Методы сокращения вычислительного времени при крупномасштабном анализе потока нагрузки

Введение в вычислительную эффективность при анализе потока нагрузки

Масштабный анализ потока нагрузки является краеугольным камнем планирования энергосистемы и операций в режиме реального времени. По мере того, как электрические сети расширяются и интегрируются возобновляемые источники энергии, сложность и размер системных матриц резко возрастают. Обычные решатели потока нагрузки, будучи надежными, могут стать вычислительно дорогостоящими для сетей с сотнями тысяч автобусов и филиалов. Сокращение вычислительного времени без ущерба для точности имеет важное значение для таких приложений, как анализ непредвиденных обстоятельств, оптимальный поток мощности, исследования переходной стабильности и динамическая оценка безопасности. В этой статье рассматриваются проверенные и новые методы, которые инженеры и исследователи могут применять для ускорения крупномасштабных вычислений потока нагрузки, с акцентом на практическую реализацию и последние достижения.

Основы вычисления потока нагрузки

Анализ потока нагрузки решает набор нелинейных алгебраических уравнений, представляющих баланс активной и реактивной мощности на каждой шине. Стандартная формулировка включает уравнения впрыска мощности:

Pi — jQi = Vi ∑k∈N Yikk

где Vi — напряжение шины, Yik — элемент матрицы допуска, а N — набор шины. Система обычно решается с помощью итерационных методов, при этом количество итераций и вычислительная стоимость за итерацию являются двумя основными драйверами общей среды выполнения. Для больших сетей матрица допуска чрезвычайно разрежена — каждая шина подключена только к нескольким другим — что закладывает основу для эффективных численных методов.

Использование сетевой спаривания

Наиболее фундаментальный метод сокращения вычислительного времени заключается в явном использовании разреженности матрицы допуска. В методе Ньютона-Рафсона матрица Якобиана также разрежена, поскольку она сохраняет ту же структуру подключения, что и сеть. Разреженные форматы хранения матрицы, такие как хранилище сжатых строк (CSR) или хранилище сжатых столбцов (CSC), уменьшают объем памяти и ускоряют умножение матрицы-вектора. Кроме того, разреженная факторизация LU и упорядоченное устранение (например, с использованием алгоритма минимальной степени или вложенного рассечения) значительно снижают количество операций с плавающей точкой на итерацию. Современные решатели потока нагрузки , как MATPOWER , реализуют эти методы для бесперебойной обработки сетей с десятками тысяч шин.

Заказ стратегий

Символическая факторизация и переупорядочение являются критическими этапами предварительной обработки. Перенумеровав узлы для уменьшения заполнения (ненулевые записи, введенные во время факторизации), программное обеспечение может решить систему Якобиана с почти линейной сложностью. Общие упорядочения включают: Tinney-2 (Минимальная степень) , Reverse Cuthill-McKee и Приближенная минимальная степень . Для энергетических систем гибридная стратегия, которая сочетает кластеризацию на основе электрического расстояния с графо-теоретической упорядоченностью, часто дает оптимальные результаты.

Ускорение итеративных методов

Хотя прямые решатели надежны, они могут стать непомерно высокими для очень больших систем (например, более 100 000 автобусов). Итеративные методы, такие как Gauss-Seidel, Newton-Raphson и передовое семейство Newton-Krylov, предлагают более низкие требования к памяти и часто лучше масштабируются.

Гаусс-Сейдель с ускорением

Классический метод Гаусса-Сейделя обновляет напряжения шины за шиной. Хотя он медленно сходится для больших сетей, включение коэффициента ускорения (Successive Over-Relaxation, SOR) может уменьшить количество итераций. Хорошо настроенный параметр ускорения (обычно между 1,5 и 1,7) ускоряет сходимость, чрезмерно расслабляя поправки напряжения. Однако Gauss-Seidel редко используется в одиночку для больших систем из-за плохой масштабируемости в сетчатых сетях.

Ньютон-Рафсон с неточными растворителями

Метод Ньютона-Рафсона является отраслевым стандартом из-за его квадратичной конвергенции вблизи решения. Основная стоимость за итерацию - решение якобианской системы J·Δx = ΔS. Для больших сетей это линейное решение может быть ускорено с помощью итеративного линейного решателя - такого как метод сопряженного градиента (CG) для симметричных задач или GMRES для асимметричных - вместе с предусловием . Общие предусловия включают Неполную факторизацию LU (], Успешное сверхрасслабление и Алгебраическая многосетевая система (AMG) . Хорошо спроектированный предусловие уменьшает количество итераций GMRES до нескольких, резко сокращая время вычислений.

Альтернативой является метод Неточный Ньютон, где линейная система решается с расслабленной толерантностью в ранних итерациях Ньютона, постепенно затягиваясь по мере приближения решения. Этот метод может уменьшить общее время выполнения на 20-40% без ухудшения окончательной точности.

Методы Ньютона-Крылова

Методы Ньютона-Крылова объединяют Ньютона-Рафсона с подпространственными решателями Крылова. Они избегают явного формирования якобианской матрицы с помощью якобиан-свободных приближений (матрицы-свободные Ньютон-Крылова). Для очень больших сетей, где память является узким местом, этот подход может быть очень эффективным, особенно в сочетании с физическими предусловиями, такими как быстрый разъединенный поток нагрузки (FDLF) или блок-диагональные приближения.

Сокращение модели и сетевое эквивалентирование

Не все шины в большой сети одинаково важны для исследования.Сокращение модели уменьшает размер проблемы путем агрегирования электрически удаленных или менее критических областей, сохраняя при этом поведение внешней системы.

Сокращение крон

Сокращение крон (также известное как гауссовское устранение узлов) систематически устраняет шины, которые не имеют впрыска (например, промежуточные ветви импеданса). Полученная уменьшенная сеть поддерживает те же напряжения шины в удерживаемых узлах. Расчетная стоимость устранения - O(n]3 для плотных субматриц, но использование методов скудного устранения может держать его управляемым. Сокращение крон широко используется при определении эквивалентов тевенина и в динамическом равновесии для крупномасштабных исследований переходной стабильности.

Эквиваленты типа Ward

Более продвинутые методы сокращения сети включают в себя Ward, REI (Radial Equivalent Independent) и методы на основе когерентности. Эквиваленты Ward объединяют внешнюю область в единый эквивалентный генератор и нагрузку, сохраняя чистые впрыскивания мощности и реакцию системы на изменения во внутренней (изучающей) области. Эти эквиваленты вычислительно легки и могут сократить время анализа на порядки величины.

Для приложений реального времени методы адаптивной эквивалентности обновляют эквивалентную модель по мере изменения рабочей точки, балансируя точность и скорость. Исследования показали, что гибридные модели, сочетающие сокращение Kron для внешней сети и полное моделирование для внутренней зоны, достигают высокой точности с минимальными вычислительными накладными расходами.

Разделение и параллельные вычисления

Современные энергетические сети, естественно, имеют географически разъединенную структуру. Разделение системы на подсети и решение каждой части параллельно может значительно сократить время настенных часов.

Ограниченный блок диагональной (BBD) разложения

При разложении BBD сеть разбивается на t подсети плюс небольшой набор «границы» межсоединений. Уравнения потока нагрузки решаются сначала путем факторизации каждой подсети независимо, затем решения пограничной системы. Вычислительное ускорение почти линейно в t для хорошо сбалансированных разделов. Этот метод особенно эффективен в распределенных центрах управления, где данные из каждой области находятся локально.

Параллельный Ньютон-Рафсон

Существует несколько подходов для параллелизации метода Ньютона-Рафсона:

]

Фреймворки с открытым исходным кодом, такие как MATPOWER и MATPOWER, параллельные утилиты (например, «mp-opt»), обеспечивают строительные блоки для реализации этих стратегий в MATLAB или Python. Для развертывания на высокопроизводительных вычислительных кластерах, Power System Analysis Toolbox (PSAT) и GridPACK предлагают специализированные модули параллельного потока нагрузки.

GPU ускорение

Графические процессоры (GPU) стали мощным ускорителем для вычислительно интенсивных операций линейной алгебры. Путем разгрузки якобианской сборки и скудных треугольных решений на GPU пропускная способность может увеличиться на 5-10× по сравнению с одним ядром CPU. Основной проблемой является ограниченная пропускная способность памяти GPU для чрезвычайно больших скудных матриц. Гибридные схемы CPU-GPU, которые выполняют факторизации на CPU и замену вперед/назад на GPU, в настоящее время являются наиболее практичными для сетей промышленного масштаба.

Передовые численные методы

Помимо классических методов, некоторые последние достижения предлагают дальнейшее сокращение вычислительного времени.

Предварительное кондиционирование для итеративных растворителей

Выбор предусловия часто является решающим фактором для скорости итерационных решателей. Алгебраические многосетевые (AMG) ] Предусловия показали отличную производительность для проблем с потоком мощности, достигая конвергенции в ряде итераций, которые не зависят от размера сети. ILU(]k ) Предусловия с уровнем заполнения 1 или 2 ударяют хороший баланс между памятью и скоростью конвергенции. Для сетей с сильной связью (например, взаимосвязанная высоковольтная сеть постоянного тока), рекомендуются предусловия block-ILU, которые используют структуру блока якобиана.

Методы Квази-Ньютона

Методы Квази-Ньютона, такие как семейство Бройденов, избегают полной якобианской факторизации, обновляя при каждой итерации приблизительную обратную якобианскую. В то время как стоимость перитирования ниже, конвергенция является сверхлинейной, а не квадратичной. Для больших сетей, где решение якобианского является доминирующей стоимостью, метод Бройдена может быть конкурентоспособным, особенно в сочетании с периодической рефакторизацией для сброса аппроксимации.

Методы гомотопии и продолжения

В сложных случаях (например, тяжелая нагрузка, близость к коллапсу напряжения) обычные методы Ньютона-Рафсона могут не сближаться. Методы продолжения встраивают систему в семейство проблем, параметризованных по коэффициенту нагрузки. Хотя эти методы часто используются для оценки стабильности, они также обеспечивают надежный способ быстрого решения нескольких случаев потока нагрузки вблизи базового случая. При эффективном управлении размером шага и скудном продолжении накладные расходы на один случай могут быть очень низкими.

Машинное обучение — помощь в инициализации

Одним из наиболее активных направлений исследований является использование моделей машинного обучения (ML) для прогнозирования хорошей начальной догадки для итеративного решателя. Нейронная сеть, обученная на исторических оперативных снимках, может генерировать оценку напряжения, близкую к решению, уменьшая итерации Ньютона-Рафсона до 1 или 2. Например, глубокий автокодер может захватывать типичный профиль напряжения для заданного рисунка нагрузки. Аналогично, модели регрессии (например, случайные леса, гауссовые процессы) могут непосредственно прогнозировать конечные напряжения для быстрого скрининга непредвиденных обстоятельств. Эти методы не заменяют решатель потока нагрузки, но действуют как механизм теплого запуска, приводя к ускорениям 30-60% в производственных средах.

Адаптивные и гибридные подходы

Ни один метод не работает оптимально для всех размеров сети и условий эксплуатации. Современные реализации часто объединяют несколько из вышеперечисленных методов в адаптивной структуре. Например:

Такие гибридные растворители все чаще используются в коммерческих инструментах, таких как Siemens PSS®E, DIgSILENT PowerFactory и GE PSLF. Они позволяют проводить оценку сетей с более чем 50 000 автобусов в режиме реального времени.

Практические соображения по осуществлению

При выборе или разработке быстродействующего крупномасштабного решателя потока нагрузки необходимо учитывать несколько практических аспектов:

Пример: система 70 000 автобусов

Чтобы проиллюстрировать преимущества, рассмотрим репрезентативное североамериканское соединение с 70 000 автобусов и 80 000 ветвей. Стандартный растворитель на основе Ньютона-Рафсона с использованием оптимального упорядочивания и разреженного прямого растворителя (например, UMFPACK) требует примерно 120 миллисекунд на итерацию и сходится в 4 итерациях (480 мс).