决办法。给出了考虑并行开销的并行算法评价指标计算方法,结合集中式对称多处理器的并行计算机探讨了对称并行这一典型粗粒度并行模型所适合的最佳并行线程数。基于OpenMP并行模型,提出了蒙特卡罗模拟概率潮流的粗粒度并行计算方法。本文简要介绍了Newton法潮流计算的基本原理、蒙特卡罗模拟的抽样原理和实现方法。在此基础上基于风电有功功率和负荷有功功率的概率模型给出了模拟法概率潮流的实现方法。然后对并行化处理中的随机数问题和变量作用域问题进行了研究并给出了解决办法。算例仿真结果显示所提出的大规模电力系统蒙特卡罗模拟概率潮流并行计算方法能明显提高计算效率。基于MPI并行模型,提出了考虑网络约束的日前电力系统机组组合问题的并行求解方法。本文建立了机组组合问题的数学模型,模型中同时考虑了火电机组的阀点效应和网络约束,采用双层遗传算法求解所构建的机组组合模型。其中,外层遗传算法用于求解机组启停计划,内层遗传算法用于负荷的最优经济分配。针对双层遗传算法计算耗时较长的问题,提出了机组组合问题的粗粒度并行求解方法,即先不考虑各时段之间的耦合约束,通过MPI并行求解各时段的机组启停计划并保留多组可行解作为备选方案,最后通过遗传算法在可行解中搜索满足耦合约束的机组组合方案。在各时段解耦之后,双层遗传算法的内层约束条件对可行解空间的压缩程度远大于外层约束条件。为了进一步提高内层遗传算法的解的质量,对内层遗传算法的种群初始化过程进行了改进,提出了一种基于数学期望的种群初始化方法。同时,为了提高双层遗传算法的种群多样性以提高整体解的质量,将交叉概率和变异概率设置为一定范围内的变量。IEEE118系统的仿真结果表明本文所提出的机组组合粗粒度并行求解方法能够明显提高计算效率,获得可观的加速比。在日前机组组合和经济出力曲线确定的基础上,基于“MPI+OpenMP”双层并行模型,提出了日内滚动发电计划动态最优潮流的双层并行计算方法。本文建立了日内滚动发电计划的数学模型,由于同样考虑了火电机组的阀点效应,采用遗传算法求解各滚动周期内的动态最优潮流问题。为了提高日内滚动发电计划动态最优潮流的计算效率,对滚动周期内各时段的最优潮流问题并行求解。同时,为了最大化并行计算效率,在多时段并行的基础上对遗传算法进行了并行化处理,提出了基于种群分解的并行遗传算法,即“MPI+OpenMP”双层并行模型,外层多时段之间并行通过MPI实现,内层遗传算法的并行通过OpenMP实现。IEEE118系统仿真结果表明,在内、外层并行线程数设置合理的情形下,采用双层并行模型能够实现算法的“二次加速”,进一步提高日内滚动发电计划动态最优潮流的计算效率。
