提出大型电力系统可靠性评估的一种新的蒙特卡洛模拟方法—马尔可夫链蒙特卡洛方法(Markov chain Monte Carlo,MCMC)。MCMC方法是一种特殊的蒙特卡洛方法,它将随机过程中的马尔可夫过程引入到蒙特卡洛模拟中,实现动态蒙特卡洛模拟。该...提出大型电力系统可靠性评估的一种新的蒙特卡洛模拟方法—马尔可夫链蒙特卡洛方法(Markov chain Monte Carlo,MCMC)。MCMC方法是一种特殊的蒙特卡洛方法,它将随机过程中的马尔可夫过程引入到蒙特卡洛模拟中,实现动态蒙特卡洛模拟。该方法通过重复抽样,建立一个平稳分布与系统概率分布相同的马尔可夫链,从而得到系统的状态样本。由于MCMC方法考虑了系统各个状态间的相互影响,相比于随机采样的蒙特卡洛方法所得到的独立样本序列,更准确模拟了电力系统运行实际情况。IEEE-RTS 24节点算例表明,该算法可快速收敛,节省计算时间,提高计算速度。同时,由于每条马尔可夫链均收敛于同一个分布,即所谓平稳分布,所以算法具有良好的稳定性。对西北330 kV电网的可靠性评估再次表明了该方法的正确性和有效性以及该方法用于大型电力系统的可靠性评估的优越性和潜力。展开更多
针对风、光资源的分布特点,结合发电系统设备的运行状态,建立含风力、光伏、储能的发电系统可靠性数学模型。定义风光储冗余容量比和出力偏移度两个指标来衡量含风光储发电系统的可靠性。采用序贯蒙特卡洛模拟法,构建含风光储发电系统...针对风、光资源的分布特点,结合发电系统设备的运行状态,建立含风力、光伏、储能的发电系统可靠性数学模型。定义风光储冗余容量比和出力偏移度两个指标来衡量含风光储发电系统的可靠性。采用序贯蒙特卡洛模拟法,构建含风光储发电系统的可靠性评估。利用可靠性测试系统(roy billinton test system,RBTS),分析不同协调运行方式、风光容量配置比和储能容量下含风光储的发电系统的可靠性指标。研究表明,合理的风光储配置能有效提高电能利用率,增强跟踪负荷能力,改善发电系统的可靠性。展开更多
马尔科夫链蒙特卡洛MCMC(Markov Chain Monte Carlo)算法广泛应用于地球系统模型中参数不确定性分析和模拟。由于地球环境科学数据的高维度、大容量特性,迫切需求高性能的MCMC算法满足应用需求。采用数据分治法实现该算法的多核并行化...马尔科夫链蒙特卡洛MCMC(Markov Chain Monte Carlo)算法广泛应用于地球系统模型中参数不确定性分析和模拟。由于地球环境科学数据的高维度、大容量特性,迫切需求高性能的MCMC算法满足应用需求。采用数据分治法实现该算法的多核并行化。利用静态和动态分配策略将算法中的多个输入链分配到各CPU;独立计算并通过共享内存实现进程间通信;主进程回收各单元计算结果,合成最终的马尔可夫链输出矩阵。采用控制变量法分析不同样本和马尔可夫链数量下的算法加速情况。结果表明在计算规模较大、动态负载均衡的条件下易于获得较好的加速比,在4个CPU以内时效果显著,之后随着CPU增加加速效果出现波动或趋于稳定。研究表明并行化MCMC能够利用多核CPU硬件设施获得加速效果,更多核数的加速性能存在进一步优化的空间。展开更多
提出一种基于粒子滤波器的机器人定位算法.首先利用一并行扩展卡尔曼滤波器作为粒子预测分布,将当前观测的部分信息融入,以改善滤波效果,减小所需粒子数;然后提出变密度函数边界的马尔可夫链蒙特卡洛(Markov chain Monte Carlo,MCMC)重...提出一种基于粒子滤波器的机器人定位算法.首先利用一并行扩展卡尔曼滤波器作为粒子预测分布,将当前观测的部分信息融入,以改善滤波效果,减小所需粒子数;然后提出变密度函数边界的马尔可夫链蒙特卡洛(Markov chain Monte Carlo,MCMC)重采样方法,以提高粒子的细化能力;最后结合普通重采样方法,提出一种改进的MCMC重采样的机器人定位算法,减少粒子匮乏效应的同时,提高了定位精度.实验结果表明,该算法较传统方法在计算复杂度、定位精度和鲁棒性方面都有显著提高.展开更多
文摘针对风、光资源的分布特点,结合发电系统设备的运行状态,建立含风力、光伏、储能的发电系统可靠性数学模型。定义风光储冗余容量比和出力偏移度两个指标来衡量含风光储发电系统的可靠性。采用序贯蒙特卡洛模拟法,构建含风光储发电系统的可靠性评估。利用可靠性测试系统(roy billinton test system,RBTS),分析不同协调运行方式、风光容量配置比和储能容量下含风光储的发电系统的可靠性指标。研究表明,合理的风光储配置能有效提高电能利用率,增强跟踪负荷能力,改善发电系统的可靠性。
文摘马尔科夫链蒙特卡洛MCMC(Markov Chain Monte Carlo)算法广泛应用于地球系统模型中参数不确定性分析和模拟。由于地球环境科学数据的高维度、大容量特性,迫切需求高性能的MCMC算法满足应用需求。采用数据分治法实现该算法的多核并行化。利用静态和动态分配策略将算法中的多个输入链分配到各CPU;独立计算并通过共享内存实现进程间通信;主进程回收各单元计算结果,合成最终的马尔可夫链输出矩阵。采用控制变量法分析不同样本和马尔可夫链数量下的算法加速情况。结果表明在计算规模较大、动态负载均衡的条件下易于获得较好的加速比,在4个CPU以内时效果显著,之后随着CPU增加加速效果出现波动或趋于稳定。研究表明并行化MCMC能够利用多核CPU硬件设施获得加速效果,更多核数的加速性能存在进一步优化的空间。
文摘提出一种基于粒子滤波器的机器人定位算法.首先利用一并行扩展卡尔曼滤波器作为粒子预测分布,将当前观测的部分信息融入,以改善滤波效果,减小所需粒子数;然后提出变密度函数边界的马尔可夫链蒙特卡洛(Markov chain Monte Carlo,MCMC)重采样方法,以提高粒子的细化能力;最后结合普通重采样方法,提出一种改进的MCMC重采样的机器人定位算法,减少粒子匮乏效应的同时,提高了定位精度.实验结果表明,该算法较传统方法在计算复杂度、定位精度和鲁棒性方面都有显著提高.
