CN104318397A - 一种基于电网短期运行行为的风险评估及分析方法 - Google Patents

Abstract

本发明公开了一种基于电网短期运行行为的风险评估及分析方法，包括以下步骤：描述计及电网短期运行状态的风险评估，选择决策量和约束条件；基于设备状态监测、设备故障率预测以及电网各节点用电需求规律，生成样本集合，建立电网风险评估模型，简化时域模式，对关联约束进行解耦处理；建立各个场景子周期目标函数，计算各个约束条件，求解自周期内最小费用函数；求解电网风险评估模型，对评估结果进行分析。本发明在检修等长期的决策行为过程中，考虑电网短期运行行为是有必要的，二者协调决策可以大大提高决策方案的经济性与可靠性。

Description

一种基于电网短期运行行为的风险评估及分析方法

技术领域

本发明涉及一种基于电网短期运行行为的风险评估及分析方法。

背景技术

随着人们对电网运行中不确定因素关注，电网风险评估的研究逐渐受到人们的重视。所谓电网风险评估就是对电网运行过程中面对的不确定性因素，从风险的角度给出扰动事件发生的可能性与严重性的综合评估。

目前，该领域得到系列的研究与实践，从李文沅教授的专著《电力系统风险评估：模型、方法和应用》中可以清晰领略这一研究与实践的结晶与进程。主要分为中长期风险评估和运行风险评估，二者的数学模型本质上是一致的，只是应用场景不同，前者主要面向的是规划设计、检修等决策过程，而后者主要应用于运行、调度等决策行为。

电网中长期风险评估研究近期主要集中于风险评估的计算规模与速度方面；随着人们对电网运行中的不确定性因素日益重视，电网运行风险评估从概念、模型与算法及应用]等各环节得以广泛的研究。然而，已有的研究显示，中长期风险评估研究周期为年度，研究中划分的时段一般为一周，而运行风险评估研究周期为一天或一周，研究中划分的时段为一小时。至今，二者有机结合的风险评估模型与求解尚未有报道，并且二者在评价过程中，仅考虑已投运机组的运行位置调整，未涉及机组的启停策略，系统运行最紧张(如负荷较重、网络结构薄弱)的时刻不一定风险最大，还受到机组启停策略的影响。可见电网风险评估不仅仅是一个评估过程，还是一个对评估过程中涉及的短期电网运行行为的一个预决策的过程。本发明称为计及电网短期运行行为的电网风险评估，研究周期定位在中期，如年度，此时的设备的正常停运计划、检修策略已给定。

电网风险评估既包括长周期约束(风险指标约束、排放指标约束、资源可用量约束等)，同时包括短周期约束(机组输出功率速率、机组连续运行及停运最小时间约束等)，一直以来，长短期运行决策是分离进行的，这样在同等可靠性水平下，必然失去一定的经济性，消耗时间巨大，国外Mohammad Shahidehpour教授领导的课题组利用分解协调的理论对该问题的算法进行了一些研究，但面对长期的决策问题，如年度的检修决策，尽管可采用并行计算等技术，计算负担还是难以承受的。

发明内容

本发明为了解决上述问题，提出了一种基于电网短期运行行为的风险评估及分析方法，本方法在设备状态监测及预测技术研究基础上，基于风险的概念，以机组启停、运行位置、失负荷等作为决策量，计及电网设备的偶发故障和负荷预测的不确定性，以电网期望运行费用最小为目标，综合考虑中长期、短期电网运行约束条件，。

为了实现上述目的，本发明采用如下技术方案：

一种基于电网短期运行行为的风险评估及分析方法，包括以下步骤：

(1)描述计及电网短期运行状态的风险评估，选择决策量和约束条件；

(2)基于设备状态监测、设备故障率预测以及电网各节点用电需求规律，生成样本集合，建立电网风险评估模型，简化时域模式，对关联约束进行解耦处理；

(3)建立各个场景子周期目标函数，计算各个约束条件，求解自周期内最小费用函数；

(4)求解电网风险评估模型，对评估结果进行分析。

所述步骤(1)中，电网风险评估模型与传统的电网可靠性模型、电网运行风险评估模型相比，具有以下特征：(1)实时性，因设备的状态牵动电网的运行行为而影响电网的状态，因此必须是滚动进行，随着设备状态的监测信息，在前瞻时间窗口内按年度、月度、日、超前的不同时间级实时滚动；(2)关联性，各不同时间级框架下，设备的行为，包括检修、机组启停、运行位置与控制策略，在时域、地域上充满关联，必须联动进行。

所述步骤(1)中，在一定的研究周期内，在考虑设备状态监测及故障率预测的基础上，以机组启停、运行位置、切负荷量作为决策量，计及电网设备的偶发故障，电网运行费用最小为目标函数，以上述电网运行行为因时间、空间关联所引起的矛盾和制约为约束条件的决策问题，研究周期为年度。

所述步骤(2)中，在风险评估中，使用平均故障率来代表所有同类型设备的故障率，在状态检修背景下，根据输变电设备监测及状态评价结果，利用国家电网公司《输变电设备状态检修试验规程》以及相关设备的状态评价导则，求取各设备状态评价分值，然后根据输变电设备故障率与设备状态之间的关系，便求取设备故障率。

所述步骤(2)中，设备故障率与设备状态之间关系表示为：

λ＝K·e^C·HI     (A-1)

式(A-1)中，λ为设备故障率；K为比例系数；C为曲率系数；HI为设备状态评价分值；采用威布尔分布曲线对设备故障率曲线进行拟合，其尺度参数、形状参数分别用α、β表示；利用已得出的设备故障率，即可在其对应的故障率曲线上查得其对应的等效役龄，这里用表示；

运用役龄回退因子来对检修后各时刻设备故障率进行预测，如式(A-2)所示：

$\left\{\begin{array}{c}{t}_{\mathrm{eq}}=(t_{\mathrm{act}}^0+t_m-t_{\mathrm{act}}^{\&prime;})(1-\mathrm{\&theta;})+(t-t_m)+t_{\mathrm{act}}^{\&prime;}\\ {\mathrm{\&lambda;}}_{\mathrm{af}}\left(t\right)=\mathrm{\&lambda;}\left(t_{\mathrm{eq}}\right),t>t_m\\ {\mathrm{\&lambda;}}_{\mathrm{be}}\left(t\right)=\mathrm{\&lambda;}(t+t_{\mathrm{act}}^0),t<t_m\end{array}\right.---(A-2)$

式(A-2)中，t_eq为检修后设备等效役龄；θ为役龄回退因子；t_m为研究周期内设备对应的检修时刻；t′_act为设备上一次检修对应的等效役龄；λ_be(t)、λ_af(t)分别为设备在研究周期内检修前后的时刻t对应的故障率。

所述步骤(2)中，假设电网各节点负荷预测满足正态分布，利用典型日负荷曲线表示负荷波动的周期性分量，结合预测得到的各周最大负荷点，即可得出周内各日负荷，作为各节点负荷的预测值；利用正态分布来表示负荷变化的随机性分量，μ_i为该分布的数学期望，取各节点负荷的预测值，为该分布的方差，它描述了节点负荷实际值偏离预测值的程度，根据具体的电网给出其经验值，对于各节点负荷，首先产生一个服从标准正态分布N(0,1)的随机数，利用此随机数修正已知的节点负荷预测值，以获得节点负荷实际值，如式(A-3)所示：

p_i＝μ_i+v·σ_i         (A-3)

式(A-3)中，v为服从标准正态分布的随机数。

所述步骤(2)中，时域模式简化及关联约束的解耦处理包括：

(2-1)在周内选择典型日，表征168小时；

(2-2)周内典型日首尾衔接，以此顾及周内各日间时域上的关联性；

(2-3)相邻周的前一周典型日的尾与后一周典型日的首进行衔接，以此来顾及年内各周间时域上的关联性；

(2-4)考虑电网状态评价是滚动进行的，故研究中忽略每四周即子周期间的关联约束；

电网风险指标取各场景对应的电网最小费用的期望值，即可表达为：

$\underset{s=1}{\overset{N_s^{\&prime;}}{\mathrm{\&Sigma;}}}{p}_s\underset{p=1}{\overset{N_p}{\mathrm{\&Sigma;}}}{f}_{s,p}(I,P,\mathrm{LS})---\left(1\right)$

式(1)中，p_s为场景s出现的概率，N′_s为所有场景数；N_p为年度研究周期内划分的子周期数；I、P为机组启停、运行位置向量；LS为节点负荷对应切负荷向量；f_s,p(I,P,LS)为场景s子周期p对应的电网最小费用目标函数。

所述步骤(3)中，电网状态是从电网运行角度，计及设备状态的不确定性与负荷预测的不确定性，以电网运行费用最小为指标，审视设备行为，包括检修、机组启停、运行位置与控制的协调决策的效果，还需要计及机组运行费用、因设备偶发故障所带来切负荷情形的发生和设备个体的损失。

所述步骤(3)中，评价电网状态评价目标包括：

(1)发电机组运行费用即输出功率、启停对应的费用；

(2)切负荷对应的损失；

(3)设备个体对应的损失；

由此，子周期内最小费用函数可表达为：

$\begin{array}{c}f(I,P,\mathrm{LS})=\\ \min \underset{w=1}{\overset{\mathrm{NW}}{\mathrm{\&Sigma;}}}\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}\left\{\begin{array}{c}\mathrm{ND}\&CenterDot;\underset{i=1}{\overset{\mathrm{NG}}{\mathrm{\&Sigma;}}}\left[\begin{array}{c}\mathrm{Fc}(P_{i,w,t},I_{i,w,t})+\\ {\mathrm{SU}}_{i,w,t}\end{array}\right.\\ +\mathrm{ND}\&CenterDot;\underset{b=1}{\overset{\mathrm{NB}}{\mathrm{\&Sigma;}}}{c}_b\&CenterDot;{\mathrm{LS}}_{b,w,t}+\underset{e=1}{\overset{{\mathrm{NE}}^s}{\mathrm{\&Sigma;}}}{c}_e\end{array}\right\}\end{array}---\left(2\right)$

式(2)中，NW为子周期p中包含周数；T为典型日中划分时段数，取24时段，每时段延续时间1小时；ND为一周内天数；NG为可调度机组数；Fc(P_i,w,t,I_i,w,t)为机组i仅与其输出功率相关的成本特性函数；Su_i,w,t为机组的启动成本，如式(3)所示；NB为负荷节点数；c_b为节点负荷b的单位失负荷价值系数；NE^s、c_e分别为研究周期内场景s对应的故障设备数目及其设备e故障产生的费用；

$\left\{\begin{array}{c}{\mathrm{SU}}_{i,w,t}\&GreaterEqual;K_i^l[I_{i,w,t}-\underset{d=1}{\overset{l}{\mathrm{\&Sigma;}}}{I}_{i,w,t-d}],l\&Element;[1,{\mathrm{ND}}_g]\\ {\mathrm{SU}}_{i,w,t}\&GreaterEqual;0\end{array}\right.---\left(3\right)$

式(3)中，ND_g为机组g启动成本离散化的段数；为第l分段对应的启动成本；

由于样本集中各样本对应的故障设备为确定值，因而子周期最小费用函数中设备故障损失费用为一确定值，(4)化简为：

$\begin{array}{c}f(I,P,\mathrm{LS})=\\ \min \underset{w=1}{\overset{\mathrm{NW}}{\mathrm{\&Sigma;}}}\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}\left\{\begin{array}{c}\underset{i=1}{\overset{\mathrm{NG}}{\mathrm{\&Sigma;}}}\left[\begin{array}{c}\mathrm{Fc}(P_{i,w,t},I_{i,w,t})+\\ {\mathrm{SU}}_{i,w,t}\end{array}\right]\\ +\underset{b=1}{\overset{\mathrm{NB}}{\mathrm{\&Sigma;}}}{c}_b\&CenterDot;{\mathrm{LS}}_{b,w,p}\end{array}\right\}\end{array}---\left(4\right).$

所述步骤(3)中，计算各个约束条件的方法包括：

(a)各子周期第w周的各时段t内对应的约束

$\underset{i=1}{\overset{\mathrm{NG}}{\mathrm{\&Sigma;}}}{P}_{i,w,t}+\underset{b=1}{\overset{\mathrm{NB}}{\mathrm{\&Sigma;}}}{\mathrm{LS}}_{b,w,t}=\underset{b=1}{\overset{\mathrm{NB}}{\mathrm{\&Sigma;}}}{\mathrm{PD}}_{b,w,t}---\left(5\right),$

$\begin{array}{cc}{P}_{i,\min }{I}_{i,w,t}\&le;P_{i.w.t}\&le;P_{i,\max }{I}_{i,w,t}& \&ForAll;i\end{array}----\left(6\right),$

$\begin{array}{cc}{-\mathrm{PL}}_{l,\max }\&le;{\mathrm{PL}}_{l,w,t}\&le;{\mathrm{PL}}_{l,\max }& \&ForAll;l\end{array}---\left(7\right),$

$\begin{array}{cc}{\mathrm{LS}}_{b,w,t}\&le;{\mathrm{PD}}_{b,w,t}& \&ForAll;b\end{array}----\left(8\right),$

式(5)-(8)中，PD_b,w,t为各子周期中w周内时段t对应节点负荷b吸收的有功功率；P_i,min、P_i,max分别为机组i对应的有功输出功率最小、最大值；PL_l,max为输电元件l传输有功功率最大值；PL_l,w,t为子周期中w周内时段t，输电元件l传输的有功功率，按直流潮流假设可表达为式(9)所示：

PL_w,t＝A(P_w,t-PD_w,t+LS_w,t)   (9)

式(9)中，A为输电元件传输有功功率与节点注入的有功功率间的关系矩阵；P_w,t、PD_w,t、LS_w,t分别为发电机输出功率、节点负荷功率及节点负荷失负荷功率向量；

(b)各子周期内对应机组i启停时间约束：

$\left\{\begin{array}{c}\underset{d=t}{\overset{t+{\mathrm{\&Delta;T}}_i-1}{\mathrm{\&Sigma;}}}{J}_{i,w,d}\&GreaterEqual;\left\{\begin{array}{c}{\mathrm{\&Delta;T}}_i(J_{i,w,t}-J_{i,w,T}),t=1\\ {\mathrm{\&Delta;T}}_i(J_{i,w,t}-J_{i,w,t-1}),t\&Element;[2,T-{\mathrm{\&Delta;T}}_i+1]\end{array}\right.\\ \underset{d=t}{\overset{T}{\mathrm{\&Sigma;}}}{J}_{i,w,d}+\underset{d=1}{\overset{t+{\mathrm{\&Delta;T}}_i-1-T}{\mathrm{\&Sigma;}}}{J}_{i,w,d}\&GreaterEqual;{\mathrm{\&Delta;T}}_i(J_{i,w,t}-J_{i,w,t-1}),\\ t\&Element;[T-{\mathrm{\&Delta;T}}_i+2,T]\\ \underset{d=t}{\overset{t+{\mathrm{\&Delta;T}}_i-1}{\mathrm{\&Sigma;}}}{J}_{i,w+1,d}\&GreaterEqual;{\mathrm{\&Delta;T}}_i(J_{i,w+1,t}-J_{i,w,T}),t=1\\ \underset{d=t}{\overset{T}{\mathrm{\&Sigma;}}}{J}_{i,w,d}+\underset{d=1}{\overset{t+{\mathrm{\&Delta;T}}_i-1-T}{\mathrm{\&Sigma;}}}{J}_{i,w+1,d}\&GreaterEqual;\\ {\mathrm{\&Delta;T}}_i(J_{i,w,t}-J_{i,w,t-1}),t\&Element;[T-{\mathrm{\&Delta;T}}_i+2,T]\end{array}\right.---\left(10\right)$

式(10)中，当J＝I时，该式即为子周期内机组i的开机时间约束；当J＝1-I时，该式即为子周期内机组i的停机时间约束；

(c)各子周期内机组i输出速率约束

$\left\{\begin{array}{c}M\&CenterDot;(P_{i,w,t}-P_{i,w,T})\&le;M\&CenterDot;I_{i,w,T}\&CenterDot;\mathrm{\&Delta;R},t=1,\&ForAll;w\\ M\&CenterDot;(P_{i,w,t}-P_{i,w,t-1})\&le;M\&CenterDot;I_{i,w,t-1}\&CenterDot;\mathrm{\&Delta;R},\\ t\&Element;[2,T],\&ForAll;w\\ M\&CenterDot;(P_{i,w+1,t}-P_{i,w,T})\&le;M\&CenterDot;I_{i,w+1,t}\&CenterDot;\mathrm{\&Delta;R},\\ t=1,w\&Element;[1,\mathrm{nw}-1]\end{array}\right.---\left(11\right),$

式(11)中，M＝1，时，该式即为子周期内机组i输出有功功率的上升速率约束；M＝-1，时，该式即为子周内机组i输出有功功率的下降速率约束；

(d)各子周期对应的长期约束条件

将长期的约束条件，分配到以子周期为单位的子周期约束条件，子周期内期望失负荷量约束条件表示为：

LS_p,sum≤EENS_max        (12)

式(12)中，LS_p,sum为子周期p对应的期望失负荷量，如式(13)表示：

${\mathrm{LS}}_{p,\mathrm{sum}}=N_{\mathrm{day}}\underset{w=1}{\overset{\mathrm{NW}}{\mathrm{\&Sigma;}}}\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}\underset{b=1}{\overset{\mathrm{NB}}{\mathrm{\&Sigma;}}}{\mathrm{LS}}_{b,w,t}---\left(13\right)$

式(13)中，N_day为周内的天数，即N_day＝7；

由此，上述便构成子周期对应的最小费用模型。

本发明的有益效果为：

(1)在检修等长期的决策行为过程中，考虑电网短期运行行为是有必要的，二者协调决策可以大大提高决策方案的经济性与可靠性；

(2)采用拟蒙特卡洛模拟和样本缩减技术，将随机规划问题转化为系列样本下的确定性求解问题，为求解该类型问题提供很好的思路；

(3)根据电网运行特点，在一定保守性原则的前提下，粗中有细，解决亦步亦趋的长、短期协调决策不能解决的问题。

附图说明

图1为电网状态评价模型计算流程图；

图2为六节点电网系统结构图；

图3为可靠性结果示意图；

图4为可靠性与经济性对比图；

图5伪随机数与低差异序列比较图。

具体实施方式：

下面结合附图与实施例对本发明作进一步说明。

0 计及电网短期运行行为的电网风险评估问题描述

0.1 问题提出

所谓电网状态是由发电模式、电网拓扑结构及负荷模式组成的有机整体。在设备状态实现监测及预测背景下，电网风险评估模型与传统的电网可靠性模型、电网运行风险评估模型相比，又具有新的特征：(1)实时性，因设备的状态牵动电网的运行行为而影响电网的状态，因此必须是滚动进行，随着设备状态的监测信息，在前瞻时间窗口内按年度、月度、日、超前等不同时间级实时滚动；(2)关联性，各不同时间级框架下，设备的行为(检修、机组启停、运行位置与控制策略)在时域、地域上充满关联，必须联动进行。

由此，计及电网短期运行行为的电网风险评估可以描述为：在一定的研究周期内，在考虑设备状态监测及故障率预测的基础上，以机组启停、运行位置、切负荷量等作为决策量，计及电网设备的偶发故障，电网运行费用最小为目标函数，以上述电网运行行为因时间、空间关联所引起的矛盾和制约为约束条件的决策问题。这里的研究周期为年度。在电网状态评价过程中，设备的检修策略作为给定量，而不是决策量。在检修决策过程中，计及电网短期运行行为的电网风险评估可以用来评价检修与运行的协调程度。

0.2 问题解决的基础

在前瞻的研究周期内，设备的状态(运行、检修)及其故障率是不同的，用电规律是周期性变化的。由此，分析电网状态的基础是：设备状态监测及设备故障率预测，以及电网各节点用电需求规律。

依据设备状态监测这一信息，可推演设备实时故障率，再假设其满足威布尔分布，即可实现设备故障率随时间变化规律的预测。

设备故障率评价及其预测：

在风险评估中，通常使用平均故障率来代表所有同类型设备的故障率。而在状态检修背景下，根据输变电设备监测及状态评价结果，利用国家电网公司《输变电设备状态检修试验规程》以及相关设备的状态评价导则，可以求取各设备状态评价分值，然后根据输变电设备故障率与设备状态之间的关系，便可求取设备故障率。设备故障率与设备状态之间关系可以表示为：

λ＝K·e^C·HI         (A-1)

式(A-1)中，λ为设备故障率；K为比例系数；C为曲率系数；HI为设备状态评价分值。

本发明采用威布尔分布曲线对设备故障率曲线进行拟合，其尺度参数、形状参数分别用α、β表示。利用已得出的设备故障率，即可在其对应的故障率曲线上查得其对应的等效役龄，这里用表示。

运用役龄回退因子来对检修后各时刻设备故障率进行预测，如式(A-2)所示。

$\left\{\begin{array}{c}{t}_{\mathrm{eq}}=(t_{\mathrm{act}}^0+t_m-t_{\mathrm{act}}^{\&prime;})(1-\mathrm{\&theta;})+(t-t_m)+t_{\mathrm{act}}^{\&prime;}\\ {\mathrm{\&lambda;}}_{\mathrm{af}}\left(t\right)=\mathrm{\&lambda;}\left(t_{\mathrm{eq}}\right),t>t_m\\ {\mathrm{\&lambda;}}_{\mathrm{be}}\left(t\right)=\mathrm{\&lambda;}(t+t_{\mathrm{act}}^0),t<t_m\end{array}\right.---(A-2)$

式(A-2)中，t_eq为检修后设备等效役龄；θ为役龄回退因子；t_m为研究周期内设备对应的检修时刻；t'_act为设备上一次检修对应的等效役龄；λ_be(t)、λ_af(t)分别为设备在研究周期内检修前后的时刻t对应的故障率。

在前瞻的研究周期内，电网各节点负荷预测有一定误差，表现出一定的随机性，本发明假设其满足正态分布。

节点负荷模型：

亦步亦趋的对年度框架内，以小时为时段的各节点负荷进行预测，是不可行，也是没有必要的。

由于负荷变化具有明显的周期性，决定于社会生活、生产的周期性，这种周期性可以细分为日周期、月周期、年周期，同时负荷变化又具有一定的随机性，这种随机性受温度、天气及投切负荷等很多因素影响，规律性很难把握。本发明利用典型日负荷曲线表示负荷波动的周期性分量，结合预测得到的各周最大负荷点，即可得出周内各日负荷，作为各节点负荷的预测值；利用正态分布来表示负荷变化的随机性分量，μ_i为该分布的数学期望，取各节点负荷的预测值，为该分布的方差，它描述了节点负荷实际值偏离预测值的程度，一般根据具体的电网给出其经验值。对于各节点负荷，首先产生一个服从标准正态分布N(0,1)的随机数，利用此随机数修正已知的节点负荷预测值，以获得节点负荷实际值，如式(A-3)所示。

p_i＝μ_i+v·σ_i        (A-3)

式(A-3)中，v为服从标准正态分布的随机数。

由上述可见，电网状态评价必然是一个随机规划问题。对此，本发明基于拟蒙特卡洛模拟技术，将其转化为系列样本下的确定性求解问题，其中借用样本缩减技术，以提高计算机数值求解的速度。

场景集形成：

本发明利用蒙特卡洛模拟的方法来获取研究周期内电网运行的场景集(Ω)。

随机数产生是蒙特卡洛模拟实施的关键，以往利用伪随机数序列的蒙特卡洛模拟方法，使随机数具有聚集性，导致该方法收敛速度慢、计算量大等不足，这里采用确定性的低差异序列代替伪随机序列的拟蒙特卡洛模拟方法，收敛精度由O(N^-1/2)提高到O(N^-1)，在同等精度下，显著减少模拟次数。图5中(a)和(b)分别给出利用乘同余发生器二维伪随机数序列和利用Halton序列表示的二维低差异性序列在二维坐标系上的分布图示意。

随机数产生后，某时刻设备状态的模拟如一般模拟方法相同。负荷预测误差的模拟过程中，为便于下文进行场景缩减，负荷预测的不确定性进行离散化为三个等级分别为{-1,0,1}，如式(A-4)所示。

$v^{*}=\left\{\begin{array}{cc}0& -1\&le;v\&le;1\\ -1& v>-1\\ 1& v>1\end{array}\right.---(A-4)$

相应的式(3)可变为：

$p_i=\left\{\begin{array}{cc}{\mathrm{\&mu;}}_i& v^{*}=0\\ {\mathrm{\&mu;}}_i+{2\mathrm{\&sigma;}}_i& v^{*}=1\\ {\mathrm{\&mu;}}_i-{2\mathrm{\&sigma;}}_i& v^{*}=-1\end{array}\right.---(A-5)$

根据设备检修的特点，本发明以周为单位，对各周内设备状态与负荷预测的误差进行模拟，即可获取研究周期内，系统的一个场景。达到一定的收敛精度需要大量的场景，而场景的数目直接影响计算的速度，为在保证一定精度下，提高求解速度，需要进行场景缩减。

模拟完成后，电网故障风险可表示为：

$\underset{x\&Element;X}{\min }{E}_{P}f(\mathrm{\&omega;},x)=\underset{s=1}{\overset{N_s}{\mathrm{\&Sigma;}}}\frac{1}{N_s}\&CenterDot;f({\mathrm{\&omega;}}^s,x^s)---(A-6)$

式(A-6)中，N_s为模拟形成的总场景数，各场景之间为均匀分布，即其发生概率均为1/N_s；ω^s、x^s分别为场景s对应的电网状态变量、决策变量。

场景集缩减：

场景集缩减技术是解决大规模不确定问题非常有效的方法，缩减后，少量场景可以在一定精度水平下代表缩减前所有的场景，主要理由为：(1)场景间具有一定相似性，在某种程度上可进行聚类，保留该聚类中其中一个场景作为代表，其发生概率等于聚类前各场景发生概率的累加和；(2)某些场景，发生的概率较小，这样的场景在一定精度水平下，可以消除。本发明采用回退场景缩减方法,设S为初始场景集，即模拟完成后的场景集；DS为场景缩减过程中，消去的场景集，初始为空；ξ_s(s＝1,…,N_s)表示N_s个不同的场景，每个场景的发生概率为p_s，初始概率为1/N_s；DT_s,s'为场景(s,s')间的殴氏距离，如式(A-7)所示。

${\mathrm{DT}}_{s,s^{\&prime;}}=\sqrt{\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{({\mathrm{St}}_s^i-{\mathrm{St}}_{s^{\&prime;}}^i)}^2}---(A-7)$

m＝n_e+n_b         (A-8)

式(A-7)和式(A-8)中，m为模拟的设备数量n_e与负荷节点量n_b之和；为模拟的场景s,s'中设备或负荷状态，其中设备状态取0或1，负荷状态取-1,0或1。

回退场景集缩减方法的具体步骤如下：

1、利用式(A-7)计算各场景对(s,s')之间的距离DT_s,s'，s,s'＝1,…,N_s；

2、对每一场景k，确定距离其最近的场景r，即DT_k(r)＝minDT_k,s'，s',k∈S并且s'≠k；

3、对每一场景k，按照式(A-9)、式(A-10)，确定被删除的场景d；

PD_k(r)＝p_k·DT_k(r),k∈S       (A-9)

PD_d＝minPD_k,k∈S       (A-10)

4、修正待评价场景集S、已删除场景集DS及剩余场景的概率，即S＝S-{d}，DS＝DS+{d}，p_r＝p_r+p_d；

5、重复步骤2-4，直到剩余场景的数目满足预先设定数目。

经过场景集缩减后，各场景发生的概率并不再相等，式(A-6)可改写为：

$\underset{x\&Element;X}{\min }{E}_{p}f(\mathrm{\&omega;},x)=\underset{s=1}{\overset{N_s^{\&prime;}}{\mathrm{\&Sigma;}}}{p}_s\&CenterDot;f({\mathrm{\&omega;}}^s,x^s)---(A-11)$

式(A-11)中，N′_s为场景缩减后场景的数目；p_s为对应场景发生的概率。

1 电网风险评估数学模型描述

1.1 问题简化说明及总体框架

评价电网状态，要考虑不同时间级下各设备行为间的关联，如设备检修要按年、月度考虑，机组运行要按日、周来考虑。这样，必然要涉及在8760小时内，负荷需求模式的划分问题(时域模式)，划分每时段延续时间越小，似乎更贴近实际，但数值计算难以承受。因此，面对该问题的建模，必须顾及计算代价和贴近实际的折中。

一般，输电设备检修安排在周以内，设备检修考虑电网运行关联又必须考虑日内，且每时段延续时间不得很长。由此，若年度内，按周内各日同时刻负荷变化趋势具有相似性的假设，在其中选择典型日，既可缩减建模规模，又符合计及短期电网运行行为电网风险评估的概念。

按上述思路，本发明在时域模式简化及关联约束的解耦处理可总结如下：(1)在周内选择典型日，可表征168小时；(2)周内典型日首尾衔接，以此顾及周内各日间时域上的关联性；(3)相邻周的前一周典型日的尾与后一周典型日的首进行衔接，以此来顾及年内各周间时域上的关联性；(4)考虑电网状态评价是滚动进行的，故研究中忽略每四周(后文称子周期)间的关联约束。

由此，电网风险指标取各场景对应的电网最小费用的期望值，即可表达为：

$\underset{s=1}{\overset{N_s^{\&prime;}}{\mathrm{\&Sigma;}}}{p}_s\underset{p=1}{\overset{N_p}{\mathrm{\&Sigma;}}}{f}_{s,p}(I,P,\mathrm{LS})---\left(1\right)$

式(1)中，p_s为场景s出现的概率，N′_s为所有场景数；N_p为年度研究周期内划分的子周期数；I、P为机组启停、运行位置向量；LS为节点负荷对应切负荷向量；f_s,p(I,P,LS)为场景s子周期p对应的电网最小费用目标函数。

图1给出了电网风险评估模型求解的流程图，图中显示，模型的焦点在于各样本下对应子周期内电网最小费用的建模与求解。

1.2 子周期目标函数

电网状态是从电网运行角度，计及设备状态的不确定性与负荷预测的不确定性，以电网运行费用最小为指标，审视设备行为(检修、机组启停、运行位置与控制)的协调决策的效果，其机组运行费用是优化目标的重要组成部分，同时也包括因设备偶发故障所带来切负荷情形的发生，再就是设备个体的损失。

可见，评价电网状态评价目标主要由三部分构成：(1)发电机组运行费用(输出功率、启停对应的费用)；(2)切负荷对应的损失；(3)设备个体对应的损失。

由此，子周期内最小费用函数可表达为：

$\begin{array}{c}f(I,P,\mathrm{LS})=\\ \min \underset{w=1}{\overset{\mathrm{NW}}{\mathrm{\&Sigma;}}}\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}\left\{\begin{array}{c}\mathrm{ND}\&CenterDot;\underset{i=1}{\overset{\mathrm{NG}}{\mathrm{\&Sigma;}}}\left[\begin{array}{c}\mathrm{Fc}(P_{i,w,t},I_{i,w,t})+\\ {\mathrm{SU}}_{i,w,t}\end{array}\right.\\ +\mathrm{ND}\&CenterDot;\underset{b=1}{\overset{\mathrm{NB}}{\mathrm{\&Sigma;}}}{c}_b\&CenterDot;{\mathrm{LS}}_{b,w,t}+\underset{e=1}{\overset{{\mathrm{NE}}^s}{\mathrm{\&Sigma;}}}{c}_e\end{array}\right\}\end{array}---\left(2\right)$

式(2)中，NW为子周期p中包含周数；T为典型日中划分时段数，本发明取24时段，每时段延续时间1小时；ND为一周内天数；NG为可调度机组数；Fc(P_i,w,t,I_i,w,t)为机组i仅与其输出功率相关的成本特性函数；Su_i,w,t为机组的启动成本，如式(3)所示；NB为负荷节点数；c_b为节点负荷b的单位失负荷价值系数；NE^s、c_e分别为研究周期内场景s对应的故障设备数目及其设备e故障产生的费用。

$\left\{\begin{array}{c}{\mathrm{SU}}_{i,w,t}\&GreaterEqual;K_i^l[I_{i,w,t}-\underset{d=1}{\overset{l}{\mathrm{\&Sigma;}}}{I}_{i,w,t-d}],l\&Element;[1,{\mathrm{ND}}_g]\\ {\mathrm{SU}}_{i,w,t}\&GreaterEqual;0\end{array}\right.---\left(3\right)$

式(3)中，ND_g为机组g启动成本离散化的段数；为第l分段对应的启动成本。

由于样本集中各样本对应的故障设备为确定值，因而子周期最小费用函数中设备故障损失费用为一确定值，(4)可以化简为：

$\begin{array}{c}f(I,P,\mathrm{LS})=\\ \min \underset{w=1}{\overset{\mathrm{NW}}{\mathrm{\&Sigma;}}}\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}\left\{\begin{array}{c}\underset{i=1}{\overset{\mathrm{NG}}{\mathrm{\&Sigma;}}}\left[\begin{array}{c}\mathrm{Fc}(P_{i,w,t},I_{i,w,t})+\\ {\mathrm{SU}}_{i,w,t}\end{array}\right]\\ +\underset{b=1}{\overset{\mathrm{NB}}{\mathrm{\&Sigma;}}}{c}_b\&CenterDot;{\mathrm{LS}}_{b,w,p}\end{array}\right\}\end{array}---\left(4\right)$

1.3 约束条件

(1)各子周期第w周的各时段t内对应的约束

$\underset{i=1}{\overset{\mathrm{NG}}{\mathrm{\&Sigma;}}}{P}_{i,w,t}+\underset{b=1}{\overset{\mathrm{NB}}{\mathrm{\&Sigma;}}}{\mathrm{LS}}_{b,w,t}=\underset{b=1}{\overset{\mathrm{NB}}{\mathrm{\&Sigma;}}}{\mathrm{PD}}_{b,w,t}---\left(5\right)$

$\begin{array}{cc}{P}_{i,\min }{I}_{i,w,t}\&le;P_{i.w.t}\&le;P_{i,\max }{I}_{i,w,t}& \&ForAll;i\end{array}----\left(6\right)$

$\begin{array}{cc}{-\mathrm{PL}}_{l,\max }\&le;{\mathrm{PL}}_{l,w,t}\&le;{\mathrm{PL}}_{l,\max }& \&ForAll;l\end{array}---\left(7\right)$

$\begin{array}{cc}{\mathrm{LS}}_{b,w,t}\&le;{\mathrm{PD}}_{b,w,t}& \&ForAll;b\end{array}----\left(8\right)$

式(5)-(8)中，PD_b,w,t为各子周期中w周内时段t对应节点负荷b吸收的有功功率；P_i,min、P_i,max分别为机组i对应的有功输出功率最小、最大值；PL_l,max为输电元件l传输有功功率最大值；PL_l,w,t为子周期中w周内时段t，输电元件l传输的有功功率，按直流潮流假设可表达为式(9)所示。

PL_w,t＝A(P_w,t-PD_w,t+LS_w,t)   (9)

式(9)中，A为输电元件传输有功功率与节点注入的有功功率间的关系矩阵；P_w,t、PD_w,t、LS_w,t分别为发电机输出功率、节点负荷功率及节点负荷失负荷功率向量。

(2)各子周期内对应机组i启停时间约束

$\left\{\begin{array}{c}\underset{d=t}{\overset{t+{\mathrm{\&Delta;T}}_i-1}{\mathrm{\&Sigma;}}}{J}_{i,w,d}\&GreaterEqual;\left\{\begin{array}{c}{\mathrm{\&Delta;T}}_i(J_{i,w,t}-J_{i,w,T}),t=1\\ {\mathrm{\&Delta;T}}_i(J_{i,w,t}-J_{i,w,t-1}),t\&Element;[2,T-{\mathrm{\&Delta;T}}_i+1]\end{array}\right.\\ \underset{d=t}{\overset{T}{\mathrm{\&Sigma;}}}{J}_{i,w,d}+\underset{d=1}{\overset{t+{\mathrm{\&Delta;T}}_i-1-T}{\mathrm{\&Sigma;}}}{J}_{i,w,d}\&GreaterEqual;{\mathrm{\&Delta;T}}_i(J_{i,w,t}-J_{i,w,t-1}),\\ t\&Element;[T-{\mathrm{\&Delta;T}}_i+2,T]\\ \underset{d=t}{\overset{t+{\mathrm{\&Delta;T}}_i-1}{\mathrm{\&Sigma;}}}{J}_{i,w+1,d}\&GreaterEqual;{\mathrm{\&Delta;T}}_i(J_{i,w+1,t}-J_{i,w,T}),t=1\\ \underset{d=t}{\overset{T}{\mathrm{\&Sigma;}}}{J}_{i,w,d}+\underset{d=1}{\overset{t+{\mathrm{\&Delta;T}}_i-1-T}{\mathrm{\&Sigma;}}}{J}_{i,w+1,d}\&GreaterEqual;\\ {\mathrm{\&Delta;T}}_i(J_{i,w,t}-J_{i,w,t-1}),t\&Element;[T-{\mathrm{\&Delta;T}}_i+2,T]\end{array}\right.---\left(10\right)$

式(10)中,当J＝I时，该式即为子周期内机组i的开机时间约束；当J＝1-I时，该式即为子周期内机组i的停机时间约束。

(3)各子周期内机组i输出速率约束

$\left\{\begin{array}{c}M\&CenterDot;(P_{i,w,t}-P_{i,w,T})\&le;M\&CenterDot;I_{i,w,T}\&CenterDot;\mathrm{\&Delta;R},t=1,\&ForAll;w\\ M\&CenterDot;(P_{i,w,t}-P_{i,w,t-1})\&le;M\&CenterDot;I_{i,w,t-1}\&CenterDot;\mathrm{\&Delta;R},\\ t\&Element;[2,T],\&ForAll;w\\ M\&CenterDot;(P_{i,w+1,t}-P_{i,w,T})\&le;M\&CenterDot;I_{i,w+1,t}\&CenterDot;\mathrm{\&Delta;R},\\ t=1,w\&Element;[1,\mathrm{nw}-1]\end{array}\right.---\left(11\right)$

式(11)中，M＝1，时，该式即为子周期内机组i输出有功功率的上升速率约束；M＝-1，时，该式即为子周内机组i输出有功功率的下降速率约束。

(4)各子周期对应的长期约束条件

将长期的约束条件，分配到以子周期为单位的子周期约束条件，子周期内期望失负荷量约束条件可以表示为：

LS_p,sum≤EENS_max        (12)

式(12)中，LS_p,sum为子周期p对应的期望失负荷量，如式(13)表示。

${\mathrm{LS}}_{p,\mathrm{sum}}=N_{\mathrm{day}}\underset{w=1}{\overset{\mathrm{NW}}{\mathrm{\&Sigma;}}}\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}\underset{b=1}{\overset{\mathrm{NB}}{\mathrm{\&Sigma;}}}{\mathrm{LS}}_{b,w,t}---\left(13\right)$

式(13)中，N_day为周内的天数，即N_day＝7。

由此，上述便构成子周期对应的最小费用模型。

其他长期约束条件，如排放约束、资源可用约束，同样可在此表示。这里仅考虑期望失负荷量约束。

2 电网故障风险模型求解

在模型的求解过程中，需要反复求解各场景对应子周期对应的最小费用模型。子周期对应的最小费用模型与机组组合模型本质上是一致的，是一个非线性混合整数规划问题，当前缺乏成熟的理论与算法，而线性混合整数规划的研究比较深入。因此，在满足精度要求的前提下，通过将发电成本、启动成本线性化将其转化为线性混合整数规划问题，然后利用成熟的商业软件CPLEX进行求解。

通过对模型进行处理,本章利用C++语言编制了调用CPLEX11.2求解线性混合整数规划程序，实现了该模型的求解。

通过这样处理，模型结果有一定的保守型，具体原因为：一是周内各日之间耦合约束处理后，本周内各日之间的耦合约束充分考虑，而本周内周日与周一同样被强制满足各日之间的耦合约束，而实际运行过程中，二者之间是不需要满足日之间的耦合约束的；二是各周之间耦合约束处理后，满足了上一周尾端与下一周首段之间的耦合约束，同样强制了周内各日也满足了该约束。总之，简化处理后，各日内满足日内时段间的耦合约束，各日即可成功过渡到同一周内各日，同样可以成功过渡到下一周，具有一定的保守性。但这种保守性是解决这类长期的计及不确定因素的决策问题所要求的，一定程度上保证了决策方案的可行性及可再调整性。

3 算例及分析

3.1 算例基本数据

为阐述本发明所提出概念的意义及其模型及求解方法的有效性，以下图2所示简单6节点电网系统为例予以分析。其中，表1给出了机组成本特性参数，表2给出了机组运行特性参数，表3给出了线路参数，表4给出负荷的相关数据。

表1 机组成本特性参数

Tab.1 Generator cost data

表2 机组运行特性参数

Tab.2 Generator operating data

表3 线路参数

Tab.3 Lines parameter

算例中，除待检修设备外，其他设备的故障率均取一常数，待检修输电设备L2-3、L2-4上一次检修时间距离研究周期初始时刻分别为47周、46周，该次检修分别在研究周期的第12周、23周。

表4 负荷参数

Tab.Load data

年最大负荷为300MW，各周最大负荷值(百分比)及典型日负荷曲线(百分比)数据分别为表5、表6，负荷实际值偏离预测值的方差为0.02(采用标幺值，功率基准值为100MW)。

表5 周最大负荷(占年最大负荷的比例)

Tab.5 Weekly peak load as percentage of annual peak load

表6 典型日负荷(占周最大负荷的比例)

Tab.6 Hourly peak load in percent of daily peak

3.2 算例结果分析

分别利用两种方法生成样本集合，即方法一指的是利用低差异序列进行模拟的拟蒙特卡洛模拟方法(见附录[C])，方法二指的是利用伪随机数序列进行模拟的蒙特卡洛模拟方法。通过场景缩减，场景减少为12个，场景发生的概率见表7。

表7 缩减后场景及其发生的概率

Tab.7 Weight of each scenario after scenario reduction

根据对电网可靠性要求的不同，分为三种情况：Case1：可靠性要求较高，期望失负荷量较小；Case2：可靠性要求较低，这里认为没有期望失负荷量限制；Case3：可靠性要求适中，期望失负荷量介于前两种情况之间。

(1)收敛性分析

利用Case2结果对模型与算法的收敛性进行分析，表8给出了算例结果。

表8 结果对比分析

Tab.8 Test result analysis

表8中，计算结果显示，本发明模型给出的方法具有较好的收敛性，相比方法二给出的利用伪随机序列进行模拟的方法，大大提高了收敛速度。

表9 速度与精度对比分析

Tab.9 Comparative analysis between speed and accuracy

表3-9中给出了两种方案的计算结果(CPU:Intel Xeon E5410,主频:2.33GHz)，其中方案1中场景没有缩减，方案2中场景经过缩减，误差为场景缩减后，引发的计算结果的误差，本发明是方案2与方案1计算结果差值的绝对值占方案1计算结果的百分比。对比方案1与方案2可见，本发明方法在计算时间与精度方面都有较好的性能。

(2)本发明模型意义分析

本发明在长期的优化决策过程中，从运行的角度，对系统的运行风险、可靠性与经济性之间关系进行更为细致、精确的把握，为电网状态检修理论进一步研究提供量化依据。

图3各周期望失负荷量与周最大负荷的对应关系，可以看出而这的趋势并不一致，①各周中最大失负荷量出现在第16周，而负荷最大出现在第51周；②第23周、43周对应的周最大负荷基本相同，而其对应的周期望失负荷量差别较大。其中对于第一种情况，主要原因是电网状态评价模型将设备的检修、启停、运行与控制进行联动决策，与传统的设备间行为分离决策相比，传统的检修计划的可靠性评估过程中，无法考虑该因素；对于第二种情况，这主要是由于两周对应的典型日不同。上述两点给出了进行长期的设备行为决策时，联动考虑短期的设备行为决策的意义。

图4中，横坐标轴是子周期最大期望失负荷量限值，随着限值增大，研究周期内的EENS逐渐增大，而总的经济费用在降低。传统的仅仅考虑系统的可靠性，如EENS，是不科学的，忽视了系统的经济性，进一步说明，长期的决策行为，如检修，同样需要考虑机组组合这样短周期的系统行为。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种基于电网短期运行行为的风险评估及分析方法，其特征是：包括以下步骤：

(1)描述计及电网短期运行状态的风险评估，选择决策量和约束条件；

(2)基于设备状态监测、设备故障率预测以及电网各节点用电需求规律，生成样本集合，建立电网风险评估模型，简化时域模式，对关联约束进行解耦处理；

(3)建立各个场景子周期目标函数，计算各个约束条件，求解自周期内最小费用函数；

(4)求解电网风险评估模型，对评估结果进行分析。

2.如权利要求1所述的一种基于电网短期运行行为的风险评估及分析方法，其特征是：所述步骤(1)中，电网风险评估模型与传统的电网可靠性模型、电网运行风险评估模型相比，具有以下特征：(1)实时性，因设备的状态牵动电网的运行行为而影响电网的状态，因此必须是滚动进行，随着设备状态的监测信息，在前瞻时间窗口内按年度、月度、日、超前的不同时间级实时滚动；(2)关联性，各不同时间级框架下，设备的行为，包括检修、机组启停、运行位置与控制策略，在时域、地域上充满关联，必须联动进行。

3.如权利要求2所述的一种基于电网短期运行行为的风险评估及分析方法，其特征是：所述步骤(1)中，在一定的研究周期内，在考虑设备状态监测及故障率预测的基础上，以机组启停、运行位置、切负荷量作为决策量，计及电网设备的偶发故障，电网运行费用最小为目标函数，以上述电网运行行为因时间、空间关联所引起的矛盾和制约为约束条件的决策问题，研究周期为年度。

4.如权利要求1所述的一种基于电网短期运行行为的风险评估及分析方法，其特征是：所述步骤(2)中，在风险评估中，使用平均故障率来代表所有同类型设备的故障率，在状态检修背景下，根据输变电设备监测及状态评价结果，利用国家电网公司《输变电设备状态检修试验规程》以及相关设备的状态评价导则，求取各设备状态评价分值，然后根据输变电设备故障率与设备状态之间的关系，便求取设备故障率。

5.如权利要求4所述的一种基于电网短期运行行为的风险评估及分析方法，其特征是：所述步骤(2)中，设备故障率与设备状态之间关系表示为：

λ＝K·e^C·HI   (A-1)

式(A-1)中，λ为设备故障率；K为比例系数；C为曲率系数；HI为设备状态评价分值；采用威布尔分布曲线对设备故障率曲线进行拟合，其尺度参数、形状参数分别用α、β表示；利用已得出的设备故障率，即可在其对应的故障率曲线上查得其对应的等效役龄，这里用表示；

运用役龄回退因子来对检修后各时刻设备故障率进行预测，如式(A-2)所示：

$\left\{\begin{array}{c}{t}_{\mathrm{eq}}=(t_{\mathrm{act}}^0+t_m-t_{\mathrm{act}}^{\&prime;})(1-\mathrm{\&theta;})+(t-t_m)+t_{\mathrm{act}}^{\&prime;}\\ {\mathrm{\&lambda;}}_{\mathrm{af}}\left(t\right)=\mathrm{\&lambda;}\left(t_{\mathrm{eq}}\right),t>t_m\\ {\mathrm{\&lambda;}}_{\mathrm{be}}\left(t\right)=\mathrm{\&lambda;}(t+t_{\mathrm{act}}^0),t<t_m\end{array}\right.---(A-2)$

式(A-2)中，t_eq为检修后设备等效役龄；θ为役龄回退因子；t_m为研究周期内设备对应的检修时刻；t′_act为设备上一次检修对应的等效役龄；λ_be(t)、λ_af(t)分别为设备在研究周期内检修前后的时刻t对应的故障率。

6.如权利要求1所述的一种基于电网短期运行行为的风险评估及分析方法，其特征是：所述步骤(2)中，假设电网各节点负荷预测满足正态分布，利用典型日负荷曲线表示负荷波动的周期性分量，结合预测得到的各周最大负荷点，即可得出周内各日负荷，作为各节点负荷的预测值；利用正态分布来表示负荷变化的随机性分量，μ_i为该分布的数学期望，取各节点负荷的预测值，为该分布的方差，它描述了节点负荷实际值偏离预测值的程度，根据具体的电网给出其经验值，对于各节点负荷，首先产生一个服从标准正态分布N(0,1)的随机数，利用此随机数修正已知的节点负荷预测值，以获得节点负荷实际值，如式(A-3)所示：

p_i＝μ_i+v·σ_i    (A-3)

式(A-3)中，v为服从标准正态分布的随机数。

7.如权利要求1所述的一种基于电网短期运行行为的风险评估及分析方法，其特征是：所述步骤(2)中，时域模式简化及关联约束的解耦处理包括：

(2-1)在周内选择典型日，表征168小时；

(2-2)周内典型日首尾衔接，以此顾及周内各日间时域上的关联性；

(2-3)相邻周的前一周典型日的尾与后一周典型日的首进行衔接，以此来顾及年内各周间时域上的关联性；

(2-4)考虑电网状态评价是滚动进行的，故研究中忽略每四周即子周期间的关联约束；

电网风险指标取各场景对应的电网最小费用的期望值，即可表达为：

$\underset{s=1}{\overset{N_s^{\&prime;}}{\mathrm{\&Sigma;}}}{p}_s\underset{p=1}{\overset{N_p}{\mathrm{\&Sigma;}}}{f}_{s,p}(I,P,\mathrm{LS})---\left(1\right)$

式(1)中，p_s为场景s出现的概率，N′_s为所有场景数；N_p为年度研究周期内划分的子周期数；I、P为机组启停、运行位置向量；LS为节点负荷对应切负荷向量；f_s,p(I,P,LS)为场景s子周期p对应的电网最小费用目标函数。

8.如权利要求1所述的一种基于电网短期运行行为的风险评估及分析方法，其特征是：所述步骤(3)中，电网状态是从电网运行角度，计及设备状态的不确定性与负荷预测的不确定性，以电网运行费用最小为指标，审视设备行为，包括检修、机组启停、运行位置与控制的协调决策的效果，还需要计及机组运行费用、因设备偶发故障所带来切负荷情形的发生和设备个体的损失。

9.如权利要求1所述的一种基于电网短期运行行为的风险评估及分析方法，其特征是：所述步骤(3)中，评价电网状态评价目标包括：

(1)发电机组运行费用即输出功率、启停对应的费用；

(2)切负荷对应的损失；

(3)设备个体对应的损失；

由此，子周期内最小费用函数可表达为：

$\begin{array}{c}f(I,P,\mathrm{LS})=\\ \min \underset{w=1}{\overset{\mathrm{NW}}{\mathrm{\&Sigma;}}}\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}\left\{\begin{array}{c}\mathrm{ND}\&CenterDot;\underset{i=1}{\overset{\mathrm{NG}}{\mathrm{\&Sigma;}}}\left[\begin{array}{c}\mathrm{Fc}(P_{i,w,t},I_{i,w,t})+\\ {\mathrm{SU}}_{i,w,t}\end{array}\right]\\ +\mathrm{ND}\&CenterDot;\underset{b=1}{\overset{\mathrm{NB}}{\mathrm{\&Sigma;}}}{c}_b\&CenterDot;{\mathrm{LS}}_{b,w,t}+\underset{e=1}{\overset{{\mathrm{NE}}^s}{\mathrm{\&Sigma;}}}{c}_e\end{array}\right\}\end{array}---\left(2\right)$

式(2)中，NW为子周期p中包含周数；T为典型日中划分时段数，取24时段，每时段延续时间1小时；ND为一周内天数；NG为可调度机组数；Fc(P_i,w,t,I_i,w,t)为机组i仅与其输出功率相关的成本特性函数；Su_i,w,t为机组的启动成本，如式(3)所示；NB为负荷节点数；c_b为节点负荷b的单位失负荷价值系数；NE^s、c_e分别为研究周期内场景s对应的故障设备数目及其设备e故障产生的费用；

$\left\{\begin{array}{c}{\mathrm{SU}}_{i,w,t}\&GreaterEqual;K_i^l[I_{i,w,t}-\underset{d=1}{\overset{l}{\mathrm{\&Sigma;}}}{I}_{i,w,t-d}],l\&Element;[1,{\mathrm{ND}}_g]\\ {\mathrm{SU}}_{i,w,t}\&GreaterEqual;0\end{array}\right.---\left(3\right)$

式(3)中，ND_g为机组g启动成本离散化的段数；为第l分段对应的启动成本；

由于样本集中各样本对应的故障设备为确定值，因而子周期最小费用函数中设备故障损失费用为一确定值，(4)化简为：

$\begin{array}{c}f(I,P,\mathrm{LS})=\\ \min \underset{w=1}{\overset{\mathrm{NW}}{\mathrm{\&Sigma;}}}\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}\left\{\begin{array}{c}\underset{i=1}{\overset{\mathrm{NG}}{\mathrm{\&Sigma;}}}\left[\begin{array}{c}\mathrm{Fc}(P_{i,w,t},I_{i,w,t})+\\ {\mathrm{SU}}_{i,w,t}\end{array}\right]\\ +\underset{b=1}{\overset{\mathrm{NB}}{\mathrm{\&Sigma;}}}{c}_b\&CenterDot;{\mathrm{LS}}_{b,w,p}\end{array}\right\}\end{array}---\left(4\right).$

10.如权利要求1所述的一种基于电网短期运行行为的风险评估及分析方法，其特征是：所述步骤(3)中，计算各个约束条件的方法包括：

(a)各子周期第w周的各时段t内对应的约束

$\underset{i=1}{\overset{\mathrm{NG}}{\mathrm{\&Sigma;}}}{P}_{i,w,t}+\underset{b=1}{\overset{\mathrm{NB}}{\mathrm{\&Sigma;}}}{\mathrm{LS}}_{b,w,t}=\underset{n=1}{\overset{\mathrm{NB}}{\mathrm{\&Sigma;}}}{\mathrm{PD}}_{b,w,t}---\left(5\right),$

$P_{i,\min }{I}_{i,w,t}\&le;P_{i,w,t}\&le;P_{i,\max }{I}_{i,w,t},\&ForAll;i---\left(6\right),$

$-{\mathrm{PL}}_{l,\max }\&le;{\mathrm{PL}}_{l,w,t}\&le;{\mathrm{PL}}_{l,\max },\&ForAll;l---\left(7\right),$

${\mathrm{LS}}_{b,w,t}\&le;{\mathrm{PD}}_{b,w,t},\&ForAll;b---\left(8\right),$

式(5)-(8)中，PD_b,w,t为各子周期中w周内时段t对应节点负荷b吸收的有功功率；P_i,min、P_i,max分别为机组i对应的有功输出功率最小、最大值；PL_l,max为输电元件l传输有功功率最大值；PL_l,w,t为子周期中w周内时段t，输电元件l传输的有功功率，按直流潮流假设可表达为式(9)所示：

PL_w,t＝A(P_w,t-PD_w,t+LS_w,t)   (9)

式(9)中，A为输电元件传输有功功率与节点注入的有功功率间的关系矩阵；P_w,t、PD_w,t、LS_w,t分别为发电机输出功率、节点负荷功率及节点负荷失负荷功率向量；

(b)各子周期内对应机组i启停时间约束：

$\left\{\begin{array}{c}\underset{d=t}{\overset{t+\mathrm{\&Delta;}{T}_i-1}{\mathrm{\&Sigma;}}}{J}_{i,w,d}\&GreaterEqual;\begin{array}{}\end{array}\left\{\begin{array}{c}\mathrm{\&Delta;}{T}_i(J_{i,w,t}-J_{i,w,T}),t=1\\ \mathrm{\&Delta;}{T}_i(J_{i,w,t}-J_{i,w,t-1})t\&Element;[2,T-\mathrm{\&Delta;}{T}_i+1]\end{array}\right.\\ \underset{d=t}{\overset{T}{\mathrm{\&Sigma;}}}{J}_{i,w,d}+\underset{d=1}{\overset{t+\mathrm{\&Delta;}{T}_i-1-T}{\mathrm{\&Sigma;}}}{J}_{i,w,d}\&GreaterEqual;\mathrm{\&Delta;}{T}_i(J_{i,w,t}-J_{i,w,t-1}),\\ t\&Element;[T-\mathrm{\&Delta;}{T}_i+2,T]\\ \underset{d=t}{\overset{t+\mathrm{\&Delta;}{T}_i-1}{\mathrm{\&Sigma;}}}{J}_{i,w+1,d}\&GreaterEqual;\mathrm{\&Delta;}{T}_i(J_{i,w+1,t}-J_{i,w,T}),t=1\\ \underset{d=t}{\overset{T}{\mathrm{\&Sigma;}}}{J}_{i,w,d}+\underset{d=1}{\overset{t+\mathrm{\&Delta;}{T}_i-1-T}{\mathrm{\&Sigma;}}}{J}_{i,w+1,d}\&GreaterEqual;\\ \mathrm{\&Delta;}{T}_i(J_{i,w,t}-J_{i,w,t-1}),t\&Element;[T-\mathrm{\&Delta;}{T}_i+2,T]\end{array}\right.---\left(10\right)$

式(10)中，当ΔT_i＝T_i ^on，J＝I时，该式即为子周期内机组i的开机时间约束；当ΔT_i＝T_i ^off，J＝1-I时，该式即为子周期内机组i的停机时间约束；

(c)各子周期内机组i输出速率约束：

$\left\{\begin{array}{c}M\&CenterDot;(P_{i,w,t}-P_{i,w,T})\&le;M\&CenterDot;I_{i,w,T}\&CenterDot;\mathrm{\&Delta;R},t=1,\&ForAll;w\\ M\&CenterDot;(P_{i,w,t}-P_{i,w,t-1})\&le;M\&CenterDot;I_{i,w,t-1}\&CenterDot;\mathrm{\&Delta;R},\\ t\&Element;[2,T],\&ForAll;w\\ M\&CenterDot;(P_{i,w+1,t}-P_{i,w,T})\&le;M\&CenterDot;I_{i,w+1,t}\&CenterDot;\mathrm{\&Delta;R},\\ t=1,w\&Element;[1,\mathrm{nw}-1]\end{array}\right.---\left(11\right),$

式(11)中，M＝1，ΔＴ_i＝T_i ^on时，该式即为子周期内机组i输出有功功率的上升速率约束；M＝-１，ΔT_i＝T_i ^on时，该式即为子周内机组i输出有功功率的下降速率约束；

(d)各子周期对应的长期约束条件：

将长期的约束条件，分配到以子周期为单位的子周期约束条件，子周期内期望失负荷量约束条件表示为：

LS_p,sum≤EENS_max   (12)

式(12)中，LS_p,sum为子周期p对应的期望失负荷量，如式(13)表示：

${\mathrm{LS}}_{p,\mathrm{sum}}=N_{\mathrm{day}}\underset{w=1}{\overset{\mathrm{NW}}{\mathrm{\&Sigma;}}}\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}\underset{b=1}{\overset{\mathrm{NB}}{\mathrm{\&Sigma;}}}{\mathrm{LS}}_{b,w,t}---\left(13\right)$

式(13)中，N_day为周内的天数，即N_day＝7；

由此，上述便构成子周期对应的最小费用模型。