差异进化算法在电力系统云计算平台中的应用

1、差异进化算法在电力系统云计算平台中的应用郑红峰1(1浙江工业职业技术学院, 浙江省绍兴市312000 )摘要: 针对传统电力系统计算平台在计算、存储、信息集成和分析等方面的不足,提出建立基于云计算的电力系统计算平台。展望了云计算在电力系统安全分析、潮流与优化潮流计算、系统恢复、监控、调度、可靠性分析等领域的应用前景，重点介绍了电力系统动态经济负荷分配中差异进化算法的应用，提出了优化算法，为减轻电力系统云计算负荷提供了有益的探索。关键词: 智能电网；动态经济负荷分配；差异进化算法；云计算负荷0 引言1. 1云计算的概念     到目前为止，云计算

2、还没有一个统一的定义。有Google专家认为云计算就是要以公开的标准和服务为基础，以互联网为中心，提供安全、快速、便捷的数据存储和网络计算服务，让互联网这片“云”成为每一个网民的数据中心和计算中心。本文对云计算的理解是:云计算是分布处理、并行处理和网格计算的发展，是虚拟化、实用计算，基础设施即服务、平台即服务、软件即服务等概念混合演进并跃升的结果，是一种新兴的共享基础架构的方法，它面对的是超大规模的分布式环境，核心是提供数据存储和网络服务。     云计算的基本原理是，用户所需的应用程序并不需要运行在用户的个人计算机、手机等终端设备上，而是运行在互联网的

3、大规模服务器集群中。用户所处理的数据也并不存储在本地，而是保存在互联网的数据中心里面。这些数据中心正常运转的管理和维护则由提供云计算服务的企业负责，并由他们来保证足够强的计算能力和足够大的存储空间来供用户使用。在任何时间和任何地点，用户都可以任意连接至互联网的终端设备。因此，无论是企业还是个人，都能在云上实现随需随用。同时，用户终端的功能将会被大大简化，而诸多复杂的功能都将转移到终端背后的网络上去完成。 1.2云计算的特点     云计算具有超大规模、高扩展性、虚拟化、高可靠性、通用性、廉价等特点。云的规模可以动态伸缩，满足应用和用户规模增长的需要。云中

4、的计算机可以随时更新，保证云长生不老。云计算支持用户在任意位置使用各种终端获取应用服务，所请求的资源来自云，而不是固定的有形的实体，应用在云中某处运行，但用户无需了解、也不用担心应用运行的具体位置，只需要一台计算机或者一个手机，就可以通过网络服务来实现我们需要的一切，甚至包括超级计算这样的任务。云使用了数据多副本容错、计算节点同构可互换等措施来保障服务的高可靠性，使用云计算比使用本地计算机可靠。云计算不针对特定的应用，在云的支撑下可以构造出千变万化的应用，同一个云可以同时支撑不同的应用运行。云是一个庞大的资源池，资源可按需购买。由于云的特殊容错措施可以采用极其廉价的节点来构成云，云的自动化集中

5、式管理使用户无需负担日益高昂的数据中心管理成本，云的通用性使资源的利用率较之传统系统大幅提升，囚此用户可以充分享受云的低成本优势。 1. 3 电力云的特点随着电力系统互联程度的加强和远距离输电系统的不断发展,能覆盖一个甚至多个国家的超大规模电力系统正在不断出现。电力系统规模的不断扩大和结构的日趋复杂使得安全评估、安全与经济运行、系统控制变得越发困难。此外,电力系统“智能化”趋势也给现有的电力系统分析计算和控制工具带来了极大挑战。电力系统分析与计算的特点是计算任务种类繁多且对实时性要求很高。在很多情况下,为了实现在线计算,不得不对问题的数学模型作大量简化,这自然就牺牲了计算结果的准确性

6、。对一些计算量很大的分析计算,如长过程动态仿真,通常只能进行离线计算,其结果是所产生的控制策略只对预先设定的工况有效,而难以应对各种突发事件。目前电力系统的分析计算一般依赖位于调度中心的集中式计算平台,对于大规模电力系统,其计算能力受限,且可扩展性差,升级成本高。以电力系统现有的信息处理能力将不足以完成对海量数据流的存储和分析，调度控制功能。总之,电力系统现有的计算和信息处理平台不足以支持智能电网发展功能的计算实现,构建新的电力系统计算平台，研究高效和鲁棒性强的算法对于减轻电力系统云计算具有现实意义。1. 4 电力负荷动态经济分配负荷经济分配( Economic Dispatch ,

7、 ED) 问题是机组组合问题的一个子优化问题. ED 问题指的是,在满足各种约束条件下,分配运行机组间的负荷,并且使得电力系统总运行费用最小或发电公司的利润最大. 而ED 问题中存在大量的不连续、不可微、非线性和离散的约束条件,而这些约束条件将问题的可行解限制在很小的区域内. 随着电力市场改革的推进,电力系统的运营机构一方面希望系统运行于能获得最大收益的状态,另一方面又需要保证系统的稳定性和安全性,因此如何同时兼顾收益与安全两个目标成为亟待解决的问题.动态负荷经济分配是另一个负荷分配的扩展问题，它要解决的是在一定时期在已知动态负荷的情况下如何分配各发电机组的实时负荷，使得系统总的运行成本最小。

8、UC（ Optimal unit commitment）则是在满足电力系统各种约束条件的情况下如何实时安排系统各机组的运行状态（开、关）以及负荷大小的分配，目标控制是系统运行费用最小，问题的解决难度极大，计算量海量，15 电力负荷动态经济分配算法在云计算平台可以利用虚拟化技术将各种不同类型的计算资源抽象成服务的形式向用户提供。一般将服务分为3 个不同的层次,分别称为基础设施级服务(infrastructure as a service , IaaS) 、平台级服务(platform as a service , PaaS ) 和软件级服务( software as a service , Sa

9、aS)， 统称为XaaS5 。IaaS 根据用户需求向用户动态分配计算和存储能力。通过IaaS ,用户相当于获得了一台计算和存储能力可以实时扩展的超级计算机。PaaS 在IaaS 的基础上,还向用户提供了一个用于软件开发和测试的平台。用户可以通过Internet 直接在PaaS 提供的平台上开发应用软件,并可以很方便地将软件发布在云计算平台上供其他用户使用。SaaS 则是在IaaS 的基础上,让用户可以通过Internet 直接访问云计算平台上的应用软件,而不需要在本地计算机上安装该应用软件,这免去了用户安装、维护、升级本地应用软件的麻烦。在这方面,XaaS 带来的最大好处在于用户绝大部分的计

10、算任务都将在云计算平台上完成。因此,用户终端不再需要有很强的计算和存储能力,只要能够接入Internet ,就可以方便地使用云计算平台上的各种软件。具体到电力系统,研究或系统运行人员可以基于云计算平台的XaaS功能,利用多种不同的终端,如台式计算机、便携式计算机甚至手机,在任意地点完成各种电力系统分析任务或实时监控整个电力系统的运行状况。1 电力系统云计算的实现2. 1 电力系统云计算平台的架构和技术实现云计算平台是由通过Internet 相互连接的多种设备和用户组成的一个复杂实体(见图1) 。从总体上讲,云计算平台可以分为2 个主要部分,即云计算控制中心和被云计算平台整合的各种计算资源。云计

11、算控制中心的主要功能是根据用户的请求,将用户的计算任务分成若干子任务,再动态地将各子任务通过Internet 分配给被云计算平台整合的计算设备。各子任务完成后,其计算结果将通过Internet重新汇总到控制中心,最后再反馈给用户。此外,云计算控制中心还负责将各种需要存储的数据通过Internet 分配给各数据存储设备,并在需要时重新将数据从存储设备中读取出来。利用虚拟化和分割技术,上述计算和数据存储任务的调度分配过程对用户而言是完全不可见的。云计算平台为每一个用户都创造了一个完全独立的虚拟系统环境,因此,在每一个用户看来,自己都是云计算平台唯一的用户。用户可以通过多种不同的终端,例如:台式计算

12、机、便携式计算机、手机甚至智能家电接入云计算平台。这让云计算平台的使用非常方便。云计算平台通过Internet 与由大量传感器和其他数据采集设备组成的数据采集网络相连接。对电力系统而言,未来的数据采集网络既包括传统的SCADA 系统的传感器,还可能包括PMU 和安置在终端用户家中的智能电表,甚至是各种智能家电的嵌入式系统。这些装置能够提供全方位的系统信息。此外,电力系统云计算平台也可以和其他的数据源,例如:区域气象数据库相互连接,以获取温度、湿度、风速、日照等数据。由这样一个大规模的网络所采集的数据量将是惊人的,只有凭借云计算平台强大的计算能力才能进行存储和分析。考虑到很多电力系统分析任务对实

13、时性要求较高,可以考虑构造专用高性能网络来连接云计算平台和数据采集网络,以提高数据传输的可靠性。电力系统云计算平台的系统架构如图2 所示。从系统架构的角度看,云计算平台主要由Web层、负荷分配层( load balancer) 、数据管理层、计算逻辑层(computing logic) 、物理计算设备层和物理存储设备层组成。其中,Web 层负责实现云计算平台的Web 站点,该站点是用户访问云计算平台的唯一接口。负荷分配层是云计算平台的核心部件。该层具有4个主要功能: 将用户的计算任务划分成若干部分,并决定执行每一个任务的计算设备; 将待存储的数据划分成若干部分,并决定相应的存储设备; 将计算逻

14、辑层返还的计算结果整合后,再反馈给用户; 根据数据读取请求,指令数据管理层读取数据,并将数据整合后输出。计算逻辑层负责根据负荷分配层确定的计算任务分配方式,控制具体的计算设备进行计算,并在计算完成后返还结果。数据管理层则主要控制数据存储设备进行数据读写操作。上述4 层组成了云计算平台的软件部分。物理计算设备层和物理存储设备层代表了云计算平台所整合的所有物理设备,它们组成了云计算平台的硬件部分。下面讨论几种可应用于实现电力系统云计算的重要软件技术。1) 面向服务架构云计算的一个重要特点是可以在线扩展和升级,这就对软件的灵活性提出了更高的要求。面向服务架构( service oriented ar

15、chitect ure , SOA) 是近年来发展迅速的一种软件设计方法5 。与在传统软件设计方法中以函数或类作为基本功能模块、以应用程序接口( application programming interface ,API) 作为程序间通信手段不同, SOA 以服务为基本功能模块。与函数相比,服务代表更高层次的应用需求(例如:从读取数据库到打印数据报表的整个流程可以抽象成一种服务,而数据库的读取操作则只能是函数) 。SOA 根据用户需求,将每一种主要功能都包装成服务的形式,且各服务相互独立,仅以可扩展置标语言( extensive makeup language ,XML) 进行通信。当任何一

16、种功能需要更新时,只需要更换相应的服务即可。此外,基于SOA 架构,可以将若干服务自由组合,以快速形成新的系统。例如:可以将一个电力公司电力负荷动态经济分配计算包装成一个服务,这样对于任何需要进电力负荷动态经济分配计算的任务,只需要将电力负荷动态经济分配计算服务和其他相关服务在线组合即可，即可以计算出更大范围的动态分配策略。可见,应用SOA可以极大地提高系统的灵活性和软件开发升级的速度。当然,提高软件的抽象层次一般是以牺牲通信效率为代价的。总结软件开发方法的发展历史可知,从面向过程到面向对象,再到面向服务,软件开发的总体发展趋势就是抽象层次的不断提高,这和软件本身的复杂性不断提高是相适应的。随

17、着电力系统的不断发展,电力信息系统本身的功能不断增多,结构日趋复杂,这会给利用传统开发方法的开发人员带来越来越大的困难。因此,提高软件开发的抽象层次是一个必然趋势。对于通信效率问题,可以通过适当定义服务的抽象层次以求得平衡。2) ApacheApache 是目前应用最广泛的Web 服务器端软件,其支持所有主流的Web 服务器功能,如网站内容管理、服务器端编程、流量管理、网址重写(URL rewriting) 、安全传输层(Transport layer security ,TLS) 和安全套接层( secure socket layer ,SSL) 加密等。由于Apache 系开源软件,其源代

18、码完全公开并可以免费使用,因此,可用于实现云计算平台的Web 层功能。3) MySQLMySQL 是世界上应用最广泛的开源数据库引擎,具有高可靠性、高扩展性和完全免费等优点,因此,在超过数百万的网站和公司中得到了广泛应用。可用MySQL 实现云计算平台的数据管理层功能。2电力系统动态负荷分配算法优化电力系统经济运行研究是当前活跃的研究课题之一，由于电力系统庞大，结构复杂，地理分布广泛，不可预见事件众多而难以解决， 已有多种优异算法应用，负荷经济分配( Economic Dispatch , ED) 问题是机组组合问题的一个子优化问题. ED 问题指的是,在满足各种约束条件下,分配运行机组间的负

19、荷,并且使得电力系统总运行费用最小或发电公司的利润最大. 而ED 问题中存在大量的不连续、不可微、非线性和离散的约束条件,而这些约束条件将问题的可行解限制在很小的区域内.基于智能计算的全局优化技术,例如:遗传算法( Genetic Algorithm) 和微粒群算法( ParticleSwarm Optimization , PSO) 等在近年来被用于求解ED 问题并取得一定成果.差分进化(Differential Evolution , DE) 是一种相对较新的基于群体智能( Swarm Intelligent , SI) 的随机搜索进化算法,它具有收敛速度快、鲁棒性好、实现简单和参数少等优

20、点,然而有时DE 算法也会面临陷入早熟或者收敛速度下降等问题，为此，本文提出了一种改进型DE算法。2.1 DE基本算法DE的基本思想是：利用2个随机选取的矢量参数的差向量作为第3个矢量参数的随机变化源，通过对当前种群进行重组、变异和选择等操作产生新一代种群,并逐步使种群进化到包含或接近最优解的状态。 设是第G代问题矢量, 其中 ps是种群大小.变异矢量Vi,G 定义为： (1)其中 ， r1, r2, and r3 属于中的不同个体.与其他算法一样, 为增加干扰参数向量的多样性，在DE中，引入交叉操作，则目标向量由变异向量和源向量生成，在标准DE方法中，使用的是一种“贪婪”选择模式：当且仅当新

21、个体的评价函数值更好时，才被保留到下一代群体中，否则，父个体仍然保留在群体中，再一次作为下一代的父向量。其目标向量为,其中 (D为问题的维度)。其各个分量计算公式为 (2)其中CR 0,1为算法参数，需要事先确定，其控制着种群的多样性，帮助算法从局部最优解中脱离出来。：k是从1,D中随机选取的一个整数，用以保证本次操作必须有一位经过交叉；randj(0,1) 是针对第j 维分量随机选取的控制参数。 2.2 DE改进算法（IDE）本文提出一种基于 “DE/target-to-best/1” 策略算法，变异矢量Vi,G 定义为： (3)其中 r1, r2, 和 r3 是种群 1, ps当中三个不同

22、的数, pbesti 是以前最优矢量Xi,， ps 种群大小。用公式（3）中的交叉矢量替代公式（2）中的交叉矢量。2.3 IDE 用于动态经济负荷分配（DED）动态经济负荷分配是电力系统负荷经济分配的一个扩展问题, 他要解决的是在一定时期内负荷分配已知的情况下如何计划在线运行发电机组的负荷分配，要充分考虑系统各种约束条件，该问题问题复杂，计算量大ED问题的优化目的是在满足系统运行约束条件下，优化发电机组的出力，从而使系统的总发电成本为最低，其目标函数为Minimize F= FC(i, t) (3)式中：F为系统总发电成本；NG为系统内发电机总台数；FC（i,t）为第 i 台发电机在t时刻的有

23、功功率；T为系统系统运行时间。第 i台发电机耗量特性FC(i,t) = (4)ei，fi为VPE(在汽轮机进气阀突然开启时出现的拔丝现象会在机组的耗量曲线上叠加一个脉动效果)效应系数引起的第i台发电机耗量特定变化.DED问题的约束条件分别为： 电力平衡约束条件 (5)其中 t = 1,2,.,T , 是 t时刻系统总的负荷需求， 是 t.时刻线路传输损耗， 为： (6)发电机运行约束条件 (7)机组出力爬坡约束 (8) (9)2.4 IDE用于DED动态负荷经济分配是一定期限一定负载的发电计划. DE的种群大小为5-10 问题维数 初始化：第 ith 发电厂 t时刻的发电功率为 (10)其中0

24、,1 ，DED 目标函数为： (11)其中 惩罚因子, Nc 受约束种类数，VIOL 限制程度.引用IDE算法的变异矢量为 ) (12)其中 F 0,1是比例因子， j 、 k 随机数. G 代表进化代数选择： (13)其中 代表最优结果. 是可计算出的有限振幅. 替代系数 0,1. 可通过 的不断修正得到新的 . 最终满足： (14)然后用 替换种群中最坏的个体. 提高系统快速收敛的速度。繁殖操作随着种群的不断进化，各个个体逐渐靠近最优个体，算法中变异操作产生的差向量会逐渐变小，在一定程度上减弱了算法搜索空间的多样性，因此要求产生一些变异操作，使得变异操作后的向量能开拓新的搜索空间，从而提高

25、算法的全局寻优能力。同样，对交叉因子来说，过小的使算法的种群在交叉操作后产生较少的新个体，这样就减弱了算法开拓新空间的能力；而过大的交叉因子，使种群不能较好地保持稳定，降低了算法的稳定性。新的个体产生基于先前最优 ，第个体的基因可描述为： 其中 和 是两个不同的随机数. 新的个体加入搜索种群帮助系统避免过早老化. 繁殖操作直到种群密度P小于期望的容忍密度： (16) (17)按此方法繁殖新个体, 直到没有更好的个体产生Computer Simulation。2.5 IDE算法用于DED的仿真研究运用 IDE算法，测试系统由15台发电机组成，发电机数据参数如表1，负荷需求考虑24小时如表2所示，

26、运用 C+ 代码编写计算程序. 为了说明系统的鲁棒性测试系统考虑了VPE效应. 但剔除了发电机限制带情况. B效应数据可参考查阅到。 Table 1发电单元数据UnitP(MW)P(MW)ai(MW)bi($/MW)Ci($/MW2)ei($/h)fi(1/MW)URi(MW/h)DRi(MW/h)115045567110.10.0002992400.03180120215045557410.20.0001832400.033801203201303748.80.0011261400.0361301304201303748.80.0011261400.034130130515047046110

27、.40.0002052300.03380120615046063010.10.0003012400.0328012071354655489.80.0003642200.0338012086030022711.20.0003382000.0356510092516217311.20.0008071500.03960100102516017510.70.0012031500.0396010011208018610.20.0035861400.03980801220802309.90.0055131400.039808013258522513.10.0003711500.03980801415253

28、0912.10.0019291000.042555515152532312.40.004447100o.o425555 Table 2 24小时负荷需求表Time(h)Load(MW)Time(h)Load(MW)Time(h)Load(MWTime(h)Load(MW)117417265813298919277721847827771429302029893201792930152777212888422511029891624632225695236911305117236923323862582123142182582241970运用IDE算法求解的DED问题，总的费用计算结果与遗传算法

29、(geneticalgorithm，GA)及粒子群算法(particle swarm optimization，PSO)进行比较，分析表明方案优于Ga , PSO and DE. Table 3. Comparison of optimal solution for 15-generator system MethodGAPSODEIDE Total cost ($/24h)794712788592782136778488I. 结论电力系统云平台建设与智能电网的发展密切相关，依托云平台技术，可以有效地调度整个发电企业的电力资源，实现经济合理运行，由于电力系统经济运行调度计算量大，结构复杂，本文

30、提出了基于差异进化算法的负荷分配计算方法，减少了系统计算量，对建立电力系统云计算平台，解决电力系统分配复杂的计算问题提供了新的途径,有助于实现电力系统在线运行负荷分配与优化控制。图1展示了不同算法达到最佳动态负荷经济分配算法的迭代计划次数对比，IDE算法进化速度快，因此对于电力系统云平台建设提供了优良的算法。云计算技术还在不断发展之中,而其在电力系统中的应用则刚刚起步。与云计算相适应的电力系统负荷分配算法研究也是未来电力系统云计算研究需要重点解决的关键问题之一。参考文献 1 National Energy Technology Laboratory , United States Depart

31、ment of Energy. A vision for t he modern grid R/ OL . . http :/ / www. bpa. gov/ energy/ N/ smart _ grid/docs/ Vision_for_the Modern Grid_Final . pdf . 2 FOSTER I , ZHAO Y, RAICU I , et al . Cloud computing and grid computing 3602degree compared/ / Proceedings of Grid Computing Environment s Worksho

32、p , November 12216 , 2008 ,Austin , TX , USA : 1210. 3 VAQUERO L M , RODERO2MERINO L , CACERES J , et al .A break in t he clouds : towards a cloud definition. ACMSIGCOMM Computer Communication Review , 2009 , 39 ( 1) :50255. 4 GEELAN J . Twenty one expert s define cloud computing , virtualization J

33、/ OL . . http :/ / virtualization. sys2con. com/ node/ 612375. 5 RITTINGHOUSE J W, RANSOME J F. Cloud computing :implementation , management , and security. Boca Raton , FL ,USA : CRC Press , 2010. 6 DEAN J , GHEMAWAT S. MapReduce : simplified data processing on large clusters. Communications of t h

34、e ACM ,2008 , 51 (1) : . 7 Members of EGEE2 . An EGEE comparative study : grids and clouds2evolution or revolution R/ OL . . https :/ /edms. cern. ch/ document/ 925013/ . 8 ATTIYA H , HAMAM Y. Two phase algorit hm for load balancing in heterogeneous dist ributed systems/ / Proceedings oft he 12t h E

35、uromicro Conference on Parallel , Dist ributed and Network2Based Processing : PDP04 , February 11213 , Noisy2 Le2Grand , France : 4342439. 9 DOBBER A M , KOOL E G M , VAN DER MEI R D. Dynamic load balancing for a grid application/ / Proceedings of International Conference on High Performance Computi

36、ng :HiPC04 , December 19222 , 2004 , Bangalore , India : 3422352. 10 ALOISIO G, BOCHICCHIO M A , LA SCALA M , et al . A dist ributed computing approach for real2time t ransient stability analysis. IEEE Trans on Power Systems , 1997 , 12 (2) : 9812 987. 11 HOLLMAN J A , MART J R. Real time network si

37、mulation wit h PC2cluster . IEEE Trans on Power Systems , 2003 ,18 (2) : 5632569. 12 CHEN Y, SHEN C , WANG J . Dist ributed t ransient stability simulation of power systems based on a J acobian2f ree Newton2 GMRES met hod. IEEE Trans on Power Systems , 2009 ,24 (1) : 1462156. 13 XU Z , ALI M , DONG

38、Z Y, et al . A novel grid computing approach for probabilistic small signal analysis/ / Proceedings of IEEE PES General Meeting , J une 19 , 2006 , Mont real ,Canada : 18222. 14 FENG T , FLUECK A J . A message2passing dist ributed2 memory parallel power flow algorit hm/ / Proceedings of IEEE PES Win

39、ter Meeting , J anuary 27231 , 2002 , New York , N Y,USA : 2112216. 15 WEI Q , FLUECK A J , FENG T. A new parallel algorit hm for security const rained optimal power flow wit h a nonlinear interior point met hod/ / Proceedings of IEEE PES General Meeting , J uly 12215 , 2005 , San Francisco , CA , U

40、SA : 4472 453. 16 L IANG C H , CHUNG C Y, WONG K P , et al . Parallel optimal reactive power flow based on cooperative co2 evolutionary differential evolution and power system decomposition. IEEE Trans on Power Systems , 2007 , 22 (1) :2492257. 17 ALI M , DONG Z Y, LI X , et al . A grid computing ba

41、sed approach for probabilistic load flow analysis/ / Proceedings of IET International Conference on Advances in Power System Cont rol , Operation and Management , October 302November 2 , 2006 , Hong Kong , China. 18 WANG H , LIU Y. Power system restoration collaborative grid based on grid computing

42、environment/ / Proceedings of IEEE PES General Meeting , J uly 12216 , 2005 , San Francisco ,CA , USA : 6442649. 19 ZHOU H F , WU F F , NI Y X. Design for grid service2based future power system cont rol centers/ / Proceedings of IET International Conference on Advances in Power System Cont rol , Ope

43、ration and Management , October 302November 2 , 2006 , Hong Kong , China. 20 TA YLOR G A , IRVING M R , HOBSON P R , et al .Dist ributed monitoring and cont rol of future power systems via grid computing/ / Proceedings of IEEE PES General Meeting ,J une 17223 , 2006 , Mont real , Canada. 21 ZHANG P

44、, L EE T , SOBAJ IC D. Moving toward probabilistic reliability assessment met hods/ / Proceedings of Eight hInternational Conference on Probabilistic Met hods Applied to Power Systems , September 12214 , 2004 , Ames , IA , USA :9062913. 22 BILLINTON R , LI W. Reliability assessment of elect ric power systems using Monte Carlo met hods. New York , N Y, USA :Plenum Press , 1994. 23 ALI M ,DONG Z Y, LI X , et al . RSA2grid : a grid computing based f ramework for power system reliability and security analysis/ / Proceedings of IEEE PES General Meeting , J une17223 , 2006