基于gpu电力系统并行潮流计算

山东大学积成电子联合课题组2013年5月基于GPU的电力系统并行计算的研究

ResearchonParallelComputingofPowerSystembasedonGPU2013届硕士论文答辩答辩人：郭春辉指导老师：杨志强副教授答辩内容课题概况1GPU并行计算2潮流计算3GPU并行潮流算法4系统实现5测试结果与分析6总结71.课题概况通用并行计算方案分布式计算并行机多线程通用并行方案缺点特殊硬件支持价格昂贵速度提高有限GPU并行方案优点计算效率杰出价格低1.课题概况研究方案选取GPU编程方式CUDAOpenACC分析潮流算法加速性能牛顿-拉夫逊法最好P-Q分解法次之高斯-赛德尔法最差CUDA并行实现三种潮流算法对比三种算法的加速性能与理论分析结果一致稀疏矩阵优化三角形表LU分解对比优化前后加速性能OpenACC并行实现对比CUDA与OpenACC加速性能2.GPU并行计算异构系统CPU——流程控制GPU——数据处理GPU并行编程方式CUDAOpenACCC++AMPJacket2.GPU并行计算CUDA并行步骤

分配显存原始数据从CPU复制到GPU调用CUDAkernel处理数据结果数据从GPU复制回CPU释放显存CUDA与OpenACC对比对比项CUDAOpenACC开发工作编写新代码源代码插入指导语句更换硬件重新优化重新编译开发难度难简单性能高与CUDA相当3.潮流计算潮流算法高斯-赛德尔法牛顿-拉夫逊法P-Q分解法并行性能分析潮流算法加速比a高斯-赛德尔法0.2n牛顿-拉夫逊法2.4nP-Q分解法0.4na.n是电力系统的节点数4.GPU并行潮流算法要解决问题并行处理部分？如何并行？并行部分节点导纳矩阵的计算迭代过程并行研究并行计算节点导纳矩阵并行迭代稀疏矩阵优化OpenACC并行实现4.1并行计算节点导纳矩阵

并行计算节点导纳矩阵的CUDAkernel4.2并行迭代并行求解线性方程组并行牛顿-拉夫逊迭代并行计算雅可比矩阵并行求解线性方程组并行P-Q分解迭代并行求解线性方程组并行高斯-赛德尔迭代4.2.1并行高斯-赛德尔迭代高斯-赛德尔迭代形式(1)(2)并行处理部分式(1)和式(2)中的求和部分4.2.2并行牛顿-拉夫逊迭代并行计算雅可比矩阵并行处理部分矩阵元素计算部分(3)4.2.3并行求解线性方程组高斯消元法前消后代增广矩阵第k步前消(4)(5)(6)4.2.3并行求解线性方程组并行处理公式(5)的CUDAkernel(5)4.2.3并行求解线性方程组并行处理公式(6)的CUDAkernel(6)4.2.3并行求解线性方程组并行高斯前消主机端调用4.3稀疏矩阵优化稀疏矩阵三角形表LU分解4.4OpenACC并行实现高斯前消OpenACC并行实现5.系统实现类图5.系统实现用户接口动态链接库可执行窗口程序6.测试结果与分析测试环境主机端：Inteli3-2100CPU(3.10GHz),2G内存设备端：NvidiaGeForceGTS450GPU(192个CUDA核心,1G显存)软件：Windows7,CUDAToolkitV5.0,OpenACCV1.0,PGIAcceleratorComplierV13.2免费试用版测试用例电网实例节点数支路数IEEE999IEEE303041IEEE118118186IEEE300300357Shandong97414496.测试结果与分析三种潮流算法加速性能对比6.测试结果与分析稀疏矩阵优化加速性能对比6.测试结果与分析OpenACC与CUDA加速性能对比7.总结主要工作对比GPU并行编程方式分析潮流算法的加速性能CUD