(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111661606.6 (22)申请日 2021.12.3 0 (71)申请人 重庆大学 地址 400044 重庆市沙坪坝区沙正 街174号 申请人 国网湖北省电力有限公司电力科 学 研究院　 国家电网有限公司 (72)发明人 胡博　谢开贵　李春燕　邵常政　 曹侃　周鲲鹏　李维展　林铖嵘　 卢慧　孙铠彬　彭吕斌　 (74)专利代理 机构 北京智绘未来专利代理事务 所(普通合伙) 11689 代理人 肖继军　魏辛欣 (51)Int.Cl. G06Q 10/04(2012.01)G06Q 50/06(2012.01) G06K 9/62(2022.01) G06F 30/20(2020.01) G06F 111/08(2020.01) G06F 119/02(2020.01) (54)发明名称 基于交叉熵重要抽样的元件可靠性参数优 化解析方法 (57)摘要 本申请公开了基于交叉熵重要抽样的元件 可靠性参数优化解析方法， 包括： 输入参数； 采用 交叉熵重要抽样产生系统失负荷事件， 并进行系 统可靠性评估； 建立基于交叉熵重要抽样的系统 可靠性指标解析模型； 建立可靠性参数优化解析 模型； 将优化解析模型分解为上层问题和下层问 题； 求解上层问题得到解析模型系数并对系统元 件进行重要度排序； 依次求解上层问题与下层问 题， 得到被优化元件投资费用及被优化后的不可 用率； 输出被优化元件集合及其中各元件的投资 费用及被优化后的不可用率。 本发 明的解析计算 精度与传统可靠性优化方法十分接近， 在保证计 算精度的前提下， 极大的提高了可靠性参数优化 问题的计算效率。 权利要求书7页 说明书19页 附图1页 CN 114239999 A 2022.03.25 CN 114239999 A 1.基于交叉熵重要抽样的元件可靠性 参数优化 解析方法， 其特 征在于： 所述方法包括以下步骤： 步骤1： 输入系统的电气参数、 初始可靠性 参数， 设置系统的元件总个数； 步骤2： 采用交叉熵重要抽样产生系统失负荷事件， 并进行系统可靠性评估， 存储失负 荷事件、 削负荷量、 似然比， 并累计所有最优抽样事 件的EENS， 得出系统EENS指标； 步骤3： 基于步骤2得到的失负荷事件信息， 建立基于交叉熵重要抽样的系统可靠性指 标解析模型； 步骤4： 通过构建辅助变量将系统可靠性指标解析模型融入元件可靠性参数优化问题 中， 建立可靠性 参数优化 解析模型； 步骤5： 将可靠性参数优化解析模型分解为上层问题和下层问题， 所述上层问题为决策 变量为模型系数和辅助变量的线性规划问题， 所述下层问题为决策变量为被优化元件的投 资费用的非线性 规划问题； 步骤6： 基于失负荷事件、 削负荷量和似然比， 针对系统中的所有元件求解上层 问题得 到解析模型系数， 并对系统元件进行重要度排序； 步骤7： 根据元件重要度排序选取被优化元件集合， 依次求解上层问题与下层 问题， 得 到被优化元件投资费用及被优化后的不可用率； 步骤8： 输出被优化元件集 合及其中各 元件的投资费用及被优化后的不可用率。 2.根据权利要求1所述的基于交叉熵重要抽样的元件可靠性参数优化解析方法， 其特 征在于： 步骤2具体包括： 步骤2.1： 交叉熵 重要抽样初始化， 包括 设置方差系数收敛阈值β0， 每次迭代抽样次数N， 初始化迭代次数k ＝1， 设置初始化 最优重要抽样概 率密度函数； 步骤2.2： 预抽样： 采用步骤2.1设置的初始化最优重要抽样概率密度 函数进行抽样， 生 成N个系统状态样本； 步骤2.3： 对每个样本进行可靠性评估， 确定削负荷量h(xi)， xi表示第i个样本的系统状 态， i＝1, …,N， 通过公式 获得下一次迭代中各元件的最优不 可用度qk,j， 得到下一次迭代采用的最优重要抽样概 率密度函数， 并进行 下一次迭代； 当前后两次迭代中各元件不可用度变化的最大值小于或等于0.01时， 认为迭代过程收 敛， 输出最后一次迭代所 得各元件的不可用度即为 最优不可用度； 其中， qk,j表示第k次迭代的元件j的最优不可用度的估计值； W(xi； p； qk‑1)表示第k次迭代的似然比： 权　利　要　求　书 1/7 页 2 CN 114239999 A 2式中， W(xi； p； qk‑1)表示第k次迭代的似然比， xij表示系统状态样本xi中元件j的状态， qk‑1,j为第k‑1次迭代中元件j的不可用率； 步骤2.4： 循环可靠性评估： 采用步骤2.3最后一次迭代使用的最优重要抽样概率密度 函数进行正式抽样， 抽取一个事件x， 对抽取的样 本进行系统状态分析， 计算事件x的失负荷 量为H(x)； 计算由正式抽样产生的全部随机事件对应的EENS指标方差系数β， 若β ＜β0， 转步骤2.5， 否则， 抽取 下一个系统状态进行 可靠性评估， 直至 跳出循环； 步骤2.5： 存 储失负荷事 件、 削负荷量、 似然比： 设每个元件有两个状态： 正常状态用0表示， 故障状态用1表示， 则任意失负荷事件对应 的元件状态用一个按照元件编号 排序后的二进制数表示， 记失负荷事 件的总数为 nl； 将正式抽样得到的全部失负荷事件对应的二进制状态序列存储在nl×Ne维矩阵B中， 并 将对应的削负荷量、 似然函数值分别存 储到nl维列向量h与W中； 其中， B的每一行对应一个失负荷事 件的二进制状态序列。 步骤2.6： 累计所有最优抽样事 件的EENS， 得出系统EENS指标。 累计所有最优抽样事 件的EENS， 得出系统EENS指标： 3.根据权利要求2所述的基于交叉熵重要抽样的元件可靠性参数优化解析方法， 其特 征在于： 步骤2.1中， 设置初始化最优重要抽样概率密度函数为原始概率密度函数， 即： I(x； Q0) ＝f(x； P)； I(x； Q0)为初始化 最优重要抽样概 率密度函数， 用于预抽样； f(x； P)为系统状态向量x的原 始概率密度函数； 设重要抽样概率密度 函数I(x； Q)与原始概率密度 函数f(x； P)具有相同的形式， 其联合 概率密度函数表示 为： 用于求解似然比； 其中， Q0表示初始抽样概率密度分布的可靠性参数， Q表示重要抽样概率密度分布的可 靠性参数， qj为元件j的不可用度， xij表示系统状态样本xi中元件j的状态， j＝1, …,Ne。 4.根据权利要求1所述的基于交叉熵重要抽样的元件可靠性参数优化解析方法， 其特 征在于： 步骤3包括以下步骤： 步骤3.1： 采用状态枚举法得到系统E ENS指标解析模型； 步骤3.2： 在步骤3.1解析模型推导基础上， 结合步骤2得到 的系统EENS指标， 得到基于 交叉熵重要抽样的系统可靠性指标解析模型。 5.根据权利要求4所述的基于交叉熵重要抽样的元件可靠性参数优化解析方法， 其特 征在于： 步骤3.1中， 记采用状态枚举法得到的系统E ENS指标为： 权　利　要　求　书 2/7 页 3 CN 114239999 A 3