Fully GPU‐based electromagnetic transient simulation considering large‐scale control systems for system‐level studies
Notice bibliographique
Résumé
As more generators and loads are integrated by power electronic converters with complicated controls, electromagnetic transients (EMTs) simulation becomes an important tool for studying dynamic characteristics of large‐scale power systems. To accelerate system‐level EMT simulations, a fine‐grained parallel algorithm on graphics processing units (GPU) is proposed. By decomposing the computational models of the EMT simulation into heterogeneous, homogeneous and network solution computations, the simulations are mapped into three unified GPU kernels. To incorporate control signals and non‐linear features of electrical components, heterogeneous computations are formulated as layered direct acyclic graphs (LDAG) of primitive operations. An LDAG kernel is designed to carry out theses primitive operations efficiently by grouped threads. Then, homogeneous computations for state updates of electrical components are modelled as sets of fused multiply‐add (FMA) operations, which are concurrently processed by an FMA kernel. Moreover, a hybrid network solution kernel is designed to solve the network equations, which can adaptively select dense or sparse solvers. Large‐scale test systems are created and simulated on an NVIDIA K20x GPU. The results show that the proposed GPU‐based EMT simulations are accurate and achieve 10x speedups over the CPU‐based ones.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».