Software & Systems

Задачи оперативного диспетчерского управления тесно связаны с обработкой больших объемов информации, поступающей в оперативно-измерительный комплекс (ОИК) автоматизированной системы диспетчерского управления (АСДУ) электроэнергетической системы (ЭЭС) по телеметрическим каналам связи. Внедрение систем мониторинга переходных режимов (СМПР) и использование WAMS-технологий (Wide Area Measurement System) векторных измерений многократно увеличивают объем данных, поступающих по телеметрическим каналам связи. Приведенные обстоятельства по-новому ставят вопросы о средствах формирования и представления инфор- мации, в том числе и с позиций скорости ее обработки.

В данной работе предлагается методика формирования и визуализации информации о режимах функционирования ЭЭС в реальном времени.

Графическое представление диспетчерской информации в реальном времени. Основным критерием формирования достоверной и наглядной информации для средств диспетчерского управления электрическим режимом ЭЭС в реальном времени является скорость обработки, преобразования и представления исходной информации. Эта скорость в большой степени зависит от аппаратных средств реализации. Наиболее зарекомендовавшим способом представления информации является двухмерное изображение, в котором всякое изменение исходной и расчетной информации отображается соответствующим цветовым изменением. Подобный способ представления информации называют динамической заливкой, контурной раскраской [1]. Следует отметить, что он является наглядным и позволяет ЛПР легко выявлять качественные и количественные изменения информации по объекту управления. Его основным недостатком является относительно низкая скорость формирования конечного изображения, особенно при высоких разрешениях последнего. Для устранения данного недостатка предлагается новый подход к формированию конечного изображения контурной раскраски при помощи вычислительных возможностей современных графических процессоров видеоадаптеров.

Значительная часть данных по энергосистеме относится к ее шинам. Эти данные включают в себя величины нагрузки, генерации, модули и углы напряжений и т.д. В то же время графически узлы энергосистемы представлены как наборы точек, разделенные между собой свободным пространством. Для формирования непрерывного двухмерного изображения, образующего контурное представление данных энергосистемы, необходимо задать цвета точек, относящихся к шинам, и рассчитать цвета точек, относящихся к свободному пространству между шинами энергосистемы в ее графическом представлении. Для определения множества точек конечного двухмерного изображения используем понятие виртуальной точки [1]. Виртуальные точки не принадлежат ни одной из шин энергосистемы и требуют дополнительных расчетов для определения их цветового значения. При этом следует отметить, что цветовые значения точек, относящихся к шинам энергосистемы, определяются по некоторому режимному параметру (относительный уровень напряжения, угол и т.д.), который необходимо наглядно отобразить пользователю. На рисунке 1 представлена схема определения цветового значения виртуальной точки по цветовым значениям точек, относящихся к шинам энергосистемы [1].

На рисунке координаты точек шин обозначены как x1-6, y1-6; цветовые значения – v1-6; расстояния между точками шин и виртуальной точкой обозначены как d1-6; координаты и цветовое значение виртуальной точки – соответственно xP, yP, vp. Цветовое значение vp определяется по цветовым значениям v1-6 с учетом расстояний d1-6. Для определения значения vp будем использовать метод обратных взвешенных расстояний. Общий вид формулы для метода выглядит следующим образом: , где υp – искомое цветовое значение некоторой виртуальной точки; υk – цветовое значение некоторой шины k; wk – общий весовой коэффициент. Значение общего весового коэффициента определяется согласно , где dk – расстояние между некоторой шиной k и виртуальной точкой; α – частный весовой коэффициент [2].

Частный весовой коэффициент α определяет степень влияния υk на υp в зависимости от dk. Увеличение частного весового коэффициента α ведет к росту влияния υk некоторой шины k на значение υp и наоборот. Отметим, что при целом значении α скорость построения конечного изображения значительно увеличивается, что обусловлено спецификой выполнения расчетов на ЭВМ.

Рис. 1

Аппаратное ускорение формирования контурной раскраски. Скорость построения двухмерного изображения контурной раскраски зависит как от количества узлов энергосистемы, так и от размеров конечного изображения. При размере изображения 128´128 точек и количестве узлов энергосистемы, равном 14, количество виртуальных точек будет равняться 1282–14=16 370. При большем количестве узлов требуются бо́льшие размеры конечного изображения для получения контурной раскраски хорошего качества. Так, при количестве узлов ЭЭС, равном 600, требуется использовать изображение, размеры которого будут составлять уже 512´512 точек. При этом количество виртуальных точек будет равняться 5122– –600=261 544. При размере схемы ЭЭС в 2 000 узлов и более потребуются существенно большие размеры конечного изображения контурной раскраски. Для вычисления цветового значения такого количества виртуальных точек в реальном времени производительности центрального процессора не хватит, необходимы средства аппаратного ускорения вычислений. При использовании ЭВМ существует единственная возможность реализации подобного способа визуализации с помощью вычислительных ресурсов графического процессора видеокарты. В зависимости от конфигурации видеоадаптера в настоящее время при помощи видеопроцессора возможны получение и обработка двухмерных целостных изображений контурной раскраски размером до 8 192´8 192 точек. Использование видеопроцессора при формировании контурной раскраски позволяет обрабатывать и наглядно отображать информацию, поступающую с датчиков PMU в реальном времени, а также в полной мере использовать преимущества WAMS-технологии.

Рис. 2

Использование средств параллельной обработки информации в задаче анализа режимной надежности ЭЭС в реальном времени. Сейчас наблюдается тенденция использования графических процессоров для выполнения неграфических вычислений. Это обусловлено их быстродействием и возможностью параллельной обработки информации. К тому же они достаточно дешевы и могут применяться в составе стандартного персонального компьютера. Еще больший интерес к их использованию для выполнения неграфических вычислений возник с выходом специальных технологий, позволяющих упростить процесс написания и отладки программ для видеоадаптеров. При помощи одной из подобных технологий – CUDA (Compute Unified Driver Architecture) от NVIDIA разработан и реализован алгоритм анализа режимной надежности ЭЭС в реальном времени. В реализации данного алгоритма наборы независимых аварийных состояний системы обрабатываются параллельно при помощи графического процессора. В результате работы алгоритма последствия для потребителей, вызываемые различными состояниями системы, обобщаются в виде показателей надежности.

Общая схема технологии анализа режимной надежности заключается в моделировании множества отказов основного оборудования с последующим анализом последствий данных отказов. Последствия для потребителей, вызываемые различными состояниями системы, обобщаются в виде показателей надежности. Число возможных состояний системы, состоящей из бинарных элементов с независимыми отказами, составляет максимальную величину 2n. Так, при рассмотрении только одиночных отказов число состояний системы будет соответствовать числу отказов, если же учитывать наложение отказа на отказ [3], то количество состояний будет определяться формулой .

При больших размерах ЭЭС количество состояний может быть достаточно велико. При этом моделирование данного множества состояний будет выполняться одинаковым образом, процедура моделирования повторится многократно для каждого независимого состояния.

На рисунке 2 приведена блок-схема алгоритма определения показателей надежности ЭЭС. Для описания алгоритма было введено понятие блока. Под блоком здесь подразумевается некоторый набор независимых аварийных состояний системы, расчет которых можно выполнить параллельно на видеокарте. В качестве исходной информации для проведения анализа режимной надежности ЭЭС используется информация, содержащаяся в базе данных (БД) ОИК. Полученная из БД ОИК информация проходит фильтрацию грубых ошибок телеизмерений в задаче оценивания состояния системы (ОСС) [4]. По результатам работы задачи ОСС формируется расчетная схема замещения. При необходимости параметры схемы замещения, полученные при решении задачи ОСС, могут быть откорректированы вручную. Для текущего состояния системы в реальном времени выполняется электрический расчет режима системы. Процедура моделирования отказа состоит в отключении заданного элемента системы с последующим запуском функции анализа топологии ЭЭС с целью выявления специфических режимных условий – разделения системы на две и более независимых частей. В случае обнаружения разделения системы последующий расчет выполняется применительно к отдельным частям и заключается в оценке дефицита мощности и определении ущерба, вызванного недоотпуском электроэнергии [5].

Целиком реализовать основной цикл алгоритма по определению показателей надежности на графическом процессоре оказалось возможным благодаря широким возможностям технологии CUDA. Перечислим основные преимущества технологии: организация простого доступа к набору инструкций GPU, работа с различными видами памяти видеоадаптера, поддержка операции scatter, работа с целочисленными данными, наличие битовых операций, отсутствие необходимости использования графического интерфейса (OpenGL), эффективная передача данных между центральным процессором и GPU.

Ограничения технологии CUDA: работа с вещественными числами одинарной точности (аппаратное на 2007 г.), отсутствие поддержки выполнения рекурсивных функций на GPU, доступность только на графических процессорах NVIDIA, начиная с версий G80, требования к минимальному объему видеопамяти – 256 Мб.

Рис. 3

На рисунке 3 представлен график зависимости скорости выполнения расчетов в секундах от количества аварийных состояний системы при использовании различных технологий расчетов. Технологии GPGPU и CUDA сравниваются по отношению к эталонному расчету, выполненному на центральном процессоре (CPU). Сравнение скорости выполнения расчетов проводилось для центрального процессора Intel Core2 Duo 3.0 ГГц, видеопроцессора NVIDIA G92 (GeForce 8800 GTS 512).

Использование вычислительных ресурсов современных графических процессоров позволяет обрабатывать большие объемы телеметрической информации в реальном времени, применять новые методики при организации наглядного представления диспетчерской информации в задаче моделирования и ведения режимов ЭЭС, выполнять расчеты показателей режимной надежности в задаче анализа режимной надежности в реальном времени.

Литература

1. Weber J.D. Individual welfare maximization in electricity markets including consumer and full transmission system modeling. Thesis for the degree of Doctor of Philosophy in Electrical Engineering. University of Illinois, Urbana-Champaign, 1999.

2. Franke, Richard, Scattered Data Interpolation: Tests of Some Methods, Mathematics of Computation, Vol. 38, No. 157, Jan. 1982, pp. 181–200.

3. Морошкин Ю.В., Наровлянский В.Г., Федоров Ю.Г. Надежность электроэнергетической системы и критерий n-i. // Электросетевой сервис. – 2008. – № 2. – С. 40–50.

4. Хохлов М.В. Развитие алгоритмов оценивания состояния ЭЭС по неквадратичным критериям. // Сб. матер. Межрегион. науч.-технич. сем.: Управление электроэнергетическими системами – новые технологии и рынок. – Сыктывкар. – 2004. – С. 39–48.

5. Справочник по проектированию электроэнергетических систем. / Под ред. С.С. Рокотяна и И.М. Шапиро. – М.: Энергия, 1977. – С. 257–263.