CN105279706A - 用于确定电网运行安全状态的方法 - Google Patents

Abstract

本发明提供了一种用于确定电网运行安全状态的方法，包括：通过电网运行历史数据对电网进行事故率估计，利用所估计的事故率计算运行事故指数，通过该指数判断电网的安全等级。本发明提出了一种确定电网运行安全状态的方法，通过一系列模型实现对运行安全状态的有效监控，量化结果准确而具体。

Description

用于确定电网运行安全状态的方法

技术领域

本发明涉及电网数据处理，特别涉及一种用于确定电网运行安全状态的方法。

背景技术

电网应急管理中，重要工作之一是对运行事故危机进行快速有效的告警分级。电网是一个受众多因素和不规则变量影响的复杂系统，选取恰当有效的告警方法才能对其危机进行迅速准确的识别与处理。目前国内针对运行事故的告警分级标准主要根据气象部门发布的运行事故信息的水平。现有技术中存在对电网进行事故率估计并基于估计结果对电网进行告警，但是普遍计算方法较为繁琐；并且量化结果不够具体和准确。

发明内容

为解决上述现有技术所存在的问题，本发明提出了一种用于确定电网运行安全状态的方法，包括：

通过电网运行历史数据对电网进行事故率估计，利用所估计的事故率计算运行事故指数，通过该指数判断电网的安全等级。

优选地，所述通过电网运行历史数据对电网进行事故率估计，利用所估计的事故率计算运行事故指数，进一步包括：

采集被估计的电网系统主要器件的历史运行异常数据和气象数据，根据采集到的数据计算出电网系统的运行异常概率；

构建运行异常影响程度模型；根据运行异常概率和影响程度模型进行计算，得到预定数量的事故率指数。

优选地，所述通过该指数判断电网的安全等级，进一步包括：

将预定数量的事故率指数组成一个指数集，并计算指数权值；

对指数集和指数权值进行总体估计，得到总体事故率估计值；

将总体事故率估计值与预定义的电网各级安全事故率的取值范围进行比较，得到电网系统当前的安全等级。

优选地，所述根据采集到的数据计算出电网系统的运行异常概率，进一步包括：

首先采集电网器件的历史运行异常数据和气象数据，采用3种状态的气象模型描述全年与气象相关的器件的运行异常率，表示为：

$\mathrm{\λ}\left(k\right)=\left\{\begin{array}{cc}\frac{H_f}{H_m}\×\frac{N+S_1+S_2}{N}(1-F_1-F_2),& k=1\\ \frac{H_f}{H_m}\×\frac{N+S_1+S_2}{N}{F}_1,& k=2\\ \frac{H_f}{H_m}\×\frac{N+S_1+S_2}{N}{F}_2,& k=3\end{array}\right.$

其中，正常情况下系统器件全年工作时间为H_f；λ(k)为不同气象条件下器件的运行异常率，k＝1为正常气象条件，k＝2为恶劣气象条件，k＝3为极端气象条件；N为正常气象条件的持续时间；S₁为恶劣气象条件的持续时间；S₂为极端气象条件的持续时间；F₁为在恶劣气象条件下出现的运行异常数占总运行异常数的比例；F₂为在极端气象条件下出现的运行异常数占总运行异常数的比例，H_m为运行异常前器件平均工作时间；

将电网系统器件平均停止运行概率表示为：

$P_f=\frac{\mathrm{\λ}\left(k\right)}{\mathrm{\λ}\left(k\right)+\mathrm{\μ}}=\frac{\mathrm{\λ}\left(k\right)}{\mathrm{\λ}\left(k\right)+\frac{H_f}{H_r}}$

其中H_r为平均修复时间，且N+S₁+S₂＝H_f；得出不同气象条件下器件的停止运行概率：

$P_f\left(k\right)=\left\{\begin{array}{cc}\frac{H_f\×H_r\×(1-F_1-F_2)}{H_f\×H_r\×(1-F_1-F_2)+N\×H_m},& k=1\\ \frac{H_f\×H_r\×F_1}{H_f\×H_r\×F_1+S_1\×H_m},& k=2\\ \frac{H_f\×H_r\×F_2}{H_f\×H_r\×F_2+S_2\×H_m},& k=3\end{array}\right.$

对于电网系统中的任一器件m，其停止运行概率表示为P_fm，若对该器件某次采样得到的的停止运行随机数为R_m，其中R_m处在[0，1]区间，则确定第i次采样对应的器件的状态为S_i，其中当R_m>P_fm时S_i＝0即运行状态，当0≤R_m≤P_fm时S_i＝1即停止状态；

对于包含M个器件的电网系统，其采样状态表示为：S＝(S₁，S₂，…，S_M)，根据以上采样状态，利用潮流计算方法对电网系统进行分析，判断电网系统是否处于运行异常状态，所述运行异常状态包括供电不足、过载或电流越限中的一种或多种；

将采样频率作为概率无偏估计，运行异常概率可由下式计算得出：P(S')≈n(S')/N_S

其中S'代表运行异常状态，N_S为采样次数，n(S')为状态S'出现的次数。

优选地，所述构建运行异常影响程度模型；根据运行异常概率和影响程度模型进行计算，得到预定数量的事故率指数，进一步包括：

构建运行异常影响程度模型：u(ω)＝(e^a(ω+b)-1)/c，其中a、b、c为预设系数；对系统中的母线分别构建供电不足、过载和电流越限影响程度模型；

通过负载重要性因数α_i，将状态j下的供电不足影响程度表示为S_evL(S_j)＝α_i(e^ωLi-1)；其中ωLi为母线i对应的供电差额量；

利用线路重要性因数β_i，将状态j下的过载影响程度表示为S_evO(S_j)＝β_i(e^ωOi-1)，ω_Oi为支路i的过载损失值，当L_i>L₀时ω_Oi＝L_i-L₀，当0≤L_i≤L₀时ω_Oi＝0；L_i为支路在系统运行异常后的潮流；L₀为正常情况下支路潮流，β_i可根据下式确定：

β_i＝β_aiβ_bi，β_ai、β_bi分别对应于线路拓扑结构重要性因数和线路电压水平重要性因数；

定义状态j下母线电流越限的影响程度为S_evI(S_j)＝γ_i(e^ωIi-1)；ω_Ii定义为母线i的低压损失值，当0<I_i<I₀时ω_Ii＝I₀-I_i，当I_i＝I₀时ω_Ii＝0；当I_i>I₀时，ω_Ii＝I_i-I₀，I_i为母线i在系统运行异常后的电流；I₀为正常情况下母线电流值，γ_i可根据下式确定：γ_i＝γ_aiγ_bi，γ_ai、γ_bi分别对应于母线电流水平重要性因数和补偿装置影响因数，

根据以上运行异常概率和运行异常影响程度模型，将事故率指数表示为：

1)供电不足事故率指数I_LL＝Σ_jP(S_j)×S_evL(S_j)；其中P(S_j)表示第j个运行异常状态发生的概率；S_evL(S_j)为该状态下系统的供电不足影响程度；

2)过载事故率指数I_OL＝Σ_jP(S_j)×S_evO(S_j)；其中S_evO(S_j)为该状态下的过载影响程度；

3)电流越限事故率指数I_OU＝Σ_jP(S_j)×S_evI(S_j)；其中S_evI(S_j)为该状态下的电流越限影响程度。

优选地，所述将预定数量的事故率指数组成一个指数集，并计算指数权值，对指数集和指数权值进行总体估计，得到总体事故率估计值，进一步包括：

首先将各种事故率指数作为元素组成一个集合或一个指数矢量，即U＝(I_LL，I_OL，I_OU)；确定事故率指数的对比标量：

利用u₁、u₂、u₃分别表示供电不足、过载与电流越限的事故率指数，当u_i比u_j重要程度高时，则c_ij取值为1；当u_i比u_j重要程度低时，c_ij取值为-1，当u_i与u_j同等重要时，c_ij取值为0；

构建标量矩阵：根据c_ij值构建标量矩阵C＝

对标量矩阵进行分析得出最大特征根和特征矢量，并对标量矩阵C的元素按行相乘，所得到的乘积分别求n次方，方根矢量正则化后得到权矢量W＝(w₁，w₂，…w_n)，此矢量即为指数权值；

对指数集和指数权值进行总体估计，总体估计后所得的指数值为I＝WU^T，此指数I即为总体事故率估计值。

本发明相比现有技术，具有以下优点：

本发明提出了一种确定电网运行安全状态的方法，通过一系列模型实现对运行安全状态的有效监控，量化结果准确而具体。

具体实施方式

下文提供对本发明一个或者多个实施例的详细描述。结合这样的实施例描述本发明，但是本发明不限于任何实施例。本发明的范围仅由权利要求书限定，并且本发明涵盖诸多替代、修改和等同物。在下文描述中阐述诸多具体细节以便提供对本发明的透彻理解。出于示例的目的而提供这些细节，并且无这些具体细节中的一些或者所有细节也可以根据权利要求书实现本发明。

本发明提出一种电网系统运行事故告警量化方法，针对现有方案局限于定性分析的问题，将告警问题量化与模型化，通过以往气象数据以及系统器件运行异常数据对电网进行事故率估计，计算得到运行事故告警量化的指数值，通过该指数判断电网的安全等级。针对电网本身的特殊性，本发明应用量化方法，通过不同层次的建模过程实现对运行安全状态的有效监控。本发明的方法如下：

1)采集被估计的电网系统主要器件的历史运行异常数据和气象数据，根据采集到的数据计算出电网系统的运行异常概率；

2)构建运行异常影响程度模型；根据运行异常概率和影响程度模型进行计算，得到预定数量的事故率指数；

3)以事故率指数作为元素，组成一个指数集，并计算指数权值；

4)对指数集和指数权值进行总体估计，得到总体事故率估计值；

5)将总体事故率估计值与电网各级安全事故率的取值范围进行比较，得到电网系统当前的安全等级。

电网主要器件包括风电机组、常规发电机组、变压器、输电线路等，为计算每个器件的运行异常率，需要采集这些器件的历史运行异常数据和气象数据。本发明采用这3种状态的气象模型描述一年中与气象相关的器件的运行异常率，可表示为：

$\mathrm{\&lambda;}\left(k\right)=\left\{\begin{array}{cc}\frac{H_f}{H_m}\&times;\frac{N+S_1+S_2}{N}(1-F_1-F_2),& k=1\\ \frac{H_f}{H_m}\&times;\frac{N+S_1+S_2}{N}{F}_1,& k=2\\ \frac{H_f}{H_m}\&times;\frac{N+S_1+S_2}{N}{F}_2,& k=3\end{array}\right.$

其中，正常情况下系统器件全年工作时间H_f；λ(k)为不同气象条件下(k＝1为正常，k＝2为恶劣，k＝3为极端)器件的运行异常率；N为正常气象条件的持续时间；S₁为恶劣气象条件的持续时间；S₂为极端气象条件的持续时间；F₁为在恶劣气象条件下出现的运行异常数占总运行异常数的比例；F₂为在极端气象条件下出现的运行异常数占总运行异常数的比例，H_m为运行异常前器件平均工作时间。

电网系统的可修复强迫失效可以通过稳态“运行-停止运行-运行”的循环过程来模拟，在长期循环过程中的平均停止运行概率可表示为：

$P_f=\frac{\mathrm{\&lambda;}\left(k\right)}{\mathrm{\&lambda;}\left(k\right)+\mathrm{\&mu;}}=\frac{\mathrm{\&lambda;}\left(k\right)}{\mathrm{\&lambda;}\left(k\right)+\frac{H_f}{H_r}}$

其中H_r为平均修复时间。且一般情况下N+S₁+S₂＝H_f；整理可得各电网器件停止运行概率的表达式如下：

$P_f\left(k\right)=\left\{\begin{array}{cc}\frac{H_f\&times;H_r\&times;(1-F_1-F_2)}{H_f\&times;H_r\&times;(1-F_1-F_2)+N\&times;H_m},& k=1\\ \frac{H_f\&times;H_r\&times;F_1}{H_f\&times;H_r\&times;F_1+S_1\&times;H_m},& k=2\\ \frac{H_f\&times;H_r\&times;F_2}{H_f\&times;H_r\&times;F_2+S_2\&times;H_m},& k=3\end{array}\right.$

其中P_f(k)表示不同气象条件下器件的停止运行概率，用来计算电网系统的运行异常概率。

对于电网系统中的任一器件m，设其停止运行概率为P_fm，若对该器件某次采样得到的的停止运行随机数为R_m(R_m处在[0，1]区间)，则确定第i次采样对应的器件的状态为S_i，其中当R_m>P_fm时S_i＝0(运行状态)，当0≤R_m≤P_fm时S_i＝1(停止状态)，

对于包含M个器件的电网系统，其采样状态表示为：S＝(S₁，S₂，…，S_M)

有了系统的采样状态，就可以利用潮流计算等方法对电网系统进行分析，判断电网系统是否处于运行异常状态，本发明所处理的运行异常状态包括供电不足、过载或电流越限中的一种或多种状态。

当采样的数量足够大时，采样频率可以作为其概率的无偏估计，假设S'代表运行异常状态，则运行异常概率可由下式计算得出。

P(S')≈n(S')/N_S

其中N_S为采样次数，n(S')为状态S'出现的次数。

为考虑该运行异常所产生的后果，本发明通过效用函数来估计每次运行异常产生的后果。选择趋向型的指数效用函数来构建运行异常影响程度模型，具体形式如下：

u(ω)＝(e^a(ω+b)-1)/c，其中a、b、c为预设系数。

根据上式，可以对系统中的某一条母线分别构建供电不足影响程度模型、过载影响程度模型和电流越限影响程度模型。在常规影响程度量化模型的基础上引入负载重要性因数α_i，将状态j下的供电不足影响程度表示为S_evL(S_j)＝α_i(e^ωLi-1)

其中ωLi为母线i对应的供电差额量。

在常规影响程度量化模型的基础上引入线路重要性因数β_i，将状态j下的过载影响程度表示为S_evO(S_j)＝β_i(e^ωOi-1)

其中ω_Oi为支路i的过载损失值，当L_i>L₀时ω_Oi＝L_i-L₀，当0≤L_i≤L₀时ω_Oi＝0。L_i为支路在系统运行异常后的潮流；L₀为正常情况下支路潮流。在实际估计工作中，β_i可根据下式确定：

β_i＝β_aiβ_bi

其中β_ai、β_bi分别对应于线路拓扑结构重要性因数和线路电流水平重要性因数。

定义状态j下母线电流越限的影响程度为S_evI(S_j)＝γ_i(e^ωIi-1)

ω_Ii定义为母线i的低压损失值，具体为，当0<I_i<I₀时ω_Ii＝I₀-I_i，当I_i＝I₀时ω_Ii＝0；当I_i>I₀时，ω_Ii＝I_i-I₀。I_i为母线i在系统运行异常后的电流；I₀为正常情况下母线电流值。

γ_i可根据下式确定：

γ_i＝γ_aiγ_bi

其中γ_ai、γ_bi分别对应于母线电流水平重要性因数和补偿装置影响因数。

根据以上运行异常概率和运行异常影响程度模型，事故率指数可表示为：

1)供电不足事故率指数。提出电网系统期望供电不足指数I_LL，其定义为I_LL＝Σ_jP(S_j)×S_evL(S_j)；

其中P(S_j)表示第j个运行异常状态发生的概率；S_evL(S_j)为该状态下系统的供电不足影响程度。

2)过载事故率指数。当线路输送功率超过其最大容量限值时会发生线路过载，造成设备的损坏，在严重情况下将导致电网系统解列甚至崩溃，带来巨大的经济损失和社会影响。过载事故率指数定义为：

I_OL＝Σ_jP(S_j)×S_evO(S_j)；

其中S_evO(S_j)为该状态下的过载影响程度。

3)电流越限事故率指数：电流越限事故率指数反映的是电网系统运行异常造成系统线路电流高于或低于额定值的可能性和影响程度，其定义为

I_OU＝Σ_jP(S_j)×S_evI(S_j)；

其中S_evI(S_j)为该状态下的电流越限影响程度。

在指数权值计算中，首先将各种事故率指数作为元素组成一个集合或一个指数矢量，即U＝(I_LL，I_OL，I_OU)；利用指数标量法确定各指数的权值。主要步骤为确定指数标量，即用九个相互关联的整数作为估计元素，标记各功能之间的相对重要性，然后形成标量矩阵，最后进行一致性检验。本发明应用指数标量法的基本步骤如下：

1)确定事故率指数的对比标量。u₁、u₂、u₃分别代表供电不足、过载与电流越限的事故率指数，当u_i比u_j重要程度高时，则c_ij取值为1；当u_i比u_j重要程度低时，c_ij取值为-1，当u_i与u_j同等重要时，c_ij取值为0。

2)构建标量矩阵。根据c_ij值构建标量矩阵C＝

当n＝3时，标量矩阵为3×3阶矩阵。

3)得出指数权值。对标量矩阵进行分析得出最大特征根和特征矢量，并对标量矩阵C的元素按行相乘，所得到的乘积分别求n次方，方根矢量正则化后得到权矢量W＝(w₁，w₂，…w_n)，此矢量即为指数权值。

4)对指数集和指数权值进行总体估计，总体估计后所得的指数值为I＝WU^T。此指数I即为总体事故率估计值。

针对上述运算方法，本发明在另一方面改进了电网运行阶段安全状态监控相对应的数据库与管理端构建过程。首先进行电网运行数据库与管理端的软件架构设计。用户通过客户端应用程序与服务器端服务程序进行交互。数据库集群服务器设置在区域电网调控规划中心，客户端应用程序安装在省级、地级电网调度中心，形成分布式的体系结构，最终由具有相应权限的区域电网调控中心对全部数据进行整理、校核与发布，数据库集群服务器操作系统采用RedHatLinux的64位版本。数据库采用Oracle，客户端可采用多种操作系统。采用Qt开发服务器端服务程序和客户端应用程序，提供给应用程序开发者建立图形用户界面所需的所用功能，其最大的特点是可以跨平台，服务器端服务程序和客户端应用程序均可以使用Qt进行开发。

根据需求分析，本数据库既包含规划设计数据，又包含运行管理数据。本发明的数据库设计旨在提供一个合理性的方案来将两数据集成在一起。根据需求特点和设计目标，首先制定数据库设计的总体原则：1)整合电网各类运行数据，消除冗余，保证数据的唯一性。2)以增量的方式对方式信息进行存储，体现不同方式之间的演化关系，便于实现管理功能。3)采用统一的电网模型来关联规划与运行两数据，保证电网模型的可扩展性和数据的开放性，为后续开发的各类高级应用提供数据支撑平台。

依据上述原则，在详细设计时将数据库中存储的数据分为三类，这三数据分别如下。

1)器件参数数据表。用于存储器件对象及其参数，以及各器件之间的拓扑连接关系，并通过地理从属关系、规划生效时段，例如投运日期、退役日期等信息组织起来。数据数据表中以母线名称、母线电压为联合主键/外键，将各种器件关联起来。同时将母线归并到相应的厂站，厂站归并到相应的网区，网区具有不同级别，相互之间具有从属关系。为了体现不同规划阶段的电网器件组成，利用投产日期和退役日期界定电网器件所处的规划阶段，所有独立的电气器件都具有这两个时间属性，表明该器件在电网中出现的时间跨度。

2)规划信息数据表。依据电网规划各项工作的数据需求，把规划信息数据分为以下几类，即基础信息、电力负载预测类信息、电源规划类信息、可靠性类信息、运行模拟类信息。

3)管理数据表。存储并管理电网运行管理信息，根据数据库中的参数对管理文件中的参数进行更新维护，由编辑工具对管理文件和数据库中对应的参数进行修改，管理端对这些管理文件进行管理与存储。

目前，对器件参数的存储方法是：针对每一类器件的每一类模型建立相应的存储结构，确定参数个数，参数顺序，参数含义等信息。这种存储方法比较直观，但存在通用性和扩展性差的缺点，一旦模型发生修改，必须修改相应的存储结构，一旦出现新的模型，必须建立新的存储结构。因此，在数据库与管理端设计时，针对器件复杂模型，本发明利用模板的定义方法，利用这种模板可以灵活定义各种模型，即使是新的模型也可以很快建立相应的模板。在此基础上，对所有器件不同种类的模型参数，按照统一的存储格式进行存储，在使用时依据其模型类型，关联到相应的模板，利用模板对参数的意义、格式、合理限值等信息进行解析。

给定模型所对应的器件类型，如发电机、原动机、调速器、励磁系统等。给定模型的具体类型信息。给定参数模板所属的模板，并至少定义以下信息：(a)参数的名称；(b)参数在模型中的序号；(c)参数的物理意义；(d)参数数据类型；(e)参数的格式；(f)参数的上限；(g)参数的下限；(h)参数的默认值。以上器件模板、参数模板的定义可以使用关系型数据库、层次型数据库或者数据文件的形式加以实现。给定某一套参数所对应的模板类型，在此基础上按照参数的先后顺序存储参数数值或参数字符串。某一套模型参数，依据其模型类型，关联到与其对应的模板，从而获取模板所包含的参数模板，利用参数模板对每一参数进行解析，从而获取参数的含义和其他相关信息。这种模型自定义和参数统一存储的方法，具有很强的通用性和扩展性。

应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。

Claims (6)

1.一种用于确定电网运行安全状态的方法，其特征在于：

通过电网运行历史数据对电网进行事故率估计，利用所估计的事故率计算运行事故指数，通过该指数判断电网的安全等级。

2.根据权利要求1所述的方法，其特征在于，所述通过电网运行历史数据对电网进行事故率估计，利用所估计的事故率计算运行事故指数，进一步包括：

采集被估计的电网系统主要器件的历史运行异常数据和气象数据，根据采集到的数据计算出电网系统的运行异常概率；

构建运行异常影响程度模型；根据运行异常概率和影响程度模型进行计算，得到预定数量的事故率指数。

3.根据权利要求2所述的方法，其特征在于，所述通过该指数判断电网的安全等级，进一步包括：

将预定数量的事故率指数组成一个指数集，并计算指数权值；

对指数集和指数权值进行总体估计，得到总体事故率估计值；

将总体事故率估计值与预定义的电网各级安全事故率的取值范围进行比较，得到电网系统当前的安全等级。

4.根据权利要求3所述的方法，其特征在于，所述根据采集到的数据计算出电网系统的运行异常概率，进一步包括：

首先采集电网器件的历史运行异常数据和气象数据，采用3种状态的气象模型描述全年与气象相关的器件的运行异常率，表示为：

$\mathrm{\&lambda;}\left(k\right)=\left\{\begin{array}{cc}\frac{H_f}{H_m}\&times;\frac{N+S_1+S_2}{N}(1-F_1-F_2),& k=1\\ \frac{H_f}{H_m}\&times;\frac{N+S_1+S_2}{N}{F}_1,& k=2\\ \frac{H_f}{H_m}\&times;\frac{N+S_1+S_2}{N}{F}_2,& k=3\end{array}\right.$

其中，正常情况下系统器件全年工作时间为H_f；λ(k)为不同气象条件下器件的运行异常率，k＝1为正常气象条件，k＝2为恶劣气象条件，k＝3为极端气象条件；N为正常气象条件的持续时间；S₁为恶劣气象条件的持续时间；S₂为极端气象条件的持续时间；F₁为在恶劣气象条件下出现的运行异常数占总运行异常数的比例；F₂为在极端气象条件下出现的运行异常数占总运行异常数的比例，H_m为运行异常前器件平均工作时间；

将电网系统器件平均停止运行概率表示为：

$P_f=\frac{\mathrm{\&lambda;}\left(k\right)}{\mathrm{\&lambda;}\left(k\right)+\mathrm{\&mu;}}=\frac{\mathrm{\&lambda;}\left(k\right)}{\mathrm{\&lambda;}\left(k\right)+\frac{H_f}{H_r}}$

其中H_r为平均修复时间，且N+S₁+S₂＝H_f；得出不同气象条件下器件的停止运行概率：

$P_f\left(k\right)=\left\{\begin{array}{cc}\frac{H_f\&times;H_r\&times;(1-F_1-F_2)}{H_f\&times;H_r\&times;(1-F_1-F_2)+N\&times;H_m},& k=1\\ \frac{H_f\&times;H_r\&times;F_1}{H_f\&times;H_r\&times;F_1+S_1\&times;H_m},& k=2\\ \frac{H_f\&times;H_r\&times;F_2}{H_f\&times;H_r\&times;F_2+S_2\&times;H_m},& k=3\end{array}\right.$

对于电网系统中的任一器件m，其停止运行概率表示为P_fm，若对该器件某次采样得到的的停止运行随机数为R_m，其中R_m处在[0，1]区间，则确定第i次采样对应的器件的状态为S_i，其中当R_m>P_fm时S_i＝0即运行状态，当0≤R_m≤P_fm时S_i＝1即停止状态；

对于包含M个器件的电网系统，其采样状态表示为：S＝(S₁，S₂，…，S_M)，根据以上采样状态，利用潮流计算方法对电网系统进行分析，判断电网系统是否处于运行异常状态，所述运行异常状态包括供电不足、过载或电流越限中的一种或多种；

将采样频率作为概率无偏估计，运行异常概率可由下式计算得出：P(S')≈n(S')/N_S

其中S'代表运行异常状态，N_S为采样次数，n(S')为状态S'出现的次数。

5.根据权利要求4所述的方法，其特征在于，所述构建运行异常影响程度模型；根据运行异常概率和影响程度模型进行计算，得到预定数量的事故率指数，进一步包括：

构建运行异常影响程度模型：u(ω)＝(e^a(ω+b)-1)/c，其中a、b、c为预设系数；对系统中的母线分别构建供电不足、过载和电流越限影响程度模型；

通过负载重要性因数α_i，将状态j下的供电不足影响程度表示为S_evL(S_j)＝α_i(e^ωLi-1)；其中ωLi为母线i对应的供电差额量；

利用线路重要性因数β_i，将状态j下的过载影响程度表示为S_evO(S_j)＝β_i(e^ωOi-1)，ω_Oi为支路i的过载损失值，当L_i>L₀时ω_Oi＝L_i-L₀，当0≤L_i≤L₀时ω_Oi＝0；L_i为支路在系统运行异常后的潮流；L₀为正常情况下支路潮流，β_i可根据下式确定：

β_i＝β_aiβ_bi，β_ai、β_bi分别对应于线路拓扑结构重要性因数和线路电压水平重要性因数；

定义状态j下母线电流越限的影响程度为S_evI(S_j)＝γ_i(e^ωIi-1)；ω_Ii定义为母线i的低压损失值，当0<I_i<I₀时ω_Ii＝I₀-I_i，当I_i＝I₀时ω_Ii＝0；当I_i>I₀时，ω_Ii＝I_i-I₀，I_i为母线i在系统运行异常后的电流；I₀为正常情况下母线电流值，γ_i可根据下式确定：γ_i＝γ_aiγ_bi，γ_ai、γ_bi分别对应于母线电流水平重要性因数和补偿装置影响因数，

根据以上运行异常概率和运行异常影响程度模型，将事故率指数表示为：

1)供电不足事故率指数I_LL＝Σ_jP(S_j)×S_evL(S_j)；其中P(S_j)表示第j个运行异常状态发生的概率；S_evL(S_j)为该状态下系统的供电不足影响程度；

2)过载事故率指数I_OL＝Σ_jP(S_j)×S_evO(S_j)；其中S_evO(S_j)为该状态下的过载影响程度；

3)电流越限事故率指数I_OU＝Σ_jP(S_j)×S_evI(S_j)；其中S_evI(S_j)为该状态下的电流越限影响程度。

6.根据权利要求5所述的方法，其特征在于，所述将预定数量的事故率指数组成一个指数集，并计算指数权值，对指数集和指数权值进行总体估计，得到总体事故率估计值，进一步包括：

首先将各种事故率指数作为元素组成一个集合或一个指数矢量，即U＝(I_LL，I_OL，I_OU)；确定事故率指数的对比标量：

利用u₁、u₂、u₃分别表示供电不足、过载与电流越限的事故率指数，当u_i比u_j重要程度高时，则c_ij取值为1；当u_i比u_j重要程度低时，c_ij取值为-1，当u_i与u_j同等重要时，c_ij取值为0；

构建标量矩阵：根据c_ij值构建标量矩阵C＝

对标量矩阵进行分析得出最大特征根和特征矢量，并对标量矩阵C的元素按行相乘，所得到的乘积分别求n次方，方根矢量正则化后得到权矢量W＝(w₁，w₂，…w_n)，此矢量即为指数权值；

对指数集和指数权值进行总体估计，总体估计后所得的指数值为I＝WU^T，此指数I即为总体事故率估计值。