论文部分内容阅读
随着电力系统规模的增大、网络结构也变得越来越复杂,大规模电力系统的分析与仿真面临着严峻的挑战。传统的电力系统计算分析都是基于中央单元处理器(Central Processing Unit,CPU)平台上,并且在此平台上对算法进行优化改进,这一途径难于从根本上对性能有大幅度的提升。因此,研究适应于其他高速计算平台的并行算法是解决这一问题的非常重要的途径。和传统的CPU架构相比,图形处理器(Graphic Processing Unit,GPU)在大规模数据处理上拥有绝对的优势,同时,统一设备架构(Compute Unified Device Architecture, CUDA)的提出,也为基于GPU硬件平台在通用计算领域的发展提供了简洁统一的计算接口,降低了GPU开发的难度,扩展了GPU的可编程性,因而研究基于GPU的电力系统并行仿真计算对降低成本,推进电力系统计算向更深层次的高性能并行计算发展有着十分重要的意义。 本文分析了CPU/GPU混合平台硬件架构和软件体系,在此基础上研究了混合平台上的电力系统并行潮流算法,提出了基于混合平台的潮流共轭梯度(Conjugate Gradient,CG)算法,以适用于电力系统在线分析与实时仿真。 结合GPU硬件结构的特点,为了有效地解决CSR压缩格式在GPU通用计算中的全局内存对齐问题,提出了一种稀疏矩阵压缩格式——改进的行格式压缩法。设计GPU平台上的基于该格式的稀疏矩阵向量乘法计算核,采用算例验证表明该格式与传统CSR格式相比,有效地缩短了在GPU平台上的稀疏矩阵向量乘法的计算时间。 深入分析了基于CPU/GPU架构的电力系统潮流算法,确定出适合于GPU加速的解修正方程部分。根据共轭梯度法的内在并行性,实现了基于GPU的并行共轭梯度法。由随机算例的测试结果表明在求解大型稀疏方程时,共轭梯度法在GPU平台上比传统CPU平台上具有显著的加速优势。 给出了基于CPU/GPU混合平台的直流潮流CG法和交流潮流PQ-CG法的具体实现,通过多个IEEE测试系统分别测试两种算法的性能,验证了两种算法在混合平台上相比传统CPU平台的高效性。 本文工作得到国家高新技术研究发展计划(863计划)项目(2011AA05A105)的资助。