梯级水电站群分布式随机动态规划算法研究

发布时间：2017-08-13 13:01

  本文关键词：梯级水电站群分布式随机动态规划算法研究

  更多相关文章： 随机动态规划 并行计算 云计算 MPI spark

【摘要】：随着我国水电事业的迅猛发展,大批的规模较大的梯级水电站群已经投产使用。水电站群的特点包括电站级数多、装机容量大、输送范围广等,其优化问题具有非常明显的高维性,非线性、多阶段性与多约束性。水电优化调度方法中,随机动态规划是使用最多的一种算法。但是,水电站计算规模的增加会导致计算耗时迅速增加, “维数灾”问题变得越来越突出；而传统的优化方法存在一定局限性,无法满足实际调度中的精细化需求。如何更快地对水电调度问题进行求解,寻找更为高效的求解方法,在当前水电调度工作中具有十分重要的意义。随着高性能计算以及近几年云计算技术的发展,基于集群的分布式并行计算技术得到了广泛的应用。分布式计算技术使用多台机器协同并行计算,为提高水电调度计算的效率提供了新的方法。本文以澜沧江下流的小湾等梯级水电站为背景,研究了基于高性能平台和云平台上的梯级水电站群长期优化调度分布式随机动态规划方法,并对不同平台上的分布式随机动态规划算法进行了比较。具体内容有：(1)参考基于MPI的点对点通信模型的动态规划算法,实现了基于MPI的分布式并行随机动态规划算法DPSDPoM;针对DPSDPoM存在冗余内存消耗和通信的问题,提出了混合多线程的MPI分布式并行随机动态规划算法DPSDPoM-MT。实验表明,DPSDPoM能够较好地将任务分配到计算节点上协同计算,具有一定的可扩展性；DPSDPoM-MT算法在计算效率和内存消耗方面均优于DPSDPoM。(2)提出了基于Spark的分布式并行随机动态规划算法DPSDPoS,并给出了两种算法实现。算法将计算模型转换为数据处理模型进行处理,充分利用了集群资源,同时具有完善的备份和冗余机制,优势明显。实验表明,相比于DPSDPoM算法,DPSDPoS效率和扩展性较高,但是存在框架开销较大,内存消耗严重等问题。(3)算法综合分析指出,在由大量普通节点组成的集群环境中,DPSDPoS算法更为适合;模型适用性分析指出,对于梯级水电站群长期优化调度的动态规划类模型及其降维改进模型,两类分布式算法均有不同程度的适用性。
【关键词】：随机动态规划 并行计算 云计算 MPI spark
【学位授予单位】：大连理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TV737;O221.3
【目录】：

• 摘要4-5
• Abstract5-10
• 1 绪论10-18
• 1.1 研究意义与背景10-11
• 1.2 国内外研究现状11-16
• 1.2.1 梯级水电系统优化调度方法研究进展11-12
• 1.2.2 梯级水电站群动态规划方法研究进展12-13
• 1.2.3 梯级水电站群动态规划方法并行化技术研究现状13-15
• 1.2.4 梯级水电站群动态规划方法云计算技术研究现状15-16
• 1.3 本文主要工作16-17
• 1.4 论文组织结构17-18
• 2 随机动态规划算法模型及并行化研究18-28
• 2.1 动态规划数学模型18
• 2.2 梯级水电站群长期优化调度随机动态规划算法18-23
• 2.2.1 状态转移方程19-20
• 2.2.2 约束条件20
• 2.2.3 惩罚措施20-21
• 2.2.4 计算过程21-23
• 2.3 随机动态规划并行分析23-25
• 2.3.1 随机动态规划并行模式23-24
• 2.3.2 决策变量并行24
• 2.3.3 状态变量并行24-25
• 2.4 分布式随机动态规划算法25-27
• 2.4.1 分布式并行与多核并行25-26
• 2.4.2 分布式并行的优势26
• 2.4.3 分布式并行的挑战26-27
• 2.5 本章小结27-28
• 3 高性能计算下的分布式随机动态规划算法28-48
• 3.1 引言28
• 3.2 基于MPI的分布式并行随机动态规划算法28-32
• 3.2.1 点对点通信模型28-29
• 3.2.2 算法计算流程29-32
• 3.3 基于MPI的混合多线程分布式并行随机动态规划算法32-35
• 3.3.1 算法改进32
• 3.3.2 计算流程32-35
• 3.4 算法分析35-37
• 3.4.1 时间复杂度分析35-36
• 3.4.2 空间复杂度分析36-37
• 3.5 实验结果与分析37-46
• 3.5.1 实验环境与设计37-38
• 3.5.2 实验结果38-40
• 3.5.3 不同并行单元数下耗时分析40-42
• 3.5.4 计算规模扩展性分析42-44
• 3.5.5 计算节点扩展性分析44-46
• 3.5.6 内存使用分析46
• 3.6 本章小结46-48
• 4 云计算下的分布式随机动态规划算法48-65
• 4.1 引言48
• 4.2 数据处理模型48-50
• 4.3 基于Spark的分布式并行随机动态规划方法50-54
• 4.3.1 末水位组合数据并行模型50-52
• 4.3.2 初水位组合数据并行模型52-54
• 4.4 算法分析54-55
• 4.4.1 时间复杂度分析54-55
• 4.4.2 空间复杂度分析55
• 4.5 实验结果与分析55-62
• 4.5.1 不同并行任务数下耗时分析56-58
• 4.5.2 计算规模扩展性分析58-59
• 4.5.3 集群节点扩展性分析59-61
• 4.5.4 内存消耗分析61-62
• 4.6 算法综合分析62-64
• 4.7 算法适用模型64
• 4.8 本章小结64-65
• 结论65-67
• 参考文献67-71
• 攻读硕士学位期间发表学术论文情况71-72
• 致谢72-73

【参考文献】

中国期刊全文数据库 前10条

1 王森;武新宇;程春田;李保健;;梯级水电站群长期发电优化调度多核并行机会约束动态规划方法[J];中国电机工程学报;2015年10期

2 王德文;孙志伟;;电力用户侧大数据分析与并行负荷预测[J];中国电机工程学报;2015年03期

3 宋亚奇;周国亮;朱永利;李莉;王刘旺;王德文;;云平台下输变电设备状态监测大数据存储优化与并行处理[J];中国电机工程学报;2015年02期

4 齐林海;艾明浩;;一种基于云计算的电压暂降并行计算方法[J];中国电机工程学报;2014年31期

5 曹子健;林今;宋永华;;主动配电网中云计算资源的优化配置模型[J];中国电机工程学报;2014年19期

6 王森;程春田;武新宇;李保健;;梯级水电站群长期发电优化调度多核并行随机动态规划方法[J];中国科学:技术科学;2014年02期

7 廖胜利;唐诗;武新宇;程春田;汪明清;;库群长期优化调度的多核并行粒子群算法[J];水力发电学报;2013年02期

8 李想;魏加华;傅旭东;;粗粒度并行遗传算法在水库调度问题中的应用[J];水力发电学报;2012年04期

9 武新宇;程春田;李刚;张世钦;;水电站群长期典型日调峰电量最大模型研究[J];水利学报;2012年03期

10 周建中;李英海;肖舸;张勇传;;基于混合粒子群算法的梯级水电站多目标优化调度[J];水利学报;2010年10期

中国博士学位论文全文数据库 前1条

1 王森;梯级水电站群长期优化调度混合智能算法及并行方法研究[D];大连理工大学;2014年

，

本文编号：667389