| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第1章 绪论 | 第7-15页 |
| 1.1 并行计算 | 第7-10页 |
| 1.1.1 并行计算意义 | 第7-8页 |
| 1.1.2 并行性能评价 | 第8-10页 |
| 1.2 电力系统并行潮流计算 | 第10-13页 |
| 1.2.1 并行潮流计算意义 | 第10-11页 |
| 1.2.2 国内外研究现状 | 第11-13页 |
| 1.3 本文的主要工作 | 第13-15页 |
| 第2章 Spark计算平台 | 第15-26页 |
| 2.1 Spark与Hadoop MapReduce框架 | 第15-18页 |
| 2.2 弹性分布式数据集(RDD) | 第18-22页 |
| 2.2.1 RDD特点 | 第18-19页 |
| 2.2.2 存储与分区 | 第19-20页 |
| 2.2.3 两种操作算子 | 第20-22页 |
| 2.3 Spark工作原理 | 第22-25页 |
| 2.3.1 Spark架构 | 第22-23页 |
| 2.3.2 Spark应用执行机制 | 第23-24页 |
| 2.3.3 Lineage机制 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 潮流串行算法与程序实现 | 第26-39页 |
| 3.1 潮流计算的基本问题 | 第26-28页 |
| 3.1.1 数学模型 | 第26-27页 |
| 3.1.2 三种典型节点 | 第27-28页 |
| 3.2 牛顿-拉夫逊法 | 第28-30页 |
| 3.3 基于NR法的潮流程序 | 第30-38页 |
| 3.3.1 原始数据输入 | 第30页 |
| 3.3.2 稀疏导纳矩阵的形成 | 第30-33页 |
| 3.3.3 节点编号优化 | 第33-34页 |
| 3.3.4 计算修正与Jacobi矩阵 | 第34-35页 |
| 3.3.5 因子表的形成 | 第35-36页 |
| 3.3.6 支路计算与结果输出 | 第36-37页 |
| 3.3.7 操作界面 | 第37-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第4章 Spark算法并行化设计 | 第39-52页 |
| 4.1 Python程序改写 | 第39-42页 |
| 4.1.1 NumPy模块 | 第39-41页 |
| 4.1.2 程序修改 | 第41-42页 |
| 4.2 Spark平台搭建 | 第42-44页 |
| 4.2.1 JDK依赖 | 第42-43页 |
| 4.2.2 Scala依赖 | 第43页 |
| 4.2.3 SSH免密码登陆 | 第43页 |
| 4.2.4 HDFS持久化数据层 | 第43-44页 |
| 4.2.5 Spark配置 | 第44页 |
| 4.3 Spark编程 | 第44-49页 |
| 4.3.1 连接Spark | 第44页 |
| 4.3.2 初始化 | 第44-45页 |
| 4.3.3 数据集操作与缓存 | 第45-47页 |
| 4.3.4 变量与函数 | 第47-49页 |
| 4.4 算例仿真 | 第49-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第5章 潮流并行算法 | 第52-64页 |
| 5.1 潮流并行算法归纳 | 第52-57页 |
| 5.1.1 基于APP的并行算法 | 第52-53页 |
| 5.1.2 并行遗传算法 | 第53-54页 |
| 5.1.3 REI等值算法 | 第54-55页 |
| 5.1.4 PC集群并行计算 | 第55-56页 |
| 5.1.5 GPU并行计算 | 第56-57页 |
| 5.2 并行算法设计 | 第57-59页 |
| 5.2.1 常规BCD分解算法 | 第57-58页 |
| 5.2.2 BCD并行分解算法 | 第58-59页 |
| 5.3 算例分析 | 第59-63页 |
| 5.4 本章小结 | 第63-64页 |
| 第6章 结论与展望 | 第64-66页 |
| 6.1 全文总结 | 第64页 |
| 6.2 后续研究工作展望 | 第64-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-70页 |
| 附录 | 第70-76页 |
| 攻读学位期间发表论文和参研项目 | 第76页 |