一种低压配电网拓扑自动识别方法

    公开(公告)号:CN109873501B

    公开(公告)日:2020-09-11

    申请号:CN201910297607.3

    申请日:2019-04-15

    申请人: 东南大学

    IPC分类号: H02J13/00

    摘要: 本发明公开了一种低压配电网拓扑自动识别方法,包括如下步骤:从若干个智能电表中分别获取用户侧表箱和分支箱的电表功率数据,并对数据进行预处理得到数据组D;通过用户侧表箱和分支箱的电表功率阶跃利用聚类处理进行分支箱和用户侧表箱匹配,形成用户侧表箱和分支箱一对一匹配关系;利用分支箱和用户侧表箱的一对一匹配关系作出相对应的台区拓扑图结构;利用分支箱和用户表箱的一对一匹配关系用用电量做拓扑检验。本发明利用用户侧表箱和分支箱的用电数据计算功率阶跃,利用聚类处理进行分支箱和用户侧表箱匹配,通过分支箱和用户侧表箱的匹配关系作出相对应的台区拓扑图结构解决现阶段低压台区拓扑结构的混乱关系。

    一种用于静态安全分析的雅可比矩阵冗余存储方法

    公开(公告)号:CN106294022B

    公开(公告)日:2019-03-29

    申请号:CN201610662283.5

    申请日:2016-08-12

    申请人: 东南大学

    IPC分类号: G06F11/14 G06Q50/06

    摘要: 本发明公开了一种用于静态安全分析的雅可比矩阵冗余存储方法,该方法包括如下步骤:(1)根据电网基础数据生成电网元件故障前基态电网的导纳矩阵Y,按稀疏格式存储;(2)根据基态电网的导纳矩阵Y的稀疏结构,生成稀疏格式的雅可比矩阵J,将电网中所有节点按PQ节点处理,为PV节点在雅可比矩阵J中冗余预留非零元的储存空间和电压幅值增量ΔV2的储存空间,即形成PV节点对应的冗余无功功率不平衡方程;(3)在生成基态电网的任意一个具体故障潮流的修正方程组时,雅可比矩阵J按照故障电网的实际节点类型进行解耦处理。本发明解决了批处理潮流雅可比矩阵结构不一致的问题,为批处理潮流并行计算提供了数据结构基础。

    一种结合GPU软硬件架构特点设计的直流故障筛选方法

    公开(公告)号:CN106021943B

    公开(公告)日:2018-07-20

    申请号:CN201610365460.3

    申请日:2016-05-27

    申请人: 东南大学

    IPC分类号: G06F17/50

    摘要: 本发明公开了一种结合GPU软硬件架构特点设计的直流故障筛选方法,包括:根据GPU的软硬件参数对GPU的内核函数的任务分配进行优化设计:使用一个线程块计算一个开断;CPU读取电网数据,将所需的数据传送给GPU;采用两个CUDA流,使GPU在执行内核函数的同时,实现支路开断故障筛选与发电机开断故障筛选的异步执行;CUDA流1:GPU中的内核函数1和内核函数2筛选支路开断故障集S1并回传CPU中;CUDA流2:GPU中的内核函数3和内核函数4筛选发电机开断故障集S2并回传CPU中。本发明使用一个线程块来计算一个开断,所用的线程总数量增加,单个线程的计算量减少,充分利用了GPU的硬件资源和计算能力。

    基于功率及电流特性的电吹风非侵入辨识方法

    公开(公告)号:CN107390020A

    公开(公告)日:2017-11-24

    申请号:CN201710433630.1

    申请日:2017-06-09

    申请人: 东南大学

    IPC分类号: G01R21/06

    摘要: 本发明公开了一种基于功率及电流特性的电吹风非侵入辨识方法,包括如下步骤:(1)在一定采样频率范围内,对总电源进线的电压和电流信号进行采样;(2)计算实时平均有功功率序列P(i)和实时平均无功功率序列Q(i);(3)提取第j个时间窗口的电流最大值Imax(j)、电流最小值Imin(j),构造新的电流信号序列I(j)=Imax(j)+Imin(j);(4)判定电吹风运行状态,并计算该档位电吹风的额定功率。本发明解决了目前家用电器中间断运行的负荷较多,电吹风的稳态特性与其他电器相似,无明显的暂态特性等难题,可准确感知电吹风的运行及所处状态,并提供电吹风的近似额定功率,为实现电吹风的非侵入辨识。

    一种大量同构稀疏矩阵的GPU加速QR分解方法

    公开(公告)号:CN106354479A

    公开(公告)日:2017-01-25

    申请号:CN201610664905.8

    申请日:2016-08-12

    申请人: 东南大学

    IPC分类号: G06F9/38

    CPC分类号: G06F9/3877

    摘要: 本发明公开了一种大量同构稀疏矩阵的GPU加速QR分解方法,所述方法包括如下步骤:在CPU上对稀疏矩阵A1进行QR符号分解,得到Household变换矩阵V1和上三角矩阵R1的稀疏结构;对矩阵A1各列进行并行化分层,且A1~AN具有相同的稀疏结构V1、上三角矩阵稀疏结构R1和并行化分层结果;CPU将QR分解所需数据传输给GPU;任务分配和设备内存优化:将对矩阵A1~AN的QR分解任务分配到GPU上的大量线程中执行,并根据合并访问原则优化内存使用;GPU中计算分层QR分解内核函数Batch_QR。该方法利用CPU控制程序的流程,GPU处理密集浮点运算,可以大幅提高大量同构稀疏矩阵的QR分解速度。