Pemrosesan paralel dan terdistribusi secara luas telah diterapkan untuk komputasi ilmiah dan rekayasa, termasuk berbagai

aspek analisis sistem tenaga. Makalah ini pertama menyajikan pendekatan terdistribusi pengolahan indeks keandalan penilaian (RIA) untuk sistem distribusi. Kemudian, makalah ini mengusulkan sebuah partisi pendekatan tugas yang seimbang untuk mencapai efisiensi yang lebih baik. Selanjutnya, pengolahan terdistribusi dari RIA diterapkan untuk kehandalan berbasis rekonfigurasi jaringan (NR), yang mempekerjakan algoritma menggabungkan pencarian lokal dan simulated annealing untuk mengoptimalkan keandalan sistem. Hasil pengujian disajikan untuk menunjukkan eksekusi yang dipercepat dari RIA dan NR dengan pengolahan terdistribusi. Indeks Syarat-Jaringan rekonfigurasi, pemrosesan paralel dan terdistribusi, sistem distribusi listrik, keandalan indeks assessment, skalabilitas, simulated annealing. I. PENDAHULUAN pemrosesan paralel dan terdistribusi [1], [2] memiliki kontribusi signifikan untuk perhitungan ilmiah dan teknik, terutama untuk tugas-tugas menghabiskan waktu kritis atau waktu. Pemrosesan paralel biasanya dilakukan di Multiprocessors berdedikasi dengan jam global dan memori bersama, sementara pemrosesan terdistribusi biasanya dilakukan pada beberapa workstation atau komputer yang terhubung ke jaringan tanpa jam pusat dan memori bersama. Dalam pemrosesan terdistribusi, pesan yang lewat adalah teknik umum untuk berbagi informasi karena tidak ada memori bersama. Meskipun kinerja jaringan komputer yang tidak kompetitif seperti komputer paralel berdedikasi, jaringan komputer yang lebih murah dan lebih luas tersedia seperti di jaringan area lokal (LAN). Dengan demikian, pemrosesan terdistribusi kadang-kadang disebut sebagai proses low-end paralel. Perlu dicatat bahwa "paralel" digunakan sesekali dalam tulisan ini untuk menunjukkan eksekusi konkuren dari tugas komputasi. Pembahasan dalam makalah ini pada dasarnya didasarkan pada terdistribusi pengolahan. Terutama, seperti banyak pendekatan pengolahan lainnya didistribusikan, pendekatan yang diusulkan menggunakan pesan lewat skema untuk berbagi data antara kolaborasi prosesor. Pemrosesan paralel dan terdistribusi telah diterapkan untuk komputasi sistem tenaga di berbagai daerah [3] - [12], seperti arus beban [4] - [7], arus listrik yang optimal [8], [9], estimasi state [10] , analisis kontingensi [11], dan evaluasi keandalan untuk sistem pembangkit dan transmisi dengan simulasi Monte Carlo [12]. Karya-karya sebelumnya dapat diklasifikasikan ke dalam dua kategori: aplikasi pemrosesan paralel [4] - [6], [12] dan aplikasi pengolahan terdistribusi [7] - [12]. Tampaknya fokus bekerja lebih mutakhir pada pengolahan terdistribusi. Hal ini mungkin karena perkembangan terbaru dalam hardware jaringan dan software, yang membuat pengolahan distribusi lebih cepat, lebih luas tersedia, dan mudah-ke-diterapkan daripada sebelumnya. Makalah ini menyajikan skema pengolahan terdistribusi penilaian indeks keandalan (RIA) dan kehandalan rekonfigurasi jaringan berbasis (NR) untuk sistem distribusi. Di sini, sistem distribusi radial ditujukan, karena sebagian besar sistem distribusi radial AS. Selain itu, indeks tingkat keandalan sistem yang ditangani karena mereka adalah masalah keandalan utama utilitas. Pembahasan menunjukkan bahwa RIA dapat dengan mudah dipisahkan dan dijalankan secara paralel antara prosesor yang berbeda untuk mencapai percepatan dalam waktu jam dinding berjalan. Diskusi juga menunjukkan NR terutama terdiri dari iteratif berjalan dari RIA. Oleh karena itu, NR dapat dieksekusi secara paralel berdasarkan pengolahan didistribusikan RIA. Pelaksanaan diusulkan pengolahan didistribusikan menganggap kemampuan komputasi yang tidak seimbang dari prosesor yang berbeda, fitur khas dari komputer heterogen terhubung ke LAN atau jaringan yang sama.

Makalah ini diorganisasikan sebagai berikut. Bagian II menyajikan model kontroler pekerja berdasarkan pesan lewat untuk berbagi data dan mengkoordinasikan aktivitas prosesor yang berbeda. Bagian III pertama membahas prinsip pendekatan analitis untuk menilai kehandalan distribusi dan mengapa sangat parallelizable, kemudian menyajikan skema pengolahan coarsegrained terdistribusi untuk RIA. Bagian IV membahas partisi tugas seimbang antara prosesor yang berbeda untuk mencapai kinerja yang lebih baik dan efisiensi. Bagian V menyajikan dan membahas hasil pengujian untuk pemrosesan terdistribusi RIA. Bagian VI menerapkan pengolahan didistribusikan RIA ke NR kehandalan berbasis, yang mempekerjakan pencarian lokal anil dan RIA. Hasil tes juga disediakan. Bagian VII menyimpulkan makalah. II. KERJA CONTROLLER UNTUK MODEL PENGOLAHAN TERDISTRIBUSI Pemrosesan terdistribusi memiliki dua unit mendasar: komputasi dan komunikasi. Perhitungan ini disebut sebagai aktivitas CPU untuk melaksanakan tugas komputasi yang sebenarnya, sementara komunikasi disebut sebagai aktivitas overhead untuk mentransfer data atau berbagi informasi antar prosesor berkolaborasi berbeda. Meskipun komunikasi overhead memang (dan diinginkan minimal tobe), itu biasanya merupakan bagian yang diperlukan untuk pemrosesan terdistribusi karena kurangnya memori bersama. Makalah ini menggunakan model kontroler pekerja [7] untuk mengkoordinasikan komputasi dan komunikasi dalam pengolahan terdistribusi. Seperti dijelaskan dalam [7], model ini terdiri dari dua jenis proses, pengendali dan pekerja, yang memainkan peran yang berbeda dalam skema messagepassing. Kontroler adalah suatu proses dengan tanggung jawab sebagai berikut: untuk menerima masukan pengguna; untuk menetapkan data awal untuk pekerja; untuk memanggil pekerja untuk melaksanakan tugas; untuk mengirim / menerima data antara ke / dari pekerja; untuk melakukan seluruh sistem, perhitungan nonintensive; untuk mengakhiri algoritma pada waktu yang tepat dan tidak ada-tify pekerja untuk berhenti. Seorang pekerja adalah proses dengan tanggung jawab sebagai berikut: untuk menerima data awal dari controller; melakukan perhitungan intensif atas permintaan controller ini; untuk mengirim / menerima data antara ke / dari controller; untuk berhenti ketika diberitahu. Dalam pendekatan sini, hanya ada satu controller, sementara ada beberapa pekerja. Controller terutama bertanggung jawab untuk mengkoordinasikan semua pekerja dan mungkin beberapa perhitungan nonintensive, sementara para pekerja bertanggung jawab atas perhitungan intensif [7]. Model ini menyiratkan pengolahan kasar terdistribusi, di mana paralelisme terjadi pada tingkat subrutin atau kelompok subrutin. III. PROSES DISTRIBUSI RIA Pekerjaan ini mengasumsikan N-1 kontinjensi. Selanjutnya, hanya kesalahan komponen permanen dipertimbangkan dalam bagian ini untuk kesederhanaan dan ilustrasi. Sebuah survei dari 205 utilitas AS [13] menunjukkan bahwa lima indeks keandalan, SAIFI, SAIDI, MAIFI, CAIDI, dan ASAI (ASUI= 1-ASAI) telah populer digunakan dalam utilitas. Survei juga menyebutkan empat lainnya indeks kurang populer, CAIFI, CTAIDI, ASIFI, dan ASIDI. Bagian ini membutuhkan SAIFI sebagai

contoh untuk menggambarkan mengapa perhitungan indeks keandalan dapat dibagi menjadi langkahlangkah parallelizable banyak. Lampiran ini secara singkat menggambarkan bahwa indeks keandalan sistem lainnya dapat dinilai dengan cara yang sama. Tujuan RIA untuk sistem distribusi adalah untuk memodelkan setiap kontingensi sistem dan menghitung dampak keandalan setiap kontinjensi. Ini dapat dilakukan melalui berbagai pendekatan, seperti pendekatan analitis berdasarkan kontribusi komponen [14], [15], kegagalan modus dan analisis efek (FMEA) [16], Monte Carlo simulasi [17], [18], Markov pemodelan [19], dan pendekatan praktis lainnya [20]. Pekerjaan ini menggunakan pendekatan analitis dalam pekerjaan sebelumnya [14], [15] untuk mengevaluasi indeks keandalan seperti SAIFI, SAIDI, MAIFI, dll Gambar. 1 sebentar menggambarkan input dan output dari analisis RIA. Lampiran C juga menyediakan prinsip-prinsip dasar untuk simulasi analisis RIA. Algoritma yang lebih rinci dapat ditemukan di [15]. Dengan asumsi N-1 kontinjensi, indeks keandalan dapat dilihat sebagai jumlah dari kontribusi dari setiap kontinjensi

Fig. 1.

Input and output of RIA.

(kegagalan pada komponen). Mengambil SAIFI sebagai contoh, hal ini dapat dinyatakan sebagai

dimana

kontribusi SAIFI dari komponen; Total jumlah komponen.

Karena SAIFI didefinisikan sebagai jumlah gangguan pelanggan bahwa pengalaman pelanggan yang rata-rata selama setahun, adalah jumlah gangguan pelanggan pada rata-rata pelanggan yang disebabkan oleh kegagalan pada komponen. Oleh karena itu, dapat ditulis sebagai [18]

tingkat kegagalan per tahun dari komponen; jumlah pelanggan mengalami gangguan berkelanjutan karena kegagalan komponen; Total jumlah pelanggan.

Menggabungkan (1) dan (2), kita memiliki

Karena adalah konstan dan i berhubungan dengan komponen itu sendiri, persamaan di atas menunjukkan bahwa kunci untuk menghitung SAIFI adalah untuk menghitung Si. Sejak Si berdiri untuk jumlah pelanggan mengalami gangguan berkelanjutan karena kegagalan komponen Dapat dievaluasi dengan mengidentifikasi komponen akan i, deenergized berdasarkan topologi sistem, skema perlindungan, dan pemulihan. Meskipun evaluasi Si dapat rumit, dapat dipastikan bahwa evaluasi Si yang independen . Dengan kata lain, dua prosesor dapat mengevaluasi Si dan Sj, Masing-masing, secara paralel, jika kedua prosesor mengetahui masukan dari data sistem. Oleh karena itu, evaluasi kontribusi SAIFI dari komponen i dan j, atau dan , dapat dilakukan pada prosesor yang berbeda secara independen.
Seperti ditunjukkan dalam Lampiran, kesimpulan yang sama dapat dengan mudah ditarik bahwa nilai indeks lainnya adalah jumlah kontribusi dari semua komponen individu, atau bisa langsung diperoleh sebagai fungsi dari indeks lainnya. Oleh karena itu, evaluasi dari kontribusi komponen dapat dilakukan secara independen dan secara bersamaan. Dengan fitur ini sederhana, tetapi sangat penting dari indeks keandalan, pendekatan pemrosesan terdistribusi untuk RIA diusulkan. Pendekatan ini menggunakan model kontroler-pekerja yang disajikan dalam bagian sebelumnya. Asumsikan ada adalah kontroler yang unik dan P pekerja. Juga menganggap sistem memiliki komponen M. Pendekatan ini dijelaskan sebagai berikut. Controller membaca di semua input data berupa topologi sistem, komponen tingkat keandalan, dll 2) Controller mengirimkan data input ke semua pekerja. 3) Controller meminta setiap pekerja untuk menghitung kontribusi keandalan indeks dari komponen yang dipilih secara acak. Misalnya, dengan asumsi bahwa ID komponen acak, pekerja pertama menghitung kontribusi indeks keandalan untuk komponen 1 untuk; pekerja kedua menghitung kontribusi indeks keandalan untuk komponen +1 untuk , dan sebagainya. 4) Setiap pekerja secara bersamaan mengevaluasi kontribusi keandalan indeks untuk komponen yang ditugaskan. 5) Setiap pekerja mengirimkan kontribusi keandalan indeks dari yang ditugaskan komponen ke controller. 6) Controller menambahkan sampai kontribusi kehandalan mengindeks semua untuk mendapatkan indeks keandalan sistem.

Algoritma kasar diusulkan didistribusikan sangat parallelized karena dua alasan berikut. Perhitungan indeks keandalan kontribusi yang berbeda di kalangan pekerja sangat independen. Seorang pekerja tidak membutuhkan komunikasi lebih lanjut dengan orang lain setelah perhitungan yang sebenarnya dimulai. Komunikasi disimpan minimum. Komunikasi besar terjadi hanya pada awal untuk mendistribusikan data input (topologi sistem, komponen keandalan data, dll) untuk pekerja. Pengumpulan sumbangan indeks keandalan dihitung oleh pekerja membutuhkan waktu komunikasi jauh lebih sedikit.

Patut dicatat untuk menyebutkan bahwa meskipun pekerjaan ini mengasumsikan N-1 kontinjensi, kontinjensi tatanan yang lebih tinggi dapat diterapkan juga didasarkan pada komponen (contingency) pendekatan kontribusi. Alasannya adalah bahwa unit dasar dari pendekatan ini adalah untuk mengevaluasi dampak atau kontribusi terhadap indeks keandalan dari setiap acara kontingensi. Karena setiap acara kontingensi dapat dinilai secara independen, RIA dapat dilakukan secara paralel. Karena alasan yang sama, pendekatan paralelisasi yang sama dapat diterapkan untuk jaringan RIA meshed, meskipun upaya implementasi yang lebih dibutuhkan daripada RIA sistem radial. IV. TUGAS BALANCED PARTISI DENGAN PERTIMBANGAN KEMAMPUAN COMPUTING

Pemrosesan paralel atau terdistribusi biasanya partisi tugas menjadi unit-unit kecil yang banyak diolah pada setiap prosesor berpartisipasi individu. Ini adalah praktik umum bahwa tugas sama-sama dibagi antara prosesor, dengan asumsi ideal sebuah lingkungan komputasi yang seimbang. Artinya, semua prosesor dapat menyelesaikan jumlah yang sama pekerjaan komputasi dalam durasi waktu yang sama.

Fig. 2.

Partition of a task with s independent steps.

Hal ini biasanya berlaku untuk pemrosesan paralel dilakukan dalam superkomputer khusus. Namun, terkadang lingkungan yang ideal mungkin tidak tersedia, terutama di lingkungan yang "longgar ditambah" pemrosesan terdistribusi seperti komputer jaringan heterogen. Dalam hal ini, kekuatan komputasi dari komputer yang berbeda dapat bervariasi. Sebuah partisi yang sama dapat menyebabkan beberapa balancing inefisiensi dan tugas perlu dipertimbangkan untuk efisiensi yang lebih tinggi.
Asumsikan tugas yang terdiri dari 3000 langkah, komputasi identik dan logis independen, akan dilakukan di dua prosesor yang berbeda, P1 dan P2. Jika berjalan secara terpisah, P1 dapat menyelesaikan tugas dalam 100 s sedangkan P2 dalam 50 s. Mengabaikan overhead, sebuah partisi tugas yang sama (1500:1500) mengarah P1 untuk menyelesaikan tugas dalam 50 s dan P2 dalam 25 s. Hal ini menyebabkan P2 menjadi siaga untuk25 s. Waktu jam dinding keseluruhan berjalan adalah 50 s. Untuk sepenuhnya memanfaatkan daya komputasi, P2 harus menerima tugas lebih dari P1. Jika langkah-langkah 1000 ditugaskan untuk P1 dan 2000 langkah untuk P2, maka setiap prosesor akan menyelesaikan tugas dalam 33,3 s, atau 16,7 s kurang dari partisi tugas sebelumnya sama. Hal ini dapat dengan mudah dibuktikan bahwa partisi 1000:2000 adalah partisi yang paling efisien. Berdasarkan analisis di atas, partisi tugas yang seimbang dengan kemampuan komputasi disesuaikan untuk dua prosesor diilustrasikan pada Gambar. 2. Faktor pembobotan partisi tugas untuk setiap prosesor, f1 dan f2, diberikan oleh

dimana t1 waktu untuk menyelesaikan tugas dengan P1 prosesor tunggal, t2 waktu untuk menyelesaikan tugas dengan P2 prosesor tunggal.

Oleh karena itu, masing-masing prosesor selesai tugas sendiri dalam t1*t2/(t1+t2) Persamaan (4) dan (5) dapat diperpanjang untuk beberapa prosesor. Persamaan (6) menunjukkan faktor bobot untuk prosesor ith. Hal ini dapat dengan mudah memverifikasi bahwa setiap prosesor menyelesaikan tugas secara simultan dalam

dimana f1 pembobotan faktor prosesor Pi; t1 waktu untuk menyelesaikan tugas dengan prosesor tunggal Pi. Diskusi di atas didasarkan pada dua asumsi. 1) Setiap langkah dalam tugas independen. 2) Setiap langkah adalah komputasi yang sama.

Asumsi pertama adalah benar untuk tugas RIA karena setiap langkah RIA, yaitu, evaluasi dari kontribusi terhadap indeks keandalan dari setiap komponen individu, bersifat independen. Asumsi kedua mungkin tidak tepat benar untuk algoritma RIA karena evaluasi dari kontribusi indeks keandalan dari komponen tergantung pada restorasi konektivitas,, perlindungan, dll Sebagai contoh, dibutuhkan sedikit waktu CPU untuk mengevaluasi kontribusi SAIFI dari komponen dalam feeder dengan 50 komponen dari komponen dalam feeder dengan 100 komponen. Namun, asumsi kedua harus kira-kira benar untuk sistem distribusi yang besar dalam skala ribuan komponen, karena setiap prosesor diberikan sejumlah besar komponen yang dipilih secara acak. Oleh karena itu, langkah-rata dilakukan pada satu prosesor akan komputasi sama dengan langkah rata-rata prosesor lain.
Pembahasan di atas membuat jelas bahwa Langkah 3 dalam pengolahan didistribusikan RIA harus diubah sedikit sebagai berikut: Prosesor ith harus bertanggung jawab untuk komponen m*fi yang dipilih secara acak, bukan komponenm/p. Perlu dicatat bahwa ada cara-cara alternatif untuk menyeimbangkan tugas seperti tugas yang dinamis, yang menyeimbangkan perhitungan antara prosesor pada saat run-time berdasarkan loop tugas selesai [11]. Namun, secara umum, hal itu membutuhkan sinkronisasi lebih dan overhead komunikasi. Hal ini lebih cocok untuk tugas dinamis dengan waktu komputasi yang sangat tidak terduga atau dalam berbagai. Karena perhitungan-dominan aplikasi RIA menyelesaikan secara stabil (dalam langkah-

langkah m evaluasi kontribusi komponen), pendekatan yang diusulkan cenderung efektif untuk aplikasi RIA. Alasannya adalah bahwa tidak ada banyak, berulang run-time komunikasi yang terlibat, karena setiap pekerja menerima tugas total pada awal algoritma. Implementasi juga disederhanakan. Sementara itu, efisiensi dapat dipastikan dengan partisi tugas yang disesuaikan dengan faktor bobot.

HASIL UJI V. DARI RIA DIBAGIKAN PENGOLAHAN A. Uji Sistem, Lingkungan, dan Prosedur Bagian ini menyajikan hasil pengujian dari cessing pro-didistribusikan RIA. Berikut lima populer sistem indeks tingkat keandalan, SAIFI, SAIDI, MAIFI, CAIDI, dan ASAI [13], dianggap. Tes-tes tersebut dieksplorasi dalam beberapa sistem distribusi yang sebenarnya dengan ukuran dari 3835 komponen untuk 11 026 komponen. Hal ini ditunjukkan pada Tabel I. Lingkungan pengujian adalah Local Area Network sampai dengan 6 komputer, masingmasing dengan prosesor Pentium III. Kecepatan dari 6 prosesor bervariasi dari 450 MHz sampai 1 GHz. Kecepatan jaringan 10 M bps. Ukuran memori bervariasi 128-256 MB. The RIA didistribusikan pengolahan diimplementasikan dalam Visual C + + dengan protokol TCP / IP untuk pesan lewat.
Prosedur pengujian dijelaskan sebagai berikut. Pertama, tes diperiksa untuk algoritma RIA dalam mode pemrosesan sekuensial. Artinya, algoritma RIA dieksekusi dalam prosesor tunggal untuk masing-masing dari enam prosesor. Waktu berjalan setiap prosesor individu akan digunakan untuk menghitung faktor bobot untuk partisi tugas seimbang berdasarkan (6). Kemudian, RIA dijalankan dalam modus pengolahan terdistribusi dengan partisi tugas seimbang 2, 3, 4, 5, dan 6 prosesor, masing-masing. Hasil
SIZES
OF

TABLE I FIVE TEST SYSTEMS

TIME (SECONDS)

TO

TABLE II COMPLETE A SEQUENTIAL RIA INDIVIDUAL MACHINE

AT

EACH

skalabilitas disajikan. Berikut skalabilitas tersebut diukur sebagai speedup dan efisiensi, yang didefinisikan oleh persamaan berikut [1], [2]:

Dimana Ts dinding-jam waktu untuk menyelesaikan algo rithm-terbaik berurutan pada prosesor tunggal;

Td dinding-jam waktu untuk menyelesaikan algoritma paralel atau didistribusikan pada beberapa prosesor; p jumlah prosesor. Definisi speedup di atas tidak menunjukkan prosesor Ts mana yang berhubungan dengan. Ini berarti setiap prosesor identik untuk lingkungan pengolahan khas paralel. Karena pekerjaan ini dilakukan dalam prosesor dengan kemampuan komputasi yang berbeda, Ts diambil sebagai rata-rata dari RIA berurutan berjalan waktu sama sekali prosesor yang berpartisipasi. Bagian ini juga menyajikan tes ilustratif untuk memverifikasi peningkatan kinerja dengan partisi tugas yang seimbang. Tes ini dilakukan dalam sistem menengah SYS-3. B. Hasil Uji Tabel II menunjukkan waktu berjalan dalam hitungan detik untuk menyelesaikan algoritma se-quential RIA dengan prosesor tunggal. Hal ini menunjukkan bahwa jaringan komputer memiliki kekuatan komputasi yang berbeda. Ini digunakan untuk partisi tugas yang seimbang dalam cessing pro-didistribusikan. Tes untuk pemrosesan terdistribusi dilakukan selama lima SCE-narios dengan 2-6 prosesor yang bekerja secara paralel. Tugas prosesor adalah sebagai berikut. Dua prosesor: P1, P2. Tiga prosesor: P1, P2, P3. Empat prosesor: P1, P2, P3, P4. Lima prosesor: P1, P2, P3, P4, P5. Enam prosesor: P1, P2, P3, P4, P5, P6. Dalam skenario pengolahan terdistribusi, setiap prosesor menjalankan proses pekerja. Selain itu, salah satu prosesor menjalankan
SPEEDUP
OF

TABLE III DISTRIBUTED PROCESSING OF RIA

Fig. 3.

Efficiency of distributed processing of RIA.

pengontrol proses juga. Tujuannya adalah untuk sepenuhnya memanfaatkan kemampuan komputasi prosesor itu, karena controller tidak komputasi secara intensif, sementara seorang

pekerja. Bahkan, ketika pekerja sedang menghitung kontribusi indeks keandalan, controller pada dasarnya menganggur kecuali menunggu masukan dari semua pekerja. Biasanya, prosesor paling kuat dipilih menjadi tuan rumah controller dan pekerja. Tabel III dan Gambar. 3 menyajikan speedup dan efisiensi, masing-masing, dari pengolahan didistribusikan RIA. Hal ini menunjukkan bahwa pemrosesan terdistribusi dapat mempercepat waktu jam dinding pelaksanaan RIA. Hal ini juga menunjukkan bahwa, secara umum, percepatan dan efisiensi meningkat bila meningkatkan sistem ukuran. Ketika jumlah prosesor yang terlibat meningkat hingga 6, percepatan terus meningkat pada tingkat yang cukup, meskipun efisiensi turun.
B. Pengujian Partisi Tugas Equal dan Seimbang Sebuah uji coba pengolahan RIA terdistribusi dengan partisi tugas yang sama dilakukan untuk perbandingan terhadap partisi tugas yang seimbang. Tes dilaksanakan dalam sistem menengah SYS-3 untuk tujuan ilustrasi. Pada Tabel IV, baris kedua menunjukkan percepatan dengan partisi tugas yang sama, sedangkan baris ketiga menunjukkan percepatan dengan bal-anced partisi tugas. Baris terakhir menunjukkan peningkatan percepatan dalam persentase. Hal ini jelas menunjukkan bahwa partisi tugas yang seimbang meningkatkan efisiensi pemrosesan terdistribusi untuk RIA, jika prosesor memiliki kemampuan komputasi yang beragam.

VI. PROSES TERDISTRIBUSI BERBASIS KEANDALANJARINGAN REKONFIGURASI Pengolahan didistribusikan untuk RIA diusulkan dalam Bagian III, bersama-sama dengan partisi tugas yang seimbang, dapat dengan mudah diterapkan pada
SPEEDUP
OF

TABLE IV DISTRIBUTED PROCESSING WITH TWO PARTITIONS

FOR THE

SYS-3 SYSTEM

kehandalan berbasis optimasi seperti NR. NR dilakukan dengan menutup switch biasanya terbuka dan membuka switch biasanya tertutup. Karena NR yang biasanya sangat memakan waktu (dari puluhan menit ke jam), aplikasi pengolahan didistribusikan mungkin sangat bermanfaat untuk memperbaiki dinding-jam run-ning waktu. Keandalan berbasis NR adalah untuk mengidentifikasi konfigurasi jaringan yang optimal tanpa investasi keuangan untuk mencapaikehandalan tertinggi mungkin. Meskipun berbagai formulasi mungkin diterapkan untuk NR, pekerjaan ini membutuhkan jumlah tertimbang indeks keandalan beberapa sebagai fungsi tujuan [15], [21]

1) Set parameter awal untuk simulated annealing seperti suhu awal (T) dan tingkat anil (R). 2) Mengidentifikasi fungsi tujuan dari uration config-awal. 3) Mengatur obj atas sebagai OBJ terbaik sementara, objektif. 4) Untuk dasi setiap beralih: a) mengidentifikasi konfigurasi baru dengan melakukan pergeseran saklar dasi; b) melakukan RIA untuk menghitung fungsi tujuan baru, obj ', untuk konfigurasi

baru; c) menghasilkan nomor acak ; d) memeriksa apakah konfigurasi baru diterima atau tidak: jika atau, kemudian ; sebaliknya, menggeser saklar dasi ke posisi semula; e) Pergi ke 4a) untuk melakukan pergeseran saklar untuk switch yang berdekatan yang tersisa. 5) Ulangi 4) untuk semua switch dasi. 6) Perubahan anil faktor dengan pengaturan T=T*R. 7) Jika tidak ada perubahan OBJ sejak perubahan terakhir dari T, berhenti. Jika tidak, lanjutkan ke langkah 4). Seperti uraian di atas menunjukkan, algoritma NR memerlukan berjalan beberapa Langkah 4), khususnya Langkah 4b) untuk menyelesaikan RIA
dijalankan untuk setiap konfigurasi baru. Biasanya, mungkin ada ratusan, bahkan ribuan, konfigurasi baru untuk memeriksa dalam sistem yang besar. Meskipun penyederhanaan jaringan dapat digunakan untuk mengurangi waktu berjalan sampai batas tertentu, algoritma NR masih sangat memakan waktu. Oleh karena itu, sangat menguntungkan jika pengolahan terdistribusi dapat diterapkan untuk NR untuk mengurangi waktu wallclock berjalan.

Tes praktis menunjukkan bahwa RIA berulang eksekusi dari Langkah 4b) biasanya mengkonsumsi lebih dari 98% waktu CPU dari algoritma NR keseluruhan. Oleh karena itu, kunci untuk memparalelkan NR adalah memparalelkan eksekusi RIA. Dengan algoritma anil, sangat sulit untuk melaksanakan beberapa contoh dari RIA secara paralel. Hal ini karena konfigurasi baru ditentukan hanya setelah RIA dari konfigurasi sebelumnya selesai. Penerimaan atau penolakan dari konfigurasi sebelumnya, bersama dengan mekanisme perturbasi, dapat mempengaruhi konfigurasi baru. Namun, ada pendekatan yang sederhana namun efektif untuk memparalelkan versi berurutan NR. Pendekatan adalah untuk memparalelkan masing RIA individu menggunakan RIA pengolahan terdistribusi disajikan sebelumnya, bukan untuk memparalelkan kasus yang berbeda RIA. Dengan demikian, berikut tiga prinsip diusulkan untuk pengolahan terdistribusi NR.
Controller mengetahui parameter global seperti T, R, dan OBJ. Semua langkah kecuali 4b) akan berurutan dilakukan di controller tanpa keterlibatan para pekerja. Tanggung jawab para pekerja adalah untuk bersama-sama menyelesaikan Langkah 4b), RIA, secara paralel untuk setiap konfigurasi baru. Para pekerja mengetahui data sistem untuk RIA lengkap dan tidak memiliki pengetahuan tentang global yang parameter untuk NR. Di sini, tugas partisi seimbang dianggap dalam pengolahan terdistribusi RIA. Controller perlu untuk mentransfer data sistem curah (komponen-komponen, topologi, perlindungan skema, dll) kepada para pekerja dalam jangka RIA pertama. Dalam jangka RIA berikut, controller hanya perlu untuk memberitahu para pekerja tentang perubahan topologi setelah setiap konfigurasi baru diidentifikasi. Oleh karena itu, para pekerja akan dapat menyelesaikan lain berjalan RIA untuk konfigurasi baru tanpa perlu transfer massal data. Pengolahan terdistribusi atas NR dapat dengan mudah diimplementasikan dengan menggunakan kembali pendekatan sebelumnya pengolahan RIA terdistribusi. Efisiensi yang baik diharapkan meskipun Langkah 4b) adalah satu-satunya langkah yang dilakukan secara paralel karena mendominasi langkah-langkah lainnya dalam konsumsi CPU. Perlu dicatat bahwa algoritma pencarian anil lokal dipilih untuk tujuan ilustrasi. Algoritma optimasi lainnya seperti algoritma genetika dapat bekerja untuk NR juga, tetapi kemungkinan bahwa kehandalan berbasis optimasi tergantung pada algoritma RIA untuk mengevaluasi keandalan sistem

untuk setiap konfigurasi baru-uration. Oleh karena itu, pengolahan terdistribusi diusulkan untuk NR dapat diterapkan untuk serupa lainnya kehandalan berbasis algoritma optimasi. Pengolahan terdistribusi keandalan berbasis NR diimplementasikan sebagai perpanjangan dari versi berurutan dari karya-karya sebelumnya [15], [21]. Kemudian, Hal ini diuji pada sistem menengah SYS-3 untuk tujuan demonstratif. Untuk mencapai kualitas solusi yang dapat diterima tanpa perhitungan waktu yang tidak perlu, tingkat anil 0,9 dan suhu mulai dari 0,3 yang dipilih.
SCALABILITY
OF

TABLE V DISTRIBUTED PROCESSING FOR NR

ON THE

SYSTEM SYS-3

Deskripsi pengolahan terdistribusi menyiratkan bahwa eksekusi NR dapat menghasilkan hasil yang berbeda dan membutuhkan jumlah yang berbeda dari RIA berjalan karena dari generasi nomor acak di 4c Langkah). Untuk menguji efisiensi pemrosesan terdistribusi, waktu penyelesaian tes NR dinormalkan untuk setiap menjalankan RIA. Perlu dicatat bahwa jika nomor acak identik dihasilkan antara tes NR yang berbeda, hasil dari setiap tes NR harus sama terlepas dari pemrosesan terdistribusi atau tidak. Jumlah RIA berjalan dalam setiap tes NR harus sama, juga.
Tabel V menunjukkan percepatan pengolahan terdistribusi NR. Tampaknya bahwa skalabilitas sini adalah lebih tinggi dari pengolahan terdistribusi RIA. Alasannya adalah bahwa overhead kurang relatif terlibat dalam proses terdistribusi NR. Penjelasan rinci diberikan sebagai berikut. Algoritma NR mengandung banyak iteratif berjalan RIA. Sebagian besar transfer data awal (Langkah 2 dalam pengolahan terdistribusi RIA dalam Bagian III) diperlukan hanya dalam jangka RIA pertama. Dalam tindak lanjut berjalan, hanya sejumlah kecil informasi perlu ditransfer dari controller untuk para pekerja. Informasi adalah perubahan topologi jaringan seperti yang switch dibuka atau ditutup. Tidak perlu untuk mengirim ulang informasi seluruh sistem. Oleh karena itu, transfer data awal, yang merupakan overhead yang cukup untuk algoritma RIA, diabaikan dalam algoritma NR. Oleh karena itu, jelas bahwa percepatan yang lebih tinggi harus diamati dalam pengolahan terdistribusi algoritma NR.

VII. KESIMPULAN The RIA untuk sistem distribusi dapat dilakukan secara paralel, karena kontribusi untuk indeks keandalan dari komponen yang berbeda adalah independen. Sebuah skema tugas yang seimbang partisi dapat diterapkan untuk meningkatkan efisiensi, terutama dalam lingkungan pemrosesan terdistribusi di mana kemampuan komputasi prosesor yang berpartisipasi biasanya berbeda. Pengolahan terdistribusi RIA dapat diterapkan pada algoritma NR, yaitu untuk mengoptimalkan kehandalan sistem didasarkan pada-nealed pencarian lokal. Karena kernel dari algoritma NR terutama terdiri dari beberapa berjalan RIA, dapat dengan mudah diimplementasikan di atas pengolahan terdistribusi RIA. Pengolahan terdistribusi diusulkan RIA dan NR harus praktis menguntungkan jika diterapkan pada sistem distribusi utilitas, yang mungkin memiliki puluhan, atau bahkan ratusan, ribuan komponen. Ini harus sangat menarik untuk aplikasi NR NR sejak menambahkan dimensi kompleksitas komputasi di atas RIA.

LAMPIRAN A. Indeks Keandalan Sistem Pendekatan analitis menganggap indeks keandalan sebagai jumlah dari kontribusi dari kegagalan komponen individu selama satu tahun. Lampiran ini memberikan persamaan berikut sebagai metode formal untuk menghitung indeks reliabilitas. Persamaan-persamaan ini diharapkan dapat memudahkan untuk memahami mengapa pendekatan analitis parallelizable. SAIFI, SAIDI, dan MAIFI dapat dihitung dengan (A1) - (A3). Persamaan (3) diulang di sini sebagai (A1) untuk kelengkapan. Ketiga persamaan ini juga dapat ditemukan dalam [18]

tingkat kegagalan komponen

jumlah pelanggan mengalami interuption berkelanjutan karena kegagalan komponen; durasi interupsi berkelanjutan untuk semua pelanggan karena kegagalan komponen; durasi gangguan berkelanjutan bagi pelanggan karena kegagalan komponen; jumlah pelanggan mengalami sementara interupsition (event) karena kegagalan komponen; Total jumlah pelanggan; Total jumlah komponen.
Tiga indeks keandalan populer lainnya, CAIDI, ASAI, dan Asui, bisa langsung berasal dari SAIFI dan SAIDI. Mereka diberikan sebagai berikut:

Beberapa indeks keandalan kurang populer, seperti CAIFI, CTAIDI, Asifi, dan ASIDI [13], masih dapat diperoleh dengan menggunakan pendekatan kontribusi. Mereka diberikan oleh

TABLE AI OCCURRENCE

OF INTERRUPTION AT

LOAD POINTS DUE

TO

N-1 CONTINGENCIES

Total jumlah pelanggan mengalami setidaknya 1 interruption per tahun; Total tersambung kVA terlayani; terganggu kVA karena kegagalan komponen i, kVA terganggu tertimbang oleh gangguan jam karena kegagalan komponen i; kVA terganggu bagi pelanggan karena kegagalan komponen . Lain indeks keandalan yang penting, meskipun tidak ditampilkan dalam [13], termasuk Energi Diharapkan Tidak Dilayani (EENS) dan Energi Rata-rata Tidak Dilayani (AENS). Mereka dapat diperoleh dengan

Meskipun pekerjaan ini tidak membahas indeks titik beban kehandalan [16], [17], mereka dapat dihitung dengan perbaikan sedikit pendekatan analitis berdasarkan kontribusi komponen. Perbaikan adalah sebagai berikut: ketika sebuah kegagalan komponen dianalisis,

rekor sementara disimpan untuk setiap titik beban untuk mengidentifikasi: 1) apakah akan terganggu dan 2) durasi interupsi. Tabel AI menunjukkan contoh sederhana dari dampak untuk memuat poin dari kegagalan komponen di bawah N-1 kontinjensi. Jika titik beban mengalami gangguan setelah komponen gagal, entri yang sesuai diatur ke "1". Jika tidak, sudah diatur untuk "0" jika tidak ada gangguan pada titik beban. Oleh karena itu, tingkat gangguan tahunan pada setiap titik beban, , adalah jumlah kolom nya, tertimbang
oleh tingkat kegagalan komponen. Jika nilai-nilai tersebut diganti dengan jangka waktu gangguan, maka kita dapat memperoleh titik beban durasi gangguan tahunan , yang merupakan jumlah kolom tertimbang. Interupsi waktu rata-rata dapat diperoleh sebagai . Hal ini diringkas sebagai berikut:

dimana jika kegagalan komponen menyebabkan gangguan pada titik beban, jika tidak 0; gangguan durasi pada titik beban jika komponen gagal. Patut dicatat untuk menyebutkan bahwa jumlah baris dalam Tabel AI, dihitung dengan jumlah pelanggan di setiap titik beban harus , yang merupakan faktor kontribusi yang digunakan untuk menghitung SAIFI. Jika nilai-nilai dalam tabel adalah jangka waktu pemadaman, maka jumlah baris ditimbang dengan jumlah pelanggan , yang digunakan untuk menghitung SAIDI. Karena tabel tersebut hasil antara dan mengkonsumsi banyak memori, tidak perlu untuk mengimplementasikan tabel. Dalam pelaksanaannya, hanya diperlukan untuk menyimpan catatan dari nilai akumulasi dari kolom tertimbang (atau baris) jumlah untuk indeks keandalan beban titik (atau untuk indeks keandalan sistem seperti yang dilakukan dalam pekerjaan ini). Tingkat gangguan pada titik beban dapat digunakan untuk menghitung, jumlah pelanggan mengalami setidaknya satu gangguan per tahun , yang digunakan dalam (A7) - (A8). Hal ini diberikan oleh

dimana Total jumlah titik beban; jumlah pelanggan pada titik beban. Dalam persamaan di atas , adalah probabilitas bahwa titik beban mengalami setidaknya satu gangguan per tahun. Ini akan menyebabkan komponen-dengan tingkat gangguan

konstan mengikuti proses Poisson [15], [18]. Kepadatan probabilitas fungsi kali nya disela per tahun diberikan sebagai berikut:

Oleh karena itu, kemungkinan sedang terganggu setidaknya sekali pertahun diberikan oleh

C. Deskripsi Pendekatan Analisa Simulasi RIA Algoritma dari pendekatan analitis RIA diuraikan sebagai berikut.

1) Untuk gangguan permanen pada komponen C (waktu perbaikan MTTRC): a) isolasi gangguan: Sebuah pencarian hulu dilakukan untuk mencari proteksi terdekat atau perangkat reclosing, P, yang beroperasi untuk mengisolasi gangguan. b) Hulu restorasi: Jika ada perangkat switching Santara P dan C, S dibuka dalam MTTSS hitungan menit untuk mengembalikan komponen antara P dan S. Semua komponen mengalami gangguan dipulihkan (berkelanjutan) min {MTTSS, MTTRC}. Jika ini adalah kurang dari ambang gangguan sesaat dalam hal bahwa S adalah otomatis, gangguan ini diklasifikasikan sebagai kejadian gangguan momentary. c) Hilir restorasi: Jika ada kekuatan alternatif sumber melalui saklar normal terbuka (NOS) dan ada tombol lain biasanya tertutup (NCS) menjadi-tween NOS dan C, semua komponen antara pengalaman switch dua gangguan (berkelanjutan) min {MTTSNOS,+MTTSNCS,MTTRC menit karena restorasi hilir. Jika waktu kurang dari ambang gangguan sesaat karena automated switching, gangguan ini diklasifikasikan sebagai kejadian gangguan sesaat. d) Semua komponen terisolasi dan unrestored mengalami gangguan berkelanjutan menit MTTR. Catatan:

2) Untuk kesalahan sementara: a) Fuse saving: Jika gangguan sementara dapat dibersihkan oleh perangkat reclosing hulu, R, dengan fuse-saving skema, semua komponen hilir mengalami R peristiwa interupsi sesaat. b) Fuse-kliring: Jika tidak ada proteksi fuse saving, pukulan sekering dan mengisolasi hilir komponen-motivasional. Komponen hilir terganggu dapat kembali dipulihkan melalui umpan balik seperti yang dijelaskan dalam 1c). Pendekatan di atas harus diterapkan pada setiap komponen untuk mengidentifikasi jenis gangguan dan durasi pada setiap titik beban / pelanggan jika komponen tertentu gagal. Oleh karena itu, kontribusi faktor keandalan dari kegagalan komponen, seperti dan sebagainya, dapat dengan mudah diperoleh. Pendekatan di atas dapat diperluas untuk menangani kasus-kasus yang lebih rumit seperti kegagalan operasi, transfer switch, dan generasi terdistribusi. Rincian dapat ditemukan dalam [15].