惡劣天氣下基于N-2故障組合剪枝法的電網(wǎng)多重故障風(fēng)險評估

陳 軍, 高 興, 南東亮, 馬聞清, 王 建, 李玉敦

(1. 國網(wǎng)新疆電力有限公司電力科學(xué)研究院, 新疆 烏魯木齊 830011; 2. 輸配電裝備及系統(tǒng)安全與新技術(shù)國家重點(diǎn)實(shí)驗(yàn)室(重慶大學(xué)), 重慶 400044; 3.國網(wǎng)山東省電力公司電力科學(xué)研究院, 山東 濟(jì)南 250002)

1 引言

在全球氣候變化的大趨勢下,近年來外部氣象災(zāi)害對電網(wǎng)造成破壞的頻次和程度不斷上升,電力系統(tǒng)安全運(yùn)行問題日益突出。惡劣天氣下,輸電線路由于共因模式發(fā)生多重故障風(fēng)險的概率更高,后果更加嚴(yán)重,這對電網(wǎng)多重故障風(fēng)險評估的快速性和精確性提出了更高的要求[1-3]。

風(fēng)險評估方法的選取將直接影響風(fēng)險評估的速度與精度?，F(xiàn)有方法主要分為模擬法[4]和解析法[5],其中解析法采用較嚴(yán)格的數(shù)學(xué)模型和有效算法,進(jìn)行電力系統(tǒng)的風(fēng)險指標(biāo)計(jì)算,準(zhǔn)確度較高。但是,解析法多是針對確定的系統(tǒng)狀態(tài)進(jìn)行風(fēng)險評估,此時預(yù)想事故集的識別和篩選成為了影響評估效率的關(guān)鍵。

根據(jù)GB 38755—2019《電力系統(tǒng)安全穩(wěn)定導(dǎo)則》,預(yù)想事故集一般包含N-1故障和運(yùn)行調(diào)度人員憑經(jīng)驗(yàn)設(shè)置的故障,偶爾也包含同塔雙回等N-2故障,通常不包含更高重?cái)?shù)的故障。這在不考慮氣象災(zāi)害情景時是可行的,因?yàn)榘凑赵y(tǒng)計(jì)失效率和修復(fù)時間計(jì)算得到的元件故障概率通常很低,此時多重故障的風(fēng)險可以忽略不計(jì)。然而,暴露于大氣環(huán)境中的輸電線路等電網(wǎng)元件的運(yùn)行狀態(tài)是環(huán)境相依的,惡劣天氣將導(dǎo)致輸電線路的環(huán)境相依失效[1],此時元件的故障概率顯著增加,電網(wǎng)多重故障風(fēng)險所占比重也將不可忽視。

針對多重故障集的篩選問題,有學(xué)者提出按故障概率進(jìn)行篩選。文獻(xiàn)[6]針對單一外部災(zāi)害使用枚舉法,基于概率閾值和故障重?cái)?shù)生成多重故障集。文獻(xiàn)[7]提出使用貪心算法求解概率有序樹的前k個概率距離最短的路徑,以此篩選系統(tǒng)中故障概率最大的前k個狀態(tài)。然而,以上方法在多重風(fēng)險評估中僅利用概率閾值篩選,會將大量高概率低風(fēng)險故障加入預(yù)想事故集,影響風(fēng)險評估效率。

也有從風(fēng)險指標(biāo)的角度研究故障集篩選方法。文獻(xiàn)[8]提出基于過載影響因子的N-2故障快速篩選和排序方法,從拓?fù)浣Y(jié)構(gòu)判斷故障是否解耦將故障分為兩類,再并行掃描求取并集。文獻(xiàn)[9]提出基于模糊理論的計(jì)及元件危險性因子的預(yù)想事故集篩選,危險性因子主要與網(wǎng)絡(luò)拓?fù)湎嚓P(guān),能有效降低預(yù)想事故集規(guī)模。以上方式僅是從嚴(yán)重度進(jìn)行排序,且涉及網(wǎng)絡(luò)拓?fù)溆?jì)算,生成預(yù)想事故集的效率有待提高。文獻(xiàn)[10]提出使用回溯算法深度遍歷故障狀態(tài)樹來計(jì)算故障后果指標(biāo),實(shí)現(xiàn)預(yù)想事故集的生成和篩選,然而在生成預(yù)想事故集過程中僅僅是依據(jù)概率閾值回溯。

鑒于此,本文提出一種基于N-2故障組合剪枝預(yù)想事故集快速篩選方法。先利用低維度的風(fēng)險信息來進(jìn)行剪枝操作,生成多個剪枝后的故障狀態(tài)樹。針對剪枝后的故障狀態(tài)樹,使用回溯算法完成樹的深度優(yōu)先遍歷,得到滿足故障概率閾值且風(fēng)險指標(biāo)高的多重故障組合,篩選合并后作為預(yù)想事故集。最后,以IEEE-RTS 79系統(tǒng)作為測試對象,驗(yàn)證了所提方法的有效性。

2 風(fēng)險評估指標(biāo)

極端災(zāi)害下的元件失效造成網(wǎng)絡(luò)拓?fù)涓淖?使得系統(tǒng)潮流重新分布,連帶著節(jié)點(diǎn)電壓、支路功率越限等問題。同時,隨著故障維數(shù)的增加可能造成網(wǎng)絡(luò)解列,導(dǎo)致網(wǎng)絡(luò)功率的不平衡,此時解列后的子網(wǎng)可能需要切機(jī)和切負(fù)荷來保證功率平衡。因此,針對自然災(zāi)害下多重故障風(fēng)險評估,不能單一依賴某一維度的評價指標(biāo),需從多個角度考慮風(fēng)險指標(biāo)的嚴(yán)重程度。

相較于規(guī)劃階段,電力系統(tǒng)運(yùn)行更多從潮流越限的后果關(guān)注風(fēng)險,因?yàn)檫@樣計(jì)算的風(fēng)險更直觀和時效,也便于調(diào)度人員的調(diào)度決策。盡管這方面風(fēng)險指標(biāo)定義還沒有形成統(tǒng)一標(biāo)準(zhǔn),但通常都會包含節(jié)點(diǎn)電壓和支路功率越限指標(biāo)[11-13]。對于失負(fù)荷風(fēng)險的評價,常見的風(fēng)險指標(biāo)包括電力不足概率(Loss Of Load Probability, LOLP)、負(fù)荷削減概率(Probability of Load Cutting, PLC)和期望缺供電力(Expected Demand Not Supplied, EDNS)等。LOLP從電源和負(fù)荷角度考慮失負(fù)荷,PLC計(jì)算時考慮了電網(wǎng)的輸電能力,但以上兩個指標(biāo)都只能反映失負(fù)荷的可能性而缺少嚴(yán)重度的評價,與之相比EDNS更能全面反映電網(wǎng)失負(fù)荷的風(fēng)險?？紤]到風(fēng)險指標(biāo)量綱不同導(dǎo)致的預(yù)想事故集風(fēng)險排序時權(quán)重確認(rèn)的困難,消除量綱更有利于存在多個風(fēng)險指標(biāo)故障場景的比較與評價。因此,本文采用歸一化處理的節(jié)點(diǎn)電壓、支路功率越限、電網(wǎng)切負(fù)荷指標(biāo)來表征災(zāi)害天氣下電網(wǎng)的多重故障風(fēng)險。其中,母線電壓越限和支路功率越限指標(biāo)為越限驅(qū)動型風(fēng)險指標(biāo),電網(wǎng)切負(fù)荷指標(biāo)為事件驅(qū)動型風(fēng)險指標(biāo)。從這幾個維度評價風(fēng)險具有全面性和快速性的特點(diǎn)。

2.1 節(jié)點(diǎn)電壓越限指標(biāo)

使用節(jié)點(diǎn)電壓越限指標(biāo)RV,st來計(jì)算在故障狀態(tài)st下負(fù)荷波動以及網(wǎng)絡(luò)拓?fù)涓淖儠r母線電壓超過安全閾值的風(fēng)險:

RV,st=E[SV(st)]·Prst

(1)

(2)

(3)

2.2 支路功率越限指標(biāo)

與節(jié)點(diǎn)電壓越限指標(biāo)相似,但支路潮流只有越上限的風(fēng)險。支路功率越限指標(biāo)RO,st定量分析在故障狀態(tài)st下支路功率超過安全閾值的風(fēng)險:

RO,st=E[SO(st)]·Prst

(4)

(5)

(6)

2.3 電網(wǎng)切負(fù)荷指標(biāo)

使用RC,st表示電網(wǎng)切負(fù)荷指標(biāo),用于計(jì)算在網(wǎng)絡(luò)解列后,在故障狀態(tài)st下子網(wǎng)內(nèi)電源與負(fù)荷不平衡時的切負(fù)荷風(fēng)險:

(7)

(8)

(9)

(10)

(11)

3 預(yù)想事故集生成方法

3.1 氣象災(zāi)害下輸電線路故障集

由于氣象、自然災(zāi)害形成機(jī)理的復(fù)雜性,使得很難用某個數(shù)學(xué)模型直接確定線路是否故障。而對于輸電線路在惡劣天氣下故障概率,目前常見做法是按照輸電線路設(shè)計(jì)氣象條件(設(shè)計(jì)溫度、風(fēng)速、冰厚等),采用按天氣狀態(tài)統(tǒng)計(jì)的故障率計(jì)算故障概率,或者也可采用按具體氣象參數(shù)計(jì)算的結(jié)構(gòu)或電氣失效故障概率模型[15-17]。

本文采用按天氣狀態(tài)(正常天氣、惡劣天氣、災(zāi)害天氣和極端天氣)統(tǒng)計(jì)的故障率計(jì)算輸電線路的故障概率,考慮短時間Δt內(nèi)(例如數(shù)小時)天氣情況基本保持不變,簡化認(rèn)為輸電線路故障率也保持不變,并假定在惡劣天氣持續(xù)的較短時間內(nèi)線路的故障不可修復(fù),此時輸電線路故障停運(yùn)概率可用指數(shù)模型表示。因此,輸電線路在不同氣象條件下發(fā)生故障概率為:

PLf=1-e-λave(w)Δt

(12)

式中,λave(w)為該輸電線路在氣象條件w下統(tǒng)計(jì)的平均故障率;Δt為評估時間。

基于氣象災(zāi)害引發(fā)的輸電線路故障概率模型,可確定氣象災(zāi)害下的輸電線路故障集,在此故障集內(nèi)進(jìn)行故障元件組合,可減小預(yù)想事故集的規(guī)模。

3.2 故障狀態(tài)樹

將氣象災(zāi)害影響下的輸電線路故障集中各元件編號為1, 2, …,n?？梢园匆韵乱?guī)則生成故障狀態(tài)樹[8]:

(1)根節(jié)點(diǎn)對應(yīng)正常運(yùn)行狀態(tài)。

(2)各層子節(jié)點(diǎn)代表對應(yīng)編號元件。

(3)設(shè)某節(jié)點(diǎn)j代表第j號元件,則子節(jié)點(diǎn)編號為j+1,j+2,…,n。

(4)各個節(jié)點(diǎn)到父節(jié)點(diǎn)的路徑即為對應(yīng)的故障組合。

按上述定義,n元件下的故障狀態(tài)樹如圖1所示。故障狀態(tài)樹將多重故障的組合表示成了樹的形式,并使得每個子節(jié)點(diǎn)與故障組合一一對應(yīng)。樹的多重故障表示形式,使得對多重故障的遍歷不需要在每一個維度都完全遍歷,可以對樹進(jìn)行深度優(yōu)先遍歷,即對某一節(jié)點(diǎn)的故障組合概率,如果計(jì)算發(fā)現(xiàn)其小于設(shè)定的閾值即可進(jìn)行回溯,節(jié)約了計(jì)算量。

圖1 n元件的故障狀態(tài)樹Fig.1 Fault state tree with n components

3.3 基于N-2故障組合剪枝的故障篩選方法

整故障樹的深度優(yōu)先遍歷實(shí)現(xiàn)了按概率大小的故障篩選。然而,在風(fēng)險評估中低概率的高維故障往往也有更高的風(fēng)險指標(biāo),僅僅以概率閾值篩選可能忽視高維故障帶來的風(fēng)險影響。尤其是在氣象災(zāi)害時多個元件的故障概率遠(yuǎn)高于常規(guī)狀態(tài)的元件故障概率下,在故障維數(shù)多出一維度時,風(fēng)險指標(biāo)的提升很可能大于故障組合概率的降低程度。

因此,僅僅憑借樹的搜索并不能兼顧故障嚴(yán)重程度的影響,因?yàn)楣收蠣顟B(tài)樹本身并不包含除故障組合以及其概率以外的其他信息。顯然,對于獨(dú)立的元件,在一組元件故障組合的基礎(chǔ)上,任意增加故障元件,都只會使風(fēng)險指標(biāo)加重。因此,在風(fēng)險指標(biāo)相對嚴(yán)重的低維度故障組合路徑上,進(jìn)行深度優(yōu)先遍歷得到的事故集,自然是值得優(yōu)先考慮的對象。為了能在搜索前得到嚴(yán)重程度的相關(guān)信息,需要對相對低維度的故障組合進(jìn)行風(fēng)險指標(biāo)計(jì)算。由于在電網(wǎng)規(guī)劃階段就會保證N-1方式下系統(tǒng)的正常運(yùn)行,而更高維度的狀態(tài)枚舉的計(jì)算復(fù)雜度,又違背了故障快速篩選的初衷,所以對N-2故障組合進(jìn)行遍歷,再以此為基礎(chǔ)指導(dǎo)更高維數(shù)的搜索是合適的。

下面以一個選定的N-2故障組合為例進(jìn)行說明。將某一網(wǎng)絡(luò)受氣象災(zāi)害影響的元件以1, …,n的順序進(jìn)行編號。假定經(jīng)過N-2故障風(fēng)險指標(biāo)計(jì)算后,元件a和元件b(a,b∈[1,n]且a

表1 N-2故障組合剪枝的回溯算法Tab.1 Backtracking algorithm of N-2 fault combination pruning

表1中,通過回溯函數(shù)(backtrack)中的循環(huán)結(jié)構(gòu)完成對本層節(jié)點(diǎn)的遍歷,通過對回溯函數(shù)的遞歸調(diào)用完成子節(jié)點(diǎn)的遍歷。prmin為設(shè)定的元件組合概率閾值,搜索到小于該閾值時算法進(jìn)行回溯。在搜索到當(dāng)前起始節(jié)點(diǎn)startindex時,通過判斷元件a和元件b是否包含在搜索路徑path上來決定是否剪枝:

(1)元件a和元件b已經(jīng)包含在路徑path中,則接下來的搜索當(dāng)作常規(guī)的樹進(jìn)行搜索,保證包含該元件組合的所有故障組合都能遍歷到。

(2)元件a和元件b并未全部包含在路徑中,這時搜索路徑要保證將不可能出現(xiàn)期望元件組的情況剪枝。此時可能出現(xiàn)的情況是:①僅有元件a在路徑中;②僅有元件b在路徑中;③該元件組均不在路徑中。對于情況①和③,要搜索的該層節(jié)點(diǎn)不會超過節(jié)點(diǎn)b,因?yàn)楣收蠣顟B(tài)樹的結(jié)構(gòu)不會在編號大于b的節(jié)點(diǎn)以及子節(jié)點(diǎn)出現(xiàn)節(jié)點(diǎn)b。對于情況②,接下來的搜索已經(jīng)不會出現(xiàn)元件a,應(yīng)該進(jìn)行回溯。

4 風(fēng)險評估方法和流程

4.1 點(diǎn)估計(jì)風(fēng)險評估方法

風(fēng)險評估中需要計(jì)及發(fā)電機(jī)出力狀態(tài),以及負(fù)荷波動的不確定性,風(fēng)險評估最終需要的是經(jīng)過隨機(jī)潮流計(jì)算后風(fēng)險指標(biāo)的期望值。點(diǎn)估計(jì)法可以在保證計(jì)算精度的前提下高效率地求取風(fēng)險指標(biāo)的期望。

對于由n個隨機(jī)變量Xi(i=1,2,…,n)、均值為μi構(gòu)成的隨機(jī)函數(shù)F(X)=F(X1,X2,…,Xn),利用Xi(i=1,2,…,n)的概率分布得到其高階中心距,利用高階中心距構(gòu)造出m個估計(jì)點(diǎn),對于取到的每一個估計(jì)點(diǎn),其余隨機(jī)變量均取均值。通過n個隨機(jī)變量各自的m個估計(jì)點(diǎn),對F(X)做m×n次估計(jì)得到其概率密度[18]。目前取m=3,三點(diǎn)估計(jì)時保持了計(jì)算精度和速度的平衡而采用較多,此時用到的統(tǒng)計(jì)信息為各隨機(jī)變量的均值、期望、偏度和峰度。F(X)的期望值計(jì)算如下:

(13)

式中,X(i,j)為X的第(i,j)個估計(jì)點(diǎn),X(i,j)=(μ1,μ2,…,x(i,j),…,μn),其中x(i,j)為Xi的第j個估計(jì)點(diǎn);ωi,j為對應(yīng)的權(quán)重。估計(jì)點(diǎn)和權(quán)重的求取見文獻(xiàn)[19]。

4.2 風(fēng)險評估流程

基于N-2故障組合剪枝的電網(wǎng)多重故障風(fēng)險評估流程圖如圖2所示。其中K為預(yù)想事故集的故障數(shù)量,Rst為故障狀態(tài)st下的風(fēng)險指標(biāo)向量(RV,st,RO,st,RC,st),Sst為故障狀態(tài)st下的嚴(yán)重度向量(SV(st),SO(st),SC(st))。R為事故集風(fēng)險指標(biāo)向量求和得到的總風(fēng)險向量(RV,RO,RC),RV、RO和RC為事故集對應(yīng)風(fēng)險指標(biāo)之和。包括如下主要步驟:

圖2 風(fēng)險評估流程圖Fig.2 Flowchart of risk assessment

(1)根據(jù)氣象量測與預(yù)報信息,確認(rèn)氣象災(zāi)害影響下的輸電線路故障集。

(2)進(jìn)行N-2方式下的潮流遍歷計(jì)算,按風(fēng)險指標(biāo)大小排序取前f組元件故障組合。

(3)從第1至f組各自進(jìn)行故障樹剪枝與搜索(可并行計(jì)算),得到Set1,Set2, …,Setf,令Set=Set1∪Set2∪…∪Setf,Set即為篩選得到的預(yù)想事故集。

(4)選取st∈Set,分別對SV(st)、SO(st)和SC(st)點(diǎn)估計(jì)計(jì)算期望并求取風(fēng)險指標(biāo)RV,st、RO,st、RC,st。

(5)網(wǎng)絡(luò)總風(fēng)險向量R近似為Rst之和。

5 算例

圖3 IEEE-RTS 79測試系統(tǒng)結(jié)構(gòu)圖Fig.3 Structure diagram of IEEE-RTS 79 test system

本文采用的點(diǎn)估計(jì)隨機(jī)潮流和N-2故障組合剪枝在Anaconda4.9.2版本的Python環(huán)境中實(shí)現(xiàn),切負(fù)荷指標(biāo)的計(jì)算通過Gurobi求解器求解,PC配置為i7-6700H處理器以及12 GB內(nèi)存。

5.1 氣象災(zāi)害影響元件及其故障概率

如圖3所示,設(shè)定網(wǎng)絡(luò)中12條輸電線路受到了氣象災(zāi)害的影響,其中包含兩條雙回線路15～21和19～20,對應(yīng)氣象災(zāi)害影響故障集以及各輸電線路的故障概率見表2。

表2 氣象災(zāi)害影響下的輸電線路及其故障概率Tab.2 Transmission lines under meteorological disaster and their fault probability

由于按照年均值故障率計(jì)算的短時故障概率約為10-4量級,相比受氣象災(zāi)害影響的輸電線路要低得多,因此氣象災(zāi)害落區(qū)以外的輸電線路故障概率假定為0。

5.2 系統(tǒng)風(fēng)險評估結(jié)果

將N-k故障組合枚舉的風(fēng)險評估結(jié)果與本文評估結(jié)果進(jìn)行對比,驗(yàn)證本文所提預(yù)想事故集篩選方法在評估網(wǎng)絡(luò)總體風(fēng)險時的篩選效果和評估精度。其中,將N-k故障組合枚舉驗(yàn)證到5階,表1中的pmin設(shè)定為0.000 1,N-2遍歷結(jié)果中將16組產(chǎn)生風(fēng)險的故障組合都納入狀態(tài)樹的剪枝。本文方法與N-k故障組合枚舉生成的預(yù)想事故集合組成對比如圖4所示,不同篩選方式的風(fēng)險評估結(jié)果比較見表3。

表3 本文方法與N-k故障組合枚舉風(fēng)險評估結(jié)果比較Tab.3 Risk assessment results comparison between proposed method and N-k fault combination enumeration

圖4 預(yù)想事故集合組成Fig.4 Composition of expected fault set

從表3可以看出在氣象災(zāi)害下輸電線路故障概率較高場景下更高階故障納入預(yù)想事故集的重要性,僅僅對低階故障組合的枚舉并不能夠有效反映網(wǎng)絡(luò)當(dāng)前的風(fēng)險水平。

本文方法篩選出的預(yù)想事故集在評估精度上與N-4階故障組合枚舉相當(dāng),故障組合數(shù)卻只有其36.7%。這是因?yàn)镹-k階故障組合枚舉,相當(dāng)于是對故障狀態(tài)樹的k層深度的廣度優(yōu)先遍歷,沒有任何搜索上的優(yōu)化;而本文方法首先可以避免對低于概率閾值prmin的故障組合的搜索,另外有低維故障的遍歷得到的風(fēng)險信息用于指導(dǎo)對狀態(tài)樹的哪些分支進(jìn)行搜索,使得搜索到的故障組合都具有高風(fēng)險指標(biāo)。

具體分析本文方法得到的預(yù)想事故集組成,2階事故集作為故障組合剪枝的前提指導(dǎo)更高階的搜索過程,在保證較高風(fēng)險評估精度的同時降低了3階和4階的事故集規(guī)模。由于回溯算法對于狀態(tài)樹的深度優(yōu)先遍歷,部分大于概率閾值prmin的5階故障組合也被加入了預(yù)想事故集,本文方法與N-5枚舉的風(fēng)險評估誤差主要來自于對低于概率閾值的故障組合的舍棄,從風(fēng)險評估結(jié)果來看舍棄低于概率閾值的故障組合是合理的,因?yàn)檫@大幅減小了計(jì)算量并且風(fēng)險水平誤差在可接受范圍內(nèi)。進(jìn)一步降低概率閾值大小可得到更高精度的評估結(jié)果。

在前述硬件配置的情況下,將未剪枝的狀態(tài)樹與剪枝后的狀態(tài)樹搜索時間進(jìn)行比較,未剪枝時的prmin同樣設(shè)定為0.000 1,結(jié)果見表4。

表4 剪枝前后搜索時間比較Tab.4 Comparison of search time before and after pruning

從表4可以看出剪枝操作帶來的計(jì)算時間的優(yōu)勢:首先,剪枝操作減少了不必要的搜索路徑的遍歷,將樹的規(guī)模大幅減小;并且,各個樹的搜索彼此獨(dú)立,并行計(jì)算將再度節(jié)省大量時間。然而,未剪枝的狀態(tài)樹搜索得到的故障集為單純的元件故障概率大于閾值的元件組合,存在大量高概率低風(fēng)險故障,降低了故障篩選的效果。

5.3 預(yù)想事故集風(fēng)險排序

將本文方法得到的預(yù)想事故集,按風(fēng)險向量的模值大小從高到低排序,排名前10的結(jié)果見表5。

表5 預(yù)想事故集風(fēng)險排序Tab.5 Risk ranking of expected fault set

N-5階故障組合枚舉下的事故集風(fēng)險排序結(jié)果與表5相同,本文方法沒有漏選高風(fēng)險故障。排序結(jié)果可以看出靠前的2階故障組合例如14～16、16～19相關(guān)的高階故障在排序結(jié)果中同樣靠前,這說明了對于剪枝操作前提假設(shè)的合理性。從表5可以看出氣象災(zāi)害影響下,事故集風(fēng)險排序靠前的一般還是相對低維數(shù)的故障。本文方法由于是基于低維數(shù)故障風(fēng)險來指導(dǎo)高維數(shù)故障的搜索,在進(jìn)行事故集風(fēng)險排序時的有效性也可得到保障。

6 結(jié)論

預(yù)想事故集篩選是電力系統(tǒng)多重故障風(fēng)險評估的關(guān)鍵部分,現(xiàn)有篩選方法容易將大量高概率低風(fēng)險故障加入預(yù)想事故集,影響風(fēng)險評估效率。本文提出了一種基于N-2故障組合剪枝預(yù)想事故集快速篩選方法,針對利用低維度的風(fēng)險信息進(jìn)行剪枝操作生成的多個故障狀態(tài)樹,使用回溯算法完成樹的深度優(yōu)先遍歷,得到滿足故障概率閾值且風(fēng)險指標(biāo)高的多重故障組合,篩選合并后作為預(yù)想事故集。相比于已有算法,其具有以下優(yōu)點(diǎn):① 篩選效率高。本文算法相較于N-k枚舉和未剪枝的狀態(tài)樹搜索,可減少搜索大量高概率低風(fēng)險的故障組合,且搜索過程可以按照各個剪枝樹并行計(jì)算,大量節(jié)省搜索時間;② 評估精度高。將該算法應(yīng)用于IEEE-RTS 79系統(tǒng)的風(fēng)險評估,得到的系統(tǒng)總體風(fēng)險指標(biāo)和預(yù)想事故集風(fēng)險排序結(jié)果,都有較高的評估精度?；谏鲜鰞?yōu)勢,本文所提預(yù)想事故集篩選算法在大規(guī)模電力系統(tǒng)風(fēng)險評估中有應(yīng)用前景,適用于惡劣天氣下電網(wǎng)多重故障掃描和預(yù)想事故排序,為電網(wǎng)風(fēng)險防控提供快速計(jì)算方法。