CN109116188A - 一种电力系统故障推演方法、装置、设备及可读存储介质 - Google Patents

Abstract

本发明公开了一种电力系统故障推演方法，是依据电力系统发生故障之前的网络拓扑结构构建贝叶斯网络模型；然后再根据电力系统发生故障时上传的故障信息对构建出的贝叶斯网络模型进行分析处理，最后得出电力系统发生故障时，各元件对应的保护装置的动作信息，进而实现对电力系统故障的推演。贝叶斯网络模型是一种不确定性因果关系关联模型、具有强大的不确定性问题处理能力，同时它能有效的进行多源的信息表达与融合，可以处理各种不确定性和不完备性信息，容错能力强。与现有技术中采用专家系统机制进行推演相比，该推演方法，可以提高故障推演准确性和效率。另外，本发明还公开了一种电力系统故障推演的装置、设备及可读存储介质，效果如上。

Description

一种电力系统故障推演方法、装置、设备及可读存储介质

技术领域

本发明涉及电力系统应用领域，特别涉及一种电力系统故障推演方法、装置、设备及可读存储介质。

背景技术

电力系统故障推演是在发生复杂故障时，分析上送的故障信息发生的先后顺序，结合故障诊断结果，推演出二次设备动作行为和一次设备的状态。通过电力系统故障推演，可以利用事故的记录文件进行重演，反应事故前后一段时间内电网的实际运行状态。电网调度人员和运维人员可以方便有效的分析事故的原因，调整电网的运行方式，避免误操作引发大事故，保障电网安全经济运行，为电网设备的运行管理提供优化和决策依据。

目前，当电力系统发生故障后，大多采用专家系统机制，构建故障推演规则，采用分层诊断及因果逻辑相结合的推理方法进行故障推演，进而实现故障诊断以及故障设备定位。采用专家系统机制对电力系统的故障进行推演时，当在故障信息确定的情况下能够有效求解故障过程；但当故障信息有漏报或误报等情况时，由于故障信息不再可信，需要增补相应的判别逻辑，所以产生的故障假说急剧增多，最终会导致求解故障过程的准确性和效率较低，难以满足在线应用要求。

由此可见，如何克服传统的故障推演方式导致的故障推演过程准确性和效率低的问题是本领域技术人员亟待解决的问题。

发明内容

本申请实施例提供了一种电力系统故障推演方法、装置、设备及可读存储介质，解决了现有技术中传统的故障推演方式导致的故障推演过程准确性和效率低的问题。

为解决上述技术问题，本发明提供了一种电力系统故障推演方法，包括：

获取电力系统发生故障之前的网络拓扑结构；

依据所述网络拓扑结构构建贝叶斯网络模型；

根据所述电力系统发生故障时上传的故障信息确定出所述贝叶斯网络模型中各节点处的故障元件和所述故障元件发生故障时对应的各保护装置的动作信息以对所述电力系统故障进行推演。

优选地，所述依据所述网络拓扑结构构建贝叶斯网络模型具体包括：

确定所述贝叶斯网络模型的变量集；

依据所述变量集构建所述贝叶斯网络模型的拓扑结构。

优选地，所述确定所述贝叶斯网络模型的变量集具体包括：

将所述网络拓扑结构中的各元件作为所述贝叶斯网络模型的根节点；

将与各所述元件对应的各所述保护装置作为所述贝叶斯网络模型的子节点。

优选地，所述根据所述电力系统发生故障时上传的故障信息确定出所述贝叶斯网络模型中各节点处的故障元件具体包括：

确定出各所述节点的先验概率和条件概率；

将所述故障信息导入所述贝叶斯网络模型，并结合反向推理确定出各所述节点处元件发生故障的概率；

判断所述概率是否大于阈值；

如果是，则表征所述元件为所述故障元件；

如果否，则表征所述元件为非故障元件。

优选地，所述根据所述电力系统发生故障时上传的故障信息确定出所述故障元件发生故障时对应的各保护装置的动作信息具体包括：

通过正向推理，确定出各所述保护装置的动作概率；

依据所述动作概率将各所述保护装置所在的节点进行分层处理；

根据所述分层结果得出各所述保护装置动作的先后顺序。

优选地，所述保护装置具体包括主保护装置，近后备保护装置，远后备保护装置以及继电器。

为解决上述技术问题，本发明还提供了一种与电力系统故障推演方法对应的装置，包括：

获取模块，用于获取电力系统发生故障之前的网络拓扑结构；

构建模块，用于依据所述网络拓扑结构构建贝叶斯网络模型；

确定模块，用户根据所述电力系统发生故障时上传的故障信息确定出所述贝叶斯网络模型中各节点处的故障元件和所述故障元件发生故障时对应的各保护装置的动作信息以对所述电力系统故障进行推演。

优选地，所述构建模块包括：

确定子模块，用于确定所述贝叶斯网络模型的变量集；

构建子模块，用于依据所述变量集构建所述贝叶斯网络模型的拓扑结构。

为解决上述技术问题，本发明还提供了一种与电力系统故障推演方法对应的设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序以实现上述任意一种电力系统故障推演方法的步骤。

为解决上述技术问题，本发明还提供了一种与电力系统故障推演方法对应的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行以实现上述任意一种电力系统故障推演方法的步骤。

相比于现有技术，本发明所提供的一种电力系统故障推演方法，是依据电力系统发生故障之前的网络拓扑结构构建贝叶斯网络模型；然后再根据电力系统发生故障时上传的故障信息对构建出的贝叶斯网络模型进行分析处理，最后得出电力系统发生故障时，各元件对应的保护装置的动作信息，进而实现对电力系统故障的推演。因为贝叶斯网络模型是一种不确定性因果关系关联模型、具有强大的不确定性问题处理能力，同时它能有效的进行多源的信息表达与融合，可以处理各种不确定性和不完备性信息，容错能力强。所以与现有技术中采用专家系统机制对电力系统的故障进行推演相比，应用该推演方法，可以提高故障推演准确性和效率。另外，本发明还提供了一种电力系统故障推演的装置、设备及可读存储介质，效果如上。

附图说明

图1为本发明实施例所提供的一种电力系统故障推演方法流程图；

图2为本发明实施例所提供的一种电力系统故障推演装置组成示意图；

图3为本发明实施例所提供的一种电力系统故障推演设备组成示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其它实施例，都属于本发明保护的范围。

本发明的核心是提供一种电力系统故障推演方法、装置、设备及可读存储介质，可以解决现有技术中传统的故障推演方式导致的故障推演过程准确性和效率低的问题。

为了使本技术领域的人员更好地理解本发明的方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。

图1为本发明实施例所提供的一种电力系统故障推演方法流程图，如图1所示，包括：

S101：获取电力系统发生故障之前的网络拓扑结构。

S102：依据网络拓扑结构构建贝叶斯网络模型。

具体就是在电力系统还没有发生故障时，获取电力系统的网络拓扑结构，网络拓扑结构就是电力系统中各元件以及与各元件对应的保护装置组成的网络形状。然后再根据获取的电力系统的网络拓扑结构构件贝叶斯网络模型。作为优选地实施方式，依据网络拓扑结构构建贝叶斯网络模型具体包括：

确定贝叶斯网络模型的变量集；

依据变量集构建贝叶斯网络模型的拓扑结构。

具体就是确定出贝叶斯网络模型的各节点，包括根节点和子节点，也就是说需要确定出贝叶斯网络模型中的根节点需要设置电力系统中的哪些元件，子节点上需要设置哪些保护装置，这些确定好之后，就相当于确定了贝叶斯网络模型的变量集。然后根据确定好的变量集构建贝叶斯网络模型的拓扑结构，具体就是依据变量集确定贝叶斯网络模型中各节点上的元件以及保护装置组成的网络形状以及对应的连接关系的结构图。

为了提高电力系统故障推演的准确性，作为优选地实施方式，确定贝叶斯网络模型的变量集具体包括：

将网络拓扑结构中的各元件作为贝叶斯网络模型的根节点；

将与各元件对应的各保护装置作为贝叶斯网络模型的子节点。

具体就是将获取的电力系统网络拓扑结构中的各元件都设置在贝叶斯网络模型中的根节点处，将与各元件对应的各保护装置均设置在贝叶斯网络模型的子节点处。优选地，与各元件对应的保护装置具体包括主保护装置，近后备保护装置，远后备保护装置以及继电器。贝叶斯网络模型是一个有向无环图，其中节点代表电力系统中的变量，有向弧代表变量间的关系，变量之间的关系强度由子节点与其根节点之间的条件概率来表示，当确定故障诊断贝叶斯网络模型的拓扑结构之后，其中节点连接关系分为三类：元件-保护装置、保护装置-断路器、断路器-保护装置，通过读取电力系统网络拓扑结构以及保信系统，形成上述三层关联矩阵。

S103：根据电力系统发生故障时上传的故障信息确定出贝叶斯网络模型中各节点处的故障元件和故障元件发生故障时对应的各保护装置的动作信息以对电力系统故障进行推演。

在构建好贝叶斯网络模型之后，当电力系统发生故障时，可以根据上传的故障信息确定出贝叶斯网络模型中各节点处的元件状态，在实际应用中，可以用0表示元件处于正常状态，用1表示元件处于故障状态。因为贝叶斯网络模型中包含电力系统的所有元件以及对应的保护装置，所以根据电力系统上传的故障信息就可对应地确定出贝叶斯网络模型中各节点处元件的状态，当确定处故障元件之后就可确定出与故障元件对应地各保护装置的动作信息，动作信息包括不动作和动作两种状态，在实际应用中也可以用0表示不动作，用1表示动作。最后输出各保护装置的动作信息就实现对电力系统的故障推演，即可以确定出电力系统发生故障之前各保护装置到底是动作了还是没有动作，进而可以方便有关人员分析故障原因，可以避免误动作引发大事故。

贝叶斯网络模型是一种不确定性因果关系的关联模型、具有强大的不确定性问题处理能力，同时它能有效的进行多源的信息表达与融合，是一种基于网络结构的有向图解描述。具有容错能力强，可以处理各种不确定性和不完备性信息的特点。因此可以提高故障推演准确性和效率。

本发明所提供的一种电力系统故障推演方法，是依据电力系统发生故障之前的网络拓扑结构构建贝叶斯网络模型；然后再根据电力系统发生故障时上传的故障信息对构建出的贝叶斯网络模型进行分析处理，最后得出电力系统发生故障时，各元件对应的保护装置的动作信息，进而实现对电力系统故障的推演。因为贝叶斯网络模型是一种不确定性因果关系关联模型、具有强大的不确定性问题处理能力，同时它能有效的进行多源的信息表达与融合，可以处理各种不确定性和不完备性信息，容错能力强。所以与现有技术中采用专家系统机制对电力系统的故障进行推演相比，应用该推演方法，可以提高故障推演准确性和效率。

在上述实施例的基础上，作为优选地实施方式，根据电力系统发生故障时上传的故障信息确定出贝叶斯网络模型中各节点处的故障元件具体包括：

确定出各节点的先验概率和条件概率；

将故障信息导入贝叶斯网络模型，并结合反向推理确定出各节点处元件发生故障的概率；

判断概率是否大于阈值；

如果是，则表征元件为故障元件；

如果否，则表征元件为非故障元件。

具体地，就是先根据专家知识、实验数据和历史信息确定出故障诊断贝叶斯网络模型中的各节点的先验概率；然后再根据先验概率确定出贝叶斯网络模型中各节点的条件概率，先验概率是指贝叶斯网络模型中根节点的概率，条件概率是根据根节点计算出的子节点的概率。

第一，求解先验概率和条件概率，根节点处元件的先验概率可通过一次设备(元件)的年故障频率来计算，设备在连续运行一段时间后，发生故障的概率(先验概率)为：

P{T＜t}＝1-e^wt

其中，W年故障频率，t为年数。

贝叶斯网络节点代表随机变量，节点间的边代表变量之间的直接依赖关系，每个节点都附有一个概率分布，根节点X所附的是它的边缘分布，而对应的子根节点所附的是条件概率分布。假设网络中变量为X₁，X₂…X_n，则子节点对应的条件概率为：

其中，Parent(X_i)表示根节点概率集合，即元件所在的节点概率集合，有了节点及其相互关系有向边、条件概率表，贝叶斯网络就可以表达网络中所有节点变量的联合概率，并可以根据先验概率信息或某些节点的取值计算其他任何节点的概率信息。

第二，确定故障元件。也就是将故障信息导入贝叶斯网络模型，并结合反向推理确定出各节点处元件发生故障的概率；判断概率是否大于阈值；如果是，则表征元件为故障元件；如果否，则表征元件为非故障元件。具体过程为，针对每一个元件通过关联矩阵建立的贝叶斯网络模型，通过电力系统上送的保护装置的动作信息，结合贝叶斯网络模型根节点先验概率赋值，带入到贝叶斯公式中进行反向推理。

其中，贝叶斯公式如下：

其中，V_i＝1表示元件故障状态，E＝e表示子节点中各保护装置的实际动作情况。该式分子分母中概率值为各个节点先验概率赋值。上式的含义为：在已知保护装置的实际动作情况下，反向推理出每个元件故障的可能概率。设经过反向推理得到的各元件故障概率为P，设定0.8作为元件正常故障的阀值，即若P满足下列条件：P>0.8，则判定该元件为故障元件，否则为正常元件(非故障元件)，在实际应用中，阈值的选取并不一定局限于0.8，具体可根据实际情况确定，本发明并不做限定。

在上述实施例的基础上，作为优选地实施方式，根据电力系统发生故障时上传的故障信息确定出故障元件发生故障时对应的各保护装置的动作信息具体包括：

通过正向推理，确定出各保护装置的动作概率；

依据动作概率将各保护装置所在的节点进行分层处理；

根据分层结果得出各保护装置动作的先后顺序。

第一，确定动作概率。具体地，就是根据根节点元件的实际状态的情况下，即确定故障元件后，通过贝叶斯正向推理出对应的各子节点保护装置发生动作的动作概率。在元件故障状态下，求取各保护装置动的动作概率P计算公式如下：

即先假设元件故障的前提下，V_i等于1表示元件故障。通过贝叶斯条件概率公式，求得每个子节点处保护装置的动作概率。

第二，依据动作概率将各保护装置所在的节点进行分层处理。

在计算出动作概率之后，将各子节点处保护装置的动作概率生成矩阵，并与保护装置动作实际情况E作差，以此判别保护装置动作是否正确。下式为拒动、误动判别表达式：

-0.4≤P(R＝1|X＝1)-E≤0.6 (1)正确动作

P(R＝1|X＝1)≤-0.4 (2)误动

P(R＝1|X＝1)≥0.6 (3)拒动

其中，R＝1表示第一个节点，X表示与第一个节点对应的第一个保护装置。根据计算出的各节点保护装置的动作概率，将符合(1)使的保护装置分为在同一层，将符合(2)式的保护装置分在同一层，将符合(3)式的保护装置分在同一层，最后形成主保护集合、近后备保护集合、远后备保护集合、断路器集合，结合上送的故障信息中保护装置的动作信息，将上送的故障信息按上述集合归类。得到主保护层、近后备保护层、主保护对应断路器层、远后备保护层、远后备保护对应断路器层的动作信息。归类采用的方法是故障信息与上述集合取交集的办法。

第三，根据分层结果得出各保护装置动作的先后顺序。

将主保护层动作信息、误动信息和拒动信息等各层动作、拒动和误动信息，按照主保护-近后备保护-远后备保护-断路器，将各层故障推演结果整合，生成最终包括动作信息以及拒动、误动信息的故障推演结果。因为各元件对应的保护装置在电力系统发生故障时，并一定都发生了动作，所以最终输出的只是主保护-近后备保护-远后备保护-断路器中的一部分保护装置的动作信息。例如输出主保护-远后备保护-断路器，近后备保护-断路器的动作信息。

综上，对贝叶斯网络模型中的各个节点赋予先验概率，结合故障信息，对贝叶斯网络模型进行正向反向推理，确定故障元件以及保护装置的拒动误动分析，通过正向推理，求取节点动作概率，将贝叶斯网络节点分层处理，将保护动作信息、拒动、误动信息归类处理，将信息整合，最终生成含有拒动、误动信息的故障推演结果。

贝叶斯网络模型可从定性和定量两个层面来理解。在定性层面，它用一个有向无环图描述了变量之间的依赖和独立关系，即各保护装置之间的依赖关系。在定量层面，它则用条件概率分布刻画了变量对其根节点的依赖程度的大小，即元件与保护装置、保护装置与断路器之间的依赖关系。通过对贝叶斯网络中的节点赋予先验概率值，可充分反应出主保护、近后备、远后备保护动作的逻辑性，按主保护层-近后备保护-远后备保护-断路器顺序推演出电力系统发生故障时，各层保护装置动作的先后顺序，实现故障信息不完备、不准确时的电网故障推演。由此贝叶斯网络技术应用于电力系统故障推演具有充分的优势。

上文中对于一种电力系统故障推演方法的实施例进行了详细描述，基于上述实施例描述的电力系统故障推演方法，本发明实施例还提供了一种与该方法对应的电力系统故障推演装置。由于装置部分的实施例与方法部分的实施例相互对应，因此装置部分的实施例请参照方法部分的实施例描述，这里不再赘述。

图2为本发明实施例所提供的一种电力系统故障推演装置组成示意图，如图2所示，该装置包括获取模块201，构建模块202和确定模块203。

获取模块201，用于获取电力系统发生故障之前的网络拓扑结构；

构建模块202，用于依据网络拓扑结构构建贝叶斯网络模型；

确定模块203，用户根据电力系统发生故障时上传的故障信息确定出贝叶斯网络模型中各节点处的故障元件和故障元件发生故障时对应的各保护装置的动作信息以对电力系统故障进行推演。

本发明所提供的一种电力系统故障推演装置，是依据电力系统发生故障之前的网络拓扑结构构建贝叶斯网络模型；然后再根据电力系统发生故障时上传的故障信息对构建出的贝叶斯网络模型进行分析处理，最后得出电力系统发生故障时，各元件对应的保护装置的动作信息，进而实现对电力系统故障的推演。因为贝叶斯网络模型是一种不确定性因果关系关联模型、具有强大的不确定性问题处理能力，同时它能有效的进行多源的信息表达与融合，可以处理各种不确定性和不完备性信息，容错能力强。所以与现有技术中采用专家系统机制对电力系统的故障进行推演相比，应用该推演装置，可以提高故障推演准确性和效率。

在上述实施例的基础上，作为优选地实施方式，构建模块202包括：

确定子模块，用于确定贝叶斯网络模型的变量集；

构建子模块，用于依据变量集构建贝叶斯网络模型的拓扑结构。

上文中对于一种电力系统故障推演方法的实施例进行了详细描述，基于上述实施例描述的电力系统故障推演方法，本发明实施例还提供了一种与该方法对应的电力系统故障推演设备。由于设备部分的实施例与方法部分的实施例相互对应，因此设备部分的实施例请参照方法部分的实施例描述，这里不再赘述。

图3为本发明实施例所提供的一种电力系统故障推演设备组成示意图，如图3所示，该设备包括存储器301和处理器302。

存储器301，用于存储计算机程序；

处理器302，用于执行计算机程序以实现上述任意一个实施例所提供的电力系统故障推演方法的步骤。

本发明所提供的一种电力系统故障推演设备，因为贝叶斯网络模型是一种不确定性因果关系关联模型、具有强大的不确定性问题处理能力，同时它能有效的进行多源的信息表达与融合，可以处理各种不确定性和不完备性信息，容错能力强。所以与现有技术中采用专家系统机制对电力系统的故障进行推演相比，应用该推演设备，可以提高故障推演准确性和效率。

上文中对于一种电力系统故障推演方法的实施例进行了详细描述，基于上述实施例描述的电力系统故障推演方法，本发明实施例还提供了一种与该方法对应的计算机可读存储介质。由于计算机可读存储介质部分的实施例与方法部分的实施例相互对应，因此计算机可读存储介质部分的实施例请参照方法部分的实施例描述，这里不再赘述。

一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行以实现上述任意一个实施例提供的电力系统故障推演方法的步骤。

本发明所提供的一种计算机可读存储介质，处理器可以读取可读存储介质中存储的程序，即可以实现上述任意一个实施例提供的电力系统故障推演方法，因为贝叶斯网络模型是一种不确定性因果关系关联模型、具有强大的不确定性问题处理能力，同时它能有效的进行多源的信息表达与融合，可以处理各种不确定性和不完备性信息，容错能力强。所以与现有技术中采用专家系统机制对电力系统的故障进行推演相比，可以提高故障推演准确性和效率。

以上对本发明所提供的一种电力系统故障推演方法、装置、设备及可读存储介质进行了详细介绍。本文中运用几个实例对本发明的原理及实施方式进行了阐述，以上实施例的说明，只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制，本领域技术人员，在没有创造性劳动的前提下，对本发明所做出的修改、等同替换、改进等，均应包含在本申请中。

还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个操作与另一个操作区分开来，而不一定要求或者暗示这些实体或者操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”等类似词，使得包括一系列要素的单元、设备或系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种单元、设备或系统所固有的要素。

Claims (10)

1.一种电力系统故障推演方法，其特征在于，包括：

获取电力系统发生故障之前的网络拓扑结构；

依据所述网络拓扑结构构建贝叶斯网络模型；

根据所述电力系统发生故障时上传的故障信息确定出所述贝叶斯网络模型中各节点处的故障元件和所述故障元件发生故障时对应的各保护装置的动作信息以对所述电力系统故障进行推演。

2.根据权利要求1所述的电力系统故障推演方法，其特征在于，所述依据所述网络拓扑结构构建贝叶斯网络模型具体包括：

确定所述贝叶斯网络模型的变量集；

依据所述变量集构建所述贝叶斯网络模型的拓扑结构。

3.根据权利要求2所述的电力系统故障推演方法，其特征在于，所述确定所述贝叶斯网络模型的变量集具体包括：

将所述网络拓扑结构中的各元件作为所述贝叶斯网络模型的根节点；

将与各所述元件对应的各所述保护装置作为所述贝叶斯网络模型的子节点。

4.根据权利要求1所述的电力系统故障推演方法，其特征在于，所述根据所述电力系统发生故障时上传的故障信息确定出所述贝叶斯网络模型中各节点处的故障元件具体包括：

确定出各所述节点的先验概率和条件概率；

将所述故障信息导入所述贝叶斯网络模型，并结合反向推理确定出各所述节点处元件发生故障的概率；

判断所述概率是否大于阈值；

如果是，则表征所述元件为所述故障元件；

如果否，则表征元件为非故障元件。

5.根据权利要求4所述的电力系统故障推演方法，其特征在于，所述根据所述电力系统发生故障时上传的故障信息确定出所述故障元件发生故障时对应的各保护装置的动作信息具体包括：

通过正向推理，确定出各所述保护装置的动作概率；

依据所述动作概率将各所述保护装置所在的节点进行分层处理；

根据所述分层结果得出各所述保护装置动作的先后顺序。

6.根据权利要求1至5任意一项所述的电力系统故障推演方法，其特征在于，所述保护装置具体包括主保护装置，近后备保护装置，远后备保护装置以及继电器。

7.一种电力系统故障推演装置，其特征在于，包括：

获取模块，用于获取电力系统发生故障之前的网络拓扑结构；

构建模块，用于依据所述网络拓扑结构构建贝叶斯网络模型；

确定模块，用户根据所述电力系统发生故障时上传的故障信息确定出所述贝叶斯网络模型中各节点处的故障元件和所述故障元件发生故障时对应的各保护装置的动作信息以对所述电力系统故障进行推演。

8.根据权利要求7所述的电力系统故障推演装置，其特征在于，所述构建模块包括：

确定子模块，用于确定所述贝叶斯网络模型的变量集；

构建子模块，用于依据所述变量集构建所述贝叶斯网络模型的拓扑结构。

9.一种电力系统故障推演设备，其特征在于，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序以实现如权利要求1至6任意一项所述的电力系统故障推演方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行以实现如权利要求1至6任意一项所述的电力系统故障推演方法的步骤。