本發(fā)明涉及風(fēng)險(xiǎn)評估領(lǐng)域，特別是涉及一種電力系統(tǒng)連鎖故障風(fēng)險(xiǎn)評估的方法及系統(tǒng)。

背景技術(shù)：

近年來世界各地發(fā)生許多連鎖停電事故，給各國的社會和經(jīng)濟(jì)帶來很大的損失。因此對于大停電事故的研究是一個(gè)重要的課題，通過識別電力系統(tǒng)的臨界特性，才能夠進(jìn)一步了解電力系統(tǒng)連鎖故障的原因，分析研究系統(tǒng)臨界狀態(tài)和連鎖故障是有效提高系統(tǒng)可靠性的關(guān)鍵因素。隨著電力行業(yè)不斷的發(fā)展，大規(guī)模建立電網(wǎng)是一種必然的趨勢，在追求利益最大化的今天，必須要加強(qiáng)對連鎖故障的分析和風(fēng)險(xiǎn)評估，消滅危險(xiǎn)因素，從而有效防止大停電事故，這對于提高電力系統(tǒng)的可靠性具有十分重要的意義?，F(xiàn)有基于復(fù)雜性的連鎖故障的風(fēng)險(xiǎn)評估方法大致可以分為三類：冪律分布、網(wǎng)絡(luò)拓?fù)渲笜?biāo)和考慮電力系統(tǒng)參數(shù)、運(yùn)行狀態(tài)的指標(biāo)。

首先，冪律分布具有長尾特征，即與正態(tài)分布相比，冪律分布下極端事件的發(fā)生概率要大很多。其次，電力系統(tǒng)的能量和信息傳輸是通過電力網(wǎng)絡(luò)和通信網(wǎng)絡(luò)完成的，因此可以將電力系統(tǒng)抽象為由節(jié)點(diǎn)和邊組成的圖，研究網(wǎng)絡(luò)拓?fù)涮匦院途W(wǎng)絡(luò)上連鎖行為的關(guān)聯(lián)。這些方法只能夠描述網(wǎng)絡(luò)的一些基本特征，并且通過理論和仿真驗(yàn)證了網(wǎng)絡(luò)拓?fù)渲笜?biāo)對網(wǎng)絡(luò)抵御連鎖故障的性能，但基于這些方法模擬的網(wǎng)絡(luò)狀態(tài)和受歐姆定律和基爾霍夫定律支配的電力網(wǎng)絡(luò)相差較大，從而無法在根本機(jī)理上描述電力系統(tǒng)連鎖故障?；谕?fù)涮匦院碗娋W(wǎng)參數(shù)構(gòu)建了全局的傳輸距離和局部的無功變化量指標(biāo)，并用于辨識脆弱線路。以上評估方法利用復(fù)雜性方法進(jìn)行連鎖故障研究的一般思路為首先在保留和突出連鎖傳播基本機(jī)理的前提下對系統(tǒng)進(jìn)行簡化和抽象，得到分析所用的物理和數(shù)學(xué)模型。之后利用模型進(jìn)行理論推導(dǎo)或采樣模擬，并統(tǒng)計(jì)得到復(fù)雜性指標(biāo)，通過指標(biāo)分析系統(tǒng)的整體特性。這類方法對采樣的數(shù)量需求大，并且存在重復(fù) 采樣的過程，因此，基于采樣的連鎖故障風(fēng)險(xiǎn)評估方法效率較低，難以滿足應(yīng)用需求，由于連鎖故障過程中各故障間有相關(guān)性，不應(yīng)采用可靠性評估中獨(dú)立故障組合的方法，而需要利用連鎖故障模型模擬連鎖故障序列。目前連鎖故障風(fēng)險(xiǎn)評估大多基于連鎖故障模型進(jìn)行大量連鎖故障路徑隨機(jī)采樣，并計(jì)算風(fēng)險(xiǎn)指標(biāo)。隨著采樣數(shù)量的增加，風(fēng)險(xiǎn)指標(biāo)會逐漸收斂到其真實(shí)值。但基于采樣的風(fēng)險(xiǎn)評估效率往往很低，常規(guī)蒙特卡洛采樣收斂所需的采樣次數(shù)大致與事件的真實(shí)概率成反比。因此在采樣小概率事件時(shí)，往往需要巨量的采樣數(shù)量，無法滿足實(shí)用風(fēng)險(xiǎn)評估需求。方差減小技術(shù)雖然能夠加快收斂速度，但其效率只能提高數(shù)倍至幾十倍，不能根本解決計(jì)算效率低的問題。所以基于采樣方法的風(fēng)險(xiǎn)評估效率很低，難以實(shí)際應(yīng)用。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是提供一種電力系統(tǒng)連鎖故障風(fēng)險(xiǎn)評估方法及系統(tǒng)，能夠有效提高風(fēng)險(xiǎn)評估的計(jì)算效率。

為實(shí)現(xiàn)上述目的，本發(fā)明提供了如下方案：

一種電力系統(tǒng)連鎖故障風(fēng)險(xiǎn)評估方法，包括：

獲取電力系統(tǒng)在初始狀態(tài)下所有的故障序列；

將所述故障序列進(jìn)行整理合并，建立多時(shí)間尺度連鎖故障模擬的馬爾科夫樹模型；

獲取故障風(fēng)險(xiǎn)指標(biāo)；

獲取風(fēng)險(xiǎn)評估停止判據(jù)；

根據(jù)所述故障風(fēng)險(xiǎn)指標(biāo)和所述風(fēng)險(xiǎn)評估停止判據(jù)對所述馬爾科夫樹模型進(jìn)行搜索，得到第一搜索結(jié)果；

判斷所述第一搜索結(jié)果是否符合所述風(fēng)險(xiǎn)評估停止判據(jù)，得到第一判斷結(jié)果；

當(dāng)所述第一判斷結(jié)果表示所述第一搜索結(jié)果符合所述風(fēng)險(xiǎn)評估停止判據(jù)時(shí)，停止對馬爾科夫樹模型的搜索，得出線路的風(fēng)險(xiǎn)值。

可選的，所述將所述故障序列進(jìn)行整理合并，建立多時(shí)間尺度連鎖故障模擬的馬爾科夫樹模型，具體包括：

標(biāo)記初始故障的狀態(tài)和所述初始故障后連鎖故障發(fā)生的路徑；所述初始故 障后的狀態(tài)為樹的根節(jié)點(diǎn)；所述連鎖故障發(fā)生的路徑用表示；

根據(jù)所述根節(jié)點(diǎn)和所述連鎖故障發(fā)生的路徑建立所述馬爾科夫樹模型。

可選的，所述根據(jù)所述概率計(jì)算故障風(fēng)險(xiǎn)指標(biāo)，具體包括：

計(jì)算所述開斷的概率得到每級連鎖故障的概率；所述開斷的概率為 其中，所述表示預(yù)設(shè)時(shí)間t_D內(nèi)元件i開斷的概率，所述λ_i表示元件i的故障率，所述λ_j表示元件j的故障率；

根據(jù)所述每級連鎖故障的概率評估連鎖故障負(fù)荷損失期望，得到故障風(fēng)險(xiǎn)指標(biāo)的表達(dá)式

其中，所述R表示所述馬爾科夫樹模型上各個(gè)狀態(tài)對應(yīng)風(fēng)險(xiǎn)項(xiàng)的和， 表示連鎖故障序列發(fā)生后當(dāng)前狀態(tài)下的損失，第k_n+1級故障概率可用

可選的，所述將所述故障序列進(jìn)行整理合并，建立多時(shí)間尺度連鎖故障模擬的馬爾科夫樹模型之后，還包括：

對所述馬爾可夫樹模型進(jìn)行再調(diào)度，建模成再調(diào)度模型；

所述再調(diào)度模型為

s.t.

其中，所述P_d和所述P_g為待求系統(tǒng)狀態(tài)，所述和所述為上一個(gè)時(shí)間點(diǎn)的系統(tǒng)狀態(tài)，所述為發(fā)電機(jī)增出力最大爬坡速率，所述為發(fā)電機(jī) 減出力最大爬坡速率，所述F^MAX表示為線路潮流的最大值；所述支路潮流-節(jié)點(diǎn)注入矩陣y_DMY⁺為支路導(dǎo)納對角陣y_D、節(jié)點(diǎn)-支路關(guān)聯(lián)矩陣M和導(dǎo)納陣Y的廣義逆Y⁺的乘積；記為Z＝Y(jié)⁺

將導(dǎo)納陣Y進(jìn)行奇異值分解，

則廣義逆Y⁺為

獲取再調(diào)度系統(tǒng)下的狀態(tài)目標(biāo)所述為優(yōu)化后的節(jié)點(diǎn)i的負(fù)荷，所述為優(yōu)化后的發(fā)電功率；

根據(jù)所述再調(diào)度模型在t_D時(shí)間內(nèi)調(diào)整到距離調(diào)整目標(biāo)最接近的狀態(tài)。

可選的，所述根據(jù)所述故障風(fēng)險(xiǎn)指標(biāo)和所述風(fēng)險(xiǎn)評估停止判據(jù)對所述馬爾科夫樹模型進(jìn)行搜索，得到第一搜索結(jié)果之后，還包括：

對導(dǎo)納陣Y和廣義逆Z進(jìn)行更新；

判斷線路集{i_k}是否從網(wǎng)絡(luò)中移除，得到第一判斷結(jié)果；

若所述第一判斷結(jié)果為線路集{i_k}從網(wǎng)絡(luò)中移除，更新網(wǎng)絡(luò)后的導(dǎo)納陣Y′用下式進(jìn)行修正：

其中，為節(jié)點(diǎn)-支路關(guān)聯(lián)矩陣對應(yīng){i_k}所在行組成的子矩陣， 為{i_k}支路導(dǎo)納為對角線的方陣，復(fù)雜度為O(|{i_k}|)；

判斷{i_k}是否為網(wǎng)絡(luò)的割集，得到第二判斷結(jié)果；

若所述第二判斷結(jié)果為{i_k}不是網(wǎng)絡(luò)的割集，則廣義逆Z的修正使用矩陣輔助求逆定理推廣到廣義逆的形式，用下式進(jìn)行修正：

其中，其復(fù)雜度為O(|V|²)；可逆的充要條件是{i_k}不是網(wǎng)絡(luò)的割集；

若所述第二判斷結(jié)果為{i_k}是網(wǎng)絡(luò)的割集，則對Y′進(jìn)行奇異值分解的方法計(jì)算，其復(fù)雜度為O(|V|³)。

可選的，所述判斷所述第一搜索結(jié)果是否符合所述風(fēng)險(xiǎn)評估停止判據(jù)，還包括：

預(yù)設(shè)與所 述故障風(fēng)險(xiǎn)指標(biāo)相關(guān)的小概率值ε_R；

預(yù)設(shè)所述故障風(fēng)險(xiǎn)指標(biāo)損失的上限

根據(jù)所述ε_R和所述判斷所述故障風(fēng)險(xiǎn)指標(biāo)是否為最小概率，得到第三判斷結(jié)果；

若所述第三判斷結(jié)果是所述故障風(fēng)險(xiǎn)指標(biāo)為最小概率，則停止對馬爾科夫樹的遍歷搜索。

可選的，所述判斷所述第一搜索結(jié)果是否符合所述風(fēng)險(xiǎn)評估停止判據(jù)，還包括：

判斷所述故障風(fēng)險(xiǎn)指標(biāo)的計(jì)算時(shí)長是否超出預(yù)設(shè)最長模擬時(shí)間T_max，得到第四判斷結(jié)果；

若所述第四判斷結(jié)果為所述故障風(fēng)險(xiǎn)指標(biāo)的計(jì)算時(shí)長超出T_max，則停止對馬爾科夫樹的遍歷搜索。

一種電力系統(tǒng)連鎖故障風(fēng)險(xiǎn)評估系統(tǒng)，包括：

故障序列獲取模塊，用于獲取電力系統(tǒng)在初始狀態(tài)下所有的故障序列；

馬爾可夫樹模型建立模塊，用于將所述故障序列進(jìn)行整理合并，建立多時(shí)間尺度連鎖故障模擬的馬爾科夫樹模型；

故障風(fēng)險(xiǎn)指標(biāo)獲取模塊，用于獲取故障風(fēng)險(xiǎn)指標(biāo)；

風(fēng)險(xiǎn)評估停止判據(jù)獲取模塊，用于獲取風(fēng)險(xiǎn)評估停止判據(jù)；

搜索模塊，用于根據(jù)所述故障風(fēng)險(xiǎn)指標(biāo)和所述風(fēng)險(xiǎn)評估停止判據(jù)對所述馬爾科夫樹模型進(jìn)行搜索，得到第一搜索結(jié)果；

第一判斷模塊，用于判斷所述第一搜索結(jié)果是否符合所述風(fēng)險(xiǎn)評估停止判據(jù)，得到第一判斷結(jié)果；

當(dāng)所述第一判斷結(jié)果表示所述第一搜索結(jié)果符合所述風(fēng)險(xiǎn)評估停止判據(jù)時(shí)，停止對馬爾科夫樹模型的搜索，得出線路的風(fēng)險(xiǎn)值。

可選的，所述建立馬爾可夫樹模型建立模塊將所述故障序列進(jìn)行整理合并，建立多時(shí)間尺度連鎖故障模擬的馬爾科夫樹模型之后，還包括：

再調(diào)度模型建立模塊，用于對所述馬爾可夫樹模型進(jìn)行再調(diào)度，建模成再 調(diào)度模型；

所述再調(diào)度模型為

s.t.

其中，所述P_d和所述P_g為待求系統(tǒng)狀態(tài)，所述和所述為上一個(gè)時(shí)間點(diǎn)的系統(tǒng)狀態(tài)，所述為發(fā)電機(jī)增出力最大爬坡速率，所述為發(fā)電機(jī)減出力最大爬坡速率，所述F^MAX表示為線路潮流的最大值；所述支路潮流-節(jié)點(diǎn)注入矩陣y_DMY⁺為支路導(dǎo)納對角陣y_D、節(jié)點(diǎn)-支路關(guān)聯(lián)矩陣M和導(dǎo)納陣Y的廣義逆Y⁺的乘積；記為Z＝Y(jié)⁺

將導(dǎo)納陣Y進(jìn)行奇異值分解，

則廣義逆Y⁺為

狀態(tài)目標(biāo)獲取模塊，用于獲取再調(diào)度系統(tǒng)下的狀態(tài)目標(biāo)所述為優(yōu)化后的節(jié)點(diǎn)i的負(fù)荷，所述為優(yōu)化后的發(fā)電功率；

再調(diào)度模型調(diào)整模塊，用于根據(jù)所述再調(diào)度模型在t_D時(shí)間內(nèi)調(diào)整到距離調(diào)整目標(biāo)最接近的狀態(tài)。

可選的，所述搜索模塊根據(jù)所述故障風(fēng)險(xiǎn)指標(biāo)和所述風(fēng)險(xiǎn)評估停止判據(jù)對所述馬爾科夫樹模型進(jìn)行搜索，得到第一搜索結(jié)果之后，還包括：

更新模塊，用于對導(dǎo)納陣Y和廣義逆Z進(jìn)行更新；

第一判斷模塊，用于判斷線路集{i_k}是否從網(wǎng)絡(luò)中移除，得到第一判斷結(jié)果；

若所述第一判斷結(jié)果為線路集{i_k}從網(wǎng)絡(luò)中移除，更新網(wǎng)絡(luò)后的導(dǎo)納陣Y′用下式進(jìn)行修正：

其中，為節(jié)點(diǎn)-支路關(guān)聯(lián)矩陣對應(yīng){i_k}所在行組成的子矩陣， 為{i_k}支路導(dǎo)納為對角線的方陣，復(fù)雜度為O(|{i_k}|)；

第二判斷模塊，用于判斷{i_k}是否為網(wǎng)絡(luò)的割集，得到第二判斷結(jié)果；

若所述第二判斷結(jié)果為{i_k}不是網(wǎng)絡(luò)的割集，則廣義逆Z的修正使用矩陣輔助求逆定理推廣到廣義逆的形式，用下式進(jìn)行修正：

其中，其復(fù)雜度為O(|V|²)；可逆的充要條件是{i_k}不是網(wǎng)絡(luò)的割集；

若所述第二判斷結(jié)果為{i_k}是網(wǎng)絡(luò)的割集，則對Y′進(jìn)行奇異值分解的方法計(jì)算，其復(fù)雜度為O(|V|³)。

根據(jù)本發(fā)明提供的具體實(shí)施例，本發(fā)明公開了以下技術(shù)效果：本發(fā)明針對具有馬爾科夫性的連鎖故障，將連鎖故障模擬與風(fēng)險(xiǎn)評估過程轉(zhuǎn)換為在馬爾科夫樹上進(jìn)行遍歷和搜索過程，該方法由于能夠不重復(fù)地模擬連鎖故障路徑并進(jìn)行風(fēng)險(xiǎn)指標(biāo)計(jì)算，因而可以在有限的計(jì)算資源下實(shí)現(xiàn)對連鎖故障可能發(fā)展路徑空間的最大覆蓋，從而顯著提高計(jì)算效率。

附圖說明

為了更清楚地說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實(shí)施例中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動性的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明實(shí)施例的風(fēng)險(xiǎn)評估方法流程圖；

圖2為本發(fā)明實(shí)施例的建立馬爾科夫樹方法流程圖；

圖3為本發(fā)明實(shí)施例建立再調(diào)度模型的方法流程圖；

圖4為本發(fā)明實(shí)施例再調(diào)度過程模擬示意圖；

圖5是本發(fā)明實(shí)施例風(fēng)險(xiǎn)評估系統(tǒng)的模塊示意圖；

圖6為本發(fā)明實(shí)施例部分Markov樹示意圖；

圖7為本發(fā)明實(shí)施例故障風(fēng)險(xiǎn)指標(biāo)的回溯更新示意圖。

具體實(shí)施方式

下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

本發(fā)明的目的是提供一種

為使本發(fā)明的上述目的、特征和優(yōu)點(diǎn)能夠更加明顯易懂，下面結(jié)合附圖和具體實(shí)施方式對本發(fā)明作進(jìn)一步詳細(xì)的說明。

圖1為本發(fā)明實(shí)施例的風(fēng)險(xiǎn)評估方法流程圖，如圖1所示，一種電力系統(tǒng)連鎖故障風(fēng)險(xiǎn)評估方法，包括：

步驟S101：獲取電力系統(tǒng)在初始狀態(tài)下所有的故障序列；

步驟S102：將所述故障序列進(jìn)行整理合并，建立多時(shí)間尺度連鎖故障模擬的馬爾科夫樹模型；

步驟S103：獲取故障風(fēng)險(xiǎn)指標(biāo)；

步驟S104：獲取風(fēng)險(xiǎn)評估停止判據(jù)；

步驟S105：根據(jù)所述故障風(fēng)險(xiǎn)指標(biāo)和所述風(fēng)險(xiǎn)評估停止判據(jù)對所述馬爾科夫樹模型進(jìn)行搜索，得到第一搜索結(jié)果；

步驟S106：判斷所述第一搜索結(jié)果是否符合所述風(fēng)險(xiǎn)評估停止判據(jù)，得到第一判斷結(jié)果；

當(dāng)所述第一判斷結(jié)果表示所述第一搜索結(jié)果符合所述風(fēng)險(xiǎn)評估停止判據(jù)時(shí)，執(zhí)行步驟S107，否則，返回步驟S105；

步驟S107：停止對馬爾科夫樹模型的搜索，得出線路的風(fēng)險(xiǎn)值。

其中，多時(shí)間尺度過程中的多時(shí)間尺度隨機(jī)跳閘事件具有較強(qiáng)不確定性，即在多時(shí)間尺度過程中，連鎖故障的發(fā)展模式可能有很大的不同。若從所研究的初始狀態(tài)開始，將所有可能的故障序列進(jìn)行整理合并，形成一個(gè)樹形結(jié)構(gòu)， 由于連鎖故障的狀態(tài)轉(zhuǎn)移過程可以看作馬爾科夫過程，該樹狀結(jié)構(gòu)恰好是一個(gè)馬爾科夫樹。馬爾科夫樹上的每一個(gè)節(jié)點(diǎn)代表一個(gè)系統(tǒng)狀態(tài)，樹枝代表系統(tǒng)狀態(tài)間的轉(zhuǎn)移過程。每個(gè)多時(shí)間尺度轉(zhuǎn)移過程代表一段固定的時(shí)間t_D，其取值與多時(shí)間尺度相當(dāng)。

由于上述電力系統(tǒng)連鎖故障風(fēng)險(xiǎn)評估方法建立了多時(shí)間尺度連鎖故障模擬的馬爾科夫樹模型，從而大大的減少了計(jì)算量，進(jìn)行快速風(fēng)險(xiǎn)評估。

圖2為本發(fā)明實(shí)施例的建立馬爾科夫樹方法流程圖，如圖2所示，

S201：標(biāo)記初始故障的狀態(tài)和所述初始故障后連鎖故障發(fā)生的路徑；所述初始故障后的狀態(tài)為樹的根節(jié)點(diǎn)；所述連鎖故障發(fā)生的路徑用表示；

S202：根據(jù)所述根節(jié)點(diǎn)和所述連鎖故障發(fā)生的路徑建立所述馬爾科夫樹模型。

其中，從初始故障發(fā)生后的狀態(tài)起標(biāo)記連鎖故障發(fā)生的路徑，即初始故障后的狀態(tài)為樹的根節(jié)點(diǎn)，稱為0級節(jié)點(diǎn)，后續(xù)各級狀態(tài)分別為1級、2級......k級節(jié)點(diǎn)，需要注意的是，并不是每一級狀態(tài)都會有元件開斷事件發(fā)生，在每一段時(shí)間τ_D內(nèi)可能有單個(gè)元件開斷，也可能沒有元件開斷。馬爾科夫樹上的節(jié)點(diǎn)可用開斷的元件編號表示(假設(shè)元件編號為正整數(shù)，而沒有開斷事件則編號為0)，那么每一個(gè)連鎖故障發(fā)展路徑(即序列)都可以用經(jīng)過的節(jié)點(diǎn)編號表示，即用來表示。

需要注意的是，與基于采樣的方法不同，為了保證每一個(gè)狀態(tài)之后可轉(zhuǎn)移狀態(tài)是有限的，每一次狀態(tài)轉(zhuǎn)移最多只容許一個(gè)元件開斷。而基于采樣的方法則可以同時(shí)采樣得到多個(gè)開斷事件。為了使基于馬爾科夫樹搜索的方法具有與基于采樣方法相同的效果，則要求基于馬爾科夫樹搜索的方法中參數(shù)t_D值小于基于采樣的方法，若取為蒙特卡洛采樣方法的1/N_τ，在模擬相同時(shí)間長度的連鎖故障過程時(shí)，與基于采樣方法中同時(shí)采樣至多N_τ個(gè)故障事件等效。測試中發(fā)現(xiàn)N_τ＝3～5已經(jīng)可以滿足實(shí)際系統(tǒng)大多數(shù)情況下的要求。

另外，馬爾科夫樹搜索方法考慮了元件開端順序先后的影響，比基于采樣的方法更加符合實(shí)際連鎖故障的特點(diǎn)，也比傳統(tǒng)算法的計(jì)算量大大減少。

圖3為本發(fā)明實(shí)施例建立再調(diào)度模型的方法流程圖，如圖3所示，

S301：對所述馬爾可夫樹模型進(jìn)行再調(diào)度，建模成再調(diào)度模型；

所述再調(diào)度模型為

s.t.

可簡化為

其中，所述P_d和所述P_g為待求系統(tǒng)狀態(tài)，所述和所述為上一個(gè)時(shí)間點(diǎn)的系統(tǒng)狀態(tài)，所述表示優(yōu)化模型待求變量，即待求的節(jié)點(diǎn)負(fù)荷，所述表示優(yōu)化模型待求變量，即待求的發(fā)電功率，所述為發(fā)電機(jī)增出力最大爬坡速率，所述為發(fā)電機(jī)減出力最大爬坡速率，所述F^MAX表示為線路潮流的最大值；所述支路潮流-節(jié)點(diǎn)注入矩陣y_DMY⁺為支路導(dǎo)納對角陣y_D、節(jié)點(diǎn)-支路關(guān)聯(lián)矩陣M和導(dǎo)納陣Y的廣義逆Y⁺的乘積；記為Z＝Y(jié)⁺

將導(dǎo)納陣Y進(jìn)行奇異值分解，

則廣義逆Y⁺為

S302：獲取再調(diào)度系統(tǒng)下的狀態(tài)目標(biāo)所述為優(yōu)化后的節(jié)點(diǎn)i的負(fù)荷，所述為優(yōu)化后的發(fā)電功率；

S303：根據(jù)所述再調(diào)度模型在τ_D時(shí)間內(nèi)調(diào)整到距離調(diào)整目標(biāo)最接近的狀態(tài)。

實(shí)際上完整的再調(diào)度過程也需要經(jīng)歷一定的時(shí)間。首先在過載發(fā)生后，電力系統(tǒng)需要一段時(shí)間去采集、計(jì)算分析數(shù)據(jù)，并感知系統(tǒng)狀態(tài)，將結(jié)果反映給 運(yùn)行人員；而接下來運(yùn)行人員還需要一定的時(shí)間去判斷系統(tǒng)運(yùn)行情況，并思考做出決策，下發(fā)指令。也就是說，從發(fā)生事件到開始系統(tǒng)開始再調(diào)度操作就要經(jīng)過一段時(shí)間的延時(shí)t_delay。而在再調(diào)度操作開始執(zhí)行后，由于發(fā)電機(jī)爬坡速率的限制，系統(tǒng)仍需要一定時(shí)間才能調(diào)整到目標(biāo)運(yùn)行狀態(tài)。因此，實(shí)際系統(tǒng)的再調(diào)度首先要經(jīng)過一定的延時(shí)，并要經(jīng)過一定的時(shí)間才能完全調(diào)整完成。在考慮了時(shí)間效應(yīng)的多時(shí)間尺度連鎖故障模擬框架中，由于考慮了時(shí)間因素，可以對再調(diào)度的延時(shí)和調(diào)整過程進(jìn)行模擬。

圖4為本發(fā)明實(shí)施例再調(diào)度過程模擬示意圖，如圖4所示，時(shí)刻t₀發(fā)生過載事件，在時(shí)間段t₀≤t≤t₀+t_delay之內(nèi)沒有針對該過載事件的再調(diào)度操作，此時(shí)系統(tǒng)中沒有調(diào)度員操作或者在執(zhí)行針對之前事件的未完成操作，直到該延時(shí)之后再調(diào)度操作才開始進(jìn)行。因此考慮到再調(diào)度的延后性，可以建立調(diào)整目標(biāo)隊(duì)列，在模擬中向隊(duì)列中添加針對不同系統(tǒng)狀態(tài)的調(diào)度調(diào)整目標(biāo)，并在每個(gè)時(shí)間點(diǎn)從隊(duì)列取出最新的應(yīng)開始進(jìn)行的調(diào)度指令并執(zhí)行。

在開始執(zhí)行以狀態(tài)為目標(biāo)的再調(diào)度操作時(shí)，操作目標(biāo)應(yīng)為用盡量短的時(shí)間達(dá)到目標(biāo)狀態(tài)。在連鎖故障模擬中，若上一個(gè)計(jì)算過的系統(tǒng)狀態(tài)對應(yīng)時(shí)刻為t，在待求時(shí)間點(diǎn)t+t_delay系統(tǒng)可能尚未達(dá)到目標(biāo)狀態(tài)，此時(shí)的系統(tǒng)狀態(tài)可以用再調(diào)度模型求解得到。t_delay

實(shí)際系統(tǒng)的連鎖故障不會一直進(jìn)行下去，而同時(shí)一些連鎖故障模式也可能因?yàn)榘l(fā)生概率微乎其微而對風(fēng)險(xiǎn)指標(biāo)沒有實(shí)質(zhì)性貢獻(xiàn)。因此在進(jìn)行連鎖故障風(fēng)險(xiǎn)評估時(shí)，可以制定合理的搜索停止規(guī)則，有效節(jié)省計(jì)算資源，下面介紹兩種風(fēng)險(xiǎn)評估停止的判斷方法。

首先，隨著搜索的深入，連鎖故障事件的概率也在不斷減小，而且由于概率是連乘的關(guān)系，在很多情況下概率會以指數(shù)級速度衰減。而由于連鎖故障的損失一定是有上限的，因此可以預(yù)計(jì)，在對一條連鎖故障路徑進(jìn)行模擬的過程中，在某個(gè)狀態(tài)之后的風(fēng)險(xiǎn)對總風(fēng)險(xiǎn)的貢獻(xiàn)可以忽略不計(jì)，對應(yīng)于實(shí)際連鎖故障的停止或者極小概率事件，在所研究的當(dāng)前狀態(tài)下沒有必要對這些極小風(fēng)險(xiǎn)的事件進(jìn)行研究，據(jù)此，可以設(shè)計(jì)馬爾科夫樹的搜索停止策略。

設(shè)一個(gè)與風(fēng)險(xiǎn)指標(biāo)相關(guān)的小量ε_R，并認(rèn)為若某狀態(tài)的風(fēng)險(xiǎn)值若小于ε_R，即滿足則該狀態(tài)的風(fēng)險(xiǎn)可以忽略不計(jì)；

若連鎖故障損失的上限為則若在搜索中某狀態(tài)的概率

那么該狀態(tài)后續(xù)所有狀態(tài)的風(fēng)險(xiǎn)必然滿足即可以忽略不計(jì)。那么就可以確定為最小事件概率所決定的搜索停止判據(jù)。

其次，實(shí)際電力系統(tǒng)中的連鎖故障持續(xù)時(shí)間長短不一，從幾分鐘到幾小時(shí)不等。而受到系統(tǒng)元件數(shù)的限制，以及在調(diào)度操作、安全控制和保護(hù)裝置的作用下，連鎖故障不會一直發(fā)展下去，而會在至多幾個(gè)小時(shí)之后停止發(fā)展，達(dá)到穩(wěn)態(tài)，因此在本模型的連鎖故障模擬和風(fēng)險(xiǎn)評估中，設(shè)置最長模擬時(shí)間T_max，當(dāng)連鎖故障發(fā)展時(shí)間超過T_max時(shí)即停止繼續(xù)模擬。

隨著基于馬爾科夫樹搜索的風(fēng)險(xiǎn)評估的進(jìn)行，風(fēng)險(xiǎn)評估所覆蓋的概率∑Pr也逐漸遞增。設(shè)置接近于1的閾值ξ，當(dāng)∑Pr＞ξ時(shí)，說明僅有不到1-ξ概率的路徑未被模擬和評估。而實(shí)際測試表明，基于馬爾科夫樹搜索的方法能夠有效地將風(fēng)險(xiǎn)較高的路徑優(yōu)先搜索出來，而未被搜索到的一般是風(fēng)險(xiǎn)較小的路徑，對總風(fēng)險(xiǎn)貢獻(xiàn)較小。因此在搜索中剩余的占概率1-ξ的路徑對風(fēng)險(xiǎn)貢獻(xiàn)很小，可認(rèn)為此時(shí)風(fēng)險(xiǎn)指標(biāo)已基本收斂。

圖5是本發(fā)明實(shí)施例風(fēng)險(xiǎn)評估系統(tǒng)的模塊示意圖，如圖5所示，一種電力系統(tǒng)連鎖故障風(fēng)險(xiǎn)評估系統(tǒng)，包括：故障序列獲取模塊501、馬爾可夫樹模型建立模塊502、故障風(fēng)險(xiǎn)指標(biāo)獲取模塊503、風(fēng)險(xiǎn)評估停止判據(jù)獲取模塊504、搜索模塊505、第一判斷模塊506。

故障序列獲取模塊501，用于獲取電力系統(tǒng)在初始狀態(tài)下所有的故障序列；

馬爾可夫樹模型建立模塊502，用于將所述故障序列進(jìn)行整理合并，建立中時(shí)間尺度連鎖故障模擬的馬爾科夫樹模型；

故障風(fēng)險(xiǎn)指標(biāo)獲取模塊503，用于獲取故障風(fēng)險(xiǎn)指標(biāo)；

風(fēng)險(xiǎn)評估停止判據(jù)獲取模塊504，用于獲取風(fēng)險(xiǎn)評估停止判據(jù)；

搜索模塊505，用于根據(jù)所述故障風(fēng)險(xiǎn)指標(biāo)和所述風(fēng)險(xiǎn)評估停止判據(jù)對所述馬爾科夫樹模型進(jìn)行搜索，得到第一搜索結(jié)果；

第一判斷模塊506，用于判斷所述第一搜索結(jié)果是否符合所述風(fēng)險(xiǎn)評估停止判據(jù)，得到第一判斷結(jié)果；

當(dāng)所述第一判斷結(jié)果符合所述風(fēng)險(xiǎn)評估停止判據(jù)時(shí)，停止對馬爾科夫樹模型的搜索，得出線路的風(fēng)險(xiǎn)值。

值得注意的是，基于風(fēng)險(xiǎn)估計(jì)指標(biāo)的Markov樹搜索策略

進(jìn)行風(fēng)險(xiǎn)評估計(jì)算性能優(yōu)化的目標(biāo)是讓風(fēng)險(xiǎn)指標(biāo)盡快收斂，在這里即等價(jià) 于使風(fēng)險(xiǎn)指標(biāo)增長盡量快。因此在搜索中，希望優(yōu)先選擇風(fēng)險(xiǎn)指標(biāo)增量大的路徑進(jìn)行模擬和風(fēng)險(xiǎn)評估。研究實(shí)際連鎖故障風(fēng)險(xiǎn)分布，可見低級數(shù)故障事件的發(fā)生概率高，但其損失可能相對較低；而高級數(shù)事件發(fā)生概率低，但其損失可能很高，其風(fēng)險(xiǎn)仍不可忽視。因此連鎖故障風(fēng)險(xiǎn)可能分布在Markov樹的不同深度處，且分散性較大，某一狀態(tài)之后一級的風(fēng)險(xiǎn)很小不代表后續(xù)風(fēng)險(xiǎn)也一定小，該特點(diǎn)給風(fēng)險(xiǎn)評估帶來了很大的困難，也要求路徑搜索方法應(yīng)當(dāng)有一定的隨機(jī)搜索能力，以實(shí)現(xiàn)全局搜索。搜索目標(biāo)為預(yù)測各路徑的可能風(fēng)險(xiǎn)，并利用預(yù)測結(jié)果指導(dǎo)搜索。

構(gòu)建風(fēng)險(xiǎn)估計(jì)指標(biāo)REI

圖6為本發(fā)明實(shí)施例部分Markov樹示意圖，下面以圖6所示的部分Markov樹為例，研究搜索路徑的導(dǎo)向策略。假設(shè)當(dāng)前已經(jīng)搜索到星號所示的狀態(tài)該狀態(tài)之后有若干個(gè)未搜索過的下一級狀態(tài)(由實(shí)線箭頭所指空心圓所示)。由于搜索的策略為使風(fēng)險(xiǎn)指標(biāo)增量盡量大，可以考慮用盡量小的計(jì)算復(fù)雜度代價(jià)預(yù)測各個(gè)下級路徑的風(fēng)險(xiǎn)，從而將計(jì)算導(dǎo)向風(fēng)險(xiǎn)指標(biāo)增量大的路徑。對下級每一條支路構(gòu)造風(fēng)險(xiǎn)估計(jì)指標(biāo)(Risk Estimation Index,REI)(以下簡記為)，并基于確定各路徑的搜索概率。下一級狀態(tài)的風(fēng)險(xiǎn)可以看做如下三類風(fēng)險(xiǎn)的綜合：

(1)由線路開斷導(dǎo)致網(wǎng)絡(luò)解列造成的風(fēng)險(xiǎn)；

(2)由線路開斷導(dǎo)致其他元件過載造成的風(fēng)險(xiǎn)；

(3)下級狀態(tài)的后續(xù)狀態(tài)對應(yīng)的風(fēng)險(xiǎn)。

下面將分別對這三類風(fēng)險(xiǎn)進(jìn)行量化。

網(wǎng)絡(luò)解列風(fēng)險(xiǎn)

若某條線路開斷會造成網(wǎng)絡(luò)分裂為兩個(gè)不連通的部分，則這條線路為網(wǎng)絡(luò)的割支路。割支路的辨識可以在O(|E|)的復(fù)雜度下完成。支路是割支路的充要條件為

考慮到數(shù)值計(jì)算誤差因素，設(shè)定一個(gè)充分小的正值ε(例如10^-10pu)，若

則可判定該支路為割支路。若割支路開斷，網(wǎng)絡(luò)解列產(chǎn)生的兩部分會產(chǎn)生功率不平衡量±F_uv，進(jìn)而需要兩部分電網(wǎng)分別進(jìn)行功率平衡，從而造成控制代價(jià)或損失。因此支路開斷的網(wǎng)絡(luò)解列損失預(yù)計(jì)為

因而網(wǎng)絡(luò)解列風(fēng)險(xiǎn)預(yù)測為

過載風(fēng)險(xiǎn)

非割支路開斷后，原本在該支路上的潮流會轉(zhuǎn)移至其他支路，并可能導(dǎo)致其他支路過載，繼而可能造成后續(xù)連鎖故障。而調(diào)度員會采取措施消除過載，或者保護(hù)、自動控制裝置會動作以保護(hù)元件和系統(tǒng)。這些系統(tǒng)防控措施會產(chǎn)生相應(yīng)的代價(jià)或者負(fù)荷損失。一般地，支路開斷造成的過載程度越嚴(yán)重，風(fēng)險(xiǎn)越高。

支路開斷對其他支路潮流的影響可以用支路潮流轉(zhuǎn)移因子(Power Transfer Distribution Factor,PTDF)表示，非割支路{u,v}開斷對支路{p,q}影響的轉(zhuǎn)移因子為

支路{u,v}開斷后支路{p,q}的潮流為

此時(shí)支路{p,q}的過載程度為

則對應(yīng)于支路開斷后的總體過載程度指標(biāo)為

定義其過載風(fēng)險(xiǎn)為

另外，觀察式(4-19)的分母，可見其與割支路判別指標(biāo)(4-15)形式相同，即若{u,v}為割支路，則式(4-19)的分母為零，而同時(shí)也可證明此時(shí)該式的分子Z_up+Z_vq-Z_uq-Z_vp＝0?？梢姡钪返霓D(zhuǎn)移因子沒有定義。此處將割支路的過載程度指標(biāo)定為0，即若{u,v}滿足判據(jù)(4-16)，則有

次級事件風(fēng)險(xiǎn)

根據(jù)圖6，若在星號所在狀態(tài)處選擇某個(gè)下一級事件，則除了該下級事件處的風(fēng)險(xiǎn)外，在其更下一級的狀態(tài)也可能會產(chǎn)生風(fēng)險(xiǎn)，本節(jié)稱為次級事件風(fēng)險(xiǎn)。由于連鎖故障過程是一個(gè)包含了開斷、負(fù)荷變化、快速跳閘過程、調(diào)度員調(diào)整的復(fù)雜過程，因而次級事件風(fēng)險(xiǎn)難以估計(jì)。本章只給出一個(gè)粗略的估計(jì)方法。

利用式(4-20)求得支路{u,v}開斷后仍在運(yùn)行的線路上的潮流并根據(jù)該潮流狀態(tài)計(jì)算出下一時(shí)段有任一元件跳閘的概率(這里可能有誤差，因?yàn)閷?shí)際情況下還有調(diào)度員調(diào)整等過程，會改變潮流狀態(tài))。并根據(jù)的過載情況給出下一時(shí)段跳閘的負(fù)荷損失估計(jì)(此處設(shè)為全網(wǎng)負(fù)荷的1％)，則對應(yīng)開斷的次級事件風(fēng)險(xiǎn)為

其中表示連鎖故障后系統(tǒng)中仍在運(yùn)行的支路集合，為運(yùn)行的支路個(gè)數(shù)。

建立風(fēng)險(xiǎn)估計(jì)指標(biāo)REI

根據(jù)前述分析，對于在基于Markov樹的連鎖故障模擬中獲得的任意狀態(tài)下一級對應(yīng)于支路開斷的狀態(tài)的風(fēng)險(xiǎn)估計(jì)指標(biāo)REI為

其中α,β,γ是對應(yīng)的權(quán)重系數(shù)，本節(jié)中取α＝β＝γ＝1。

如果下級狀態(tài)沒有開斷事件，即則網(wǎng)絡(luò)解列風(fēng)險(xiǎn)和過載風(fēng)險(xiǎn)均為0，但其次級事件風(fēng)險(xiǎn)可能不為0。因此對應(yīng)于狀態(tài)下的REI為

基于REI的前向搜索—回溯更新搜索機(jī)制

前向路徑搜索概率的確定方法

如圖6所示，如果在搜索中到達(dá)一個(gè)新狀態(tài)(以圖中星號標(biāo)示的狀態(tài)為例)，則其后面的路徑和狀態(tài)都是未知的。在搜索過程中，根據(jù)搜索方法計(jì)算當(dāng)前狀態(tài)下一級各路徑對應(yīng)狀態(tài)的風(fēng)險(xiǎn)估計(jì)指標(biāo)REI，并根據(jù)REI決定采樣這些路徑的概率。若認(rèn)為REI能夠準(zhǔn)確反映風(fēng)險(xiǎn)分布，則最佳的策略必然是選擇REI最大的路徑，此時(shí)搜索策略是確定性的，即

但REI是對實(shí)際風(fēng)險(xiǎn)的估計(jì)，可能會存在誤差，REI值大的狀態(tài)并不一定具有大的實(shí)際風(fēng)險(xiǎn)。因此在風(fēng)險(xiǎn)評估中也需要有一定的隨機(jī)搜索能力。相對于完全確定性的搜索策略，另一個(gè)極端的策略是純隨機(jī)的路徑搜索，即等概率地選擇下級路徑：

本節(jié)采用的搜索策略則介于上述兩種情況之間，即在偏向具有較大REI的路徑的同時(shí)，保持一定的隨機(jī)搜索能力。引入非負(fù)實(shí)參數(shù)λ并令搜索概率為

當(dāng)λ＝0時(shí)(4-29)退化為(4-28)，而當(dāng)λ→+∞時(shí)趨近于選確定性地選擇REI最大的路徑，即近似于(4-27)。

回溯更新REI

風(fēng)險(xiǎn)評估會記錄新搜索得到的路徑及其經(jīng)過的狀態(tài)，此后再達(dá)到已搜索過的狀態(tài)將不會對風(fēng)險(xiǎn)指標(biāo)產(chǎn)生貢獻(xiàn)，因而用于導(dǎo)引搜索的REI也應(yīng)當(dāng)進(jìn)行更新。由于REI表示的是后續(xù)連鎖故障路徑的風(fēng)險(xiǎn)分布，因此上級狀態(tài)的REI 取決于下級狀態(tài)的REI。與搜索路徑由Markov樹根部向深處搜索的方向相反，更新指標(biāo)應(yīng)當(dāng)由路徑的末端向根部逐步更新。圖7為本發(fā)明實(shí)施例故障風(fēng)險(xiǎn)指標(biāo)的回溯更新示意圖，如圖7所示，假設(shè)實(shí)心圓是剛剛搜索的路徑，最下面的狀態(tài)3是路徑的末端。則對于處于路徑末端的狀態(tài)由于之后再搜索到該狀態(tài)肯定對風(fēng)險(xiǎn)指標(biāo)沒有貢獻(xiàn)，因而更新其REI為一個(gè)足夠小的量 以盡量避免再次搜索到該狀態(tài)。

對于路徑的非末端狀態(tài)由于該狀態(tài)已經(jīng)被搜索過，搜索到該狀態(tài)本身不會再對風(fēng)險(xiǎn)指標(biāo)產(chǎn)生貢獻(xiàn)，因而其風(fēng)險(xiǎn)指標(biāo)代表的含義應(yīng)當(dāng)為到達(dá)該狀態(tài)之后，向下搜索得到的風(fēng)險(xiǎn)增量期望。由于在前向搜索時(shí)必然已經(jīng)更新了其下級各個(gè)狀態(tài)的風(fēng)險(xiǎn)指標(biāo)而對應(yīng)風(fēng)險(xiǎn)指標(biāo)的路徑搜索概率為則狀態(tài)的REI應(yīng)為向下一級進(jìn)行搜索的風(fēng)險(xiǎn)增量期望，即為

可見，式(4-30)為沿路徑回溯由末端向根部的遞推式，在連鎖故障模擬和風(fēng)險(xiǎn)評估過程中，每搜索完一條新路徑后，即反向按照式(4-30)更新REI。而在之后進(jìn)行新的路徑搜索時(shí)則采用更新后的REI，根據(jù)(4-29)計(jì)算每條路徑的采樣概率并依概率隨機(jī)選取路徑。這樣就形成了前向隨機(jī)搜索，回溯更新REI的風(fēng)險(xiǎn)評估機(jī)制。

REI計(jì)算復(fù)雜度簡析

在進(jìn)行前向搜索的過程中，需要在模擬連鎖故障的同時(shí)計(jì)算REI，并根據(jù)REI確定采樣路徑的概率。為了保證較高的風(fēng)險(xiǎn)評估效率，要求REI的計(jì)算應(yīng)當(dāng)足夠高效，其計(jì)算復(fù)雜度應(yīng)小于連鎖故障模擬本身。下面簡要分析一下REI的計(jì)算復(fù)雜度，由于REI的計(jì)算不需要耗費(fèi)大量內(nèi)存空間，我們主要分析計(jì)算的時(shí)間復(fù)雜度。

(1)網(wǎng)絡(luò)解列風(fēng)險(xiǎn)。在上述內(nèi)容中提到，割支路辨識的復(fù)雜度為O(|E|)，因此網(wǎng)絡(luò)解列風(fēng)險(xiǎn)部分的計(jì)算復(fù)雜度也為O(|E|)。

(2)過載風(fēng)險(xiǎn)。由(4-19)和(4-20)可知，在給定連鎖故障路徑求取下一級各狀態(tài)過載風(fēng)險(xiǎn)需要計(jì)算約|E|²個(gè)PTDF值，并計(jì)算約|E|²個(gè)開斷后潮流，因而該部分計(jì)算的復(fù)雜度為O(|E|²)。

(3)次級事件風(fēng)險(xiǎn)。根據(jù)式(4-24)，需要在的基礎(chǔ)上計(jì)算次級跳閘概率 并估算次級跳閘損失計(jì)算次數(shù)約為|E|²，因此該部分計(jì)算的復(fù)雜度為O(|E|²)。

綜上，REI的計(jì)算復(fù)雜度應(yīng)O(|E|²)，而連鎖故障模擬中由于包括了網(wǎng)絡(luò)矩陣的生成與更新(復(fù)雜度為O(|V|²)～O(|V|³))和再調(diào)度模擬(平均復(fù)雜度為O(|E|²)，最壞情況復(fù)雜度為O(|E|^3.5))，其復(fù)雜度顯著高于REI計(jì)算?？梢?，與連鎖故障模擬相比，REI的計(jì)算復(fù)雜度不高，不會顯著增加計(jì)算開銷。

基于Markov樹的連鎖故障風(fēng)險(xiǎn)評估流程

步驟1初始化風(fēng)險(xiǎn)指標(biāo)R＝0，以及Markov樹搜索狀態(tài)記錄表T_s。

步驟2初始化時(shí)刻t＝t₀。初始化再調(diào)度目標(biāo)狀態(tài)隊(duì)列L_R為空，當(dāng)前再調(diào)度目標(biāo)狀態(tài)x^*＝NULL。根據(jù)系統(tǒng)負(fù)荷水平確定初始狀態(tài)

步驟3若當(dāng)前狀態(tài)已記錄在T_s中，則從T_s中直接查詢得到短、中時(shí)間尺度過程結(jié)束后的系統(tǒng)狀態(tài)更新L_R和x^*，并跳轉(zhuǎn)到步驟15。

步驟4模擬短時(shí)間尺度過程，得到狀態(tài)

步驟5若系統(tǒng)中有過載，則求解模型(4-3)得到再調(diào)度目標(biāo)狀態(tài)并將二元組加入L_R。

步驟6如果在隊(duì)列L_R中存在使得τ+Δt_delay≥t，則跳轉(zhuǎn)至步驟7，否則跳轉(zhuǎn)至步驟11。

步驟7從隊(duì)列L_R中取出所有滿足τ+Δt_delay≥t的選擇其中τ最大的

步驟8如果當(dāng)前再調(diào)度目標(biāo)x^*＝NULLL則跳轉(zhuǎn)至步驟10，否則跳轉(zhuǎn)至步驟9。

步驟9對于當(dāng)前再調(diào)度目標(biāo)計(jì)算時(shí)刻τ+Δt_delay的系統(tǒng)狀態(tài)

步驟10令并計(jì)算系統(tǒng)狀態(tài)

其中Δt＝t+τ_delay-τ-Δt_delay。跳轉(zhuǎn)到步驟12。

步驟11如果當(dāng)前再調(diào)度目標(biāo)x^*≠NULL，則

步驟12如果再調(diào)度調(diào)整目標(biāo)達(dá)到，即則令x^*＝NULL。

步驟13根據(jù)系統(tǒng)負(fù)荷水平變化，由更新系統(tǒng)狀態(tài)至

步驟14在T_s中記錄x^*和L_R的更新情況，根據(jù)(4-9)更新風(fēng)險(xiǎn)指標(biāo)R。

步驟15更新時(shí)間t＝t+τ_D。

步驟16判斷是否滿足連鎖故障路徑搜索停止標(biāo)準(zhǔn)，若是則跳轉(zhuǎn)至步驟18。

步驟17計(jì)算風(fēng)險(xiǎn)估計(jì)指標(biāo)REI，并根據(jù)(4-29)所確定的概率隨機(jī)采樣選擇下一級的某個(gè)狀態(tài)。跳轉(zhuǎn)至步驟3。

步驟18判斷風(fēng)險(xiǎn)指標(biāo)R是否收斂，如果是則退出，否則即沿連鎖故障路徑的反方向回溯更新REI，并跳轉(zhuǎn)至步驟露開始新路徑的搜索。

本說明書中各個(gè)實(shí)施例采用遞進(jìn)的方式描述，每個(gè)實(shí)施例重點(diǎn)說明的都是與其他實(shí)施例的不同之處，各個(gè)實(shí)施例之間相同相似部分互相參見即可。對于實(shí)施例公開的系統(tǒng)而言，由于其與實(shí)施例公開的方法相對應(yīng)，所以描述的比較簡單，相關(guān)之處參見方法部分說明即可。

本文中應(yīng)用了具體個(gè)例對本發(fā)明的原理及實(shí)施方式進(jìn)行了闡述，以上實(shí)施例的說明只是用于幫助理解本發(fā)明的方法及其核心思想；同時(shí)，對于本領(lǐng)域的一般技術(shù)人員，依據(jù)本發(fā)明的思想，在具體實(shí)施方式及應(yīng)用范圍上均會有改變之處。綜上所述，本說明書內(nèi)容不應(yīng)理解為對本發(fā)明的限制。