基于最大测点正常率与GPU并行加速的不良数据辨识方法

基于测量不确定度的概念，以测点正常率最大(MNMR)为目标的电力系统抗差状态估计方法具有较好的不良数据辨识能力。然而，该模型求解困难，已有研究对该模型进行了近似等效，并采用现代内点法进行求解，但存在因近似而辨识效果降低的问题。为此，基于MNMR状态估计模型，采用杂交变异粒子群算法，提出一种基于图形处理器(GPU)并行加速的不良数据辨识算法。该算法不对MNMR模型进行近似等效，根据GPU并行计算架构特点，设计了粗粒度和细粒度结合的并行加速策略。算例结果表明，所提的算法对不良数据的误检率和漏检率较低，具有较好的不良数据辨识能力，且计算时间短，加速效率高，能够满足实际运行需求