基于最大测点正常率与GPU并行加速的不良数据辨识方法

doi:10.7500/AEPS20181029003

UM > THE STATE KEY LABORATORY OF INTERNET OF THINGS FOR SMART CITY (UNIVERSITY OF MACAU)

Residential College	false
Status	已發表Published
	基于最大测点正常率与GPU并行加速的不良数据辨识方法
	方睿 1; 董树锋 1; 唐坤杰 1; 朱承治 2; 裴湉 2; 宋永华3
	2019-08
Source Publication	电力系统自动化
ISSN	1000-1026
Volume	43 Issue:16 Pages:86-94
Abstract	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。
Keyword	数据辨识状态估计测点正常率图形处理器并行计算
DOI	10.7500/AEPS20181029003
Indexed By	核心期刊 ; EI ; CSCD
Language	中文Chinese
Scopus ID	2-s2.0-85072534213
Fulltext Access	View Full-Text via DOI
Citation statistics
Document Type	Journal article
Collection	THE STATE KEY LABORATORY OF INTERNET OF THINGS FOR SMART CITY (UNIVERSITY OF MACAU) Faculty of Science and Technology
Corresponding Author	董树锋
Affiliation	1.浙江大学电气工程学院，浙江省杭州市 2.国网浙江省电力有限公司，浙江省杭州市 3.澳门大学智慧城市物联网国家重点实验室，澳门特别行政区
Recommended Citation GB/T 7714	方睿,董树锋,唐坤杰,等. 基于最大测点正常率与GPU并行加速的不良数据辨识方法[J]. 电力系统自动化, 2019, 43(16), 86-94.
APA	方睿., 董树锋., 唐坤杰., 朱承治., 裴湉., & 宋永华 (2019). 基于最大测点正常率与GPU并行加速的不良数据辨识方法. 电力系统自动化, 43(16), 86-94.
MLA	方睿,et al."基于最大测点正常率与GPU并行加速的不良数据辨识方法".电力系统自动化 43.16(2019):86-94.

Files in This Item:
There are no files associated with this item.

If you have any objections to this item, please fill out the form below and the administrator will contact you as soon as possible.
Content:
Email：	*
Affiliation No.
Verification Code:	Refresh

Any comments and suggestions are welcomed.
Title:	*
Content:
Email：	*
Verification Code:	Refresh