现代电力系统电力网络计算中的稀疏技术绪论.ppt

电力网络计算中的稀疏技术 车如宇 稀疏矩阵 稀疏矩阵：在一个矩阵中，零元素比非零元素多 稀疏度：对m*n阶矩阵A，其中有τ个非零元素，则可定义 线性方程组的求解主要涉及大量的四则运算，而零元素的增加大大加速了计算的速度、因此稀疏度越小越好 因此、稀疏计算亦可称作“排零”计算 所谓稀疏技术就是充分利用电力网络方程组的稀疏特性、尽量减少不必要的计算以提高求解的效率。 电力网络的稀疏性 以求解节点电流-电压线性方程为例： 非线性的潮流方程本质相同，且也需在迭代过程中求解线性方程 系数矩阵为节点导纳矩阵 对角元：与相应节点相连的所有支路导纳之和，称自导纳 非对角元：与相应行列对应的节点间所有支路导纳之和的相反数，称互导纳 节点导纳矩阵为对称矩阵 只有电力网络中存在支路，相应非对角元才不为0 电力网络的稀疏性 设有1000条母线的电力系统，母线出线度平均为10，其稀疏度为 实际电网仅有非常少量的枢纽变电站存在出线度为10左右的母线 大量母线出线度仅为1~2 发电机机端母线 终端负荷母线 联络母线 …… 算法是否采用排零操作可影响计算速度几十上百倍 稀疏存储技术 核心：不存储零元素?仅保留非零元素在原矩阵中的数值及位置信息?应在必要时轻易恢复成满阵存储格式 当前计算机硬件速度和容量已发生了翻天覆地的变化，还要考虑稀疏存储吗？ 需要分析的电力系统规模也显著扩大 要求计算的速度也更快（如在线分析） 节省计算机内存占有量 尽量减少检索矩阵元素所耗时间 散居存储 按行（列）存储 三角检索存储存储 稀疏矩阵的因子表分解 矩阵化为上三角矩阵的初等变换过程 等价的矩阵计算 因子表为L、D、U的一个组合；当我们把一个矩阵进行LDU分解以后，变可以得到因子表；对于同一个系数矩阵因子表是相同的。 变换过程等效于左乘初等变换 同理第二列有： 最后 因子表的分解：对节点进行规格化运算，对节点消去运算 规格化：对角元素化为1 消去运算：使对角线下的元素为0 在这个过程中可能会新增非零元素 因子表的分解结果 利用因子表求解线性方程组 前代计算 规格化运算 回代运算 回代运算 稀疏向量法 之前讨论的内容已被用于解决几乎所有大型电力网络的问题。以下将介绍可进一步提高计算速度的稀疏向量法。 稀疏向量法主要用来解决线性方程组的右端向量仅有少量非零元素，或者我们只对待求向量中个别元素感兴趣的情况。稀疏向量法很简单，但是节省的计算量和内存量却非常可观、可以避免所有不必要的计算。 继续以求解YV=I为例分析 核心思想：如果向量I是稀疏的，则在消去的过程中只用L中的某几列元素，称之为快速消去过程。如果只需求向量V的几个元素，则在回代的过程中只用U中的某几行元素，称之为快速回代过程。 LX=I DW=X UV=W 消去过程可表示为W=D-1L-1I 回代过程表示为V=U-1W 举例说明 求解线性方程组 在消去的过程中 回代举例 针对上个例子得到了常数项向量[0 1 0 1/5] 总结 （1）首先要知道如何进行LDU分解？ 方法是：化上三角（节点的规格化和消去）； （2）因子表的重要性 当方程组需要多次求解、每次仅改变其常数项B时，系数矩阵A不变，为提高效率可用因子表求解。 （3）稀疏技术的精髓 中心思想：排零计算，因为跟零进行加和乘的运算可以省略 （4）理解稀疏向量法 针对的是：右端有少量的非零元素；关键在于找到FF和FB所需要进行运算的L和U的有效子集； 因子表分解为 → 第一列消去过程 因为 所以 都不需要参与运算，从而减少了运算 当我们只关注V3，因为U矩阵u23,u13均为0，所以V3只跟第第三行有关第四行有关。因此减少了计算量 * 模板来自于 * 01 02 03 04 电力网络的稀疏性 稀疏存储技术 稀疏矩阵的因子表分解 稀疏线性方程组的求解 05 稀疏向量法 1 1 1 2 2 2 3 4 4 4 a11 a12 a14 a21 a22 a23 a33 a42 a43 a44 1 2 4 1 2 3 3 2 3 4 原矩阵中有τ个非零元素，则需3τ个存储空间 本例中τ=10，需30个存储空间，原矩阵只需16个存储空间 a11 a12 a14 a21 a22 a23 a33 a42 a43 a44 1 4 7 8 1 2 4 1 2 3 3 2 3 4 原矩阵中每行第一个非零元素在列索引数组中的位置 任一方阵B均可分解成B=LDU的形式 L——单位下三角矩阵 D——对角线矩阵 U——单位上三角矩阵 可用同样阶数方阵同时存储三个矩阵的信息，如上面矩阵A可表示 a12 a14 a23 1 3 4 4 2 4 3 三个数组存储L（按列）： 1 2 3 4 2 4 4 a21 a42 a43 一个数组存储D： 三个数组存储U（按行）： a11 a22 a33