云计算是当前电力系统领域研究的关键问题,在潮流分析时使用Spark集群做数据传输的并行计算框架已成为目前的研究热点。与传统基于硬盘的串行系统相比,使用Spark云可以缩短运算的收敛时间,对于数据密集型的任务,可以将运行速度提升数十倍。在电力系统并行计算快速发展的同时,如何提升Spark调度系统的性能和内存的利用率,保证潮流并行算法的求解效率,成为亟待解决的问题。本文基于云计算引擎Spark,首先,研究了集群对于RDD(数据集)的使用行为,对任务筛选与分区缓存等顶层调度机制进行了优化;其次,以综合性能为目标,对系统底层计算资源的分配完成了多目标搜索;最后,提出了一种适用于分布式计算的并行潮流算法,并在Spark云实现了雅克比阵的并行更新以及修正方程的并行迭代。本文的主要贡献有:(1)通过对源码进行分析,引入Spark运算流的两个特征参数,实现了任务的动态优先级筛选;在分析和优化任务结构的基础上,结合RDD的分布式特征,包括使用次数、内存容量、访问时间等,对RDD分区缓存策略进行了优化,提高了任务在资源有限情况下的运行效率。(2)通过分析RDD节点间的通信机制,建立了Spark运算流的分级调度策略,以实现高性能计算、降低成本、负载均衡为目标,提出了一种考虑偏好区域的多目标优化算法,经过仿真测试表明,该算法产生的综合能效均优于PSO、GA等传统算法。(3)通过引入Neumann定理对牛拉法进行了并行改造,并在Spark上对雅克比阵的生成及修正式的求解完成了并行装配,主要包括:与稀疏矩阵相关的修正量求解,以及针对高维矩阵的分布式相乘运算。最终实现了由Spark与Hadoop组成的并行计算集群,在IEEE合成系统中验证了该算法的可行性和有效性。