在线静态安全分析对计算速度有较高要求,其计算量主要集中在对大量故障潮流的详细分析。静态安全分析中存在各个故障潮流间的粗粒度并行,以及单个潮流中稀疏线性方程组求解、雅可比矩阵计算等环节的细粒度并行,适合并行计算加速。GPU通过成千的计算单元和高速内存带宽来提高计算吞吐率,适合在大量数据上进行相同运算。本文主要研究通过图形处理器(Graphics Processing Unit,GPU)来加速静态安全分析,具体内容如下:首先,剖析了 GPU的硬件体系架构,在此基础之上分析得出了 GPU加速单个潮流效果不佳的主要原因有两个:第一是计算规模小造成并行度低,第二是稀疏存储格式造成访存效率低。然后,打破采用GPU加速单个潮流的固有思路,基于静态安全分析中各个故障电网的拓扑相似性特点,提出了一种采用GPU同时批量处理多个故障潮流的新算法,通过批量处理多个潮流来扩展并行度,同时通过合并内存访问设计来增加访存效率,最终大幅提高了算法带宽及计算速度。接着,对批处理潮流算法的稀疏线性方程组求解、雅可比矩阵生成这两个主要环节进行了详细设计。首先,考虑数值稳定性因素和批处理算法的约束,选取往左看QR因子分解法作为稀疏线性方程组的求解算法,再将批处理模式应用于QR分解算法,通过将多个QR分解同步求解大幅提高了算法并行度和访存效率,加速效果明显。类似的,将批处理模式应用于雅可比矩阵生成算法中,同样通过提高算法并行度和访存效率,得到较好加速效果。最后,给出了基于批处理潮流算法的静态安全分析的总体流程,算例结果表明,GPU算法相对于CPU串行算法具有明显优势,电力系统规模越大,GPU加速效果越明显,在8503节点系统中取得了 20倍以上的加速比。